CN117059847A - 燃料电池的性能检测方法、装置、设备及存储介质 - Google Patents
燃料电池的性能检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117059847A CN117059847A CN202311294180.4A CN202311294180A CN117059847A CN 117059847 A CN117059847 A CN 117059847A CN 202311294180 A CN202311294180 A CN 202311294180A CN 117059847 A CN117059847 A CN 117059847A
- Authority
- CN
- China
- Prior art keywords
- data
- fuel cell
- transfer rate
- features
- electrode activity
- 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.)
- Granted
Links
- 239000000446 fuel Substances 0.000 title claims abstract description 198
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 230000008859 change Effects 0.000 claims abstract description 175
- 230000000694 effects Effects 0.000 claims abstract description 168
- 238000012360 testing method Methods 0.000 claims abstract description 150
- 238000012546 transfer Methods 0.000 claims abstract description 147
- 230000000813 microbial effect Effects 0.000 claims abstract description 141
- 238000006243 chemical reaction Methods 0.000 claims abstract description 139
- 238000001514 detection method Methods 0.000 claims abstract description 50
- 238000013433 optimization analysis Methods 0.000 claims abstract description 34
- 239000003792 electrolyte Substances 0.000 claims abstract description 23
- 239000012528 membrane Substances 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 239000005416 organic matter Substances 0.000 claims description 60
- 238000013507 mapping Methods 0.000 claims description 58
- 239000011159 matrix material Substances 0.000 claims description 35
- 238000000605 extraction Methods 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 11
- 230000035772 mutation Effects 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 17
- 238000005457 optimization Methods 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000005311 autocorrelation function Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000007772 electrode material Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000010815 organic waste Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000036647 reaction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M8/00—Fuel cells; Manufacture thereof
- H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
- H01M8/04298—Processes for controlling fuel cells or fuel cell systems
- H01M8/04992—Processes for controlling fuel cells or fuel cell systems characterised by the implementation of mathematical or computational algorithms, e.g. feedback control loops, fuzzy logic, neural networks or artificial intelligence
-
- 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]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- 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
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M8/00—Fuel cells; Manufacture thereof
- H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
- H01M8/04298—Processes for controlling fuel cells or fuel cell systems
- H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
-
- 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)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Sustainable Energy (AREA)
- Sustainable Development (AREA)
- Manufacturing & Machinery (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Fuzzy Systems (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Fuel Cell (AREA)
Abstract
本发明涉及电池检测领域,公开了一种燃料电池的性能检测方法、装置、设备及存储介质,用于提高燃料电池的性能检测准确率。方法包括:对微生物燃料电池进行电极活性测试,得到目标电流数据并获取电极面积数据,进行电极活性计算,生成电极活性变化曲线;进行电解质膜质子传递率测定,生成质子传递率变化曲线;进行电能输出检测,得到输出电能数据并计算能量转换效率变化曲线;进行特征提取,得到多个电极活性特征、多个质子传递率特征以及多个能量转换效率特征;创建多个初始电池性能参数组合;将多个初始电池性能参数组合输入参数组合最优化分析模型进行最优化分析,得到目标电池性能参数组合。
Description
技术领域
本发明涉及电池检测领域,尤其涉及一种燃料电池的性能检测方法、装置、设备及存储介质。
背景技术
微生物燃料电池是一种独特的生物电化学系统,通过利用微生物的新陈代谢活动将有机废弃物转化为电能,并同时实现水的净化。这种技术在能源产生和废物处理领域的潜力引发了科研人员的浓厚兴趣。然而,要实现微生物燃料电池的实际应用,需要深入了解其性能、效率和稳定性等关键指标。
研究背景表明,微生物燃料电池作为一种潜在的能源技术,需要进一步的性能检测和优化。传统的方法存在一些限制,无法全面、高效地评估微生物燃料电池的性能。因此,针对微生物燃料电池的性能检测方法的研究变得尤为重要。基于此,提出了一种新颖的燃料电池性能检测方法,旨在全面评估微生物燃料电池的电极活性、质子传递率和能量转换效率等关键参数,以实现对微生物燃料电池性能的深入理解和优化。
发明内容
本发明提供了一种燃料电池的性能检测方法、装置、设备及存储介质,用于提高燃料电池的性能检测准确率。
本发明第一方面提供了一种燃料电池的性能检测方法,所述燃料电池的性能检测方法包括:
基于预设的电位差梯度数据对微生物燃料电池进行电极活性测试,得到目标电流数据,并获取所述微生物燃料电池的电极面积数据,对所述目标电流数据进行电极活性计算,生成电极活性变化曲线;
基于所述电位差梯度数据,对所述微生物燃料电池进行电解质膜质子传递率测定,生成质子传递率变化曲线;
基于预设的有机物浓度梯度数据,对所述微生物燃料电池进行电能输出检测,得到输出电能数据,并根据所述输出电能数据计算所述微生物燃料电池的能量转换效率变化曲线;
对所述电极活性变化曲线进行特征提取,得到多个电极活性特征,并对所述质子传递率变化曲线进行特征提取,得到多个质子传递率特征,以及对所述能量转换效率变化曲线进行特征提取,得到多个能量转换效率特征;
根据所述多个电极活性特征、所述多个质子传递率特征及所述多个质子传递率特征创建所述微生物燃料电池的多个初始电池性能参数组合;
将所述多个初始电池性能参数组合输入预置的参数组合最优化分析模型进行参数组合的最优化分析,得到所述微生物燃料电池的目标电池性能参数组合。
结合第一方面,在本发明第一方面的第一种实现方式中,所述基于预设的电位差梯度数据对微生物燃料电池进行电极活性测试,得到目标电流数据,并获取所述微生物燃料电池的电极面积数据,对所述目标电流数据进行电极活性计算,生成电极活性变化曲线,包括:
基于预设的电位差梯度数据确定多个测试电位差,并基于所述多个测试电位差对微生物燃料电池进行电极活性测试,得到目标电流数据;
获取所述微生物燃料电池的电极面积数据,并根据所述目标电流数据和所述电极面积数据计算所述微生物燃料电池的电流密度数据;
对所述电流密度数据和所述电极面积数据进行电极活性分析,得到电极活性数据;
构建所述电极活性数据和所述多个测试电位差之间的第一映射关系,并根据所述第一映射关系对所述电极活性数据和所述多个测试电位差进行曲线转换,生成电极活性变化曲线。
结合第一方面,在本发明第一方面的第二种实现方式中,所述基于所述电位差梯度数据,对所述微生物燃料电池进行电解质膜质子传递率测定,生成质子传递率变化曲线,包括:
基于所述电位差梯度数据中的多个测试电位差,并按照所述多个测试电位差的电位梯度升高顺序对所述微生物燃料电池进行电解质膜测试;
采集每两个相邻测试电位差之间的时间间隔数据,并根据所述时间间隔数据计算所述微生物燃料电池的电位差梯度变化率;
获取每个电位差梯度变化率的初始电位差梯度,并根据所述电位差梯度变化率和所述初始电位差梯度计算所述微生物燃料电池的质子传递率数据;
构建所述质子传递率数据与所述多个测试电位差之间的第二映射关系,并根据所述第二映射关系对所述质子传递率数据和所述多个测试电位差进行分布曲线拟合,生成质子传递率变化曲线。
结合第一方面,在本发明第一方面的第三种实现方式中,所述基于预设的有机物浓度梯度数据,对所述微生物燃料电池进行电能输出检测,得到输出电能数据,并根据所述输出电能数据计算所述微生物燃料电池的能量转换效率变化曲线,包括:
基于预设的有机物浓度梯度数据生成多个测试有机物浓度,并按照所述多个测试有机物浓度的浓度梯度升高顺序对所述微生物燃料电池进行输出电能测试;
基于预设的多个采样点,获取每个测试有机物浓度下所述微生物燃料电池对应的多个采样电能数据;
对所述多个采样电能数据进行均值运算,得到每个测试有机物浓度对应的输出电能数据;
计算每个测试有机物浓度的输入有机物能量,并根据所述输入有机物能量和所述输出电能数据计算每个测试有机物浓度的能量转换效率数据;
构建所述能量转换效率数据与所述多个测试有机物浓度之间的第三映射关系,并根据所述第三映射关系对所述能量转换效率数据与所述多个测试有机物浓度进行曲线转换,生成能量转换效率变化曲线。
结合第一方面,在本发明第一方面的第四种实现方式中,所述对所述电极活性变化曲线进行特征提取,得到多个电极活性特征,并对所述质子传递率变化曲线进行特征提取,得到多个质子传递率特征,以及对所述能量转换效率变化曲线进行特征提取,得到多个能量转换效率特征,包括:
对所述电极活性变化曲线进行统计特征运算,得到第一曲线均值以及第一曲线标准差;
根据所述第一曲线均值以及所述第一曲线标准差,对所述电极活性变化曲线进行电极活性特征运算,得到多个电极活性特征;
对所述质子传递率变化曲线进行统计特征运算,得到第二曲线均值以及第二曲线标准差;
根据所述第二曲线均值以及所述第二曲线标准差,对所述质子传递率变化曲线进行时间关联特征和频域特征提取,得到多个质子传递率特征;
对所述能量转换效率变化曲线进行统计特征运算,得到第三曲线均值以及第三曲线标准差;
根据所述第三曲线均值以及所述第三曲线标准差,对所述能量转换效率变化曲线进行时域和频域特征组合,得到多个能量转换效率特征。
结合第一方面,在本发明第一方面的第五种实现方式中,所述根据所述多个电极活性特征、所述多个质子传递率特征及所述多个质子传递率特征创建所述微生物燃料电池的多个初始电池性能参数组合,包括:
对所述多个电极活性特征进行编码映射,得到多个第一编码特征值,并对所述多个质子传递率特征进行编码映射,得到多个第二编码特征值,以及对所述多个质子传递率特征进行编码映射,得到多个第三编码特征值;
获取所述多个电极活性特征的第一权重数据集,并获取多个质子传递率特征的第二权重数据集,以及获取所述多个质子传递率特征的第三权重数据集;
根据所述第一权重数据集对所述多个第一编码特征值进行加权运算,得到多个第一加权特征值,并根据所述第二权重数据集对所述多个第二编码特征值进行加权运算,得到多个第二加权特征值,以及根据所述第三权重数据集对所述多个第三编码特征值进行加权运算,得到多个第三加权特征值;
对所述多个第一加权特征值、所述多个第二加权特征值以及所述多个第三加权特征值进行矩阵转换,生成目标特征矩阵;
计算所述目标特征矩阵的协方差矩阵,并对所述协方差矩阵进行特征值分解,得到多个特征值及多个特征向量;
根据所述多个特征值及所述多个特征向量生成多个目标主成分特征;
根据预置的性能参数映射集合,对所述多个目标主成分特征进行特征转换,生成多个初始电池性能参数组合。
结合第一方面,在本发明第一方面的第六种实现方式中,所述将所述多个初始电池性能参数组合输入预置的参数组合最优化分析模型进行参数组合的最优化分析,得到所述微生物燃料电池的目标电池性能参数组合,包括:
将所述多个初始电池性能参数组合输入预置的参数组合最优化分析模型,并通过所述参数组合最优化分析模型计算每个初始电池性能参数组合的第一适应度;
根据所述第一适应度,对所述多个初始电池性能参数组合进行组合选取,得到多个第一电池性能参数组合;
对所述多个第一电池性能参数组合进行交叉操作,生成多个第二电池性能参数组合;
对所述多个第二电池性能参数组合进行变异操作,得到多个第三电池性能参数组合;
根据所述多个第三电池性能参数组合和所述多个第一电池性能参数组合生成目标参数组合群,并通过所述参数组合最优化分析模型计算所述目标参数组合群中每个电池性能参数组合的第二适应度;
根据所述第二适应度选取最优化参数组合,得到所述微生物燃料电池的目标电池性能参数组合。
本发明第二方面提供了一种燃料电池的性能检测装置,所述燃料电池的性能检测装置包括:
测试模块,用于基于预设的电位差梯度数据对微生物燃料电池进行电极活性测试,得到目标电流数据,并获取所述微生物燃料电池的电极面积数据,对所述目标电流数据进行电极活性计算,生成电极活性变化曲线;
测定模块,用于基于所述电位差梯度数据,对所述微生物燃料电池进行电解质膜质子传递率测定,生成质子传递率变化曲线;
检测模块,用于基于预设的有机物浓度梯度数据,对所述微生物燃料电池进行电能输出检测,得到输出电能数据,并根据所述输出电能数据计算所述微生物燃料电池的能量转换效率变化曲线;
特征提取模块,用于对所述电极活性变化曲线进行特征提取,得到多个电极活性特征,并对所述质子传递率变化曲线进行特征提取,得到多个质子传递率特征,以及对所述能量转换效率变化曲线进行特征提取,得到多个能量转换效率特征;
创建模块,用于根据所述多个电极活性特征、所述多个质子传递率特征及所述多个质子传递率特征创建所述微生物燃料电池的多个初始电池性能参数组合;
分析模块,用于将所述多个初始电池性能参数组合输入预置的参数组合最优化分析模型进行参数组合的最优化分析,得到所述微生物燃料电池的目标电池性能参数组合。
本发明第三方面提供了一种燃料电池的性能检测设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述燃料电池的性能检测设备执行上述的燃料电池的性能检测方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的燃料电池的性能检测方法。
本发明提供的技术方案中,对微生物燃料电池进行电极活性测试,得到目标电流数据并获取电极面积数据,进行电极活性计算,生成电极活性变化曲线;进行电解质膜质子传递率测定,生成质子传递率变化曲线;进行电能输出检测,得到输出电能数据并计算能量转换效率变化曲线;进行特征提取,得到多个电极活性特征、多个质子传递率特征以及多个能量转换效率特征;创建多个初始电池性能参数组合;将多个初始电池性能参数组合输入参数组合最优化分析模型进行最优化分析,得到目标电池性能参数组合,本发明通过结合电极活性、质子传递率和能量转换效率多个关键参数,提供了更全面的性能评估,有助于更准确地了解燃料电池的工作情况,通过数据分析技术,能够从大量的电化学数据中提取特征,更高效地揭示燃料电池性能变化趋势,并且通过对电极活性、质子传递率和能量转换效率等特征进行综合分析,更准确地了解燃料电池在不同操作条件下的表现,提高微生物燃料电池性能和稳定性,进而提高了微生物燃料电池的性能检测准确率。
附图说明
图1为本发明实施例中燃料电池的性能检测方法的一个实施例示意图;
图2为本发明实施例中生成质子传递率变化曲线的流程图;
图3为本发明实施例中计算能量转换效率变化曲线的流程图;
图4为本发明实施例中特征提取的流程图;
图5为本发明实施例中燃料电池的性能检测装置的一个实施例示意图;
图6为本发明实施例中燃料电池的性能检测设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种燃料电池的性能检测方法、装置、设备及存储介质,用于提高燃料电池的性能检测准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中燃料电池的性能检测方法的一个实施例包括:
S101、基于预设的电位差梯度数据对微生物燃料电池进行电极活性测试,得到目标电流数据,并获取微生物燃料电池的电极面积数据,对目标电流数据进行电极活性计算,生成电极活性变化曲线;
可以理解的是,本发明的执行主体可以为燃料电池的性能检测装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,服务器根据预设的电位差梯度数据,确定多个测试电位差。这些测试电位差将用于在不同条件下对微生物燃料电池进行电极活性测试。使用确定的测试电位差,对微生物燃料电池进行电极活性测试。在每个测试电位差下,记录相应的电流数据,这些数据表示微生物燃料电池在不同电位差下的电流输出,即目标电流数据。例如,假设服务器选择了三个测试电位差:E1,E2和E3。在E1下进行测试,记录电流为I1。在E2下进行测试,记录电流为I2。在E3下进行测试,记录电流为I3.这样,服务器获得了不同电位差下的目标电流数据:{I1,I2,I3}。获取微生物燃料电池的电极面积数据,并使用目标电流数据计算电流密度数据。电流密度是电流除以电极的有效面积。例如,假设微生物燃料电池的电极面积为A。对于E1下的测试,电流密度D1=I1/A。对于E2下的测试,电流密度D2=I2/A。对于E3下的测试,电流密度D3=I3/A。将电流密度数据和电极面积数据进行电极活性分析,这包括对电流密度数据进行校正、归一化或其他处理,以获得准确的电极活性数据。例如,可以使用标准化的电流密度数据,或者通过考虑电解质电阻等因素进行电极活性校正。建立电极活性数据和测试电位差之间的第一映射关系。其中,将电极活性数据与不同电位差下的测试数据联系起来,为后续的曲线转换做准备。例如,可以使用线性插值、多项式拟合等方法构建电极活性数据和测试电位差之间的关系。根据构建的第一映射关系,对电极活性数据和多个测试电位差进行曲线转换,从而生成电极活性变化曲线。这个曲线将显示微生物燃料电池在不同电位差下的电极活性变化情况。例如,使用第一映射关系将电流密度数据从不同电位差转换为对应的电极活性数据,然后可以将这些数据绘制成电极活性变化曲线图。
S102、基于电位差梯度数据,对微生物燃料电池进行电解质膜质子传递率测定,生成质子传递率变化曲线;
具体的,服务器基于电位差梯度数据中的多个测试电位差,服务器按照这些测试电位差的电位梯度升高顺序,对微生物燃料电池进行电解质膜测试。这些测试电位差将有助于了解不同电位差下的电解质质子传递情况。服务器采集每两个相邻测试电位差之间的时间间隔数据。这些时间间隔数据将用于计算微生物燃料电池的电位差梯度变化率,以反映电位差的变化速度。利用所采集的时间间隔数据,服务器计算微生物燃料电池的电位差梯度变化率。电位差梯度变化率表示单位时间内电位差梯度的变化程度,是了解电位差变化速度的重要指标。获取每个电位差梯度变化率的初始电位差梯度。利用电位差梯度变化率和初始电位差梯度,服务器计算微生物燃料电池的质子传递率数据。质子传递率数据反映了电位差变化率对质子传递速率的影响。服务器构建质子传递率数据与多个测试电位差之间的第二映射关系。这个映射关系将用于将质子传递率数据与不同测试电位差联系起来,为后续的分布曲线拟合做准备。基于构建的第二映射关系,服务器对质子传递率数据和多个测试电位差进行分布曲线拟合。这将帮助服务器生成质子传递率变化曲线,清晰地展示微生物燃料电池在不同电位差下的质子传递率变化情况。例如,假设服务器有三个测试电位差:E1,E2和E3。服务器通过测量每两个相邻测试电位差之间的时间间隔数据,并计算出电位差梯度变化率。假设初始电位差梯度分别为G1,G2和G3。利用电位差梯度变化率和初始电位差梯度,服务器计算出相应的质子传递率数据:P1,P2和P3。服务器构建质子传递率数据与测试电位差之间的第二映射关系,并通过分布曲线拟合生成质子传递率变化曲线,揭示微生物燃料电池在不同电位差下的质子传递率变化。
S103、基于预设的有机物浓度梯度数据,对微生物燃料电池进行电能输出检测,得到输出电能数据,并根据输出电能数据计算微生物燃料电池的能量转换效率变化曲线;
需要说明的是,服务器将根据预设的有机物浓度梯度数据生成多个测试有机物浓度。这些测试有机物浓度将用于在不同浓度下对微生物燃料电池进行电能输出测试,以探究有机物浓度对电能输出的影响。利用预设的多个测试有机物浓度,按照浓度梯度升高的顺序,对微生物燃料电池进行输出电能测试。在每个测试有机物浓度下,记录多个采样点的电能数据,这些数据代表微生物燃料电池在不同有机物浓度下的电能输出。基于预设的多个采样点,服务器获取每个测试有机物浓度下微生物燃料电池对应的多个采样电能数据。这些采样电能数据反映了微生物燃料电池在不同有机物浓度下电能输出的变化情况。对于每个测试有机物浓度,服务器对多个采样电能数据进行均值运算,从而得到该浓度下的平均输出电能数据。这将有助于减小测量误差,获得更准确的电能输出数据。服务器计算每个测试有机物浓度的输入有机物能量,这是因为能量转换效率是通过输入能量和输出能量之间的比率计算得出的。基于输入有机物能量和对应的输出电能数据,计算每个测试有机物浓度的能量转换效率数据。继而,服务器构建能量转换效率数据与多个测试有机物浓度之间的第三映射关系。这个映射关系将用于将能量转换效率数据与不同测试有机物浓度关联起来,为曲线转换做好准备。根据构建的第三映射关系,服务器对能量转换效率数据和多个测试有机物浓度进行曲线转换,从而生成能量转换效率变化曲线。这个曲线将清晰地展示微生物燃料电池在不同有机物浓度下的能量转换效率变化情况。例如,假设服务器有三个测试有机物浓度:C1,C2和C3。服务器在每个浓度下进行多次采样,得到相应的电能数据集合。计算每个浓度下的平均输出电能数据。服务器计算每个浓度的输入有机物能量,并根据输入有机物能量和输出电能数据计算能量转换效率。通过构建能量转换效率数据与测试有机物浓度之间的映射关系,服务器对能量转换效率数据进行曲线转换,生成能量转换效率变化曲线。这个曲线将展示微生物燃料电池在不同有机物浓度下能量转换效率的变化趋势,帮助服务器理解电池在不同浓度条件下的性能特点。
S104、对电极活性变化曲线进行特征提取,得到多个电极活性特征,并对质子传递率变化曲线进行特征提取,得到多个质子传递率特征,以及对能量转换效率变化曲线进行特征提取,得到多个能量转换效率特征;
具体的,服务器将对电极活性变化曲线进行统计特征运算,得到该曲线的第一曲线均值和第一曲线标准差。电极活性的均值和标准差反映了曲线的整体趋势和波动程度。基于得到的第一曲线均值和第一曲线标准差,服务器对电极活性变化曲线进行电极活性特征运算。这包括寻找曲线的极值点、斜率变化等特征,以获取多个电极活性特征。对质子传递率变化曲线进行统计特征运算,得到第二曲线均值和第二曲线标准差。这将帮助服务器了解质子传递率变化曲线的整体趋势和波动情况。基于第二曲线均值和第二曲线标准差,服务器将进行更深入的特征提取。对质子传递率变化曲线进行时间关联特征提取,这包括峰值位置、时间差等。进行频域特征提取,如频谱分析,以捕捉质子传递率在不同频率下的变化情况。通过这些步骤,服务器获得多个质子传递率特征。对于能量转换效率变化曲线,服务器同样进行统计特征运算,得到第三曲线均值和第三曲线标准差。这有助于了解能量转换效率变化曲线的整体趋势和波动情况。利用第三曲线均值和第三曲线标准差,服务器对能量转换效率变化曲线进行时域特征和频域特征的组合提取。时域特征包括能量转换效率的波动幅度、平均值等。频域特征涉及到能量转换效率在不同频率下的分布情况。通过综合考虑这些特征,服务器获得多个能量转换效率特征。例如,假设服务器得到了电极活性变化曲线的第一曲线均值为M1,第一曲线标准差为S1;质子传递率变化曲线的第二曲线均值为M2,第二曲线标准差为S2;能量转换效率变化曲线的第三曲线均值为M3,第三曲线标准差为S3。对电极活性特征,服务器计算极值点的坐标、斜率的变化情况等,得到一组电极活性特征;对质子传递率特征,服务器提取峰值位置、时间差等,得到一组质子传递率特征;对能量转换效率特征,服务器计算波动幅度、频率分布等,得到一组能量转换效率特征。这些特征的综合考虑将能够更全面地描述微生物燃料电池的性能变化。通过分析这些特征的变化,服务器更好地了解微生物燃料电池在不同条件下的响应情况,为进一步的性能优化和研究提供更多有价值的信息。
S105、根据多个电极活性特征、多个质子传递率特征及多个质子传递率特征创建微生物燃料电池的多个初始电池性能参数组合;
具体的,服务器将对多个电极活性特征、质子传递率特征和能量转换效率特征进行编码映射,分别得到多个第一编码特征值、多个第二编码特征值和多个第三编码特征值。编码映射将特征转化为数值,以便后续处理。获取多个电极活性特征的第一权重数据集、多个质子传递率特征的第二权重数据集,以及多个能量转换效率特征的第三权重数据集。这些权重数据将用于特征的加权运算。基于第一权重数据集,对多个第一编码特征值进行加权运算,得到多个第一加权特征值。同样,根据第二权重数据集,对多个第二编码特征值进行加权运算,得到多个第二加权特征值。通过第三权重数据集,对多个第三编码特征值进行加权运算,得到多个第三加权特征值。对多个第一加权特征值、多个第二加权特征值和多个第三加权特征值进行矩阵转换,生成一个目标特征矩阵。这个矩阵将把各个特征值进行组合,形成一个多维特征表示。进一步,计算目标特征矩阵的协方差矩阵。协方差矩阵展示了不同特征之间的相关性情况。对协方差矩阵进行特征值分解,得到多个特征值和相应的特征向量。这些特征值和特征向量将用于生成目标主成分特征。基于多个特征值和特征向量,服务器生成多个目标主成分特征。主成分特征是通过对原始特征的线性组合得到的,它可以更好地表达数据的主要变化趋势。根据预置的性能参数映射集合,对多个目标主成分特征进行特征转换。将主成分特征映射回实际的电池性能参数空间中,从而得到多个初始电池性能参数组合。例如,假设服务器有三类特征:电极活性特征、质子传递率特征和能量转换效率特征。对于电极活性特征,服务器得到了三个第一编码特征值,分别为A1,A2和A3;质子传递率特征的第二编码特征值为B1,B2和B3;能量转换效率特征的第三编码特征值为C1,C2和C3。服务器还有各自的权重数据集:W1,W2和W3。通过加权运算,服务器得到了三个加权特征值:A_w1,B_w2和C_w3。通过矩阵转换,服务器生成了一个目标特征矩阵。计算协方差矩阵并进行特征值分解,得到了多个特征值和对应的特征向量。通过特征值和特征向量,服务器生成了多个目标主成分特征。根据预置的性能参数映射集合,将这些主成分特征转换为实际的电池性能参数组合。例如,映射集合包含电流密度、质子传递速率等参数。
S106、将多个初始电池性能参数组合输入预置的参数组合最优化分析模型进行参数组合的最优化分析,得到微生物燃料电池的目标电池性能参数组合。
具体的,将多个初始电池性能参数组合输入预置的参数组合最优化分析模型。这个模型将用于评估每个参数组合的适应度,以便确定哪些参数组合更符合所需的目标性能。通过参数组合最优化分析模型,计算每个初始电池性能参数组合的第一适应度。第一适应度是根据模型评估得出的,反映了每个参数组合在目标性能方面的表现。基于第一适应度,对多个初始电池性能参数组合进行组合选取,得到多个第一电池性能参数组合。这个选取过程采用优胜劣汰的策略,选择适应度较高的参数组合作为第一电池性能参数组合。进一步,对多个第一电池性能参数组合进行交叉操作,生成多个第二电池性能参数组合。交叉操作是通过将不同参数组合的元素进行组合,产生新的参数组合,以期望得到更好的性能。对多个第二电池性能参数组合进行变异操作,得到多个第三电池性能参数组合。变异操作是对参数组合的某些元素进行微小的随机变化,以引入新的性。根据多个第三电池性能参数组合和多个第一电池性能参数组合,生成一个目标参数组合群。这个群体包括了经过交叉和变异操作后的参数组合。通过参数组合最优化分析模型,计算目标参数组合群中每个电池性能参数组合的第二适应度。第二适应度将再次评估每个参数组合的性能,以便更准确地判断其表现。根据第二适应度选取最优化参数组合,得到微生物燃料电池的目标电池性能参数组合。在这一步,将从目标参数组合群中选择适应度最高的参数组合,作为最终的优化结果。例如,假设服务器有初始电池性能参数组合A、B和C。将它们输入预置的参数组合最优化分析模型,计算得出每个参数组合的第一适应度。假设分别得到了适应度值0.8、0.6和0.7。在选取阶段,服务器选取适应度较高的参数组合A和C作为第一电池性能参数组合。对参数组合A和C进行交叉操作,生成新的参数组合AC和CA。对参数组合B进行变异操作,得到参数组合B'。生成的参数组合群为AC、CA和B'。通过模型计算第二适应度,服务器得到适应度值分别为0.85、0.82和0.75。根据第二适应度,服务器选取最优化的参数组合AC,作为微生物燃料电池的目标电池性能参数组合。通过这个过程,服务器通过多轮的交叉、变异和适应度评估,找到最优的电池性能参数组合,从而实现对微生物燃料电池性能的优化。这个方法能够更好地解决参数组合的问题,从而得到更具优势的电池性能。
本发明实施例中,对微生物燃料电池进行电极活性测试,得到目标电流数据并获取电极面积数据,进行电极活性计算,生成电极活性变化曲线;进行电解质膜质子传递率测定,生成质子传递率变化曲线;进行电能输出检测,得到输出电能数据并计算能量转换效率变化曲线;进行特征提取,得到多个电极活性特征、多个质子传递率特征以及多个能量转换效率特征;创建多个初始电池性能参数组合;将多个初始电池性能参数组合输入参数组合最优化分析模型进行最优化分析,得到目标电池性能参数组合,本发明通过结合电极活性、质子传递率和能量转换效率多个关键参数,提供了更全面的性能评估,有助于更准确地了解燃料电池的工作情况,通过数据分析技术,能够从大量的电化学数据中提取特征,更高效地揭示燃料电池性能变化趋势,并且通过对电极活性、质子传递率和能量转换效率等特征进行综合分析,更准确地了解燃料电池在不同操作条件下的表现,提高微生物燃料电池性能和稳定性,进而提高了微生物燃料电池的性能检测准确率。
在一具体实施例中,执行步骤S101的过程可以具体包括如下步骤:
(1)基于预设的电位差梯度数据确定多个测试电位差,并基于多个测试电位差对微生物燃料电池进行电极活性测试,得到目标电流数据;
(2)获取微生物燃料电池的电极面积数据,并根据目标电流数据和电极面积数据计算微生物燃料电池的电流密度数据;
(3)对电流密度数据和电极面积数据进行电极活性分析,得到电极活性数据;
(4)构建电极活性数据和多个测试电位差之间的第一映射关系,并根据第一映射关系对电极活性数据和多个测试电位差进行曲线转换,生成电极活性变化曲线。
具体的,服务器基于预设的电位差梯度数据,确定多个测试电位差。这些测试电位差将用于在不同电位下进行电极活性测试,以探究电位对电极反应的影响。针对每个测试电位差,对微生物燃料电池进行电极活性测试,以得到目标电流数据。在不同电位下进行测试,服务器获得不同电流的响应,从而了解电极的活性变化情况。获取微生物燃料电池的电极面积数据,这将用于后续计算电流密度数据。电极面积是电池反应的关键参数之一,它影响了电流的分布和密度。根据得到的目标电流数据和电极面积数据,计算微生物燃料电池的电流密度数据。电流密度是电流在电极面积上的分布,它是评价电池性能的重要指标之一。对电流密度数据和电极面积数据进行电极活性分析。在这一步,服务器分析电流密度随电位的变化趋势,了解电极的活性变化情况。构建电极活性数据与多个测试电位差之间的第一映射关系。这个映射关系将电极活性数据与不同电位下的测试结果联系起来,帮助服务器理解电极活性在不同电位下的变化规律。根据第一映射关系,对电极活性数据和多个测试电位差进行曲线转换,生成电极活性变化曲线。这个曲线将直观地展示电极活性在不同电位下的变化趋势,从而帮助服务器更好地理解电位对电极活性的影响。例如,假设服务器选择了三个测试电位差:E1、E2和E3。通过电极活性测试,服务器分别在这三个电位下得到了相应的目标电流数据。同时,服务器知道微生物燃料电池的电极面积为A。根据目标电流数据和电极面积数据,服务器计算出每个测试电位差下的电流密度数据:J1、J2和J3。进一步,服务器分析电流密度随电位的变化情况,得到电极活性数据。服务器发现在不同电位下,电流密度的变化规律不同,这表明了电极活性的变化。通过构建第一映射关系,服务器将电极活性数据与不同测试电位关联起来。例如,发现电极活性随电位升高而增强,或者存在一个特定电位,电极活性达到最优。最终,根据这个关系,服务器将电极活性数据和多个测试电位差进行曲线转换,得到电极活性变化曲线。
在一具体实施例中,如图2所示,执行步骤S102的过程可以具体包括如下步骤:
S201、基于电位差梯度数据中的多个测试电位差,并按照多个测试电位差的电位梯度升高顺序对微生物燃料电池进行电解质膜测试;
S202、采集每两个相邻测试电位差之间的时间间隔数据,并根据时间间隔数据计算微生物燃料电池的电位差梯度变化率;
S203、获取每个电位差梯度变化率的初始电位差梯度,并根据电位差梯度变化率和初始电位差梯度计算微生物燃料电池的质子传递率数据;
S204、构建质子传递率数据与多个测试电位差之间的第二映射关系,并根据第二映射关系对质子传递率数据和多个测试电位差进行分布曲线拟合,生成质子传递率变化曲线。
具体的,服务器从电位差梯度数据中选择多个测试电位差。这些电位差将用于在不同电位下进行电解质膜测试,以研究质子传递率的变化。按照多个测试电位差的电位梯度升高顺序,对微生物燃料电池进行电解质膜测试。逐步增加电位,使得电解质膜中的质子传递过程得到逐渐加强的考察。在测试过程中,采集每两个相邻测试电位差之间的时间间隔数据。这些时间间隔数据将用于计算电位差梯度的变化率,从而揭示质子传递过程的速率变化。根据时间间隔数据,计算微生物燃料电池的电位差梯度变化率。这个变化率反映了电位差梯度在不同电位下的变化速度,帮助服务器了解质子传递率的动态变化。获取每个电位差梯度变化率的初始电位差梯度。初始电位差梯度是指在起始状态下的电位差梯度值,将作为基准用于计算质子传递率。根据电位差梯度变化率和初始电位差梯度,计算微生物燃料电池的质子传递率数据。这个过程涉及对电位差梯度的变化率进行修正,以得到准确的质子传递速率。构建质子传递率数据与多个测试电位差之间的第二映射关系。这个关系将帮助服务器将质子传递率数据与不同电位差梯度值联系起来,从而更好地理解质子传递的变化趋势。根据第二映射关系,对质子传递率数据和多个测试电位差进行分布曲线拟合。这个拟合过程将帮助服务器得到质子传递率随电位差梯度变化的趋势,生成质子传递率变化曲线。例如,假设服务器选取了三个测试电位差:E1、E2和E3。通过电解质膜测试,服务器得到了每个电位下的时间间隔数据。根据时间间隔数据,服务器计算出了每个电位差梯度的变化率:R1、R2和R3。假设初始电位差梯度为G0。根据变化率和初始电位差梯度,服务器计算出了每个电位下的电位差梯度值:G1=G0+R1、G2=G0+R2和G3=G0+R3。进一步,通过映射关系,服务器将电位差梯度值与质子传递率联系起来。例如,服务器发现电位差梯度增加时,质子传递率随之增加,反映出质子传递速率的变化。最终,通过分布曲线拟合,服务器生成质子传递率变化曲线。这个曲线将展示出质子传递率随电位差梯度变化的趋势,揭示电解质膜中质子传递过程的动态变化。通过这个方法,服务器更深入地了解质子传递率在不同电位下的变化情况,为微生物燃料电池的性能优化提供重要信息。
在一具体实施例中,如图3所示,执行步骤S103的过程可以具体包括如下步骤:
S301、基于预设的有机物浓度梯度数据生成多个测试有机物浓度,并按照多个测试有机物浓度的浓度梯度升高顺序对微生物燃料电池进行输出电能测试;
S302、基于预设的多个采样点,获取每个测试有机物浓度下微生物燃料电池对应的多个采样电能数据;
S303、对多个采样电能数据进行均值运算,得到每个测试有机物浓度对应的输出电能数据;
S304、计算每个测试有机物浓度的输入有机物能量,并根据输入有机物能量和输出电能数据计算每个测试有机物浓度的能量转换效率数据;
S305、构建能量转换效率数据与多个测试有机物浓度之间的第三映射关系,并根据第三映射关系对能量转换效率数据与多个测试有机物浓度进行曲线转换,生成能量转换效率变化曲线。
具体的,服务器基于预设的有机物浓度梯度数据生成多个测试有机物浓度。这些浓度将用于在不同浓度下进行输出电能测试,以研究电能输出与有机物浓度之间的关系。按照多个测试有机物浓度的浓度梯度升高顺序,对微生物燃料电池进行输出电能测试。逐步增加有机物浓度,以观察输出电能的变化。基于预设的多个采样点,获取每个测试有机物浓度下微生物燃料电池对应的多个采样电能数据。通过多次采样,可以获得在每个浓度下的电能输出情况。对多个采样电能数据进行均值运算,得到每个测试有机物浓度对应的平均输出电能数据。这将减少数据的噪音,更准确地反映电能输出情况。计算每个测试有机物浓度的输入有机物能量。这需要考虑有机物的浓度以及相关的物理化学参数,从而计算出输入能量。根据输入有机物能量和输出电能数据,计算每个测试有机物浓度的能量转换效率数据。能量转换效率是电池从输入有机物能量到输出电能之间的转换比例,是评价电池性能的重要指标之一。构建能量转换效率数据与多个测试有机物浓度之间的第三映射关系。这个关系将帮助服务器将能量转换效率与不同有机物浓度值联系起来,从而更好地理解能量转换的变化趋势。根据第三映射关系,对能量转换效率数据和多个测试有机物浓度进行曲线转换,生成能量转换效率变化曲线。这个曲线将直观地展示能量转换效率随有机物浓度变化的趋势,帮助服务器了解电池的性能特点。例如,假设服务器选择了三个测试有机物浓度:C1、C2和C3。通过输出电能测试,服务器在每个浓度下得到了多次采样的电能数据,然后计算出平均输出电能。同时,服务器已知每个测试有机物浓度的相关物理参数,如有机物的能量密度等。根据这些参数,服务器计算出每个浓度下的输入有机物能量。进一步,根据输入有机物能量和输出电能数据,服务器计算出每个测试有机物浓度的能量转换效率。通过构建第三映射关系,服务器将能量转换效率数据与不同有机物浓度联系起来。例如,服务器发现随着有机物浓度的增加,能量转换效率呈现出增加或下降的趋势。最终,通过曲线转换,服务器生成能量转换效率变化曲线。这个曲线将形象地展示能量转换效率随有机物浓度变化的趋势,为服务器揭示电池在不同浓度下的能量转换性能。
在一具体实施例中,如图4所示,执行步骤S104的过程可以具体包括如下步骤:
S401、对电极活性变化曲线进行统计特征运算,得到第一曲线均值以及第一曲线标准差;
S402、根据第一曲线均值以及第一曲线标准差,对电极活性变化曲线进行电极活性特征运算,得到多个电极活性特征;
S403、对质子传递率变化曲线进行统计特征运算,得到第二曲线均值以及第二曲线标准差;
S404、根据第二曲线均值以及第二曲线标准差,对质子传递率变化曲线进行时间关联特征和频域特征提取,得到多个质子传递率特征;
S405、对能量转换效率变化曲线进行统计特征运算,得到第三曲线均值以及第三曲线标准差;
S406、根据第三曲线均值以及第三曲线标准差,对能量转换效率变化曲线进行时域和频域特征组合,得到多个能量转换效率特征。
具体的,服务器对电极活性变化曲线进行统计特征运算。这包括计算曲线的均值和标准差。均值反映了整体趋势,而标准差衡量了数据的离散程度。根据计算得到的第一曲线均值和第一曲线标准差,进行电极活性特征运算。例如,可以计算曲线的峰值、波谷等特征,以及曲线的变化速率等。对质子传递率变化曲线进行统计特征运算,同样计算第二曲线的均值和标准差。这些统计特征有助于了解质子传递率的整体趋势和变化程度。基于第二曲线均值和第二曲线标准差,进行时间关联特征和频域特征提取。时间关联特征可以包括自相关函数、互相关函数等,揭示质子传递率的周期性变化。频域特征可以通过傅里叶变换等方法,分析曲线在不同频率下的成分。对能量转换效率变化曲线进行统计特征运算,计算第三曲线的均值和标准差。这些统计特征可以揭示能量转换效率的整体趋势和波动程度。根据第三曲线均值和第三曲线标准差,进行时域和频域特征组合。在时域中,可以提取曲线的斜率、曲率等信息。在频域中,可以结合频谱分析等技术,分析曲线的频率成分。例如,假设服务器正在分析一个微生物燃料电池的性能曲线数据,其中包括电极活性、质子传递率和能量转换效率变化曲线。对电极活性变化曲线进行统计特征运算,得到第一曲线均值为0.75和标准差为0.1。基于这些特征,服务器计算电极活性的变化速率为0.05。对质子传递率变化曲线进行统计特征运算,得到第二曲线均值为0.6和标准差为0.08。基于这些特征,服务器提取出了质子传递率曲线的周期性变化特征,如自相关函数峰值。对能量转换效率变化曲线进行统计特征运算,得到第三曲线均值为0.85和标准差为0.05。基于这些特征,服务器计算能量转换效率的斜率为-0.005,并分析了曲线在不同频率下的能量分布。综合考虑电极活性、质子传递率和能量转换效率的特征,服务器得到电池性能的多维特征表示。例如,可以将电极活性变化速率、质子传递率的周期性特征和能量转换效率的斜率等特征组合在一起,形成一个综合的性能指标,从而更全面地评估微生物燃料电池的性能变化。
在一具体实施例中,执行步骤S105的过程可以具体包括如下步骤:
(1)对多个电极活性特征进行编码映射,得到多个第一编码特征值,并对多个质子传递率特征进行编码映射,得到多个第二编码特征值,以及对多个质子传递率特征进行编码映射,得到多个第三编码特征值;
(2)获取多个电极活性特征的第一权重数据集,并获取多个质子传递率特征的第二权重数据集,以及获取多个质子传递率特征的第三权重数据集;
(3)根据第一权重数据集对多个第一编码特征值进行加权运算,得到多个第一加权特征值,并根据第二权重数据集对多个第二编码特征值进行加权运算,得到多个第二加权特征值,以及根据第三权重数据集对多个第三编码特征值进行加权运算,得到多个第三加权特征值;
(4)对多个第一加权特征值、多个第二加权特征值以及多个第三加权特征值进行矩阵转换,生成目标特征矩阵;
(5)计算目标特征矩阵的协方差矩阵,并对协方差矩阵进行特征值分解,得到多个特征值及多个特征向量;
(6)根据多个特征值及多个特征向量生成多个目标主成分特征;
(7)根据预置的性能参数映射集合,对多个目标主成分特征进行特征转换,生成多个初始电池性能参数组合。
具体的,对多个电极活性特征、质子传递率特征和能量转换效率特征进行编码映射。将每个特征映射到一个编码空间中,可以使用各种编码方法如独热编码、标签编码等,以便在后续步骤中进行处理。获取多个电极活性特征的第一权重数据集,多个质子传递率特征的第二权重数据集,以及多个能量转换效率特征的第三权重数据集。这些权重数据集可以通过预先的训练或领域知识得到,用于在后续的特征加权运算中引入不同特征的重要性。根据第一权重数据集对多个第一编码特征值进行加权运算,得到多个第一加权特征值。这里的加权运算可以是简单的加权平均,权重由第一权重数据集提供。同样,对多个第二编码特征值进行加权运算,得到多个第二加权特征值;对多个第三编码特征值进行加权运算,得到多个第三加权特征值。将多个第一加权特征值、多个第二加权特征值和多个第三加权特征值进行矩阵转换,生成目标特征矩阵。这个矩阵将特征进行整合,为后续的主成分分析做准备。计算目标特征矩阵的协方差矩阵,并对协方差矩阵进行特征值分解,得到多个特征值及多个特征向量。这一步是主成分分析的关键,通过分解协方差矩阵,服务器找到数据中的主要变化方向,即主成分。根据多个特征值及多个特征向量生成多个目标主成分特征。特征值和特征向量确定了主成分的重要性和方向,根据特征值的大小,服务器选择前几个主成分作为新的特征。根据预置的性能参数映射集合,对多个目标主成分特征进行特征转换,生成多个初始电池性能参数组合。这一步是将降维后的主成分特征重新映射到实际性能参数空间中,以得到最终的初始性能参数组合。例如,假设服务器有多个电极活性特征(A1,A2,A3)、多个质子传递率特征(P1,P2,P3)和多个能量转换效率特征(E1,E2,E3)。服务器对这些特征进行独热编码映射,将每个特征映射到一个编码空间中。服务器获取了每个特征对应的权重数据集,如电极活性的第一权重数据集[0.2,0.5,0.3]、质子传递率的第二权重数据集[0.3,0.4,0.3]和能量转换效率的第三权重数据集[0.1,0.2,0.7]。根据权重数据集,对每个特征进行加权运算,得到加权特征值,例如第一加权特征值为0.2A1+0.5A2+0.3*A3。将加权特征值放入目标特征矩阵中。计算目标特征矩阵的协方差矩阵,进行特征值分解,得到主成分特征。根据预置的性能参数映射集合,对主成分特征进行逆映射,得到初始电池性能参数组合。
在一具体实施例中,执行步骤S106的过程可以具体包括如下步骤:
(1)将多个初始电池性能参数组合输入预置的参数组合最优化分析模型,并通过参数组合最优化分析模型计算每个初始电池性能参数组合的第一适应度;
(2)根据第一适应度,对多个初始电池性能参数组合进行组合选取,得到多个第一电池性能参数组合;
(3)对多个第一电池性能参数组合进行交叉操作,生成多个第二电池性能参数组合;
(4)对多个第二电池性能参数组合进行变异操作,得到多个第三电池性能参数组合;
(5)根据多个第三电池性能参数组合和多个第一电池性能参数组合生成目标参数组合群,并通过参数组合最优化分析模型计算目标参数组合群中每个电池性能参数组合的第二适应度;
(6)根据第二适应度选取最优化参数组合,得到微生物燃料电池的目标电池性能参数组合。
具体的,将多个初始电池性能参数组合输入预置的参数组合最优化分析模型。这个模型可以是遗传算法、粒子群优化等优化算法,用于搜索最优的电池性能参数组合。通过参数组合最优化分析模型,计算每个初始电池性能参数组合的第一适应度。适应度函数可以根据具体问题设定,例如电池输出功率、效率等。计算第一适应度可以帮助评估每个参数组合的性能。基于第一适应度,对多个初始电池性能参数组合进行组合选取。在优化过程中,根据适应度值选择表现良好的参数组合作为第一电池性能参数组合,以便进行进一步的优化。对多个第一电池性能参数组合进行交叉操作,生成多个第二电池性能参数组合。交叉操作可以将不同参数组合的特征进行融合,产生新的参数组合。对多个第二电池性能参数组合进行变异操作,得到多个第三电池性能参数组合。变异操作引入随机性,有助于在参数空间中探索更广泛的解。根据多个第三电池性能参数组合和多个第一电池性能参数组合生成目标参数组合群。将第一电池性能参数组合与第三电池性能参数组合结合,形成一个候选的目标参数组合群。通过参数组合最优化分析模型,计算目标参数组合群中每个电池性能参数组合的第二适应度。第二适应度可以是对第一适应度的进一步修正,或者是基于其他评价标准的衡量。根据第二适应度选取最优化参数组合。在目标参数组合群中选择具有最高第二适应度值的参数组合作为微生物燃料电池的目标电池性能参数组合,即为最优化结果。例如,假设服务器正在优化微生物燃料电池的电极材料和操作参数,有一组初始电池性能参数组合(A1,B1,C1)和(A2,B2,C2)。服务器希望通过优化找到最佳的电池性能参数组合。将这两组初始参数组合输入遗传算法模型。模型使用适应度函数来评估每个参数组合的性能,例如电池输出功率。模型计算得出每个初始参数组合的第一适应度值,分别为F1(A1,B1,C1)和F1(A2,B2,C2)。根据第一适应度值,选择具有较高适应度值的参数组合,比如服务器选择(A1,B1,C1)作为第一电池性能参数组合。对(A1,B1,C1)进行交叉操作,生成新的参数组合(A1',B1',C1')。对(A1',B1',C1')进行变异操作,得到新的参数组合(A1'',B1'',C1'')。将(A1'',B1'',C1'')与(A1,B1,C1)结合,生成目标参数组合群。模型计算目标参数组合群中每个参数组合的第二适应度值,得到F2(A1'',B1'',C1'')和F2(A1,B1,C1)。选取具有最高第二适应度值的参数组合作为最优化的微生物燃料电池参数组合,即服务器找到了目标电池性能参数组合。通过这个优化过程,服务器成功地将多个初始电池性能参数组合转化为最优的微生物燃料电池参数组合,以达到更高的性能水平。
上面对本发明实施例中燃料电池的性能检测方法进行了描述,下面对本发明实施例中燃料电池的性能检测装置进行描述,请参阅图5,本发明实施例中燃料电池的性能检测装置一个实施例包括:
测试模块501,用于基于预设的电位差梯度数据对微生物燃料电池进行电极活性测试,得到目标电流数据,并获取所述微生物燃料电池的电极面积数据,对所述目标电流数据进行电极活性计算,生成电极活性变化曲线;
测定模块502,用于基于所述电位差梯度数据,对所述微生物燃料电池进行电解质膜质子传递率测定,生成质子传递率变化曲线;
检测模块503,用于基于预设的有机物浓度梯度数据,对所述微生物燃料电池进行电能输出检测,得到输出电能数据,并根据所述输出电能数据计算所述微生物燃料电池的能量转换效率变化曲线;
特征提取模块504,用于对所述电极活性变化曲线进行特征提取,得到多个电极活性特征,并对所述质子传递率变化曲线进行特征提取,得到多个质子传递率特征,以及对所述能量转换效率变化曲线进行特征提取,得到多个能量转换效率特征;
创建模块505,用于根据所述多个电极活性特征、所述多个质子传递率特征及所述多个质子传递率特征创建所述微生物燃料电池的多个初始电池性能参数组合;
分析模块506,用于将所述多个初始电池性能参数组合输入预置的参数组合最优化分析模型进行参数组合的最优化分析,得到所述微生物燃料电池的目标电池性能参数组合。
通过上述各个组成部分的协同合作,对微生物燃料电池进行电极活性测试,得到目标电流数据并获取电极面积数据,进行电极活性计算,生成电极活性变化曲线;进行电解质膜质子传递率测定,生成质子传递率变化曲线;进行电能输出检测,得到输出电能数据并计算能量转换效率变化曲线;进行特征提取,得到多个电极活性特征、多个质子传递率特征以及多个能量转换效率特征;创建多个初始电池性能参数组合;将多个初始电池性能参数组合输入参数组合最优化分析模型进行最优化分析,得到目标电池性能参数组合,本发明通过结合电极活性、质子传递率和能量转换效率多个关键参数,提供了更全面的性能评估,有助于更准确地了解燃料电池的工作情况,通过数据分析技术,能够从大量的电化学数据中提取特征,更高效地揭示燃料电池性能变化趋势,并且通过对电极活性、质子传递率和能量转换效率等特征进行综合分析,更准确地了解燃料电池在不同操作条件下的表现,提高微生物燃料电池性能和稳定性,进而提高了微生物燃料电池的性能检测准确率。
上面图5从模块化功能实体的角度对本发明实施例中的燃料电池的性能检测装置进行详细描述,下面从硬件处理的角度对本发明实施例中燃料电池的性能检测设备进行详细描述。
图6是本发明实施例提供的一种燃料电池的性能检测设备的结构示意图,该燃料电池的性能检测设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)610(例如,一个或一个以上处理器)和存储器620,一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对燃料电池的性能检测设备600中的一系列指令操作。更进一步地,处理器610可以设置为与存储介质630通信,在燃料电池的性能检测设备600上执行存储介质630中的一系列指令操作。
燃料电池的性能检测设备600还可以包括一个或一个以上电源640,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口660,和/或,一个或一个以上操作系统631,例如Windows Server,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图6示出的燃料电池的性能检测设备结构并不构成对燃料电池的性能检测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种燃料电池的性能检测设备,所述燃料电池的性能检测设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述燃料电池的性能检测方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述燃料电池的性能检测方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种燃料电池的性能检测方法,其特征在于,所述燃料电池的性能检测方法包括:
基于预设的电位差梯度数据对微生物燃料电池进行电极活性测试,得到目标电流数据,并获取所述微生物燃料电池的电极面积数据,对所述目标电流数据进行电极活性计算,生成电极活性变化曲线;
基于所述电位差梯度数据,对所述微生物燃料电池进行电解质膜质子传递率测定,生成质子传递率变化曲线;
基于预设的有机物浓度梯度数据,对所述微生物燃料电池进行电能输出检测,得到输出电能数据,并根据所述输出电能数据计算所述微生物燃料电池的能量转换效率变化曲线;
对所述电极活性变化曲线进行特征提取,得到多个电极活性特征,并对所述质子传递率变化曲线进行特征提取,得到多个质子传递率特征,以及对所述能量转换效率变化曲线进行特征提取,得到多个能量转换效率特征;
根据所述多个电极活性特征、所述多个质子传递率特征及所述多个质子传递率特征创建所述微生物燃料电池的多个初始电池性能参数组合;
将所述多个初始电池性能参数组合输入预置的参数组合最优化分析模型进行参数组合的最优化分析,得到所述微生物燃料电池的目标电池性能参数组合。
2.根据权利要求1所述的燃料电池的性能检测方法,其特征在于,所述基于预设的电位差梯度数据对微生物燃料电池进行电极活性测试,得到目标电流数据,并获取所述微生物燃料电池的电极面积数据,对所述目标电流数据进行电极活性计算,生成电极活性变化曲线,包括:
基于预设的电位差梯度数据确定多个测试电位差,并基于所述多个测试电位差对微生物燃料电池进行电极活性测试,得到目标电流数据;
获取所述微生物燃料电池的电极面积数据,并根据所述目标电流数据和所述电极面积数据计算所述微生物燃料电池的电流密度数据;
对所述电流密度数据和所述电极面积数据进行电极活性分析,得到电极活性数据;
构建所述电极活性数据和所述多个测试电位差之间的第一映射关系,并根据所述第一映射关系对所述电极活性数据和所述多个测试电位差进行曲线转换,生成电极活性变化曲线。
3.根据权利要求2所述的燃料电池的性能检测方法,其特征在于,所述基于所述电位差梯度数据,对所述微生物燃料电池进行电解质膜质子传递率测定,生成质子传递率变化曲线,包括:
基于所述电位差梯度数据中的多个测试电位差,并按照所述多个测试电位差的电位梯度升高顺序对所述微生物燃料电池进行电解质膜测试;
采集每两个相邻测试电位差之间的时间间隔数据,并根据所述时间间隔数据计算所述微生物燃料电池的电位差梯度变化率;
获取每个电位差梯度变化率的初始电位差梯度,并根据所述电位差梯度变化率和所述初始电位差梯度计算所述微生物燃料电池的质子传递率数据;
构建所述质子传递率数据与所述多个测试电位差之间的第二映射关系,并根据所述第二映射关系对所述质子传递率数据和所述多个测试电位差进行分布曲线拟合,生成质子传递率变化曲线。
4.根据权利要求1所述的燃料电池的性能检测方法,其特征在于,所述基于预设的有机物浓度梯度数据,对所述微生物燃料电池进行电能输出检测,得到输出电能数据,并根据所述输出电能数据计算所述微生物燃料电池的能量转换效率变化曲线,包括:
基于预设的有机物浓度梯度数据生成多个测试有机物浓度,并按照所述多个测试有机物浓度的浓度梯度升高顺序对所述微生物燃料电池进行输出电能测试;
基于预设的多个采样点,获取每个测试有机物浓度下所述微生物燃料电池对应的多个采样电能数据;
对所述多个采样电能数据进行均值运算,得到每个测试有机物浓度对应的输出电能数据;
计算每个测试有机物浓度的输入有机物能量,并根据所述输入有机物能量和所述输出电能数据计算每个测试有机物浓度的能量转换效率数据;
构建所述能量转换效率数据与所述多个测试有机物浓度之间的第三映射关系,并根据所述第三映射关系对所述能量转换效率数据与所述多个测试有机物浓度进行曲线转换,生成能量转换效率变化曲线。
5.根据权利要求1所述的燃料电池的性能检测方法,其特征在于,所述对所述电极活性变化曲线进行特征提取,得到多个电极活性特征,并对所述质子传递率变化曲线进行特征提取,得到多个质子传递率特征,以及对所述能量转换效率变化曲线进行特征提取,得到多个能量转换效率特征,包括:
对所述电极活性变化曲线进行统计特征运算,得到第一曲线均值以及第一曲线标准差;
根据所述第一曲线均值以及所述第一曲线标准差,对所述电极活性变化曲线进行电极活性特征运算,得到多个电极活性特征;
对所述质子传递率变化曲线进行统计特征运算,得到第二曲线均值以及第二曲线标准差;
根据所述第二曲线均值以及所述第二曲线标准差,对所述质子传递率变化曲线进行时间关联特征和频域特征提取,得到多个质子传递率特征;
对所述能量转换效率变化曲线进行统计特征运算,得到第三曲线均值以及第三曲线标准差;
根据所述第三曲线均值以及所述第三曲线标准差,对所述能量转换效率变化曲线进行时域和频域特征组合,得到多个能量转换效率特征。
6.根据权利要求1所述的燃料电池的性能检测方法,其特征在于,所述根据所述多个电极活性特征、所述多个质子传递率特征及所述多个质子传递率特征创建所述微生物燃料电池的多个初始电池性能参数组合,包括:
对所述多个电极活性特征进行编码映射,得到多个第一编码特征值,并对所述多个质子传递率特征进行编码映射,得到多个第二编码特征值,以及对所述多个质子传递率特征进行编码映射,得到多个第三编码特征值;
获取所述多个电极活性特征的第一权重数据集,并获取多个质子传递率特征的第二权重数据集,以及获取所述多个质子传递率特征的第三权重数据集;
根据所述第一权重数据集对所述多个第一编码特征值进行加权运算,得到多个第一加权特征值,并根据所述第二权重数据集对所述多个第二编码特征值进行加权运算,得到多个第二加权特征值,以及根据所述第三权重数据集对所述多个第三编码特征值进行加权运算,得到多个第三加权特征值;
对所述多个第一加权特征值、所述多个第二加权特征值以及所述多个第三加权特征值进行矩阵转换,生成目标特征矩阵;
计算所述目标特征矩阵的协方差矩阵,并对所述协方差矩阵进行特征值分解,得到多个特征值及多个特征向量;
根据所述多个特征值及所述多个特征向量生成多个目标主成分特征;
根据预置的性能参数映射集合,对所述多个目标主成分特征进行特征转换,生成多个初始电池性能参数组合。
7.根据权利要求1所述的燃料电池的性能检测方法,其特征在于,所述将所述多个初始电池性能参数组合输入预置的参数组合最优化分析模型进行参数组合的最优化分析,得到所述微生物燃料电池的目标电池性能参数组合,包括:
将所述多个初始电池性能参数组合输入预置的参数组合最优化分析模型,并通过所述参数组合最优化分析模型计算每个初始电池性能参数组合的第一适应度;
根据所述第一适应度,对所述多个初始电池性能参数组合进行组合选取,得到多个第一电池性能参数组合;
对所述多个第一电池性能参数组合进行交叉操作,生成多个第二电池性能参数组合;
对所述多个第二电池性能参数组合进行变异操作,得到多个第三电池性能参数组合;
根据所述多个第三电池性能参数组合和所述多个第一电池性能参数组合生成目标参数组合群,并通过所述参数组合最优化分析模型计算所述目标参数组合群中每个电池性能参数组合的第二适应度;
根据所述第二适应度选取最优化参数组合,得到所述微生物燃料电池的目标电池性能参数组合。
8.一种燃料电池的性能检测装置,其特征在于,所述燃料电池的性能检测装置包括:
测试模块,用于基于预设的电位差梯度数据对微生物燃料电池进行电极活性测试,得到目标电流数据,并获取所述微生物燃料电池的电极面积数据,对所述目标电流数据进行电极活性计算,生成电极活性变化曲线;
测定模块,用于基于所述电位差梯度数据,对所述微生物燃料电池进行电解质膜质子传递率测定,生成质子传递率变化曲线;
检测模块,用于基于预设的有机物浓度梯度数据,对所述微生物燃料电池进行电能输出检测,得到输出电能数据,并根据所述输出电能数据计算所述微生物燃料电池的能量转换效率变化曲线;
特征提取模块,用于对所述电极活性变化曲线进行特征提取,得到多个电极活性特征,并对所述质子传递率变化曲线进行特征提取,得到多个质子传递率特征,以及对所述能量转换效率变化曲线进行特征提取,得到多个能量转换效率特征;
创建模块,用于根据所述多个电极活性特征、所述多个质子传递率特征及所述多个质子传递率特征创建所述微生物燃料电池的多个初始电池性能参数组合;
分析模块,用于将所述多个初始电池性能参数组合输入预置的参数组合最优化分析模型进行参数组合的最优化分析,得到所述微生物燃料电池的目标电池性能参数组合。
9.一种燃料电池的性能检测设备,其特征在于,所述燃料电池的性能检测设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述燃料电池的性能检测设备执行如权利要求1-7中任一项所述的燃料电池的性能检测方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述的燃料电池的性能检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311294180.4A CN117059847B (zh) | 2023-10-09 | 2023-10-09 | 燃料电池的性能检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311294180.4A CN117059847B (zh) | 2023-10-09 | 2023-10-09 | 燃料电池的性能检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117059847A true CN117059847A (zh) | 2023-11-14 |
CN117059847B CN117059847B (zh) | 2023-12-12 |
Family
ID=88655660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311294180.4A Active CN117059847B (zh) | 2023-10-09 | 2023-10-09 | 燃料电池的性能检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117059847B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117471327A (zh) * | 2023-12-25 | 2024-01-30 | 深圳市北测检测技术有限公司 | 一种汽车动力电池的安全性能检测方法 |
CN117554825A (zh) * | 2024-01-11 | 2024-02-13 | 深圳市北测检测技术有限公司 | 电动汽车的充电安全性能检测方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001338667A (ja) * | 2000-05-31 | 2001-12-07 | Toyota Central Res & Dev Lab Inc | 燃料電池制御システム |
JP2002056872A (ja) * | 2000-08-10 | 2002-02-22 | Mitsubishi Heavy Ind Ltd | 燃料電池装置及び燃料電池装置の運転方法。 |
CN101789515A (zh) * | 2010-03-17 | 2010-07-28 | 哈尔滨工程大学 | 提高微生物燃料电池电子转移能力和输出功率的方法 |
JP2011029085A (ja) * | 2009-07-28 | 2011-02-10 | Yokogawa Electric Corp | 燃料電池の評価方法および評価装置 |
CN103424700A (zh) * | 2012-05-24 | 2013-12-04 | 南开大学 | 一种用于微生物燃料电池改进效果评价的方法 |
US20140272652A1 (en) * | 2013-03-15 | 2014-09-18 | GM Global Technology Operations LLC | Systems and methods for predicting polarization curves in a fuel cell system |
CN109669137A (zh) * | 2019-02-25 | 2019-04-23 | 电子科技大学中山学院 | 一种微生物燃料电池检测方法 |
US20210296668A1 (en) * | 2018-12-29 | 2021-09-23 | Tsinghua University | Method for diagnosing degradation of fuel cell stack, method for multi-point analysis of fuel cell, and method for estimating performance of fuel cell membrane electrode |
CN113608131A (zh) * | 2021-07-20 | 2021-11-05 | 西南交通大学 | 一种动态机车工况下pemfc电堆衰退性能检测方法 |
CN114373965A (zh) * | 2021-12-29 | 2022-04-19 | 新源动力股份有限公司 | 一种基于机理模型的燃料电池寿命预测方法 |
CN114551937A (zh) * | 2022-02-15 | 2022-05-27 | 宁波赛轲动力科技有限公司 | 一种燃料电池的性能检测系统及方法 |
CN115602888A (zh) * | 2022-10-31 | 2023-01-13 | 武汉氢能与燃料电池产业技术研究院有限公司(Cn) | 一种燃料电池膜电极极化曲线拆解测试方法及应用 |
-
2023
- 2023-10-09 CN CN202311294180.4A patent/CN117059847B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001338667A (ja) * | 2000-05-31 | 2001-12-07 | Toyota Central Res & Dev Lab Inc | 燃料電池制御システム |
JP2002056872A (ja) * | 2000-08-10 | 2002-02-22 | Mitsubishi Heavy Ind Ltd | 燃料電池装置及び燃料電池装置の運転方法。 |
JP2011029085A (ja) * | 2009-07-28 | 2011-02-10 | Yokogawa Electric Corp | 燃料電池の評価方法および評価装置 |
CN101789515A (zh) * | 2010-03-17 | 2010-07-28 | 哈尔滨工程大学 | 提高微生物燃料电池电子转移能力和输出功率的方法 |
CN103424700A (zh) * | 2012-05-24 | 2013-12-04 | 南开大学 | 一种用于微生物燃料电池改进效果评价的方法 |
US20140272652A1 (en) * | 2013-03-15 | 2014-09-18 | GM Global Technology Operations LLC | Systems and methods for predicting polarization curves in a fuel cell system |
US20210296668A1 (en) * | 2018-12-29 | 2021-09-23 | Tsinghua University | Method for diagnosing degradation of fuel cell stack, method for multi-point analysis of fuel cell, and method for estimating performance of fuel cell membrane electrode |
CN109669137A (zh) * | 2019-02-25 | 2019-04-23 | 电子科技大学中山学院 | 一种微生物燃料电池检测方法 |
CN113608131A (zh) * | 2021-07-20 | 2021-11-05 | 西南交通大学 | 一种动态机车工况下pemfc电堆衰退性能检测方法 |
CN114373965A (zh) * | 2021-12-29 | 2022-04-19 | 新源动力股份有限公司 | 一种基于机理模型的燃料电池寿命预测方法 |
CN114551937A (zh) * | 2022-02-15 | 2022-05-27 | 宁波赛轲动力科技有限公司 | 一种燃料电池的性能检测系统及方法 |
CN115602888A (zh) * | 2022-10-31 | 2023-01-13 | 武汉氢能与燃料电池产业技术研究院有限公司(Cn) | 一种燃料电池膜电极极化曲线拆解测试方法及应用 |
Non-Patent Citations (2)
Title |
---|
于景荣, 衣宝廉, 韩明, 程晓亮, 邵志刚, 张景新: "高性能质子交换膜燃料电池", 电化学, no. 04 * |
佟萌;杜竹玮;李顶杰;李浩然;: "微生物燃料电池型传感器在BOD检测中的应用进展", 环境监测管理与技术, no. 06 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117471327A (zh) * | 2023-12-25 | 2024-01-30 | 深圳市北测检测技术有限公司 | 一种汽车动力电池的安全性能检测方法 |
CN117471327B (zh) * | 2023-12-25 | 2024-05-07 | 深圳市北测检测技术有限公司 | 一种汽车动力电池的安全性能检测方法 |
CN117554825A (zh) * | 2024-01-11 | 2024-02-13 | 深圳市北测检测技术有限公司 | 电动汽车的充电安全性能检测方法及系统 |
CN117554825B (zh) * | 2024-01-11 | 2024-03-19 | 深圳市北测检测技术有限公司 | 电动汽车的充电安全性能检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117059847B (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117059847B (zh) | 燃料电池的性能检测方法、装置、设备及存储介质 | |
CN112699913B (zh) | 一种台区户变关系异常诊断方法及装置 | |
Tiwari et al. | Prediction of probable genes by Fourier analysis of genomic sequences | |
Loewe | A framework for evolutionary systems biology | |
CN109670714B (zh) | 基于隶属度分析的船舶燃气轮机综合状态评估方法 | |
KR102564407B1 (ko) | 전기화학 시스템의 동작 상태를 실시간으로 진단하기 위한 방법 및 시스템, 및 이 진단 시스템을 포함하는 전기화학 시스템 | |
CN113917334B (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
CN113866642A (zh) | 一种基于梯度提升树的锂离子电池故障诊断方法 | |
CN104020401A (zh) | 基于云模型理论的变压器绝缘热老化状态的评估方法 | |
CN102841985B (zh) | 一种基于结构域特征的关键蛋白质识别方法 | |
CN117289146A (zh) | 储能电池的充放电测试方法、装置、设备及存储介质 | |
Chen et al. | Cluster-based profile analysis in phase I | |
Yao et al. | Novel lithium-ion battery state-of-health estimation method using a genetic programming model | |
Hine et al. | Uneven distribution of mutational variance across the transcriptome of Drosophila serrata revealed by high-dimensional analysis of gene expression | |
CN113076354A (zh) | 一种基于非侵入式负荷监测的用户用电数据分析方法和装置 | |
CN116701919B (zh) | 一种陀螺式氢燃料发电机的优化监测方法及系统 | |
Kwan et al. | Spectral analysis of numerical exon and intron sequences | |
CN117434429A (zh) | 芯片的稳定性测试方法及相关装置 | |
CN115660507B (zh) | 一种地区电力的负荷智能检测方法及系统 | |
CN117102082A (zh) | 一种液态金属电池的分选方法及系统 | |
CN114372233B (zh) | 基于时域离散化的超级电容多分数阶模型参数辨识方法 | |
CN114944198A (zh) | 一种计算机处理采集设备数据的融合方法 | |
CN117686442B (zh) | 一种氯离子扩散浓度检测方法、系统、介质及设备 | |
CN114819274B (zh) | 一种水库多目标优化调度技术评估方法及系统 | |
CN116720127A (zh) | 一种基于LMD和k近邻算法的非侵入式负荷监测方法 |
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 |