CN116324042A - 电解器eis监测系统 - Google Patents
电解器eis监测系统 Download PDFInfo
- Publication number
- CN116324042A CN116324042A CN202280006740.9A CN202280006740A CN116324042A CN 116324042 A CN116324042 A CN 116324042A CN 202280006740 A CN202280006740 A CN 202280006740A CN 116324042 A CN116324042 A CN 116324042A
- Authority
- CN
- China
- Prior art keywords
- impedance
- cell
- electrolyzer
- cells
- electrolytic
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims description 20
- 238000005868 electrolysis reaction Methods 0.000 title claims description 8
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000002847 impedance measurement Methods 0.000 claims abstract description 39
- 230000008859 change Effects 0.000 claims abstract description 25
- 210000004027 cell Anatomy 0.000 claims description 205
- 238000000157 electrochemical-induced impedance spectroscopy Methods 0.000 claims description 55
- 238000005259 measurement Methods 0.000 claims description 47
- 238000010801 machine learning Methods 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 27
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 239000003792 electrolyte Substances 0.000 claims description 16
- 230000036541 health Effects 0.000 claims description 13
- 230000010287 polarization Effects 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 7
- 238000009792 diffusion process Methods 0.000 claims description 6
- 230000000638 stimulation Effects 0.000 claims description 6
- 230000000593 degrading effect Effects 0.000 claims description 5
- 239000007787 solid Substances 0.000 claims description 4
- 210000003850 cellular structure Anatomy 0.000 claims description 3
- 229910052751 metal Inorganic materials 0.000 claims description 3
- 239000002184 metal Substances 0.000 claims description 3
- 230000001351 cycling effect Effects 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 239000005518 polymer electrolyte Substances 0.000 claims description 2
- 230000001360 synchronised effect Effects 0.000 claims description 2
- 230000003862 health status Effects 0.000 claims 3
- 230000015654 memory Effects 0.000 description 24
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 18
- 239000001257 hydrogen Substances 0.000 description 17
- 229910052739 hydrogen Inorganic materials 0.000 description 17
- 238000010586 diagram Methods 0.000 description 16
- 238000009826 distribution Methods 0.000 description 14
- 238000000605 extraction Methods 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 12
- 238000003860 storage Methods 0.000 description 12
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 10
- 239000001301 oxygen Substances 0.000 description 10
- 229910052760 oxygen Inorganic materials 0.000 description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 239000000446 fuel Substances 0.000 description 6
- 230000015556 catabolic process Effects 0.000 description 5
- 238000006731 degradation reaction Methods 0.000 description 5
- 150000002500 ions Chemical class 0.000 description 5
- 230000005291 magnetic effect Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 239000012528 membrane Substances 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000002484 cyclic voltammetry Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 2
- 239000003011 anion exchange membrane Substances 0.000 description 2
- 238000009530 blood pressure measurement Methods 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000028161 membrane depolarization Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000001075 voltammogram Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000002378 acidificating effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000012267 brine Substances 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 230000003197 catalytic effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005262 decarbonization Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- ZZUFCTLCJUWOSV-UHFFFAOYSA-N furosemide Chemical compound C1=C(Cl)C(S(=O)(=O)N)=CC(C(O)=O)=C1NCC1=CC=CO1 ZZUFCTLCJUWOSV-UHFFFAOYSA-N 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000001566 impedance spectroscopy Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 239000011253 protective coating Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000006722 reduction reaction Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000011780 sodium chloride Substances 0.000 description 1
- HPALAKNZSZLMCH-UHFFFAOYSA-M sodium;chloride;hydrate Chemical compound O.[Na+].[Cl-] HPALAKNZSZLMCH-UHFFFAOYSA-M 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25B—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES FOR THE PRODUCTION OF COMPOUNDS OR NON-METALS; APPARATUS THEREFOR
- C25B9/00—Cells or assemblies of cells; Constructional parts of cells; Assemblies of constructional parts, e.g. electrode-diaphragm assemblies; Process-related cell features
- C25B9/70—Assemblies comprising two or more cells
- C25B9/73—Assemblies comprising two or more cells of the filter-press type
- C25B9/77—Assemblies comprising two or more cells of the filter-press type having diaphragms
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25B—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES FOR THE PRODUCTION OF COMPOUNDS OR NON-METALS; APPARATUS THEREFOR
- C25B15/00—Operating or servicing cells
- C25B15/02—Process control or regulation
- C25B15/023—Measuring, analysing or testing during electrolytic production
- C25B15/025—Measuring, analysing or testing during electrolytic production of electrolyte parameters
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25B—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES FOR THE PRODUCTION OF COMPOUNDS OR NON-METALS; APPARATUS THEREFOR
- C25B1/00—Electrolytic production of inorganic compounds or non-metals
- C25B1/01—Products
- C25B1/02—Hydrogen or oxygen
- C25B1/04—Hydrogen or oxygen by electrolysis of water
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25B—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES FOR THE PRODUCTION OF COMPOUNDS OR NON-METALS; APPARATUS THEREFOR
- C25B15/00—Operating or servicing cells
- C25B15/02—Process control or regulation
- C25B15/023—Measuring, analysing or testing during electrolytic production
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25B—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES FOR THE PRODUCTION OF COMPOUNDS OR NON-METALS; APPARATUS THEREFOR
- C25B9/00—Cells or assemblies of cells; Constructional parts of cells; Assemblies of constructional parts, e.g. electrode-diaphragm assemblies; Process-related cell features
- C25B9/70—Assemblies comprising two or more cells
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25B—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES FOR THE PRODUCTION OF COMPOUNDS OR NON-METALS; APPARATUS THEREFOR
- C25B9/00—Cells or assemblies of cells; Constructional parts of cells; Assemblies of constructional parts, e.g. electrode-diaphragm assemblies; Process-related cell features
- C25B9/70—Assemblies comprising two or more cells
- C25B9/73—Assemblies comprising two or more cells of the filter-press type
- C25B9/75—Assemblies comprising two or more cells of the filter-press type having bipolar electrodes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/026—Dielectric impedance spectroscopy
-
- 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
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Analytical Chemistry (AREA)
- Automation & Control Theory (AREA)
- Inorganic Chemistry (AREA)
- Electrolytic Production Of Non-Metals, Compounds, Apparatuses Therefor (AREA)
- Fuel Cell (AREA)
Abstract
提供了用于操作电解器的系统和方法。所述系统和方法执行以下操作,包括:在多个频率下获得所述多个电解槽的多个阻抗测量;跟踪所述多个电解槽的多个阻抗测量在一段时间内的变化;以及基于对所述多个阻抗测量的变化,基于单个电解槽生成表示所述电解槽的操作条件的模型。
Description
相关申请的交叉引用
本申请要求优先于2021 2月17日提交的标题为“电解器EIS监测系统”的美国临时申请No.63/150,308的优先权。本在先申请的内容被视为本申请的一部分,并通过引用将其全部内容并入本文。
技术领域
本文件一般但不限于电化学阻抗谱(EIS),特别是电解槽的EIS监测。
背景技术
燃料电池用于将化学能(通常来自氢气)转化为电能。由于每个燃料电池通常产生1至2伏之间的电压,因此这种燃料电池通常串联堆叠,以便在相对较低的电流下产生高功率。氢气也可以用类似的装置产生。代替氢和氧作为输入,电子作为期望的输出,输入是电和水,而氢是期望的输出。
发明内容
本公开尤其描述了操作电解槽的技术。
本技术包括一种包括电解器的系统,所述电解器包括多个电解槽,每个电解槽包括电解质、两个电极和一对双极板。该系统包括耦合到所述多个电解槽的监测电路,所述控制电路被配置为执行操作,包括:在多个频率下获得所述多个电解槽的多个阻抗测量;跟踪所述多个电解槽的多个阻抗测量在一段时间内的变化;和基于对所述多个阻抗测量的变化,基于单个电解槽生成表示所述电解槽的操作条件的模型。
在一些实施方式中,所述模型被配置为估计给定电解槽的健康状态或性能中的至少一个,预测所述给定电解槽是否正常或异常地运行和退化,或者识别所述电解槽的异常。
在一些实施方式中,所述模型包括机器学习技术,所述机器学习技术基于训练数据进行训练以预测电解槽的健康,所述训练数据包括电化学阻抗谱(EIS)数据的多个训练样本和相关联的性能或故障信息。
在一些实施方式中,所述监测电路包括电化学阻抗谱(EIS)测量系统,所述EIS生成作为所述多个电解槽中的每个电解槽的频率的函数的阻抗。
在一些实施方式中,所述EIS在从0.1mHz到10kHz的频率范围、所述频率范围内的频率子集或所述频率范围内的一个或多个特定频率上产生所述阻抗。
在一些实施方式中,所述操作进一步包括:通过求解一组方程,将所述多个阻抗测量转换为表示每个电解槽的等效电路模型的多个部件,所述方程将所述电解槽的总阻抗与在多个频率下的每个部件的阻抗相关联;跟踪所述部件随时间的值,以确定所述部件中的任何部件是否随时间变化;和识别与随时间变化的部件相对应的一个或多个操作条件。
在一些实施方式中,所述多个部件包括:分别表示阴极和阳极处的电子传导金属槽部件的电阻的第一部件;表示固体聚合物电解质(SPE)的离子电阻的第二部件;表示阴极极化电阻的第三部件;表示阳极极化电阻的第四部件;表示阴极恒相元件的第五部件;表示用于伪电容性阳极/电解质界面的阳极恒定相位元件的第六部件;表示阴极扩散阻抗的第七部件;和表示阳极扩散阻抗的第八部件。
在一些实施方式中,所述操作进一步包括:与所述电解器的电源输入并行地施加刺激输入;作为施加所述刺激输入的结果,测量所述多个电解槽中的每个电解槽的槽电压;基于所施加的刺激输入同步解调所述多个电解槽的测量的槽电压;和基于所述多个电解槽的解调测量的槽电压来计算所述多个电解槽的阻抗。
在一些实施方式中,所述刺激输入包括循环通过所述多个频率的正弦信号或多个正弦信号的总和。
在一些实施方式中,所述刺激输入包括宽带信号。
在一些实施方式中,所述操作进一步包括对所述多个电解槽的解调测量的槽电压进行滤波。
在一些实施方式中,同步解调包括通过以下步骤执行IQ解调:将所述刺激输入移位90度;将每个槽的测量的槽电压乘以所述刺激输入以产生解调槽电压的同相(I)分量;和通过移位的刺激输入同时测量每个槽的测量的槽电压,以产生解调槽电压的正交(Q)分量。
在一些实施方式中,所述操作进一步包括:在所述时间段内测量所述多个电解槽的多个电压;在所述时间段内测量所述多个电解槽的堆叠的总电压;和基于测量的多个电解槽的多个电压和测量的堆叠的总电压来估计所述多个阻抗测量,使得在所述时间段中,执行每个槽电压和总电压的多个测量,并且基于所述阻抗在所述时间段内不变化的假设来估计阻抗。
在一些实施方式中,所述多个阻抗测量被估计为在所述时间段内最大化测量的多个电压和所述堆叠的总电压的似然函数,所述似然函数包括作为所述阻抗的函数的观察到的电压的概率。
在一些实施方式中,所述操作进一步包括:由特征提取器生成包含用于基于作为频率的函数的阻抗进行分类的信息的特征表示;通过分类器确定多个特征是否表示电解器的异常操作。
在一些实施方式中,所述分类器通过以下步骤训练:获得包括多个训练阻抗分布的多个训练数据;基于所述多个训练阻抗分布和表示正常操作条件的预定阻抗分布之间的偏差来计算成本函数;和基于所述成本函数更新所述分类器的参数。
在一些实施方式中,特征提取器被配置为将特征表示与表示正常操作条件的预定特征表示进行比较,以确定所述电解器的异常操作。
在一些实施方式中,其他参数包括流速、温度、堆电压或堆电流中的至少一个。
在一些实施方式中,所述操作进一步包括:响应于在第一频率检测到第一阻抗范围内的第一阻抗值,确定所述电解槽的第一类型故障;和响应于在第二频率检测到第二阻抗范围内的第二阻抗值,确定所述电解槽的第二类型故障。
该技术包括用于执行操作的方法、系统和非暂时性计算机可读介质,包括:通过监测耦合到电解器的多个电解槽的电路,在多个频率下获得多个电解槽的多个阻抗测量,每个电解槽包括电解质、两个电极和一对双极板;跟踪所述多个电解槽的多个阻抗测量在一段时间内的变化;和基于对所述多个阻抗测量的变化,基于单个电解槽生成表示所述电解槽的操作条件的模型。
附图说明
在不一定按比例绘制的附图中,相同的数字可以在不同的视图中描述相似的部件。具有不同字母后缀的相似数字可以表示相似部件的不同实例。附图通过示例而非限制的方式概括地示出了本文档中讨论的各种实施例。
图1是根据各种实施例的电解器系统的示例的框图。
图2是根据各种实施例的电解槽的示例的框图。
图3是根据各种实施例的电解器系统的示例的框图。
图4是根据各种实施例的电解器系统的等效电路模型的示例的框图。
图5是根据各种实施例的用于电解器系统的控制电路的示例的框图。
图6是根据各种实施例的用于电解器系统的噪声滤波器的示例的框图。
图7是根据各种实施例的用于电解器系统的控制电路的示例的框图。
图8是根据各种实施例的具有旁路部件的电解器系统的示例的框图。
图9是描述根据各种实施例的用于操作电解器的示例过程的流程图。
图10是示出可以在其上实现一个或多个实施例的机器的示例的框图。
具体实施方式
本公开尤其描述了配置电解器或水解器以产生氢气和/或氧气的技术。本公开使用EIS监测技术来监测电解器的电解槽的健康。
具体地,公开了一种用于监测氢电解器的性能、健康状态和(潜在地)剩余使用寿命(RUL)的系统。讨论了两种提取电解器单个电池在多个频率下的阻抗的电势方法(有和没有额外的激励电流供应)。一旦测量了阻抗,在不同时间的测量结果将传递到基于边缘或云的机器学习系统,该系统跟踪每个电池的阻抗变化,以监测电解器的性能。目标是评估健康状况,并向电解器操作员提供信息,以正确控制和维护电解器系统。
电解器通常包括一个或多个电解槽。每个电解槽有三个组成部分:一个电解质、两个电极(一个阴极和一个阳极)和双极板,以将气体均匀分布在电解质上。电解质通常是水或其他溶剂的溶液,其中溶解有离子。熔融盐如氯化钠也是电解质。当被施加到电极上的外部电压驱动时,电解质中的离子被吸引到具有相反电荷的电极上,在那里可以发生电荷转移(也称为法拉第或氧化还原)反应。只有具有正确极性和足够大小的外部电势(即电压),电解槽才能分解溶液中通常稳定或惰性的化合物。所提供的电能可以产生化学反应,否则化学反应不会自发发生。水,特别是当加入离子(盐水或酸性水)时,可以电解(进行电解)。当由外部电压源驱动时,H+离子流到阴极与电子结合,在还原反应中产生氢气。同样,OH-离子流到阳极释放电子,并且H+离子在氧化反应中产生氧气。
通过电解产生氢气的系统称为电解器或水解器。发电系统产生高电压(50V和200V之间)和高电流(100A到4000A),其提供给包括电解电池的电池堆,每个电解电池包括电解质和两个电极。以水作为另一种输入,电池堆产生氢气和氧气作为输出。如果能源是可再生能源,如太阳能、风能或水力发电,那么整个循环是完全无碳的。电解器通常串联电连接。然而,这种配置有几个缺点。例如,电解器的一个挑战是耐用性。电池两端有一个特定的电压,可以产生效率和耐久性的最佳组合。如果电源电压过高,电极中的腐蚀会导致阻抗增加和电解器的寿命缩短。一个电池中阻抗的增加会改变其他电池中的电压,并会降低效率和/或耐久性。
此外,串联配置电解器限制了整个系统的可扩展性,因为添加或更换电解槽会带来额外的挑战。例如,如果电解器中的一个电解槽发生故障,通过系统向其他电解槽的电力分配可能受到影响,整个系统也可能停止运行。即,当槽处于串联配置时,当一个槽发生故障时,整个堆就会发生故障。
通过电解水产生和生产氢气被预测为绿色能源管道的关键组成部分。太阳能或风能等可再生能源的电力被用来生产氢气,作为长期能源储存的可行手段。氢气是一种适用于各种应用的燃料,包括(但不限于)重型车辆的燃料电池,作为电池的替代品(如长途卡车和叉车);非电气化工艺的脱碳,如化肥的氨制造;以及基于电网的燃料电池,以使可再生能源的不规则可用性与相当可预测的需求相匹配。
这种工艺的关键部件是电解器堆。电解器堆可根据其组成电化学电池的基础技术进行分类。电化学电池类型包括碱性、交换膜和固体氧化物电解器槽。交换膜槽可以是阴离子交换膜或质子交换膜(PEM)。本公开被描述为适用于质子交换膜电解器,但本公开同样适用于具有微小变化的阴离子交换膜电解器。
在电解器的运行过程中,任何PEM电池都可能出现许多故障。这些可能包括由于电极或膜沉积或变薄、不规则催化剂涂层、PTL保护涂层缺陷和膜针孔导致的随时间降解。这些都对不同频率下的电池阻抗有影响。例如,在某些情况下,在超过1000小时的3A/cm2的高电流负载下,低频下的阳极极化电阻可以显著增加,而串联电阻(其效应在高频下占主导地位)可以略微减小。
目前,商用电解器的在线监测能力有限。虽然测量了一些工艺参数,如水输入的温度、流速和压力以及产生的氧气和氢气,但这些参数不能提供足够的洞察力来告知可能需要进行哪些预测性维护。这对电解系统的寿命和正常运行时间也有影响。预测故障的能力可以提高操作员通过更换模块或在导致系统突然停止运行的堆故障之前执行预防性维护来保持H2发生器在线的能力。
根据所公开的实施例,提供了一种用于操作、配置、监测和跟踪电解器性能的新颖且资源高效的方法。所公开的方法使用EIS技术来测量和理解电解器单元中发生的变化。具体而言,电池中的阻抗变化可以与离线测量中电池中可能出现的各种性能退化故障相关。因此,作为频率随时间变化的函数的电池阻抗的实时测量被用于提供对电解器的健康状态和未来预后的洞察。
所公开的系统包括实现PEM电解槽的监测方法的控制电路,所述监测方法涉及使用EIS测量技术测量作为频率的函数的阻抗。该测量是在系统中存在宽带噪声的情况下进行的(这可能是由于电源的宽带噪声、来自外部源的电噪声耦合、堆栈内部的过程噪声等)。然后,电池阻抗(或等效电路参数)随时间的演变可以通过数据驱动(学习的)机器学习系统或使用电池的已知电化学推导的基于模型的系统或其组合来跟踪;以预测所述槽是否正常或异常地运行和降解;以及可选地,异常是什么。
图1是根据各种实施例的电解器系统100的示例的框图。电解器系统100包括PEMEL堆叠114。PEMEL堆叠114包括一个或多个并联或串联电连接的电池。PEMEL堆叠114中的每个电池由公共电压源驱动。
每个电解槽包括耦合以接收溶液(例如水)的电解质和两个电极。每个电解槽输出氧气和氢气。输出速率取决于电池电极接收的功率。在某些情况下,较高的功率可以更快地产生氧气和氢气,但这会降低系统的耐久性。另一方面,较低的功率可以以较慢的速率产生氧气和氢气,但提高了系统的耐久性。
图2是根据各种实施例的电解槽200的示例的框图。具体地,图2示出了如图1所示的PEMEL堆叠114的单个电池的基本代表性结构。如图1所示,PEMEL堆叠114由串联布置的多个电池组成,尽管电池可以交替地并联布置。图2显示了槽200中H2的基本电化学和产生。如图1所示,全电解器包括PEMEL堆叠114以及控制和电源电路。
在一些实施例中,电解器系统100是1MW电解器,并且在PEMEL堆叠114中可以具有多达130个电池,对于跨越PEMEL堆叠114的大约300V的总电压,电压降为2.2V/电池。电解器系统100可以具有高达3A/cm2的电流,并且对于3750A的通过电解器系统的总电流而言,可以具有大约1250cm2的电流。每个电池的阻抗可以在170uOhm/电池的量级上。
图3是根据各种实施例的电解器系统300的示例的框图。电解器系统300包括控制电路310、电压源312、单独的电压输送源314、EIS测量系统320和机器学习系统330。在一些实施例中,EIS测量系统320基于单个电池测量堆叠114的每个电池的阻抗。在这种情况下,EIS测量系统320通过各自的测量电极连接到堆叠114的每个单独的电池。在一些实施例中,EIS测量系统320在多电池或全堆叠水平上执行测量。
EIS测量系统320包括阻抗测量系统或EIS提取部件324。EIS提取部件324执行阻抗谱,并输出作为堆叠114的每个单元的频率的函数的阻抗。测量的频率范围可以从0.1mHz到10kHz。在一些情况下,在一段时间内(例如,每几分钟到一小时)周期性地从每个单元或单元组收集阻抗信息。
在一些情况下,通过对测量进行时间复用以降低成本,EIS提取部件324中的每一个可以由多个电解器槽共享。例如,在该时间段内的第一时间点,EIS提取部件324可以测量堆叠114内的第一组电池中的第一电池的阻抗。然后,在该时间段内的第二时间点,EIS提取部件324可以测量堆叠114内的第一组电池中的第二电池的阻抗。EIS提取部件324的另一实例可以与给定EIS提取部件324并行地测量堆叠114内的第二组电池内的各个单独电池的阻抗。
在一些情况下,为每个电池提供一个EIS提取部件324,从而可以在堆叠114中的所有电池上并行地执行多个阻抗测量。
EIS提取部件324生成的测量值可以被提供给等效电路参数拟合模块322和/或机器学习系统330。等效电路参数拟合模块322和/或机器学习系统330可以随时间分析阻抗测量值,并检测或确定电解器和/或堆叠114内的单个电池是否在正常或异常操作条件下操作。作为示例,当第一频率被施加到电池时,EIS提取部件324可以进行特定的阻抗测量。可以在整个时间段内跟踪阻抗测量的变化。等效电路参数拟合模块322和/或机器学习系统330可以确定第一频率的阻抗变化是否指示正常或异常操作条件。具体地,如果阻抗的变化在给定的阻抗范围之外,则等效电路参数拟合模块322和/或机器学习系统330确定单元中存在第一类型的故障。作为另一示例,当第二频率被施加到同一电池时,EIS提取部件324可以进行特定的阻抗测量。可以在整个时间段内跟踪阻抗测量的变化。等效电路参数拟合模块322和/或机器学习系统330可以确定第二频率的阻抗变化是否指示正常或异常操作条件。即,如果阻抗的变化在给定的阻抗范围之外(其可以与与第一频率相关联的范围相同或不同),则等效电路参数拟合模块322和/或机器学习系统330可以确定单元中存在第二类型的故障。
图4是根据各种实施例的电解器系统的等效电路模型322的示例的框图。
具体地,可以将多个频率的EIS测量值转换为每个单元的等效电路模型322的参数。这可以通过将电池的总阻抗表示为频率的函数(以其分量表示),并使用最小二乘法等算法求解所得方程来实现。这可以出于减少数据量或特征空间的大小的原因而进行。它还可以通过识别正在发生故障的单元的特定部分来提供更可靠的故障解释方法。
以下是等效电路模型322的各种部件的定义列表:
·RcΩ和RaΩ(Ωcm2):阴极和阳极处电子传导金属电池部件(双极板、垫片和集电器)的电子电阻
·Rel(Ωcm2):SPE的离子电阻。
·Rct(Ωcm2):与HER相关的阴极极化(电荷转移)电阻。
·Ract(Ωcm2):与OER相关的阳极极化(电荷转移)电阻。
·Qcdl(F cm-2):阴极恒相元件,用于解释多孔催化层和电解质之间带电和3D界面的伪电容行为。
·Qadl(F cm-2):伪电容阳极/电解质界面的阳极恒相元件。
·ZcD(Ωcm2):由于H2通过多孔阴极电流分配器从阴极传输而产生的阴极扩散阻抗。
·ZaD(Ωcm2):由于O2从阳极传输和/或H2O通过多孔阳极电流分配器传输到阳极而产生的阳极扩散阻抗。
基于等效电路模型322,EIS测量系统320可以确定给定电池在一段时间内阻抗变化的具体原因。具体地,等效电路模型322可以识别单元和模型322的哪些分量作为频率的函数而变化,哪些分量是恒定的。根据该信息,可以确定阻抗变化的具体故障类型/原因。
公开了用于通过EIS提取部件324计算阻抗的几种方法。在一个实施例中,向电源提供刺激输入以测量槽的结果响应。本实施例结合图5进行讨论。在另一实施例中,在没有额外刺激输入的情况下确定每个槽的阻抗。在图7中讨论了该实施例。
图5是根据各种实施例的用于电解器系统的控制电路500的示例的框图。控制电路500包括刺激发生器电路510和噪声滤波器520。控制电路500可以是EIS测量系统320的单独部件或部分。
刺激发生器电路510注入作为电流施加的正弦信号。在一个实施例中,由刺激发生器电路510提供的刺激输入可以包括可在感兴趣的频率中循环的可调谐正弦信号。在这种情况下,刺激发生器电路510产生第一频率信号,并以第一频率将该信号施加到堆叠114的每个单元。然后在电池堆上测量所得阻抗,并确定每个电池的阻抗。
在一个实现中,如图6所示,为了确定每个单元的阻抗,使用滤波器600(例如,IQ解调器)。具体地,输出信号或对刺激输入的系统响应与输入信号(例如,第一频率信号)同步解调。例如,滤波器600接收已经施加的当前第一频率信号作为LO输入。滤波器600将该LO信号移位90度,并同时将移位和未移位的信号乘以每个单元的输出信号。这产生残余滤波信号的同相(I)和正交(Q)分量,然后这些分量用于计算特定第一频率下的阻抗。当施加第一频率信号时,在整个时间段(例如,在几分钟内)继续测量和跟踪每个单元的阻抗。然后生成并存储表示当施加第一频率信号时每个单元的阻抗变化的一组测量值。
在该时间段内的第二时间点或在另一时间段,刺激发生器电路510产生第二频率信号,并以第二频率将该信号施加到堆叠114的每个单元。然后在电池堆上测量所得阻抗,并确定每个电池的阻抗,例如使用IQ解调器。当施加第二频率信号时,在整个时间段(例如,在几分钟内)继续测量和跟踪每个单元的阻抗。然后生成并存储表示当施加第二频率信号时每个单元的阻抗变化的一组测量值。
生成和存储的这些阻抗计算被提供并应用于等效电路参数拟合模块322和/或机器学习系统330,以确定所跟踪的阻抗是否与正常或异常电解器操作相关。
在另一实施例中,由刺激发生器电路510提供的刺激输入可以包括宽带信号,该宽带信号可以用于同时计算多个频率的阻抗。在这种情况下,图6中所示的IQ解调器用于生成用于计算每个给定频率下的阻抗的残余滤波信号。具体地,来自每个单元的输出信号乘以第一频率,该第一频率偏移90度以产生第一残余输出信号的正交(Q)分量,并且同时乘以未偏移的第一频率信号以产生第一剩余输出信号的同相(I)分量。残余输出信号的这些分量然后用于计算给定单元或单元堆叠在第一频率下的阻抗。然后,来自每个单元的输出信号被乘以第二频率,该第二频率被移位90度以产生第二残余输出信号的正交(Q)分量,并且同时被乘以未移位的第二频率信号以产生第三残余输出信号的同相(I)分量。然后,第二残余输出信号的这些分量用于计算给定单元或单元堆在第二频率下的阻抗。生成和存储的这些阻抗计算被提供并应用于等效电路参数拟合模块322和/或机器学习系统330,以确定所跟踪的阻抗是否与正常或异常电解器操作相关。
图7是根据各种实施例的用于电解槽系统的控制电路700的示例的框图。具体地,图7中所示的架构和操作可用于计算和确定电池堆中的每个电池730的阻抗,而无需注入正弦信号。
该方法利用现有的系统输入信号,包括可能被认为是噪声的信号作为刺激信号。在这种情况下,可能需要以足够的分辨率和采样率来测量输入,以覆盖感兴趣的频率范围。
在这种情况下,通过对电池电压736、V1…Vn和总电压Vstack 710的多次测量,并且假设电池阻抗732相对于电池电流734(和电压736)缓慢变化,可以推断电池阻抗732。这可以通过对观测值(电压)和期望的单元阻抗之间的概率关系进行建模来实现,其中随机性来自每个单元730中的局部电流734。可以分析该模型以计算使观察到的电压的似然性最大化的阻抗(例如,使用贝叶斯最大似然参数估计)。
对于图7的模型,以下方程可以控制测量:
Vm(t)=Zm(Im(t)+Istack(t))+ηm(t),
其中m是电池指数,并且t是“测量”指数(例如观察时间)。在上文中η(t)’s是测量噪声。在每个测量噪声由独立于系统中所有其他噪声的高斯白噪声表示的情况下:
其中σ是噪声功率。
此外,局部电流734可以在每个电池730和整体堆叠电流720处建模为具有以下分布的独立随机变量:
给定这些分布,可以对电压观测值的联合分布进行建模,这可以通过阻抗参数化。这样,可以根据以下公式计算分布:
p1:T(V;Z)=p(V1(1),V2(1),...,Vn(1),Vstack(1)...V1(T),V2(T),...,Vn(T),Vstack(T);Z1,Z2,...,Zn,ZPS)
在某些情况下,在电解槽运行期间,可以观察到t=1、2、…t时的V1(t)、V2(t)、...、Vn(t)、Vstack(t)。在这种情况下,Z1、Z2、...Zn、ZPS的值可以根据以下公式确定:
噪声和电流模型可以被概括为具有任何分布,并且还可以具有存储器。即,Im(t)的分布可以取决Im(t-1)。基于电压-电流模型,可以确定观察周期内的电压分布。根据分布的选择,可以用数值或封闭形式来求解优化,以获得频率和时间上的单元阻抗。
在一些情况下,电池级DC电压测量可用于跟踪电解器的每个电池的操作,特别是跟踪每个电池或电池堆的温度和压力的变化或测量。具体地,控制电路700可以测量电解器的每个电池上的DC电压。可以结合所施加的DC电池堆电流来测量DC电池电压。DC堆叠电流可以是已知值,该已知值可以与每个电池的低频电阻或阻抗(RLF)一起使用(先前使用由EIS提取部件324生成的EIS测量值测量)以估计每个电池的开路电压(Ecell)。在一些示例中,给定电池的开路电压根据以下公式计算:
其中Ecell表示特定电池的测量直流电压,Erev表示可逆电池电压(例如,当低电流流过电池时的基线电池电压,可以表示为Erev=1.229-0.0009(T-298),T-温度(K)),R是理想气体常数,F是法拉第常数,P表示电池的分压。从该表达式中,可以测量(例如,使用测量的电池级DV电压)堆叠级温度和压力,并逐个电池地确定。然后可以确定电解器的每个电解槽的温度和压力的变化。这些变化可以进一步用于改进差分单元的阻抗估计。
在一些情况下,控制电路700可以实现循环伏安模式。在此模式下,电解器堆叠可在闲置模式下运行,在闲置模式中,施加低于分水点的直流恒流。在该模式中,电流激励电路用于产生并施加三角形电压波形(或任何其他合适的波形),该波形横跨电池堆。电压斜坡速率可编程,约为50mV/sec。当电压在大约0和1V之间循环扫描时,可以产生伏安图来表示相对于电势以伏特为单位测量的施加电流。伏安图各个区域中产生的特征可与其他系统测量(包括EIS测量)结合使用,以评估电解器堆叠的健康状态。
在一些情况下,控制电路700可以实现自放电模式以测量电解器的自放电。具体地说,当电解器堆叠在空闲模式下运行时,可以调用该模式,该模式处于分裂水点以下的恒定直流电流。在这种模式下,电流激励电路用于绕过电解器周围的电流阶跃,从而将通过电解器的电流降低到接近零。这导致电解器堆叠开始自放电。当电解器放电时,测量部分或所有电解槽的电压,并绘制时间曲线。可以比较电池两端电压的变化以确定、估计或预测电池健康。例如,如果一个电池的电压变化量大于电池间平均变化的阈值差,则可以估计该电池处于不良工作状态。在一些示例中,在去极化和弛豫期间(例如,在启用自放电模式之后的阈值时间段之后)的电池电压波形的特征可以与其他系统测量结合使用,以进一步推断电解器堆叠的健康状态。
返回参考图3,机器学习系统330可以分析和处理随时间和针对不同频率的阻抗测量。机器学习系统330可以例如通过控制电路310在本地实现,和/或可以在可通过因特网访问的服务器上远程实现。机器学习系统330可以包括多种类型的机器学习模型(例如,不同类型的神经网络)。不同类型的机器学习模型中的每一个都可以用于跟踪和/或预测系统的不同组件的测量。
作为示例,机器学习(ML)系统330随时间跟踪EIS输出,并对电解器系统100的任何电池的性能、健康状态和即将发生的故障进行预测。机器学习系统330(使用相同或不同的机器学习模型)可以可选地采用其他测量参数,例如H2/O2/H2O流速、电池DC电压测量、电池温度、为每个电池或电池堆收集或确定的温度和/或压力测量、在循环伏安模式期间收集或估计的测量、在自放电模式期间收集和估计的测量,在电源等处测量的电池组总电压和/或电流,与EIS测量值融合。作为一个示例,电池的阻抗及其退化速率可以是电池温度的函数。作为另一示例,当在电池中形成针孔时,H2的流速可以降低。在这种情况下,ML系统330可以是传感器融合系统,其将EIS测量与由EIS测量系统320测量的其他实时参数相结合。
机器学习(ML)系统330的输出可以被发送给操作员以做出关于执行预防性维护的决定。此外,机器学习(ML)系统330的输出可以用作电解器的控制(监控)电路的可选输入,以实现电解器系统100的最佳操作,例如关闭特定电池、绕过特定电池(如图8所示)或降低流速以实现更好的效率。
例如,如图8所示,当机器学习系统330检测到电池已经退化超过可用阈值时,为该电池接通旁路开关,从而将电池从堆叠114中取出。在这种情况下,机器学习系统330输出关于每个单元是否已经退化的判定。旁通开关不需要是接通/断开开关。“开关”可以是可变电阻器,在这种情况下,当检测到电池的部分退化时,通过电池的电流可以减少。在这种情况下,机器学习系统330可以输出关于每个电池的劣化的“软”判定,并且基于该软判定,可以控制施加到每个电池的电阻量,例如减少每个电池的输出,从而延长电池组寿命。
例如,可以基于训练数据来训练机器学习模型(或机器学习技术),以预测给定单元的性能和/或故障。例如,机器学习模型可以是特定类型的神经网络。训练神经网络以建立多个操作参数之间的关系(例如,跨多个电解槽中的一个或多个的电压、阻抗测量和/或每频率的阻抗随时间的变化、EIS、电流、温度、为每个电解槽或电池堆收集或确定的压力测量、在循环伏安模式期间收集或估计的测量、在自放电模式期间收集的测量或估计的(例如,去极化和/或弛豫周期电压测量)和/或与多个电解槽中的一个或多个相关联的气体或流体流)以及性能或故障。例如,一个训练数据集可以指示对于给定的一组参数,电池未能在阈值时间段内操作。另一个训练数据集可以表明,对于给定的一组参数,另一个电池以特别低的水平输出氢气和氧气,并且可以更快地输出氢气和氧而不会失败。另一训练数据集可以包括训练阻抗曲线。
可以训练神经网络以基于这样的数据建立神经网络的一组参数,以最小化损失函数。例如,给定一组训练数据(例如,训练阻抗曲线)中的一组参数,神经网络可以预测故障或性能度量。预测的故障或性能度量可以与训练数据集的实际地面真实故障或性能量度(例如,表示正常条件的阻抗分布和表示异常条件的阻抗曲线)进行比较。可以基于预测的故障或性能度量与地面真实故障或性能指标之间的偏差来计算损失。然后可以基于计算的损失来更新神经网络的参数。可以类似地处理后续或附加的训练数据集以更新神经网络的参数,直到满足停止标准或直到处理所有训练数据。
以这种方式,当向神经网络呈现堆叠114中给定单元的一组新参数时,神经网络可以预测给定单元的故障或性能度量。
各种不同的机器学习算法可用于此应用。例如,特征提取器可以应用于多个电解槽的时间同步EIS测量以及其他可用的输入,例如流速,以产生包含关于电解器电解槽的足够信息的最小特征集,以确定操作是否正常。分类器或异常检测器可用于对特征提取器的特征进行操作,并检测操作是否在正常范围内。不同的机器学习算法中的每一个都可以在系统的相同组件上或跨系统的不同组件实现。
在一些实施例中,可以训练特征提取器以生成作为频率的函数的阻抗分布。即,特征提取器通过将作为频率的函数的阻抗转换为一个或多个特征来生成用于分类的特征表示。可以分析这些阻抗分布以识别和生成电解器系统100的正常和/或异常操作条件的阻抗分布。在一个示例中,特征提取器可以收集频率范围随时间的阻抗测量值以及其他实时参数。特征提取器可以生成训练阻抗曲线(特征表示),并将阻抗曲线的特征与预定的异常和/或正常阻抗曲线进行比较。特征提取器可以计算表示给定观察到的阻抗分布和训练阻抗分布之间的偏差的成本函数,以确定所生成的阻抗分布的超过阈值数量的特征匹配预定异常阻抗分布的特征。作为响应,特征提取器可以向操作员或控制电路输出电解器系统100异常操作的指示。特征提取器可以使用自动编码器或其他神经网络结构来生成特征或阻抗分布。
在一些实施例中,可以通过选择生成在L2范数(最小二乘拟合)中最接近测量频谱的EIS频谱的特征(电路参数)来训练特征提取器,或以各种方式惩罚或规则化的L2范数(例如,应用于虚阻抗分量的损失的权重是大于应用于实分量损失的权重的因子;或不同频率被不同地加权);或交叉熵损失。最小化所选损失的参数的确定可以通过例如使用反向传播的梯度下降、或通过马尔可夫链蒙特卡罗或直接进行。
在一些实施例中,分类器可以包括对特征的简单阈值限制,其指示特征是在正常限制内还是异常。检测器或分类器可以被实现为设计用于检测异常数据点的随机森林。在这种情况下,检测器从特征提取器接收特征或阻抗分布,并确定特征是否指示正常或异常操作。分类器可以被实现为在正常操作的细胞和/或具有缺陷的细胞的实例上训练的神经网络。
在一些实施例中,提取器和分类器被端到端地训练为一个系统,例如基于相同的一组或一批训练数据。
图9是描绘根据各种实施例的用于操作或配置电解槽的示例过程900的流程图。过程900的操作可以并行或以不同的顺序执行,或者可以完全省略。在一些实施例中,过程900的一些或全部操作可以体现在计算机可读介质上并由一个或多个处理器执行。
在操作910,电解槽的控制电路以多个频率获得多个电解槽的多个阻抗测量值。
在操作920,控制电路在一段时间内跟踪多个电解槽的多个阻抗测量的变化。
在操作930处,控制电路基于对多个阻抗测量的改变,生成表示基于单个电解槽的电解槽的操作条件的模型。
图10是可在其上执行本文所讨论的技术(例如,方法)中的任何一个或多个的示例机器1000的框图。在替代实施例中,机器1000可以作为独立设备操作,或者可以连接(例如,联网)到其他机器。在联网部署中,机器1000可以在服务器-客户端网络环境中以服务器机器、客户端机器或两者的能力操作。在一个示例中,机器1000可以充当对等(P2P)(或其他分布式)网络环境中的对等机器。机器1000可以是个人计算机(PC)、平板电脑、机顶盒(STB)、个人数字助理(PDA)、移动电话、网络设备、物联网设备、汽车系统、航空航天系统或能够执行指定该机器要采取的动作的指令(顺序或其他)的任何机器。此外,虽然仅示出了单个机器,但术语“机器”还应被视为包括单独或联合执行一组(或多组)指令以执行本文讨论的任何一个或多个方法的任何机器集合,例如通过云计算、软件即服务(SaaS)或其他计算机集群配置。
如本文所述,示例可包括逻辑、组件、设备、封装或机制,或可由其操作。电路是在包括硬件(例如,简单电路、门、逻辑等)的有形实体中实现的电路的集合(例如,集合)。电路成员可以随时间和底层硬件的变化而变化。电路包括在操作时可以单独或组合执行特定任务的成员。在一个示例中,电路的硬件可以不受限制地设计为执行特定操作(例如,硬连线)。在一个示例中,电路的硬件可以包括可变连接的物理组件(例如,执行单元、晶体管、简单电路等),其包括物理修改(例如,磁性地、电地、通过固定聚集粒子的可移动放置等)的计算机可读介质,以编码特定操作的指令。在连接物理组件时,硬件组件的基本电气财产会发生变化,例如,从绝缘体到导体或反之亦然。指令使得参与硬件(例如,执行单元或加载机制)能够经由可变连接在硬件中创建电路的成员,以在操作时执行特定任务的一部分。因此,当设备运行时,计算机可读介质通信地耦合到电路的其他组件。在一个示例中,任何物理组件都可以用于多于一个电路的多于一个成员中。例如,在操作下,执行单元可以在一个时间点被用在第一电路的第一电路中,并且在不同的时间被第一电路中的第二电路或第二电路中的第一电路再次使用。
机器(例如,计算机系统)1000可以包括硬件处理器1002(例如,中央处理单元(CPU)、图形处理单元(GPU)、硬件处理器核心或其任何组合,例如存储器控制器等)、主存储器1004和静态存储器1006,其中一些或全部可以经由互连(例如,总线)1008彼此通信。机器1000还可以包括显示设备1010、字母数字输入设备1012(例如,键盘)和用户界面(UI)导航设备1014(例如鼠标)。在一个示例中,显示设备1010、字母数字输入设备1012和UI导航设备1014可以是触摸屏显示器。机器1000可以另外包括存储设备1022(例如,驱动单元);信号生成设备1018(例如扬声器);网络接口设备1020;一个或多个传感器1016,例如全球定位系统(GPS)传感器、机翼传感器、机械设备传感器、温度传感器、ICP传感器、桥梁传感器、音频传感器、工业传感器、罗盘、加速计或其他传感器。机器1000可以包括输出控制器1028,例如串行(例如,通用串行总线(USB))、并行或其他有线或无线(例如,红外(IR)、近场通信(NFC)等)连接,以与一个或多个外围设备(例如,打印机、读卡器等)通信或控制一个或更多个外围设备。
存储设备1022可以包括机器可读介质,在该机器可读介质上存储体现或由本文描述的技术或功能中的任何一个或多个使用的一组或多组数据结构或指令1024(例如,软件)。在机器1000执行指令1024期间,指令1024还可以完全或至少部分地驻留在主存储器1004内、静态存储器1006内或硬件处理器1002内。在示例中,硬件处理器1002、主存储器1004、静态存储器1006或存储设备1022中的一个或任意组合可以构成机器可读介质。
虽然机器可读介质被示为单个介质,但是术语“机器可读介质”可以包括被配置为存储一个或多个指令1024的单个介质或多个介质(例如,集中式或分布式数据库,或相关联的高速缓存和服务器)。
术语“机器可读介质”可以包括能够存储、编码或携带用于由机器1000执行的临时或非临时指令并且使得机器1000执行本公开的任何一个或多个技术的任何临时或非暂时介质,或携带由这样的指令使用或与这样的指令相关联的数据结构。非限制性机器可读介质示例可以包括固态存储器、光学和磁性介质。在一个示例中,聚集的机器可读介质包括具有多个具有不变(例如,静止)质量的粒子的机器可读媒体。因此,聚集的计算机可读介质不是瞬时传播信号。聚集的机器可读介质的具体示例可以包括非易失性存储器,例如半导体存储器设备(例如,电可编程只读存储器(EPROM)、电可擦除可编程只读存储(EEPROM))和闪存设备;磁盘,例如内部硬盘和可移动磁盘;磁光盘;以及CD-ROM和DVD-ROM磁盘。
存储在存储设备1022上的指令1024(例如,软件、程序、操作系统(OS)等)或其他数据可以由主存储器1004访问以供硬件处理器1002使用。主存储器1004(例如,DRAM)通常是快速但易失的,因此是与存储设备1022(例如,SSD)不同类型的存储,其适合于长期存储,包括在“关闭”状态下。用户或机器1000使用的指令1024或数据通常被加载在主存储器1004中,以供硬件处理器1002使用。当主存储器1004满时,可以分配来自存储设备1022的虚拟空间以补充主存储器1004;然而,因为存储设备1022通常比主存储器1004慢,并且写入速度通常至少是读取速度的两倍,所以虚拟存储器的使用可以由于存储设备延迟(与主存储器1004例如DRAM相比)而大大减少用户体验。此外,将存储设备1022用于虚拟存储器可以大大减少存储设备1022的可用寿命。
指令1024还可以使用传输介质经由网络接口设备1020在通信网络1026上发送或接收,所述网络接口设备使用下列多种协议中的任何一个传输协议:传输协议(例如,帧中继、互联网协议(IP)、传输控制协议(TCP)、用户数据报协议(UDP)、超文本传输协议(HTTP)等)。示例通信网络可以包括局域网(LAN)、广域网(WAN)、分组数据网络(例如,因特网)、移动电话网络(例如蜂窝网络)、普通老式电话服务(POTS)网络和无线数据网络(如,电气和电子工程师协会(IEEE)802.11标准系列,IEEE 802.16标准系列(称为IEEE802.15.4标准系列、P2P网络)等。在一个示例中,网络接口设备1020可以包括一个或多个物理插口(例如,以太网、同轴或电话插口)或一个或更多个天线以连接到通信网络1026。在一个示例中,网络接口设备1020可以包括多个天线,以使用单输入多输出(SIMO)、多输入多输入(MIMO)或多输入单输出(MISO)技术中的至少一种进行无线通信。术语“传输介质”应包括能够存储、编码或携带由机器1000执行的指令的任何有形或无形介质,包括数字或模拟通信信号或其他有形或无形媒体,以促进此类软件的通信。
本文所述的非限制性权利要求或示例中的每一个可以独立存在,或者可以与一个或多个其他示例以各种排列或组合的方式组合。
上述详细描述包括对附图的引用,附图构成详细描述的一部分。附图通过说明的方式示出了可以实践本发明主题的具体实施例。这些实施例在本文中也被称为“示例”。这些示例可以包括除所示或描述的元件之外的元件。然而,本发明人还设想了仅提供所示或描述的那些元件的示例。此外,本发明人还针对特定示例(或其一项或多项权利要求)或针对本文所示或描述的其他示例(或其中一项或多项权利要求),设想使用所示或所述元素(或其权利要求)的任何组合或排列的示例。
如果本文件与通过引用合并的任何文件之间的用法不一致,则以本文件中的用法为准。
在本文件中,术语“一个”或“一种”在专利文件中常见,包括一个或多个,独立于“至少一个”或“一个或更多个”的任何其他实例或用法,除非另有说明,否则“A或B”包括“A但不包括B”、“B但不包括A”和“A和B”。在本文件中,术语“包括”和“其中”被用作各自术语“包含”和“包含”的纯英语等价物。此外,在以下权利要求中,术语”包括“和”包括“是开放式的;也就是说,包括权利要求中该术语之后所列元素之外的元素的系统、装置、物品、组合物、制剂或方法仍被视为属于该权利要求的范围。此外,在以下权利要求中,术语“第一、第二、第三”等仅用作标签,并不旨在对其对象施加数字要求。
本文描述的方法示例可以至少部分地由机器或计算机实现。一些示例可以包括计算机可读介质或机器可读介质,其编码有可操作以配置电子设备以执行上述示例中描述的方法的临时或非临时指令。这种方法的实现可以包括代码,例如微码、汇编语言代码、更高级语言代码等。这种代码可以包括用于执行各种方法的临时或非临时计算机可读指令。代码可以构成计算机程序产品的一部分。此外,在一个示例中,代码可以有形地存储在一个或多个易失性、非暂时性或非易失性有形计算机可读介质上,例如在执行期间或在其他时间。这些有形计算机可读介质的示例可以包括但不限于硬盘、可移动磁盘、可移动光盘(例如,光盘和数字视频盘)、盒式磁带、存储卡或棒、随机存取存储器(RAM)、只读存储器(ROM)等。
以上描述旨在说明性而非限制性。例如,上述示例(或其一个或多个权利要求)可以彼此组合使用。可以使用其他实施例,例如由本领域普通技术人员在回顾上述描述后使用。提供摘要是为了符合37C.F.R.§1.72(b)的规定,以便读者快速确定技术披露的性质。提交本文件时,应理解其不会用于解释或限制权利要求的范围或含义。此外,在上述详细描述中,可以将各种特征分组在一起以简化本公开。这不应被解释为意图使未在权利要求列表中列出的公开特征对任何权利要求都是必要的。相反,本发明的主题可能存在于特定公开实施例的少于所有特征中。因此,以下权利要求在此作为示例或实施例并入详细描述中,其中每个权利要求独立地作为单独的实施例,并且可以设想这些实施例可以以各种组合或排列方式彼此组合。本发明主题的范围应当参考所附权利要求以及这些权利要求所享有的等同物的全部范围来确定。
Claims (31)
1.一种包括电解器的系统,所述电解器包括多个电解槽,每个电解槽包括电解质、两个电极和一对双极板,所述系统包括:
耦合到所述多个电解槽的监测电路,所述监测电路被配置为执行操作,包括:
在多个频率下获得所述多个电解槽的多个阻抗测量;
跟踪所述多个电解槽的多个阻抗测量在一段时间内的变化;和
基于对所述多个阻抗测量的变化,基于单个电解槽生成表示所述电解槽的操作条件的模型。
2.根据权利要求1所述的系统,其中所述模型被配置为估计给定电解槽的健康状态或性能中的至少一个,预测所述给定电解槽是否正常或异常地运行和退化,或者识别所述电解槽的异常。
3.根据权利要求1所述的系统,其中所述模型包括机器学习技术,所述机器学习技术基于训练数据进行训练以预测电解槽的健康,所述训练数据包括电化学阻抗谱(EIS)数据的多个训练样本和相关联的性能或故障信息。
4.根据权利要求1所述的系统,其中所述监测电路包括电化学阻抗谱(EIS)测量系统,所述EIS生成作为所述多个电解槽中的每个电解槽的频率的函数的阻抗。
5.根据权利要求4所述的系统,其中所述EIS在从0.1mHz到10kHz的频率范围、所述频率范围内的频率子集或所述频率范围内的一个或多个特定频率上产生所述阻抗。
6.根据权利要求1-5所述的系统,其中所述操作进一步包括:
通过求解一组方程,将所述多个阻抗测量转换为表示每个电解槽的等效电路模型的多个部件,所述方程将所述电解槽的总阻抗与在多个频率下的每个部件的阻抗相关联;
跟踪所述部件随时间的值,以确定所述部件中的任何部件是否随时间变化;和
识别与随时间变化的部件相对应的一个或多个操作条件。
7.根据权利要求6所述的系统,其中所述多个部件包括:分别表示阴极和阳极处的电子传导金属槽部件的电阻的第一部件;表示固体聚合物电解质(SPE)的离子电阻的第二部件;表示阴极极化电阻的第三部件;表示阳极极化电阻的第四部件;表示阴极恒相元件的第五部件;表示用于伪电容性阳极/电解质界面的阳极恒定相位元件的第六部件;表示阴极扩散阻抗的第七部件;和表示阳极扩散阻抗的第八部件。
8.根据权利要求1所述的系统,其中所述操作进一步包括:
与所述电解器的电源输入并行地施加刺激输入;
作为施加所述刺激输入的结果,测量所述多个电解槽中的每个电解槽的槽电压;
基于所施加的刺激输入同步解调所述多个电解槽的测量的槽电压;和
基于所述多个电解槽的解调测量的槽电压来计算所述多个电解槽的阻抗。
9.根据权利要求8所述的系统,其中所述刺激输入包括循环通过所述多个频率的正弦信号或多个正弦信号的总和。
10.根据权利要求8所述的系统,其中所述刺激输入包括宽带信号。
11.根据权利要求8所述的系统,其中所述操作进一步包括对所述多个电解槽的解调测量的槽电压进行滤波。
12.根据权利要求8-11所述的系统,其中同步解调包括通过以下步骤执行IQ解调:
将所述刺激输入移位90度;
将每个槽的测量的槽电压乘以所述刺激输入以产生解调槽电压的同相(I)分量;和
通过移位的刺激输入同时测量每个槽的测量的槽电压,以产生解调槽电压的正交(Q)分量。
13.根据权利要求1所述的系统,其中所述操作进一步包括:
在所述时间段内测量所述多个电解槽的多个电压;
在所述时间段内测量所述多个电解槽的堆叠的总电压;和
基于测量的多个电解槽的多个电压和测量的堆叠的总电压来估计所述多个阻抗测量,使得在所述时间段中,执行每个槽电压和总电压的多个测量,并且基于所述阻抗在所述时间段内不变化的假设来估计阻抗。
14.根据权利要求13所述的系统,其中所述多个阻抗测量被估计为在所述时间段内最大化测量的多个电压和所述堆叠的总电压的似然函数,所述似然函数包括作为所述阻抗的函数的观察到的电压的概率。
15.根据权利要求1所述的系统,其中所述操作进一步包括:
由特征提取器生成包含用于基于作为频率的函数的阻抗进行分类的信息的特征表示;和
通过分类器确定多个特征是否表示电解器的异常操作。
16.根据权利要求15所述的系统,其中所述分类器通过以下步骤训练:
获得包括多个训练阻抗分布的多个训练数据;
基于所述多个训练阻抗分布和表示正常操作条件的预定阻抗分布之间的偏差来计算成本函数;和
基于所述成本函数更新所述分类器的参数。
17.根据权利要求15所述的系统,其中特征提取器被配置为将特征表示与表示正常操作条件的预定特征表示进行比较,以确定所述电解器的异常操作。
18.根据权利要求1所述的系统,其中所述操作进一步包括:
响应于在第一频率检测到第一阻抗范围内的第一阻抗值,确定所述电解槽的第一类型故障;和
响应于在第二频率检测到第二阻抗范围内的第二阻抗值,确定所述电解槽的第二类型故障。
19.一种方法,包括:
通过监测耦合到电解器的多个电解槽的电路,在多个频率下获得多个电解槽的多个阻抗测量,每个电解槽包括电解质、两个电极和一对双极板;
跟踪所述多个电解槽的多个阻抗测量在一段时间内的变化;和
基于对所述多个阻抗测量的变化,基于单个电解槽生成表示所述电解槽的操作条件的模型。
20.根据权利要求19所述的方法,其中所述模型被配置为估计给定电解槽的健康状态或性能中的至少一个,预测所述给定电解槽是否正常或异常地运行和退化,或者识别所述电解槽的异常。
21.根据权利要求19所述的方法,其中所述模型包括机器学习技术,所述机器学习技术基于训练数据进行训练以预测电解槽的健康,所述训练数据包括电化学阻抗谱(EIS)数据的多个训练样本和相关联的性能或故障信息。
22.根据权利要求19所述的方法,其中所述监测电路包括电化学阻抗谱(EIS)测量系统,所述EIS生成作为所述多个电解槽中的每个电解槽的频率的函数的阻抗。
23.根据权利要求19所述的方法,进一步包括:
通过求解一组方程,将所述多个阻抗测量转换为表示每个电解槽的等效电路模型的多个部件,所述方程将所述槽的总阻抗与在多个频率下的每个部件的阻抗相关联。
24.根据权利要求23所述的方法,进一步包括:
跟踪所述部件随时间的值,以确定所述部件中的任何部件是否随时间变化;和
识别与随时间变化的部件相对应的一个或多个操作条件。
25.根据权利要求19所述的方法,进一步包括:
与所述电解器的电源输入并行地施加刺激输入;
作为施加所述刺激输入的结果,测量所述多个电解槽中的每个电解槽的槽电压;
基于所施加的刺激输入同步解调所述多个电解槽的测量的槽电压;和
基于所述多个电解槽的解调测量的槽电压来计算所述多个电解槽的阻抗。
26.一种包括指令的非暂时性计算机可读介质,当由一个或多个处理器执行时,所述指令配置所述一个或更多个处理器以执行操作,所述操作包括:
通过监测耦合到电解器的多个电解槽的电路,在多个频率下获得多个电解槽的多个阻抗测量,每个电解槽包括电解质、两个电极和一对双极板;
跟踪所述多个电解槽的多个阻抗测量在一段时间内的变化;和
基于对所述多个阻抗测量的变化,基于单个电解槽生成表示所述电解槽的操作条件的模型。
27.根据权利要求26所述的非暂时性计算机可读介质,其中所述模型被配置为估计给定电解槽的健康状态或性能中的至少一个,预测所述给定电解槽是否正常或异常地运行和退化,或者识别所述电解槽的异常。
28.根据权利要求26所述的非暂时性计算机可读介质,其中所述模型包括机器学习技术,所述机器学习技术基于训练数据进行训练以预测电解槽的健康,所述训练数据包括电化学阻抗谱(EIS)数据的多个训练样本和相关联的性能或故障信息。
29.根据权利要求26所述的非暂时性计算机可读介质,其中所述监测电路包括电化学阻抗谱(EIS)测量系统,所述EIS生成作为所述多个电解槽中的每个电解槽的频率的函数的阻抗。
30.根据权利要求26所述的非暂时性计算机可读介质,进一步包括:
通过求解一组方程,将所述多个阻抗测量转换为表示每个电解槽的等效电路模型的多个部件,所述方程将所述槽的总阻抗与在多个频率下的每个部件的阻抗相关联;
跟踪所述部件随时间的值,以确定所述部件中的任何部件是否随时间变化;和
识别与随时间变化的部件相对应的一个或多个操作条件。
31.根据权利要求26-30中任一项所述的非暂时性计算机可读介质,进一步包括:
与所述电解器的电源输入并行地施加刺激输入;
作为施加所述刺激输入的结果,测量所述多个电解槽中的每个电解槽的槽电压;
基于所施加的刺激输入同步解调所述多个电解槽的测量的槽电压;和
基于所述多个电解槽的解调测量的槽电压来计算所述多个电解槽的阻抗。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163150308P | 2021-02-17 | 2021-02-17 | |
US63/150,308 | 2021-02-17 | ||
PCT/US2022/015338 WO2022177764A1 (en) | 2021-02-17 | 2022-02-04 | Eis monitoring systems for electrolyzers |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116324042A true CN116324042A (zh) | 2023-06-23 |
Family
ID=82931920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280006740.9A Pending CN116324042A (zh) | 2021-02-17 | 2022-02-04 | 电解器eis监测系统 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230374681A1 (zh) |
EP (1) | EP4185738A1 (zh) |
CN (1) | CN116324042A (zh) |
CA (1) | CA3191175A1 (zh) |
WO (1) | WO2022177764A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116894663B (zh) * | 2023-09-11 | 2024-05-03 | 深圳稳石氢能科技有限公司 | 一种智能化的aem电解槽控制系统 |
CN117393069A (zh) * | 2023-11-06 | 2024-01-12 | 上海赫耳墨锶科技有限公司 | 基于神经网络确定目标金属的电解控制数据的方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101155111B1 (ko) * | 2009-09-09 | 2012-06-12 | 숭실대학교산학협력단 | 연료전지 건전성 판별 기준 정보 생성 방법 및 연료전지 건전성 판별 기준 정보를 이용한 연료전지 건전성 판별 방법. |
DE102013213982A1 (de) * | 2013-07-17 | 2015-03-12 | Bayer Materialscience Ag | Verfahren und System zur Überwachung der Funktionsfähigkeit von Elektrolysezellen |
WO2016071801A1 (en) * | 2014-11-04 | 2016-05-12 | Universita' Degli Studi Di Salerno | Method and apparatus for monitoring and diagnosing electrochemical devices based on automatic electrochemical impedance identification |
WO2018156480A1 (en) * | 2017-02-24 | 2018-08-30 | Calera Corporation | Monitoring condition of electrochemical cells |
KR102106775B1 (ko) * | 2018-08-14 | 2020-05-06 | 오토시맨틱스 주식회사 | 딥러닝을 이용한 전지 진단 방법 |
-
2022
- 2022-02-04 CA CA3191175A patent/CA3191175A1/en active Pending
- 2022-02-04 CN CN202280006740.9A patent/CN116324042A/zh active Pending
- 2022-02-04 WO PCT/US2022/015338 patent/WO2022177764A1/en unknown
- 2022-02-04 US US18/042,543 patent/US20230374681A1/en active Pending
- 2022-02-04 EP EP22756707.0A patent/EP4185738A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4185738A1 (en) | 2023-05-31 |
US20230374681A1 (en) | 2023-11-23 |
CA3191175A1 (en) | 2022-08-25 |
WO2022177764A1 (en) | 2022-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Fault diagnosis and prognostic of solid oxide fuel cells | |
Song et al. | Fast and safe charging method suppressing side reaction and lithium deposition reaction in lithium ion battery | |
Liu et al. | State-of-health estimation of lithium-ion batteries based on electrochemical impedance spectroscopy: a review | |
Sbarufatti et al. | Adaptive prognosis of lithium-ion batteries based on the combination of particle filters and radial basis function neural networks | |
US20230374681A1 (en) | Eis monitoring systems for electrolyzers | |
Andre et al. | Comparative study of a structured neural network and an extended Kalman filter for state of health determination of lithium-ion batteries in hybrid electricvehicles | |
Eddahech et al. | Behavior and state-of-health monitoring of Li-ion batteries using impedance spectroscopy and recurrent neural networks | |
Razbani et al. | Artificial neural network model of a short stack solid oxide fuel cell based on experimental data | |
Wu et al. | A hybrid prognostic model applied to SOFC prognostics | |
Lyu et al. | A model‐based and data‐driven joint method for state‐of‐health estimation of lithium‐ion battery in electric vehicles | |
Nagulapati et al. | A novel combined multi-battery dataset based approach for enhanced prediction accuracy of data driven prognostic models in capacity estimation of lithium ion batteries | |
US20220112612A1 (en) | Parallel configuration of electrolysis cells | |
Liu et al. | Prognostics of proton exchange membrane fuel cells using a model-based method | |
EP3905424B1 (en) | Data processing device, data processing method and computer program | |
Wang et al. | A novel degradation model of proton exchange membrane fuel cells for state of health estimation and prognostics | |
Schneider et al. | Deconvolution of electrochemical impedance data for the monitoring of electrode degradation in VRFB | |
Al-Greer et al. | Physics-based model informed smooth particle filter for remaining useful life prediction of lithium-ion battery | |
Fan et al. | Battery capacity estimation using 10-second relaxation voltage and a convolutional neural network | |
US20220186390A1 (en) | Electrolyzers with bypassable bipolar plates | |
Shi et al. | Combining physicochemical model with the equivalent circuit model for performance prediction and optimization of lead-acid batteries | |
CN112334785A (zh) | 状态推定方法以及状态推定装置 | |
Chen et al. | State of health estimation of lithium-ion batteries based on equivalent circuit model and data-driven method | |
Peng et al. | A hybrid health prognostics method for proton Exchange membrane fuel cells with internal health recovery | |
Hidalgo et al. | Design of experiments for optimizing the calendering process in Li-ion battery manufacturing | |
Apribowo et al. | Early prediction of battery degradation in grid-scale battery energy storage system using extreme gradient boosting algorithm |
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 |