CN116256647B - 燃料电池性能的在线识别预测方法及系统 - Google Patents
燃料电池性能的在线识别预测方法及系统 Download PDFInfo
- Publication number
- CN116256647B CN116256647B CN202310522281.6A CN202310522281A CN116256647B CN 116256647 B CN116256647 B CN 116256647B CN 202310522281 A CN202310522281 A CN 202310522281A CN 116256647 B CN116256647 B CN 116256647B
- Authority
- CN
- China
- Prior art keywords
- polarization curve
- fuel cell
- working condition
- polarization
- history
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000000446 fuel Substances 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 16
- 230000010287 polarization Effects 0.000 claims abstract description 166
- 230000006870 function Effects 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 238000013135 deep learning Methods 0.000 claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 206010013496 Disturbance in attention Diseases 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 230000027756 respiratory electron transport chain Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 230000034964 establishment of cell polarity Effects 0.000 abstract description 5
- 238000013178 mathematical model Methods 0.000 abstract description 3
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/30—Hydrogen technology
- Y02E60/50—Fuel cells
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Fuel Cell (AREA)
Abstract
本发明提供了燃料电池性能的在线识别预测方法及系统,包括以下步骤:测试燃料电池在固定工况下的极化曲线,对测得的极化曲线进行函数拟合,并采用极化曲线影响参数对拟合函数进行简化;获取燃料电池在不同工况下的多组历史工况信息以及对应的历史极化曲线,并将历史极化曲线采用进行简化表示;构建预测模型,并根据历史工况信息以及简化表示后的历史极化曲线,对预测模型进行训练;获取燃料电池的实际运行工况信息,并输入预测模型,输出在实际运行工况下的极化曲线影响参数。本发明通过对极化曲线数学模型进行简化,并根据历史工况以及对应的极化曲线对深度学习神经网络模型进行训练,从而能够对实际工况下的燃料电池极化曲线进行预测。
Description
技术领域
本发明属于燃料电池技术领域,具体涉及燃料电池性能的在线识别预测方法及系统。
背景技术
燃料电池的极化曲线是电池电压随电流或电流密度变化的曲线,极化曲线能够体现燃料电池功率密度的变化,因此,在评价燃料电池的功率密度以及计算燃料电池效率或燃料电池衰减时通常需要对燃料电池的极化曲线进行测量。
目前,对于燃料电池极化曲线的测量方法一般是通过采集燃料电池在固定工况下的多组电压以及电流密度值,并通过函数拟合的方式获得极化曲线。然而,燃料电池在实际运行中往往会经历不同工况,那么在固定工况下测量的极化曲线自然也就无法满足对于燃料电池在动态工况下的效率以及衰减计算。
因此,如何测量燃料电池在动态工况下的实时极化曲线,是目前需要解决的问题,也对于燃料电池的效率以及衰减计算具有积极的意义。
发明内容
本方案通过对极化曲线数学模型进行简化,并根据历史工况以及对应的极化曲线对深度学习神经网络模型进行训练,从而能够对实际工况下的燃料电池极化曲线进行预测,进而能够解决上述技术问题。
本发明具体的技术方案如下:
第一方面,本发明提供了燃料电池性能的在线识别预测方法,包括以下步骤:
S1:测试燃料电池在固定工况下的极化曲线,对测得的极化曲线进行函数拟合,并采用极化曲线影响参数对拟合函数进行简化;
S2:获取燃料电池在不同工况下的多组历史工况信息以及对应的历史极化曲线,并将历史极化曲线采用极化曲线影响参数进行简化表示;
S3:构建预测模型,并根据历史工况信息以及简化表示后的历史极化曲线,对预测模型进行训练;
S4:获取燃料电池的实际运行工况信息,将实际运行工况信息输入预测模型,输出在实际运行工况下的极化曲线影响参数。
在一些实施例中,所述S1包括:
S11:测试燃料电池在固定工况下的极化曲线,对测得的极化曲线进行函数拟合,并用拟合函数表示为:
;
S12:将拟合函数系数简化为五个极化曲线影响参数,包括、/>、/>、/>以及/>,并采用极化曲线影响参数来表示拟合函数的输出;
其中,表示输出电压,/>表示能斯特电压,/>表示活化损耗,/>表示欧姆损耗,/>表示浓度损耗,/>为气体常数,/>为温度,/>为电荷转移系数,/>为法拉第常数,/>为离子电阻,/>为电子电阻,/>为接触电阻,/>为极限电流密度,/>为基于燃料电池活性面积的交换电流密度,/>为漏电流密度,/>为电流密度,/>表示电子转移数目,为/>、/>、/>的简化系数。
在一些实施例中,所述S2包括:
S21:获取燃料电池在不同工况下的多组历史工况信息,包括电压循环信息以及水温信息;
S22:测试燃料电池在不同工况下所对应的多条历史极化曲线,并采用极化曲线影响参数简化表示历史极化曲线的输出。
在一些实施例中,所述S3包括:
S31:构建有监督的深度学习神经网络模型作为预测模型;
S32:将历史工况信息以及简化表示后的历史极化曲线作为训练集的输入,将历史工况信息与极化曲线影响参数的对应关系作为训练集的输出,对预测模型进行训练。
在一些实施例中,所述S4包括:
S41:获取燃料电池在实际运行中的任一稳定工况下的实际运行工况信息;
S42:将实际运行工况信息输入预测模型,通过预测模型输出对应实际运行工况下的极化曲线影响参数;
S43:根据实际运行工况下的极化曲线影响参数,还原实际运行工况下的极化曲线。
第二方面,本发明提供了燃料电池性能的在线识别预测系统,包括:
参数简化模块,用于测试燃料电池在固定工况下的极化曲线,对测得的极化曲线进行函数拟合,并采用极化曲线影响参数对拟合函数进行简化;
历史数据获取模块,用于获取燃料电池在不同工况下的多组历史工况信息以及对应的历史极化曲线,并将历史极化曲线采用极化曲线影响参数进行简化表示;
模型构建训练模块,用于构建预测模型,并根据历史工况信息以及简化表示后的历史极化曲线,对预测模型进行训练;
预测模块,用于获取燃料电池的实际运行工况信息,将实际运行工况信息输入预测模型,输出在实际运行工况下的极化曲线影响参数。
在一些实施例中,所述参数简化模块包括:
极化曲线拟合子模块,用于测试燃料电池在固定工况下的极化曲线,对测得的极化曲线进行函数拟合,并用拟合函数表示为:
;
参数简化子模块,用于将拟合函数系数简化为五个极化曲线影响参数,包括、/>、/>、/>以及/>,并采用极化曲线影响参数来表示拟合函数的输出;
其中,表示输出电压,/>表示能斯特电压,/>表示活化损耗,/>表示欧姆损耗,/>表示浓度损耗,/>为气体常数,/>为温度,/>为电荷转移系数,/>为法拉第常数,/>为离子电阻,/>为电子电阻,/>为接触电阻,/>为极限电流密度,/>为基于燃料电池活性面积的交换电流密度,/>为漏电流密度,/>为电流密度,/>表示电子转移数目,为/>、/>、/>的简化系数。
在一些实施例中,所述历史数据获取模块包括:
历史工况获取子模块,用于获取燃料电池在不同工况下的多组历史工况信息,包括电压循环信息以及水温信息;
历史极化曲线获取子模块,用于测试燃料电池在不同工况下所对应的多条历史极化曲线,并采用极化曲线影响参数简化表示历史极化曲线的输出。
在一些实施例中,所述模型构建训练模块包括:
模型构建子模块,用于构建有监督的深度学习神经网络模型作为预测模型;
模型训练子模块,用于将历史工况信息以及简化表示后的历史极化曲线作为训练集的输入,将历史工况信息与极化曲线影响参数的对应关系作为训练集的输出,对预测模型进行训练。
在一些实施例中,所述预测模块包括:
实际工况获取子模块,用于获取燃料电池在实际运行中的任一稳定工况下的实际运行工况信息;
预测计算子模块,用于将实际运行工况信息输入预测模型,通过预测模型输出对应实际运行工况下的极化曲线影响参数;
极化曲线还原子模块,用于根据实际运行工况下的极化曲线影响参数,还原实际运行工况下的极化曲线。
本申请的有益效果是:
本申请提供的燃料电池性能的在线识别预测方法及系统,通过构建有监督的深度学习神经网络模型作为预测模型,并采集历史工况下的工况信息以及极化曲线作为训练集,同时对极化曲线的拟合函数进行参数简化,从而能够对实际工况下的燃料电池极化曲线进行预测,并根据实际的极化曲线,及时发现燃料电池衰减情况,从而对燃料电池使用策略进行优化。通过分析影响燃料电池系统的经济性、耐久性的关键因素,结合车联网信息交互、云平台大数据分析,根据车辆使用场景优化整车全生命周期成本,建立了基于车联网云平台的经济型能量管理策略。
附图说明
图1为本申请燃料电池性能的在线识别预测方法流程图;
图2为本申请步骤S1的子流程图;
图3为本申请步骤S2的子流程图;
图4为本申请步骤S3的子流程图;
图5为本申请步骤S4的子流程图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
为了能够更清楚地理解本申请的上述目的、特征和优点,下面结合附图和实施例对本公开做进一步的详细说明。可以理解的是,所描述的实施例是本公开的一部分实施例,而不是全部的实施例。此处所描述的具体实施例仅仅用于解释本公开,而非对本申请的限定。基于所描述的本申请的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
图1为本申请燃料电池性能的在线识别预测方法流程图。
燃料电池性能的在线识别预测方法,结合图1,包括以下步骤:
S1:测试燃料电池在固定工况下的极化曲线,对测得的极化曲线进行函数拟合,并采用极化曲线影响参数对拟合函数进行简化;
在一些实施例中,结合图2即本申请步骤S1的子流程图,所述步骤S1包括:
S11:测试燃料电池在固定工况下的极化曲线,对测得的极化曲线进行函数拟合,并用拟合函数表示为:
;
S12:将拟合函数系数简化为五个极化曲线影响参数,包括、/>、/>、/>以及/>,并采用极化曲线影响参数来表示拟合函数的输出;
其中,表示输出电压,/>表示能斯特电压,/>表示活化损耗,/>表示欧姆损耗,/>表示浓度损耗,/>为气体常数,/>为温度,/>为电荷转移系数,/>为法拉第常数,/>为离子电阻,/>为电子电阻,/>为接触电阻,/>为极限电流密度,/>为基于燃料电池活性面积的交换电流密度,/>为漏电流密度,/>为电流密度,/>表示电子转移数目,为/>、/>、/>的简化系数。
具体的,本方案中对于固定工况下的极化曲线测定是分为两步进行。首先通过采集固定工况下的多组历史工况信息,并根据数学模型对多组历史工况信息进行函数拟合,并用拟合函数表示为:
;
但是,由于上述拟合函数本身过于复杂,为简化运算量,可以将假定为一个常数,并将整体系数进行简化,具体可以将燃料电池极化曲线认为是/>、/>、/>、/>以及/>这五个极化曲线影响参数来表示的输出,其中/>可称为欧姆阻抗,表示离子电阻/>、电子电阻/>以及接触电阻/>的简化参数。进而可以根据测得的历史工况下的极化曲线得到/>、/>、/>、/>以及/>这五个极化曲线影响参数值。
S2:获取燃料电池在不同工况下的多组历史工况信息以及对应的历史极化曲线,并将历史极化曲线采用极化曲线影响参数进行简化表示;
在一些实施例中,结合图3即本申请步骤S2的子流程图,所述S2包括:
S21:获取燃料电池在不同工况下的多组历史工况信息,包括电压循环信息以及水温信息;
S22:测试燃料电池在不同工况下所对应的多条历史极化曲线,并采用极化曲线影响参数简化表示历史极化曲线的输出。
具体的,本方案是通过深度学习神经网络模型来预测实际工况下的燃料电池极化曲线,那么首先需要预测模型进行训练。而训练集可采用燃料电池在不同工况下的多组历史工况信息数据及其对应的多条历史极化曲线,其中历史工况信息数据包括了电压循环信息以及水温信息等操作条件信息,同时对多条历史极化曲线采用极化曲线影响参数进行简化表示。
S3:构建预测模型,并根据历史工况信息以及简化表示后的历史极化曲线,对预测模型进行训练。
在一些实施例中,结合图4即本申请步骤S3的子流程图,所述S3包括:
S31:构建有监督的深度学习神经网络模型作为预测模型;
S32:将历史工况信息以及简化表示后的历史极化曲线作为训练集的输入,将历史工况信息与极化曲线影响参数的对应关系作为训练集的输出,对预测模型进行训练。
具体的,本方案采用有监督的深度学习神经网络模型作为预测模型,该模型能够通过训练,得到训练集输入数据与输出数据之间的映射关系,从而在预测时能够通过实际输入数据来预测出对应的实际输出数据。对应到本方案,上述步骤S2-S22已经得到了在不同工况下的多组历史工况信息数据及其对应的多条历史极化曲线,并对多条历史极化曲线采用极化曲线影响参数进行简化表示,那么对于预测模型的训练集则可表示为,将历史工况信息以及历史极化曲线所对应的极化曲线影响参数作为训练集的输入,输出的则是历史工况信息与历史极化曲线所对应的极化曲线影响参数的关系。
S4:获取燃料电池的实际运行工况信息,将实际运行工况信息输入预测模型,输出在实际运行工况下的极化曲线影响参数。
在一些实施例中,结合图5即本申请步骤S4的子流程图,所述S4包括:
S41:获取燃料电池在实际运行中的任一稳定工况下的实际运行工况信息;
S42:将实际运行工况信息输入预测模型,通过预测模型输出对应实际运行工况下的极化曲线影响参数;
S43:根据实际运行工况下的极化曲线影响参数,还原实际运行工况下的极化曲线。
具体的,在预测模型训练完成后,通过采集实际运行工况中的任一稳定工况下的工况信息,并输入到预测模型之中,即可输出对应的实际运行工况下的极化曲线影响参数,从而还原出该实际工况下的燃料电池极化曲线。那么根据该实际工况下的燃料电池极化曲线,可以推断出该燃料电池的衰减情况,从而对燃料电池的运行策略做出对应的调整。
本发明第二方面还提供了燃料电池性能的在线识别预测系统,该系统包括:
参数简化模块,用于测试燃料电池在固定工况下的极化曲线,对测得的极化曲线进行函数拟合,并采用极化曲线影响参数对拟合函数进行简化;
历史数据获取模块,用于获取燃料电池在不同工况下的多组历史工况信息以及对应的历史极化曲线,并将历史极化曲线采用极化曲线影响参数进行简化表示;
模型构建训练模块,用于构建预测模型,并根据历史工况信息以及简化表示后的历史极化曲线,对预测模型进行训练;
预测模块,用于获取燃料电池的实际运行工况信息,将实际运行工况信息输入预测模型,输出在实际运行工况下的极化曲线影响参数。
在一些实施例中,所述参数简化模块包括:
极化曲线拟合子模块,用于测试燃料电池在固定工况下的极化曲线,对测得的极化曲线进行函数拟合,并用拟合函数表示为:
;
参数简化子模块,用于将拟合函数系数简化为五个极化曲线影响参数,包括、/>、/>、/>以及/>,并采用极化曲线影响参数来表示拟合函数的输出;
其中,表示输出电压,/>表示能斯特电压,/>表示活化损耗,/>表示欧姆损耗,/>表示浓度损耗,/>为气体常数,/>为温度,/>为电荷转移系数,/>为法拉第常数,/>为离子电阻,/>为电子电阻,/>为接触电阻,/>为极限电流密度,/>为基于燃料电池活性面积的交换电流密度,/>为漏电流密度,/>为电流密度,/>表示电子转移数目,为/>、/>、/>的简化系数。
在一些实施例中,所述历史数据获取模块包括:
历史工况获取子模块,用于获取燃料电池在不同工况下的多组历史工况信息,包括电压循环信息以及水温信息;
历史极化曲线获取子模块,用于测试燃料电池在不同工况下所对应的多条历史极化曲线,并采用极化曲线影响参数简化表示历史极化曲线的输出。
在一些实施例中,所述模型构建训练模块包括:
模型构建子模块,用于构建有监督的深度学习神经网络模型作为预测模型;
模型训练子模块,用于将历史工况信息以及简化表示后的历史极化曲线作为训练集的输入,将历史工况信息与极化曲线影响参数的对应关系作为训练集的输出,对预测模型进行训练。
在一些实施例中,所述预测模块包括:
实际工况获取子模块,用于获取燃料电池在实际运行中的任一稳定工况下的实际运行工况信息;
预测计算子模块,用于将实际运行工况信息输入预测模型,通过预测模型输出对应实际运行工况下的极化曲线影响参数;
极化曲线还原子模块,用于根据实际运行工况下的极化曲线影响参数,还原实际运行工况下的极化曲线。
本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。
本领域的技术人员能够理解,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
虽然结合附图描述了本申请的实施方式,但是本领域技术人员可以在不脱离本申请的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.燃料电池性能的在线识别预测方法,其特征在于,包括以下步骤:
S1:测试燃料电池在固定工况下的极化曲线,对测得的极化曲线进行函数拟合,并采用极化曲线影响参数对拟合函数进行简化;
S2:获取燃料电池在不同工况下的多组历史工况信息以及对应的历史极化曲线,并将历史极化曲线采用极化曲线影响参数进行简化表示;
S3:构建预测模型,并根据历史工况信息以及简化表示后的历史极化曲线,对预测模型进行训练;
S4:获取燃料电池的实际运行工况信息,将实际运行工况信息输入预测模型,输出在实际运行工况下的极化曲线影响参数;
所述S1包括:
S11:测试燃料电池在固定工况下的极化曲线,对测得的极化曲线进行函数拟合,并用拟合函数表示为:;S12:将拟合函数系数简化为五个极化曲线影响参数,包括/>、/>、/>、/>以及/>,并采用极化曲线影响参数来表示拟合函数的输出;其中,/>表示输出电压,/>表示能斯特电压,/>表示活化损耗,/>表示欧姆损耗,/>表示浓度损耗,/>为气体常数,/>为温度,/>为电荷转移系数,/>为法拉第常数,/>为离子电阻,/>为电子电阻,/>为接触电阻,/>为极限电流密度,/>为基于燃料电池活性面积的交换电流密度,/>为漏电流密度,/>为电流密度,/>表示电子转移数目,为/>、/>、/>的简化系数。
2.根据权利要求1所述的燃料电池性能的在线识别预测方法,其特征在于,所述S2包括:
S21:获取燃料电池在不同工况下的多组历史工况信息,包括电压循环信息以及水温信息;
S22:测试燃料电池在不同工况下所对应的多条历史极化曲线,并采用极化曲线影响参数简化表示历史极化曲线的输出。
3.根据权利要求2所述的燃料电池性能的在线识别预测方法,其特征在于,所述S3包括:
S31:构建有监督的深度学习神经网络模型做为预测模型;
S32:将历史工况信息以及简化表示后的历史极化曲线做为训练集的输入,将历史工况信息与极化曲线影响参数的对应关系作为训练集的输出,对预测模型进行训练。
4.根据权利要求3所述的燃料电池性能的在线识别预测方法,其特征在于,所述S4包括:
S41:获取燃料电池在实际运行中的任一稳定工况下的实际运行工况信息;
S42:将实际运行工况信息输入预测模型,通过预测模型输出对应实际运行工况下的极化曲线影响参数;
S43:根据实际运行工况下的极化曲线影响参数,还原实际运行工况下的极化曲线。
5.燃料电池性能的在线识别预测系统,其特征在于,包括:
参数简化模块,用于测试燃料电池在固定工况下的极化曲线,对测得的极化曲线进行函数拟合,并采用极化曲线影响参数对拟合函数进行简化;
历史数据获取模块,用于获取燃料电池在不同工况下的多组历史工况信息以及对应的历史极化曲线,并将历史极化曲线采用极化曲线影响参数进行简化表示;
模型构建训练模块,用于构建预测模型,并根据历史工况信息以及简化表示后的历史极化曲线,对预测模型进行训练;
预测模块,用于获取燃料电池的实际运行工况信息,将实际运行工况信息输入预测模型,输出在实际运行工况下的极化曲线影响参数;
所述参数简化模块包括:
极化曲线拟合子模块,用于测试燃料电池在固定工况下的极化曲线,对测得的极化曲线进行函数拟合,并用拟合函数表示为:
;
参数简化子模块,用于将拟合函数系数简化为五个极化曲线影响参数,包括、/>、/>、/>以及/>,并采用极化曲线影响参数来表示拟合函数的输出;
其中,表示输出电压,/>表示能斯特电压,/>表示活化损耗,/>表示欧姆损耗,/>表示浓度损耗,/>为气体常数,/>为温度,/>为电荷转移系数,/>为法拉第常数,为离子电阻,/>为电子电阻,/>为接触电阻,/>为极限电流密度,/>为基于燃料电池活性面积的交换电流密度,/>为漏电流密度,/>为电流密度,/>表示电子转移数目,/>为/>、/>、/>的简化系数。
6.根据权利要求5所述的燃料电池性能的在线识别预测系统,其特征在于,所述历史数据获取模块包括:
历史工况获取子模块,用于获取燃料电池在不同工况下的多组历史工况信息,包括电压循环信息以及水温信息;
历史极化曲线获取子模块,用于测试燃料电池在不同工况下所对应的多条历史极化曲线,并采用极化曲线影响参数简化表示历史极化曲线的输出。
7.根据权利要求6所述的燃料电池性能的在线识别预测系统,其特征在于,所述模型构建训练模块包括:
模型构建子模块,用于构建有监督的深度学习神经网络模型做为预测模型;
模型训练子模块,用于将历史工况信息以及简化表示后的历史极化曲线做为训练集的输入,将历史工况信息与极化曲线影响参数的对应关系作为训练集的输出,对预测模型进行训练。
8.根据权利要求7所述的燃料电池性能的在线识别预测系统,其特征在于,所述预测模块包括:
实际工况获取子模块,用于获取燃料电池在实际运行中的任一稳定工况下的实际运行工况信息;
预测计算子模块,用于将实际运行工况信息输入预测模型,通过预测模型输出对应实际运行工况下的极化曲线影响参数;
极化曲线还原子模块,用于根据实际运行工况下的极化曲线影响参数,还原实际运行工况下的极化曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310522281.6A CN116256647B (zh) | 2023-05-10 | 2023-05-10 | 燃料电池性能的在线识别预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310522281.6A CN116256647B (zh) | 2023-05-10 | 2023-05-10 | 燃料电池性能的在线识别预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116256647A CN116256647A (zh) | 2023-06-13 |
CN116256647B true CN116256647B (zh) | 2023-08-04 |
Family
ID=86679593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310522281.6A Active CN116256647B (zh) | 2023-05-10 | 2023-05-10 | 燃料电池性能的在线识别预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116256647B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008041565A (ja) * | 2006-08-09 | 2008-02-21 | Toyota Central Res & Dev Lab Inc | 電池特性の検出方法及び検出装置 |
CN111880100A (zh) * | 2020-08-07 | 2020-11-03 | 同济大学 | 基于自适应扩展卡尔曼滤波的燃料电池剩余寿命预测方法 |
CN113540524A (zh) * | 2021-06-24 | 2021-10-22 | 浙江大学 | 一种质子交换膜燃料电池部件的老化量化处理方法 |
CN114137431A (zh) * | 2021-11-19 | 2022-03-04 | 中国科学院大连化学物理研究所 | 一种适用于循环工况的燃料电池寿命预测方法 |
CN114335628A (zh) * | 2021-12-29 | 2022-04-12 | 上海重塑能源科技有限公司 | 极化曲线的非储存式在线迭代估计方法及燃料电池系统 |
CN114497646A (zh) * | 2021-12-24 | 2022-05-13 | 深圳氢时代新能源科技有限公司 | 一种基于模糊逻辑的控制燃料电池输出功率的方法 |
CN114628745A (zh) * | 2020-12-11 | 2022-06-14 | 中国科学院大连化学物理研究所 | 用于高温质子交换膜燃料电池的极化损失分离方法及系统 |
CN115130365A (zh) * | 2021-03-25 | 2022-09-30 | 上海汽车集团股份有限公司 | 基于循环神经网络的燃料电池极化曲线预测方法及装置 |
CN115312814A (zh) * | 2022-08-10 | 2022-11-08 | 浙江大学 | 一种氢燃料电池系统自适应氧气过量比设置方法 |
CN115657486A (zh) * | 2022-12-29 | 2023-01-31 | 北京理工大学 | 变海拔条件下燃料电池空气供给系统oer预测控制方法 |
-
2023
- 2023-05-10 CN CN202310522281.6A patent/CN116256647B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008041565A (ja) * | 2006-08-09 | 2008-02-21 | Toyota Central Res & Dev Lab Inc | 電池特性の検出方法及び検出装置 |
CN111880100A (zh) * | 2020-08-07 | 2020-11-03 | 同济大学 | 基于自适应扩展卡尔曼滤波的燃料电池剩余寿命预测方法 |
CN114628745A (zh) * | 2020-12-11 | 2022-06-14 | 中国科学院大连化学物理研究所 | 用于高温质子交换膜燃料电池的极化损失分离方法及系统 |
CN115130365A (zh) * | 2021-03-25 | 2022-09-30 | 上海汽车集团股份有限公司 | 基于循环神经网络的燃料电池极化曲线预测方法及装置 |
CN113540524A (zh) * | 2021-06-24 | 2021-10-22 | 浙江大学 | 一种质子交换膜燃料电池部件的老化量化处理方法 |
CN114137431A (zh) * | 2021-11-19 | 2022-03-04 | 中国科学院大连化学物理研究所 | 一种适用于循环工况的燃料电池寿命预测方法 |
CN114497646A (zh) * | 2021-12-24 | 2022-05-13 | 深圳氢时代新能源科技有限公司 | 一种基于模糊逻辑的控制燃料电池输出功率的方法 |
CN114335628A (zh) * | 2021-12-29 | 2022-04-12 | 上海重塑能源科技有限公司 | 极化曲线的非储存式在线迭代估计方法及燃料电池系统 |
CN115312814A (zh) * | 2022-08-10 | 2022-11-08 | 浙江大学 | 一种氢燃料电池系统自适应氧气过量比设置方法 |
CN115657486A (zh) * | 2022-12-29 | 2023-01-31 | 北京理工大学 | 变海拔条件下燃料电池空气供给系统oer预测控制方法 |
Non-Patent Citations (1)
Title |
---|
A hybrid model combining a support vector machine with an empirical equation for predicting polarization curves of PEM fuel cells;In-Su Han等;international journal of hydrogen energy;摘要,第7024页模型结构部分及数据获取部分 * |
Also Published As
Publication number | Publication date |
---|---|
CN116256647A (zh) | 2023-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pan et al. | Performance degradation prediction of proton exchange membrane fuel cell using a hybrid prognostic approach | |
Li et al. | Data driven battery modeling and management method with aging phenomenon considered | |
Guo et al. | Online estimation of SOH for lithium-ion battery based on SSA-Elman neural network | |
CN107870306A (zh) | 一种基于深度神经网络下的锂电池荷电状态预测算法 | |
CN111310387B (zh) | 一种燃料电池寿命预测方法 | |
Sun et al. | Short-term performance degradation prediction of a commercial vehicle fuel cell system based on CNN and LSTM hybrid neural network | |
CN108287317B (zh) | 电池功率预测模型生成方法及系统、功率预测方法及系统 | |
Chen et al. | Prognosis of fuel cell degradation under different applications using wavelet analysis and nonlinear autoregressive exogenous neural network | |
Becker et al. | Predictive models for PEM-electrolyzer performance using adaptive neuro-fuzzy inference systems | |
Li et al. | Degradation prediction of proton exchange membrane fuel cell based on the multi-inputs Bi-directional long short-term memory | |
Li et al. | A hybrid framework for predicting the remaining useful life of battery using Gaussian process regression | |
CN115586444A (zh) | 一种基于vmd与bp神经网络的锂电池剩余寿命预测方法 | |
Huang et al. | Correlation analysis and prediction of PEM fuel cell voltage during start-stop operation based on real-world driving data | |
Li | AI-powered energy internet towards carbon neutrality: challenges and opportunities | |
Chen et al. | State of health estimation of lithium-ion batteries based on equivalent circuit model and data-driven method | |
Lin et al. | Physics-informed deep learning for lithium-ion battery diagnostics using electrochemical impedance spectroscopy | |
Yuan et al. | Fault diagnosis of fuel cells by a hybrid deep learning network fusing characteristic impedance | |
Liu et al. | The life prediction of PEMFC based on group method of data handling with Savitzky–Golay smoothing | |
CN116256647B (zh) | 燃料电池性能的在线识别预测方法及系统 | |
CN116609686B (zh) | 一种基于云平台大数据的电芯一致性评估方法 | |
Singh et al. | State of charge estimation techniques of Li-ion battery of electric vehicles | |
CN115511230B (zh) | 一种电能替代潜力分析预测方法 | |
Lu et al. | Deep learning to predict battery voltage behavior after uncertain cycling-induced degradation | |
Qi et al. | Battery pack capacity estimation for electric vehicles based on enhanced machine learning and field data | |
Xiong et al. | Critical Review on Improved Electrochemical Impedance Spectroscopy-Cuckoo Search-Elman Neural Network Modeling Methods for Whole-Life-Cycle Health State Estimation of Lithium-Ion Battery Energy Storage Systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |