CN116306270A - 一种预测燃料电池性能及关键输入参数寻优的方法 - Google Patents

一种预测燃料电池性能及关键输入参数寻优的方法 Download PDF

Info

Publication number
CN116306270A
CN116306270A CN202310192582.7A CN202310192582A CN116306270A CN 116306270 A CN116306270 A CN 116306270A CN 202310192582 A CN202310192582 A CN 202310192582A CN 116306270 A CN116306270 A CN 116306270A
Authority
CN
China
Prior art keywords
fuel cell
neural network
optimal
output
performance
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.)
Pending
Application number
CN202310192582.7A
Other languages
English (en)
Inventor
许有伟
徐家慧
陈桂银
王兴家
赵振瑞
高全勇
赵洋洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sunrise Power Co Ltd
Original Assignee
Sunrise Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sunrise Power Co Ltd filed Critical Sunrise Power Co Ltd
Priority to CN202310192582.7A priority Critical patent/CN116306270A/zh
Publication of CN116306270A publication Critical patent/CN116306270A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Fuel Cell (AREA)

Abstract

本发明公开了一种预测燃料电池性能及关键输入参数寻优的方法，包括：建立基于BP神经网络的多输入参数燃料电池模型；根据需求设置BP神经网络的训练次数、学习速率和训练误差，得到基于神经网络的燃料电池模型预测输出结果；基于自适应遗传算法对BP神经网络的初始阈值和权值进行优化获得优化后的基于神经网络的燃料电池模型预测输出结果；设定燃料电池输入参数的边界，通过遗传算法寻找在燃料电池输出性能最佳时关键输入参数最优的组合方法；验证最优参数组合的可靠性、证明遗传算法优化后的BP神经网络参数寻优结果的可靠性；该方法能够在有限的实测数据下，实现电池性能预测及关键输入参数寻优，减少必要的参数敏感性试验，降低开发和测试的成本，并对后续控制策略的开发提供指导和参照。

Description

一种预测燃料电池性能及关键输入参数寻优的方法
技术领域
本发明涉及燃料电池技术领域，尤其涉及一种预测燃料电池性能及关键输入参数寻优的方法。
背景技术
氢燃料电池作为当前全世界能源革命的重点，是实现碳中和及碳达峰的关键技术手段。其是以氢气、空气为燃料，通过电化学反应的途径把燃料中的化学能转化为电能。得益于其较高的能量转化效率与功率密度、无需经过高温燃烧与零污染物排放等优点，近年来在汽车交通、热电联供、分布式电源等领域已得到广泛应用。氢燃料电池是涉及电化学、流体力学、热力学等多学科耦合的复杂动态系统，其输出性能也取决于电流、温度、湿度、压力、空气化学计量比等输入参数。通过试验获取燃料电池输出性能最佳时的各项输入参数，成本高且费时。如果能够在进行必要的试验之前，建立多输入参数的燃料电池模型，既可以深入理解燃料电池的运行机理，获取最佳输出性能，并计算在燃料电池输出性能最佳的前提下，各项输入参数的最优组合，又可以大幅降低开发及测试的成本，提高开发效率，为燃料电池性能计算及参数寻优提供一个通用的仿真计算平台，具有重要的理论意义和实用价值。
现有技术中公开的燃料电池系统输出性能预测方法中的相关专利申请中，一般选取影响燃料电池输出性能的特征参数，测试不同特征参数值情况下燃料电池系统功率输出，选取最大功率输出点，获取训练样本，构建输出性能预测模型，将当前获取的燃料电池系统的特征参数值代入训练后的输出性能预测模型，得到当前最大功率输出的预测。或者是将燃料电池一个循环里测试的电压输入自编码器网络，把自编码器网络的中间层输出作为燃料电池健康指标，将循环数和第一阶段得到的燃料电池健康指标作为长短期记忆网络的输入，预测未来燃料电池健康状态变化，将预测的燃料电池健康状态输入自编码器网络的解码器中，获得预测电压。但是上述两种技术方案都需要借助大量不同工况下燃料电池测试数据，并且局限于通过人工智能算法建立模型预测燃料电池催化层、燃料电池及系统性能输出，未将燃料电池多输入参数模型和遗传算法联合预测燃料电池性能输出，未采用自适应遗传算法优化神经网络，没有将优化后的神经网络和未优化的神经网络两种方法的预测输出形成对比结果，多目标多参数优化后缺少最优参数组合的验证。
发明内容
根据现有技术存在的问题，本发明公开了一种预测燃料电池性能及关键输入参数寻优的方法，该方法根据实测的燃料电池性能数据及操作参数数据，建立了基于神经网络的多输入参数燃料电池模型，燃料电池输出性能取决于电流、温度、湿度、压力、空气化学计量比等关键参数，可以根据不同的输入参数建立不同复杂程度的燃料电池模型，通过仿真计算获取燃料电池最佳输出性能；采用优化后的自适应遗传算法对构建燃料电池模型的神经网络的初始阈值和权值进行优化，进一步提升燃料电池模型精度；设定输入参数的边界，寻找在燃料电池输出性能最佳时，关键输入参数最优的组合方法；将最优输入参数组合作为新的预测数据，再次输入至遗传算法优化后的神经网络中，可以得到与上一步仿真计算相同的燃料电池最佳输出性能值，证明本发明建立的基于神经网络的多输入参数燃料电池模型精度高，遗传算法优化后的神经网络参数寻优结果可靠性高。通过本发明的预测燃料电池性能及关键输入参数寻优的方法，能够在有限的实测数据下，实现电池性能预测及关键输入参数寻优，减少必要的参数敏感性试验，降低开发和测试的成本，并对后续控制策略的开发提供指导和参照；具体技术方案包括如下步骤：
基于数据驱动的建模思想，通过已有的实验数据，拟合输入和输出间的关系，无需考虑复杂的建模方程及参数变量，神经网络的输入变量为电流密度、温度、湿度、压力和空气计量比，唯一的输出变量为燃料电池输出电压，建立基于神经网络的多输入参数燃料电池模型。
BP神经网络是采用反向传播算法的多层感知器网络。它采用有导师规则进行学习，是梯度下降法原理在多层前馈网络中的实现过程。BP神经网络由输入层、隐藏层、输出层组成，每层有固定数量的神经元。输入层和输出层的节点个数与定义的输入输出变量匹配，隐藏层的层数和节点个数根据训练效果或经验设置。
激活函数控制着神经网络中每层神经元的激活，把无限范围内的输入信号进行函数变换，压缩成有范围的输出信号，增加神经网络模型的非线性。隐藏层神经元的激活函数为tansig，输出层神经元激活函数为relu。
根据需求设置BP神经网络的训练次数、学习速率、训练误差，进行BP神经网络的训练过程，得到基于神经网络的燃料电池模型预测输出结果。实际应用过程中，BP神经网络有时会出现在训练过程中陷入局部最小值的情况，导致无法求解或结果误差较大，故采用自适应遗传算法优化神经网络。
遗传算法中交叉算子是影响遗传算法性能的关键因素，决定了算法收敛性的好坏，交叉算子取值越大，新个体产生速度就越快，但是交叉算子过大时也会影响遗传算法的稳定性。交叉算子取值越小，会导致遗传算法搜索过程缓慢，严重时会出现无法求解的情况。在求解过程中，使交叉算子能够根据适应度自动改变，完成自适应遗传算法的建立。当种群个体适应度趋于一致或者陷入局部最优时，要适当增加交叉概率的取值，当种群个体适应度较为分散时，要适当减小交叉概率的取值。同时自适应遗传算法需要比较种群个体最大适应度与种群平均适应度之间的关系，当种群个体最大适应度远高于种群平均适应度，要选取较小的交叉概率，保护该个体进行下一代的遗传操作。当种群个体最大适应度远低于种群平均适应度，要选取较大的交叉概率，淘汰适应度一直较低的个体。
基于自适应遗传算法优化神经网络，训练得到多输入参数燃料电池模型的最佳输出性能值。
将优化后的神经网络保存为可调用的模型形式，再次通过遗传算法寻找在燃料电池输出性能最佳时，关键输入参数最优的组合方法。设定电流密度、温度、湿度、压力和空气计量比为输入，燃料电池输出电压为输出，编写适应度函数，设置输入参数的上下限范围。电流密度范围为0mA/cm2～1200mA/cm2，温度范围为70℃～80℃，湿度范围为50％RH～75％RH，压力范围为70kPa～150kPa，空气计量比范围为1.6～2.3，寻找在燃料电池输出性能最佳时，关键输入参数最优的组合方法，完成多目标多参数优化。
该方法从数据驱动模型的角度出发，不考虑复杂的建模方程及经验参数，通过测试数据拟合输入和输出间关系，具备通用性。
为验证最优参数组合的可靠性，将求解得到的最优输入参数组合作为新的预测数据，再次输入至之前保存好的神经网络模型中，通过神经网络计算此时的燃料电池输出电压，可以得到与上一步仿真计算相同的燃料电池最佳输出性能值，证明本发明建立的基于神经网络的多输入参数燃料电池模型精度高，遗传算法优化后的神经网络参数寻优结果可靠性高。
由于采用了上述技术方案，本发明提供的一种预测燃料电池性能及关键输入参数寻优的方法，该方法根据实测的燃料电池性能数据及操作参数数据，建立了基于神经网络的多输入参数的燃料电池模型，通过仿真计算获取燃料电池最佳输出性能，采用自适应遗传算法进一步优化神经网络，提升模型精度，寻找在燃料电池输出性能最佳时，关键输入参数最优的组合方法。为验证遗传算法优化后参数的可靠性，将最优输入参数组合作为新的预测数据，再次输入至遗传算法优化后的神经网络中，可以得到与前述仿真计算相同的燃料电池最佳输出性能值，减少必要的参数敏感性试验并指导燃料电池控制策略的开发与应用。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于神经网络的预测值和实际值的结果对比示意图；
图2为本发明基于自适应遗传算法优化后神经网络预测值和实际期望值的结果对比示意图；
图3为本发明中自适应遗传算法流程图
图4为本发明中两种方法预测误差对比图；
图5为本发明中训练过程梯度变化示意图；
图6为本发明中训练过程Mu因子变化示意图；
图7为本发明中训练过程泛化能力变化示意图；
图8为本发明中燃料电池最佳输出性能对应的关键输入参数最优组合示意图；
图9为本发明中神经网络结构图；
图10为本发明中预测燃料电池性能及参数寻优方法流程示意图。
具体实施方式
为使本发明的技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述：
如图1所示的一种预测燃料电池性能及关键输入参数寻优的方法，具体包括如下步骤：
根据不同的建模方法和需求，燃料电池模型可分为机理模型和数据驱动模型。机理模型通过物理化学方程建立，能够详细描述燃料电池内部的电化学反应及传热传质过程。从机理模型的建模角度出发，在单体燃料电池的工作进程当中，因为电池内部存在极化现象，会使得电池实际输出电压小于理想输出电压。极化现象会产生极化电压损失，主要包含活化极化过电压、欧姆极化过电压还有浓差极化过电压。单体燃料电池输出电压可用标准电动势减去各种损耗电压表示，表达式为：
Vfc＝Enernst-Vact-Vohmic-Vcon (1)
式中，Enernst为热力学电动势，Vact是活化过电压，Vohmic为欧姆过电压，Vcon为浓差过电压；
其中每项具体表达式为：
Figure BDA0004106121650000055
Vact＝ξ1+ξ2Tfc+ξ3Tfcln(CO2)+ξ4Tfcln(i) (3)
Vohmic＝i(RM+RC) (4)
Figure BDA0004106121650000051
上式中，Tfc为电池的工作温度，
Figure BDA0004106121650000052
和/>
Figure BDA0004106121650000053
分别为氢气和氧气的压力，i为负载电流，
Figure BDA0004106121650000054
为氧气浓度，ξ1，ξ2，ξ3，ξ4为经验参数，RM和RC分别表示质子膜等效阻抗和电子阻抗，B为由燃料电池自身类型所定义的常数，J为电流的实际密度，Jmax是最大电流密度，电流密度单位均为A/cm2。
由公式(1)～(5)可知机理模型中包含了较多的未确定具体数值的经验参数，环境条件及操作参数也都需要明确指定，参数获取困难且并不具备普适性，不能用于系统实时控制中，故实际应用较为受限。
数据驱动模型则是通过已有的实验数据，拟合输入和输出间的关系，构造出无限趋近于实验数据的模型，不包含复杂的建模方程，模型精度较高，能较好的应用于系统实时控制中。本专利中建立的基于神经网络的多输入参数燃料电池模型是一种数据驱动模型。神经网络不需要考虑模型内部的复杂反应过程，它是将电池假设为一个“黑箱子”，只研究电池的外部特性。神经网络主要可以解决复杂的非线性、不确定性问题，它具备并行处理能力和自学习的能力，从而使系统具有自适应性。因为神经网络的自学习、自适应和非线性映射的能力，可利用神经网络完成燃料电池的建模。
BP神经网络是目前应用最广泛的神经网络之一，其本质上是采用反向传播算法的多层感知器网络。它采用有导师规则进行学习，是梯度下降法原理在多层前馈网络中的实现过程。BP算法的学习进程能够分成信号的正向传播过程还有误差的反向传播过程两种。当输入信号进行正向传播的时候，信号通过输入层传递到隐藏层，经过隐藏层神经元的计算和处理以后，将信号传递给输出层。当输出层的实际输出与期望输出不相等时，则立即转向误差的反向传播过程。信号在误差的反向传播进程中，反向经过隐藏层传导到输入层，而且将误差分配给每一层的神经元。误差降低到能够接受的数值范围内或者到达设定好的训练次数，则完成神经网络的训练过程。
本方法中将BP神经网络用于多输入参数燃料电池模型建模，BP神经网络由输入层、隐藏层、输出层组成，每层有固定数量的神经元。输入层和输出层的节点个数与定义的输入输出变量匹配，隐藏层的层数和节点个数可根据训练效果或经验设置。神经网络的输入变量为电流密度、温度、湿度、压力和空气计量比，唯一的输出变量为燃料电池输出电压，建立基于神经网络的多输入参数燃料电池模型。
激活函数控制着神经网络中每层神经元的激活，把无限范围内的输入信号进行函数变换，压缩成有范围的输出信号。一般来说，每一个神经元的正常输出信号的范围可写成一个[-1，1]的区间或者可以写成[0，1]这样的一种单位闭区间。激活函数的引入是为了增加神经网络模型的非线性，若缺少激活函数的话，那么每一层输出都是前一层输入的线性关系组合。隐藏层神经元的激活函数为tansig，函数公式为：
Figure BDA0004106121650000061
输出层神经元激活函数为relu，函数公式为：
Figure BDA0004106121650000062
根据需求设置BP神经网络的训练次数、学习速率、训练误差，构建BP神经网络。但是在实际应用中，BP神经网络有时会出现在训练过程中陷入局部最小值的情况，导致无法求解或结果误差较大，故采用遗传算法优化神经网络。
遗传算法是一种通过模拟自然进化过程搜索最优解的方法，这里采用遗传算法来对构建燃料电池模型的神经网络的初始阈值和权值进行优化，进一步提升燃料电池模型精度。并且寻找在燃料电池输出性能最佳时，关键输入参数最优的组合方法，完成多目标多参数优化。
基础的遗传算法只使用固定取值的选择算子、交叉算子和变异算子这三种遗传算子，进化过程简单，是其他遗传算法的基础。遗传算法的基本流程为：
(1)通过随机方式产生若干由确定长度编码的初始群体；
(2)利用适应度函数计算每个个体的适应度大小，选择适应度高的个体参与遗传操作，适应度低的个体被淘汰；
(3)通过选择、交叉、变异，产生出新一代种群，直到满足停止规则；
(4)将末代种群中的最优个体经过解码实现从编码空间向解码空间的映射，输出问题的最优解。
在此基础上，对基础的遗传算法做进一步的优化，实现自适应遗传算法的建立。遗传算法中交叉算子是影响遗传算法性能的关键因素，决定了算法收敛性的好坏，交叉算子取值越大，新个体产生速度就越快，但是交叉算子过大时也会影响遗传算法的稳定性。交叉算子取值越小，会导致遗传算法搜索过程缓慢，严重时会出现无法求解的情况。在求解过程中，使交叉算子能够根据适应度自动改变，完成自适应遗传算法的建立。
当种群个体适应度趋于一致或者陷入局部最优时，要适当增加交叉概率的取值，当种群个体适应度较为分散时，要适当减小交叉概率的取值。同时自适应遗传算法需要比较种群个体最大适应度与种群平均适应度之间的关系，当种群个体最大适应度远高于种群平均适应度，要选取较小的交叉概率，保护该个体进行下一代的遗传操作。当种群个体最大适应度远低于种群平均适应度，要选取较大的交叉概率，淘汰适应度一直较低的个体。自适应遗传算法中交叉算子的计算公式为：
Figure BDA0004106121650000071
其中fmax为种群个体最大适应度，fmax为种群平均适应度，f为交叉个体中较大的适应度，k1和k2为常数。
通过优化后能改变交叉算子取值的自适应遗传算法，对构建燃料电池模型的神经网络的初始阈值和权值进行优化，避免BP神经网络有时会出现在训练过程中陷入局部最小值的情况，导致无法求解或结果误差较大，进一步提升燃料电池模型精度。
将遗传算法优化后的神经网络保存为可调用的模型形式，再次通过遗传算法寻找在燃料电池输出性能最佳时，关键输入参数最优的组合方法。设定电流密度、温度、湿度、压力和空气计量比为输入，燃料电池输出电压为输出，编写适应度函数，设置输入参数的上下限范围，以燃料电池输出电压最高值为目标，寻找在燃料电池输出性能最佳时，关键输入参数最优的组合方法，完成多目标多参数优化。
为验证最优参数组合的可靠性，将求解得到的最优输入参数组合作为新的预测数据，再次输入至之前保存好的神经网络模型中，通过神经网络计算此时的燃料电池输出电压，可以得到与上一步仿真即训练过程中计算相同的燃料电池最佳输出性能值，证明本发明建立的基于神经网络的多输入参数燃料电池模型精度高，遗传算法优化后的神经网络参数寻优结果可靠性高。
实施例：
一种预测燃料电池性能及关键输入参数寻优的方法，本发明采用数据驱动的方法建立了基于神经网络的多输入参数燃料电池模型，简化了建模过程并且具备通用性；通过自适应遗传算法优化神经网络，避免神经网络陷入局部最优解或无法求解的情况，提高神经网络模型精度；通过遗传算法寻找在燃料电池输出性能最佳时，关键输入参数最优的组合方法；最优输入参数组合作为输入变量再次代入至遗传算法优化后的神经网络中，可以得到与上一步仿真计算相同的燃料电池最佳输出性能值。本发明建立的基于神经网络的多输入参数燃料电池模型精度高，遗传算法优化后的神经网络参数寻优结果可靠性高，可大幅降低开发及测试的成本，提高开发效率，为燃料电池性能计算及参数寻优提供一个通用的仿真计算平台，具有重要的理论意义和实用价值。
由图1、图2、图4可得，通过自适应遗传算法优化后的神经网络，能够提高神经网络模型精度，预测值和实际期望值之间的误差更小。自适应遗传算法流程见图3，神经网络训练过程中，性能指标参数变化趋势见图5、图6、图7。图8为在燃料电池输出性能最佳时，对应的关键输入参数最优的组合方法。将最优输入参数组合作为新的预测数据，再次输入至遗传算法优化后的神经网络中，可以得到与上一步仿真计算相同的燃料电池最佳输出性能值，证明本发明建立的基于神经网络的多输入参数燃料电池模型精度高，遗传算法优化后的神经网络参数寻优结果可靠性高。
以上所述，仅为本发明较佳的具体实施方式，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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种预测燃料电池性能及关键输入参数寻优的方法，其特征在于包括：
建立基于BP神经网络的多输入参数燃料电池模型；
根据需求设置BP神经网络的训练次数、学习速率和训练误差，从而进行BP神经网络的训练过程，得到基于神经网络的燃料电池模型预测输出结果；
基于自适应遗传算法对BP神经网络的初始阈值和权值进行优化，提高燃料电池模型精度，获得优化后的基于神经网络的燃料电池模型预测输出结果；
设定燃料电池输入参数的边界，通过遗传算法寻找在燃料电池输出性能最佳时关键输入参数最优的组合方法；
将参数最优组合代入到优化后的基于神经网络的燃料电池模型中，验证最优参数组合的可靠性，通过迭代计算证明遗传算法优化后的BP神经网络参数寻优结果的可靠性。
2.根据权利要求1所述的一种预测燃料电池性能及关键输入参数寻优的方法，其特征在于：将燃料电池的电流密度、温度、湿度、压力和空气计量比作为BP神经网络的输入变量，将燃料电池输出电压作为输出变量，充分考虑不同变量对燃料电池输出性能的影响，从而建立基于BP神经网络的多输入参数燃料电池模型。
3.根据权利要求2所述的一种预测燃料电池性能及关键输入参数寻优的方法，其特征在于：所述BP神经网络包括输入层、隐藏层和输出层，其中输入层神经元节点个数为5，并分别与电流密度、温度、湿度、压力和空气计量比对应，其中输出层神经元节点个数为1，与燃料电池输出电压对应。
4.根据权利要求1所述的一种预测燃料电池性能及关键输入参数寻优的方法，其特征在于：所述自适应遗传算法基于交叉算子计算公式考虑种群个体最大适应度和种群平均适应度间的关系，其中交叉算子取值采取不同的函数表达式计算，使交叉算子在求解过程中能够根据适应度自动调整。
5.根据权利要求1所述的一种预测燃料电池性能及关键输入参数寻优的方法，其特征在于：通过遗传算法寻找在燃料电池输出性能最佳时关键输入参数最优的组合方法时：设定电流密度、温度、湿度、压力和空气计量比为输入参数，燃料电池输出电压为输出参数，编写适应度函数，设置输入参数的上下限范围值，以燃料电池输出电压最高值为目标，寻找在燃料电池输出性能最佳时关键输入参数最优的组合方法，从而完成多目标多参数优化过程。
6.根据权利要求1所述的一种预测燃料电池性能及关键输入参数寻优的方法，其特征在于：将求解得到的最优输入参数组合作为新的预测数据，再次输入至完成训练的BP神经网络模型中，通过BP神经网络模型计算此时的燃料电池输出电压，获得与训练过程中计算相同的燃料电池最佳输出性能值，从而证明优化后的BP神经网络参数寻优结果的可靠性。
CN202310192582.7A 2023-03-02 2023-03-02 一种预测燃料电池性能及关键输入参数寻优的方法 Pending CN116306270A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310192582.7A CN116306270A (zh) 2023-03-02 2023-03-02 一种预测燃料电池性能及关键输入参数寻优的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310192582.7A CN116306270A (zh) 2023-03-02 2023-03-02 一种预测燃料电池性能及关键输入参数寻优的方法

Publications (1)

Publication Number Publication Date
CN116306270A true CN116306270A (zh) 2023-06-23

Family

ID=86788180

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310192582.7A Pending CN116306270A (zh) 2023-03-02 2023-03-02 一种预测燃料电池性能及关键输入参数寻优的方法

Country Status (1)

Country Link
CN (1) CN116306270A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116995276A (zh) * 2023-09-27 2023-11-03 爱德曼氢能源装备有限公司 燃料电池发电系统冷却方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116995276A (zh) * 2023-09-27 2023-11-03 爱德曼氢能源装备有限公司 燃料电池发电系统冷却方法及系统
CN116995276B (zh) * 2023-09-27 2023-12-29 爱德曼氢能源装备有限公司 燃料电池发电系统冷却方法及系统

Similar Documents

Publication Publication Date Title
Chang The optimal design for PEMFC modeling based on Taguchi method and genetic algorithm neural networks
Pourkiaei et al. Modeling and experimental verification of a 25W fabricated PEM fuel cell by parametric and GMDH-type neural network
CN109324291A (zh) 一种针对质子交换膜燃料电池寿命预测的预测方法
CN114447378B (zh) 一种质子交换膜燃料电池的参数优化方法
CN110443724B (zh) 一种基于深度学习的电力系统快速状态估计方法
Vural et al. Performance prediction of a proton exchange membrane fuel cell using the ANFIS model
Zheng et al. Performance prediction of fuel cells using long short‐term memory recurrent neural network
CN116306270A (zh) 一种预测燃料电池性能及关键输入参数寻优的方法
Wang et al. SOC estimation algorithm of power lithium battery based on AFSA‐BP neural network
Miao et al. Metamodel based design optimization approach in promoting the performance of proton exchange membrane fuel cells
CN113657024A (zh) 一种燃料电池寿命预测方法
CN111200141A (zh) 基于深度信念网络的质子交换膜燃料电池性能预测及寻优方法
CN115542165A (zh) 一种锂离子电池健康状态的预测方法
Wang et al. Parameters exploration of SOFC for dynamic simulation using adaptive chaotic grey wolf optimization algorithm
Hongwei et al. An interpretable data-driven method for degradation prediction of proton exchange membrane fuel cells based on temporal fusion transformer and covariates
CN111799820B (zh) 一种电力系统双层智能混合零星云储能对抗调控方法
CN115577647B (zh) 电网故障类型识别方法与智能体构建方法
Ghosh et al. Modeling and control of a PEM fuel cell performance using Artificial Neural Networks to maximize the real time efficiency
Huo et al. Nonlinear Hammerstein model identification of SOFC using improved GEO algorithm
Ren et al. Modeling of proton exchange membrane fuel cell based on lstm neural network
Chai et al. Production Forecast of Coalbed Methane Based on GA Optimized BP Neural Network
Hou et al. Performance prediction of automotive fuel cell stack with genetic algorithm-BP neural network
Menon et al. Realisation of optimal parameters of PEM fuel cell using simple genetic algorithm (SGA) and simulink modeling
Liu et al. Multi-objective optimization of a dual-fuel engine at low and medium loads based on moea/d
Chang et al. The optimal design for PEMFC modeling based on BPNN and Taguchi method

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