CN117457094B - 一种基于ap算法的氢氧燃料电池能效表现评估方法和系统 - Google Patents
一种基于ap算法的氢氧燃料电池能效表现评估方法和系统 Download PDFInfo
- Publication number
- CN117457094B CN117457094B CN202311759421.8A CN202311759421A CN117457094B CN 117457094 B CN117457094 B CN 117457094B CN 202311759421 A CN202311759421 A CN 202311759421A CN 117457094 B CN117457094 B CN 117457094B
- Authority
- CN
- China
- Prior art keywords
- fuel cell
- chemical reaction
- state data
- energy efficiency
- hydrogen
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000000446 fuel Substances 0.000 title claims abstract description 168
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 51
- 238000011156 evaluation Methods 0.000 title claims abstract description 25
- 238000006243 chemical reaction Methods 0.000 claims abstract description 160
- 239000001301 oxygen Substances 0.000 claims abstract description 94
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 94
- 238000004364 calculation method Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000012932 thermodynamic analysis Methods 0.000 claims abstract description 10
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 61
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 56
- 239000001257 hydrogen Substances 0.000 claims description 55
- 229910052739 hydrogen Inorganic materials 0.000 claims description 55
- 230000008859 change Effects 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 11
- 239000003054 catalyst Substances 0.000 claims description 9
- MYMOFIZGZYHOMD-UHFFFAOYSA-N Dioxygen Chemical compound O=O MYMOFIZGZYHOMD-UHFFFAOYSA-N 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 229910001882 dioxygen Inorganic materials 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 239000006227 byproduct Substances 0.000 claims description 4
- 239000000047 product Substances 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 230000036755 cellular response Effects 0.000 claims 1
- 239000000126 substance Substances 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 7
- 238000005457 optimization Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005338 heat storage Methods 0.000 description 1
- 150000002431 hydrogen Chemical class 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006722 reduction reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Crystallography & Structural Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Analytical Chemistry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Fuel Cell (AREA)
Abstract
本发明涉及能源化工技术领域，是一种基于AP算法的氢氧燃料电池能效表现评估方法和系统，具体方法包括：采集氢氧燃料电池运行工作时的状态数据，并提取电池内部不同的化学反应阶段的阶段状态数据；将阶段状态数据进行类簇划分，构建AP算法模型，计算阶段状态数据中不同数据类簇之间的相似度；确定不同类簇的化学反应速率系数；根据热动力分析模型，计算不同化学反应阶段的氢氧燃料电池内部的热力学能效系数；计算氢氧燃料电池的化学反应的能效表现率。本发明解决了现有技术中，对氢氧燃料电池内部的化学反应能效计算时，未考虑到化学反应阶各个阶段反应能效不同且反应条件复杂导致的能效计算误差较大的问题。
Description
技术领域
本发明涉及能源化工技术领域，具体涉及一种基于AP算法的氢氧燃料电池能效表现评估方法和系统。
背景技术
随着人类社会的飞速发展，传统的石油能源资源存在有限性和地区集中性问题，全球的能源供应面临压力。由燃料电池提供动力的新能源汽车的出现减少了传统汽车对有限化石燃料的依赖，提高能源的多样化和可持续性。氢氧燃料电池是一种将氢气和氧气转化为电能的设备，其内部的化学反应主要包括氢气的氧化反应和氧气的还原反应。能效计算是评估氢氧燃料电池性能的重要指标，相比于传统燃油汽车，新能源汽车中燃料电池的能效关系成为了人们备受瞩目的关键问题。
在现有已公开的发明技术中，如申请公开号为CN110834625A的专利公开了一种自适应异步粒子群的双电耦合燃料电池汽车能效优化方法，根据汽车的运行情况实时优化燃料电池和锂电池放电功率的大小，燃料电池的放电功率和锂离子电池的放电功率，然后以这两功率参数作为优化设计变量，采用自适应异步粒子群算法优化两个参数功率大小，最终获得总效率最高的功率输出方案。
又如申请公开号为CN116050796A的专利公开了基于燃料电池能量梯级利用的移动能源网络优化调度方法，包括：建立基于燃料电池能量梯级利用的移动能源网络，通过氢燃料电池及柴油发电机供给电力推进负荷与生活用电负荷，通过储电装置补充电负荷需求，通过氢燃料电池、电热泵、储热装置保障热负荷需求；建立在船舶失速情况下的船舶航行模型；建立基于燃料电池能量梯级利用的移动能源网络优化调度模型，并进行约束；求解移动能源网络优化调度模型，对移动能源网络进行优化调度。
上述专利在对燃料电池的能效进行计算是，采用料电池的放电功率和锂离子电池的放电功率，以这两个功率参数作为燃料电池能效影响参量，但是燃料电池内部化学反应的能效计算是多参量共同影响的且各个化学反应阶段的能效表现率受不同反应条件的影响，影响参数的不全面选择会导致能效计算误差较大，对燃料电池的能效评估不准确。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
本发明所要解决的技术问题是针对现有技术中，对氢氧燃料电池内部的化学反应能效计算时，未考虑到化学反应阶各个阶段反应能效不同且反应条件复杂导致的能效计算误差较大，能效计算不全面的问题，提出了一种基于AP算法的氢氧燃料电池能效表现评估方法、系统及存储介质。
为了达到上述目的，本发明一种基于AP算法的氢氧燃料电池能效表现评估方法的技术方案包括如下步骤：
S1：采集氢氧燃料电池运行工作时的状态数据，并提取电池内部不同的化学反应阶段的阶段状态数据；
S2：将阶段状态数据进行类簇划分，构建AP算法模型，计算阶段状态数据中不同数据类簇之间的相似度，并构建反应数据中数据类簇的相似度矩阵；
S3：根据AP算法模型对S1中提取到的电池内部不同的化学反应阶段的阶段状态数据进行数据聚类处理，并确定不同类簇的化学反应速率系数；
S4：根据热动力分析模型，计算不同化学反应阶段的氢氧燃料电池内部的热力学能效系数；
S5：计算氢氧燃料电池的化学反应的能效表现率。
具体地，S1中，所述氢氧燃料电池运行工作时采集的状态数据包括：氢气供应流速、氧气供应流速、氢气供应量和氧气供应量的配比参数、供应的氢气和氧气气体浓度比、氢氧燃料电池的工作温度均值、氢氧燃料电池的工作环境压力均值、单位能效计算时间、氢氧燃料电池的工作响应时间。
具体地，S1中，所述电池内部不同的化学反应阶段包括：氢气供应阶段、氧气供应阶段和电子流动阶段，其中氢气供应阶段的标号记为,氧气供应阶段的标号记为，电子流动阶段的标号记为/>；所述阶段状态数据包括：氢气供应流速、氧气供应流速、氢气供应量和氧气供应量的配比参数和氢氧燃料电池的工作响应时间/>，其中工作响应时间为氢气和氧气供应到氢氧燃料电池到氢氧燃料电池输出电能所用时间。
具体地，阶段状态数据进行类簇划分包括如下具体步骤：
S201：根据氢气供应量和氧气供应量的配比参数进行划分，
其中，的计算公式为：/>；
其中，为单位能效计算时间/>内，对氢氧燃料电池供应的氢气供应流速；
为单位能效计算时间/>内，对氢氧燃料电池供应的氧气供应流速；
为不同化学反应阶段的标号；
单位能效计算时间为对氢氧燃料电池进行氢气和氧气供应到氢氧燃料电池电能输出结束的时间间隔。
S202：提取并存储阶段状态数据进行类簇划分结果。
具体地，阶段状态数据进行类簇划分结果包括：
当时，阶段状态数据为类一，标号记为/>；
当时，阶段状态数据为类二，标号记为/>；
当时，阶段状态数据为类三，标号记为/>；
当时，阶段状态数据为类四，标号记为/>；
当时，阶段状态数据为类五，标号记为/>。
具体地，S2中，所述阶段状态数据中不同数据类簇之间的相似度的计算策略如下：
；
其中，；/>，/>为类簇总数；
为阶段状态数据为类i时的标号；/>阶段状态数据为类j时的标号；
为标号为/>的阶段状态数据和标号为/>的阶段状态数据的相似度；
为标号为/>的阶段状态数据构成的数据向量；
为标号为/>的阶段状态数据构成的数据向量；
为数据向量/>和数据向量/>之间的点乘；
为数据向量/>的模；/>为数据向量/>的模。
具体地，所述不同类簇的化学反应速率系数的确定包括：
当阶段状态数据为类一，标号记为时，化学反应速率系数/>，记为/>；
当阶段状态数据为类二，标号记为时，化学反应速率系数，记为/>；
当阶段状态数据为类三，标号记为时，化学反应速率系数，记为/>；
当阶段状态数据为类四，标号记为时，化学反应速率系数，记为/>；
当阶段状态数据为类五，标号记为时，化学反应速率系数，记为/>。
具体地，所述不同化学反应阶段的氢氧燃料电池内部的热力学能效系数的计算包括如下具体步骤：
S401：采集并提取氢气供应阶段对氢氧燃料电池供应的氢气摩尔总量、氧气供应阶段对氢氧燃料电池供应的氧气摩尔总量/>和化学反应所得的副产物水的摩尔总量/>；测量并提取电子流动阶段燃料电池产生的实际电能/>；
S402：在氢氧燃料电池的工作温度均值和氢氧燃料电池的工作环境压力均值下，对氢氧燃料电池内部化学反应在氢气供应阶段、氧气供应阶段和电子流动阶段中的反应焓变和反应熵变进行测量，提取化学反应焓变集为/>；化学反应熵变集为/>；
S403：计算不同化学反应阶段的氢氧燃料电池内部的热力学能效系数，热力学能效系数的计算公式为：
；
其中，为标号为n的反应阶段的热力学能效系数；
为标号为n的反应阶段的化学反应焓变；
为标号为n的反应阶段的化学反应熵变；
为氢氧燃料电池运行工作环境中的大气压力；
为氢氧燃料电池运行工作时内置催化剂的活性参数。
具体地，所述氢氧燃料电池的化学反应的能效表现率的计算策略如下：
；
其中，；
为电化学能效占比系数；/>为热动力能效占比系数。
另外，本发明一种基于AP算法的氢氧燃料电池能效表现评估系统包括如下模块：
工作状态数据采集模块、类簇划分模块、AP算法模块、热动力分析模块、能效计算模块；
所述工作状态数据采集模块用于采集氢氧燃料电池运行工作时的状态数据，并提取电池内部不同的化学反应阶段的阶段状态数据；
所述类簇划分模块将阶段状态数据进行类簇划分，构建AP算法模型，计算阶段状态数据中不同数据类簇之间的相似度，并构建反应数据中数据类簇的相似度矩阵；
所述AP算法模块根据AP算法模型电池内部不同的化学反应阶段的阶段状态数据进行数据聚类处理，并确定不同类簇的化学反应速率系数；
所述热动力分析模块用于计算不同化学反应阶段的氢氧燃料电池内部的热力学能效系数；
所述能效计算模块用于计算氢氧燃料电池化学反应的能效表现率。
一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行上述所述的一种基于AP算法的氢氧燃料电池能效表现评估方法的操作。
一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述所述的一种基于AP算法的氢氧燃料电池能效表现评估方法的操作。
与现有技术相比，本发明的技术效果如下：
1、本发明在计算氢氧燃料电池内部的化学反应能效时，通过AP算法对不同阶段的化学反应数据进行数据聚类处理，AP算法是一种自适应的聚类算法，不需要预先指定聚类的数量，且能同时聚类多维化学反应状态数据，这对于氢氧燃料电池的复杂化学反应阶段状态数据处理上具有巨大的优势，且AP算法鲁棒性强，能弥补氢氧燃料电池内部化学反应数据中测量误差的影响。增强了能效表现率计算结果的准确性。
2、本发明在计算氢氧燃料电池内部的化学反应能效时，对化学反应状态数据按照电池电能产生的时间线，进行分反应阶段的效率考虑，可以清晰地确定不同阶段的化学反应状态数据，可以针对每个阶段进行能效计算，相比于传统的通过输入与输出之比评估能效表现的方法，多化学反应阶段的分段能效表现评估能提高能效表现评估的准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明的一种基于AP算法的氢氧燃料电池能效表现评估方法的流程示意图；
图2为本发明的一种基于AP算法的氢氧燃料电池能效表现评估系统的结构示意图；
图3为本发明的不同化学反应阶段的氢氧燃料电池内部的热力学能效系数计算流程示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
实施例一：
如图1所示，本发明实施例的一种基于AP算法的氢氧燃料电池能效表现评估方法，如图1所示，包括如下具体步骤：
以户外旅游用氢氧燃料电池为例，对其在正常工作运行状态下的化学反应能效进行计算，具体步骤如下：
S1：采集氢氧燃料电池运行工作时的状态数据，并提取电池内部不同的化学反应阶段的阶段状态数据；
S1中，所述氢氧燃料电池运行工作时采集的状态数据包括：氢气供应流速、氧气供应流速、氢气供应量和氧气供应量的配比参数、供应的氢气和氧气气体浓度比、氢氧燃料电池的工作温度均值、氢氧燃料电池的工作环境压力均值、单位能效计算时间、氢氧燃料电池的工作响应时间。
S1中，所述电池内部不同的化学反应阶段包括：氢气供应阶段、氧气供应阶段和电子流动阶段，其中氢气供应阶段的标号记为,氧气供应阶段的标号记为/>，电子流动阶段的标号记为/>；所述阶段状态数据包括：氢气供应流速、氧气供应流速、氢气供应量和氧气供应量的配比参数和氢氧燃料电池的工作响应时间/>，其中工作响应时间为氢气和氧气供应到氢氧燃料电池到氢氧燃料电池输出电能所用时间。
针对该户外旅游用氢氧燃料电池，。
S2：将阶段状态数据进行类簇划分，构建AP算法模型，计算阶段状态数据中不同数据类簇之间的相似度，并构建反应数据中数据类簇的相似度矩阵；
阶段状态数据进行类簇划分包括如下具体步骤：
S201：根据氢气供应量和氧气供应量的配比参数进行划分，
其中，的计算公式为：/>；
其中，为单位能效计算时间/>内，对氢氧燃料电池供应的氢气供应流速；
为单位能效计算时间/>内，对氢氧燃料电池供应的氧气供应流速；
为不同化学反应阶段的标号；
单位能效计算时间为对氢氧燃料电池进行氢气和氧气供应到氢氧燃料电池电能输出结束的时间间隔。
针对该户外旅游用氢氧燃料电池，。
S202：提取并存储阶段状态数据进行类簇划分结果。
其中，阶段状态数据进行类簇划分结果包括：
当时，阶段状态数据为类一，标号记为/>；
当时，阶段状态数据为类二，标号记为/>；
当时，阶段状态数据为类三，标号记为/>；
当时，阶段状态数据为类四，标号记为/>；
当时，阶段状态数据为类五，标号记为/>。
S2中，所述阶段状态数据中不同数据类簇之间的相似度的计算策略如下：
；
其中，；/>，/>为类簇总数；
为阶段状态数据为类i时的标号；/>阶段状态数据为类j时的标号；
为标号为/>的阶段状态数据和标号为/>的阶段状态数据的相似度；
为标号为/>的阶段状态数据构成的数据向量；
为标号为/>的阶段状态数据构成的数据向量；
为数据向量/>和数据向量/>之间的点乘；
为数据向量/>的模；/>为数据向量/>的模。
S3：根据AP算法模型对S1中提取到的电池内部不同的化学反应阶段的阶段状态数据进行数据聚类处理，并确定不同类簇的化学反应速率系数；
所述不同类簇的化学反应速率等系数的确定包括：
当阶段状态数据为类一，标号记为时，化学反应速率系数/>，记为/>；
当阶段状态数据为类二，标号记为时，化学反应速率系数，记为/>；
当阶段状态数据为类三，标号记为时，化学反应速率系数，记为/>；
当阶段状态数据为类四，标号记为时，化学反应速率系数，记为/>；
当阶段状态数据为类五，标号记为时，化学反应速率系数，记为/>。
S4：根据热动力分析模型，计算不同化学反应阶段的氢氧燃料电池内部的热力学能效系数；
如图3所示，所述不同化学反应阶段的氢氧燃料电池内部的热力学能效系数的计算包括如下具体步骤：
S401：采集并提取氢气供应阶段对氢氧燃料电池供应的氢气摩尔总量、氧气供应阶段对氢氧燃料电池供应的氧气摩尔总量/>和化学反应所得的副产物水的摩尔总量/>；测量并提取电子流动阶段燃料电池产生的实际电能/>；
S402：在氢氧燃料电池的工作温度均值和氢氧燃料电池的工作环境压力均值下，对氢氧燃料电池内部化学反应在氢气供应阶段、氧气供应阶段和电子流动阶段中的反应焓变和反应熵变进行测量，提取化学反应焓变集为/>；化学反应熵变集为/>；
S403：计算不同化学反应阶段的氢氧燃料电池内部的热力学能效系数，热力学能效系数的计算公式为：
；
其中，为标号为n的反应阶段的热力学能效系数；
为标号为n的反应阶段的化学反应焓变；
为标号为n的反应阶段的化学反应熵变；
为氢氧燃料电池运行工作环境中的大气压力；
为氢氧燃料电池运行工作时内置催化剂的活性参数。
针对该户外旅游用氢氧燃料电池，内置催化剂的活性参数。
S5：计算氢氧燃料电池的化学反应的能效表现率。
所述氢氧燃料电池的化学反应的能效表现率的计算策略如下：
；
其中，；
为电化学能效占比系数；/>为热动力能效占比系数。
针对该户外旅游用氢氧燃料电池，。
实施例二：
如图2所示，本发明实施例的一种基于AP算法的氢氧燃料电池能效表现评估系统，如图2所示，包括如下模块：
工作状态数据采集模块、类簇划分模块、AP算法模块、热动力分析模块、能效计算模块；
以新能源汽车上的氢氧燃料电池为例，对其在正常工作运行状态下的化学反应能效进行计算，具体步骤如下：
所述工作状态数据采集模块用于采集氢氧燃料电池运行工作时的状态数据，并提取电池内部不同的化学反应阶段的阶段状态数据；
S1中，所述氢氧燃料电池运行工作时采集的状态数据包括：氢气供应流速、氧气供应流速、氢气供应量和氧气供应量的配比参数、供应的氢气和氧气气体浓度比、氢氧燃料电池的工作温度均值、氢氧燃料电池的工作环境压力均值、单位能效计算时间、氢氧燃料电池的工作响应时间。
S1中，所述电池内部不同的化学反应阶段包括：氢气供应阶段、氧气供应阶段和电子流动阶段，其中氢气供应阶段的标号记为,氧气供应阶段的标号记为/>，电子流动阶段的标号记为/>；所述阶段状态数据包括：氢气供应流速、氧气供应流速、氢气供应量和氧气供应量的配比参数和氢氧燃料电池的工作响应时间/>，其中工作响应时间为氢气和氧气供应到氢氧燃料电池到氢氧燃料电池输出电能所用时间。
针对该新能源汽车上的氢氧燃料电池，。
所述类簇划分模块将阶段状态数据进行类簇划分，构建AP算法模型，计算阶段状态数据中不同数据类簇之间的相似度，并构建反应数据中数据类簇的相似度矩阵；
阶段状态数据进行类簇划分包括如下具体步骤：
S201：根据氢气供应量和氧气供应量的配比参数进行划分，
其中，的计算公式为：/>；
其中，为单位能效计算时间/>内，对氢氧燃料电池供应的氢气供应流速；
为单位能效计算时间/>内，对氢氧燃料电池供应的氧气供应流速；
为不同化学反应阶段的标号；
单位能效计算时间为对氢氧燃料电池进行氢气和氧气供应到氢氧燃料电池电能输出结束的时间间隔。
针对该新能源汽车上的氢氧燃料电池，。
S202：提取并存储阶段状态数据进行类簇划分结果。
其中，阶段状态数据进行类簇划分结果包括：
当时，阶段状态数据为类一，标号记为/>；
当时，阶段状态数据为类二，标号记为/>；
当时，阶段状态数据为类三，标号记为/>；
当时，阶段状态数据为类四，标号记为/>；
当时，阶段状态数据为类五，标号记为/>。
S2中，所述阶段状态数据中不同数据类簇之间的相似度的计算策略如下：
；
其中，；/>，/>为类簇总数；
为阶段状态数据为类i时的标号；/>阶段状态数据为类j时的标号；
为标号为/>的阶段状态数据和标号为/>的阶段状态数据的相似度；
为标号为/>的阶段状态数据构成的数据向量；
为标号为/>的阶段状态数据构成的数据向量；
为数据向量/>和数据向量/>之间的点乘；
为数据向量/>的模；/>为数据向量/>的模。
所述AP算法模块根据AP算法模型电池内部不同的化学反应阶段的阶段状态数据进行数据聚类处理，并确定不同类簇的化学反应速率系数；
所述不同类簇的化学反应速率系数的确定包括：
当阶段状态数据为类一，标号记为时，化学反应速率系数/>，记为/>；
当阶段状态数据为类二，标号记为时，化学反应速率系数，记为/>；
当阶段状态数据为类三，标号记为时，化学反应速率系数，记为/>；
当阶段状态数据为类四，标号记为时，化学反应速率系数，记为/>；
当阶段状态数据为类五，标号记为时，化学反应速率系数，记为/>。
所述热动力分析模块用于计算不同化学反应阶段的氢氧燃料电池内部的热力学能效系数；
如图3所示，所述不同化学反应阶段的氢氧燃料电池内部的热力学能效系数的计算包括如下具体步骤：
S401：采集并提取氢气供应阶段对氢氧燃料电池供应的氢气摩尔总量、氧气供应阶段对氢氧燃料电池供应的氧气摩尔总量/>和化学反应所得的副产物水的摩尔总量/>；测量并提取电子流动阶段燃料电池产生的实际电能/>；
S402：在氢氧燃料电池的工作温度均值和氢氧燃料电池的工作环境压力均值/>下，对氢氧燃料电池内部化学反应在氢气供应阶段、氧气供应阶段和电子流动阶段中的反应焓变和反应熵变进行测量，提取化学反应焓变集为/>；化学反应熵变集为/>；
S403：计算不同化学反应阶段的氢氧燃料电池内部的热力学能效系数，热力学能效系数的计算公式为：
；
其中，为标号为n的反应阶段的热力学能效系数；
为标号为n的反应阶段的化学反应焓变；
为标号为n的反应阶段的化学反应熵变；
为氢氧燃料电池运行工作环境中的大气压力；
为氢氧燃料电池运行工作时内置催化剂的活性参数。
针对该新能源汽车上的氢氧燃料电池，内置催化剂的活性参数。
所述能效计算模块用于计算氢氧燃料电池化学反应的能效表现率。
所述氢氧燃料电池的化学反应的能效表现率的计算策略如下：
；
其中，；
为电化学能效占比系数；/>为热动力能效占比系数。
针对该新能源汽车上的氢氧燃料电池，。
实施例三：
本实施例提供一种电子设备，包括：处理器和存储器，其中，存储器中存储有可供处理器调用的计算机程序；
处理器通过调用存储器中存储的计算机程序，执行上述的一种基于AP算法的氢氧燃料电池能效表现评估方法。
该电子设备可因配置或性能不同而产生比较大的差异，能够包括一个或一个以上的处理器（Central Processing Units，CPU）和一个或一个以上的存储器，其中，该存储器中存储有至少一条计算机程序，该计算机程序由该处理器加载并执行以实现上述方法实施例提供的一种基于AP算法的氢氧燃料电池能效表现评估方法，该电子设备还能够包括其他用于实现设备功能的部件，例如，该电子设备还能够具有有线或无线网络接口以及输入输出接口等部件，以便进行数据的输入输出。本实施例在此不做赘述。
实施例四：
本实施例提出一种计算机可读存储介质，其上存储有可擦写的计算机程序；
当计算机程序在计算机设备上运行时，使得计算机设备执行上述的一种基于AP算法的氢氧燃料电池能效表现评估方法。
例如，计算机可读存储介质能够是只读存储器（Read-Only Memory，简称：ROM）、随机存取存储器（Random Access Memory，简称：RAM）、只读光盘（Compact Disc Read-OnlyMemory，简称：CD-ROM）、磁带、软盘和光数据存储设备等。
综上实施例，与现有技术相比，本发明的技术效果如下：
1、本发明在计算氢氧燃料电池内部的化学反应能效时，通过AP算法对不同阶段的化学反应数据进行数据聚类处理，AP算法是一种自适应的聚类算法，不需要预先指定聚类的数量，且能同时聚类多维化学反应状态数据，这对于氢氧燃料电池的复杂化学反应阶段状态数据处理上具有巨大的优势，且AP算法鲁棒性强，能弥补氢氧燃料电池内部化学反应数据中测量误差的影响。增强了能效表现率计算结果的准确性。
2、本发明在计算氢氧燃料电池内部的化学反应能效时，对化学反应状态数据按照电池电能产生的时间线，进行分反应阶段的效率考虑，可以清晰地确定不同阶段的化学反应状态数据，可以针对每个阶段进行能效计算，相比于传统的通过输入与输出之比评估能效表现的方法，多化学反应阶段的分段能效表现评估能提高能效表现评估的准确率。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.一种基于AP算法的氢氧燃料电池能效表现评估方法，其特征在于：所述方法包括如下具体步骤：
S1：采集氢氧燃料电池运行工作时的状态数据，并提取电池内部不同的化学反应阶段的阶段状态数据；
S2：将阶段状态数据进行类簇划分，构建AP算法模型，计算阶段状态数据中不同数据类簇之间的相似度，并构建反应数据中数据类簇的相似度矩阵；
S3：根据AP算法模型对S1中提取到的电池内部不同的化学反应阶段的阶段状态数据进行数据聚类处理，并确定不同类簇的化学反应速率系数；
S4：根据热动力分析模型，计算不同化学反应阶段的氢氧燃料电池内部的热力学能效系数；
S5：计算氢氧燃料电池的化学反应的能效表现率；
所述阶段状态数据进行类簇划分包括如下具体步骤：
S201：根据氢气供应量和氧气供应量的配比参数进行划分，
其中，的计算公式为：/>；
其中，为单位能效计算时间/>内，对氢氧燃料电池供应的氢气供应流速；
为单位能效计算时间/>内，对氢氧燃料电池供应的氧气供应流速；
为不同化学反应阶段的标号；
单位能效计算时间为对氢氧燃料电池进行氢气和氧气供应到氢氧燃料电池电能输出结束的时间间隔；
S202：提取并存储阶段状态数据进行类簇划分结果；
所述阶段状态数据进行类簇划分结果包括：
当时，阶段状态数据为类一，标号记为/>；
当时，阶段状态数据为类二，标号记为/>；
当时，阶段状态数据为类三，标号记为/>；
当时，阶段状态数据为类四，标号记为/>；
当时，阶段状态数据为类五，标号记为/>；
所述S2中，所述阶段状态数据中不同数据类簇之间的相似度的计算策略如下：
；
其中，；/>，/>为类簇总数；
为阶段状态数据为类i时的标号；/>阶段状态数据为类j时的标号；
为标号为/>的阶段状态数据和标号为/>的阶段状态数据的相似度；
为标号为/>的阶段状态数据构成的数据向量；
为标号为/>的阶段状态数据构成的数据向量；
为数据向量/>和数据向量/>之间的点乘；
为数据向量/>的模；/>为数据向量/>的模；
所述不同类簇的化学反应速率系数的确定包括：
当阶段状态数据为类一，标号记为时，化学反应速率系数/>，记为/>；
当阶段状态数据为类二，标号记为时，化学反应速率系数，记为/>；
当阶段状态数据为类三，标号记为时，化学反应速率系数，记为/>；
当阶段状态数据为类四，标号记为时，化学反应速率系数，记为/>；
当阶段状态数据为类五，标号记为时，化学反应速率系数，记为/>；
所述不同化学反应阶段的氢氧燃料电池内部的热力学能效系数的计算包括如下具体步骤：
S401：采集并提取氢气供应阶段对氢氧燃料电池供应的氢气摩尔总量、氧气供应阶段对氢氧燃料电池供应的氧气摩尔总量/>和化学反应所得的副产物水的摩尔总量；测量并提取电子流动阶段燃料电池产生的实际电能/>；
S402：在氢氧燃料电池的工作温度均值和氢氧燃料电池的工作环境压力均值/>下，对氢氧燃料电池内部化学反应在氢气供应阶段、氧气供应阶段和电子流动阶段中的反应焓变和反应熵变进行测量，提取化学反应焓变集为/>；化学反应熵变集为；
S403：计算不同化学反应阶段的氢氧燃料电池内部的热力学能效系数，热力学能效系数的计算公式为：
；
其中，为标号为n的反应阶段的热力学能效系数；
为标号为n的反应阶段的化学反应焓变；
为标号为n的反应阶段的化学反应熵变；
为氢氧燃料电池运行工作环境中的大气压力；
为氢氧燃料电池运行工作时内置催化剂的活性参数；
所述氢氧燃料电池的化学反应的能效表现率的计算策略如下：
；
其中，；
为电化学能效占比系数；/>为热动力能效占比系数。
2.根据权利要求1所述的一种基于AP算法的氢氧燃料电池能效表现评估方法，其特征在于，所述S1中，所述氢氧燃料电池运行工作时采集的状态数据包括：氢气供应流速、氧气供应流速、氢气供应量和氧气供应量的配比参数、供应的氢气和氧气气体浓度比、氢氧燃料电池的工作温度均值、氢氧燃料电池的工作环境压力均值、单位能效计算时间、氢氧燃料电池的工作响应时间。
3.根据权利要求2所述的一种基于AP算法的氢氧燃料电池能效表现评估方法，其特征在于，所述S1中，所述电池内部不同的化学反应阶段包括：氢气供应阶段、氧气供应阶段和电子流动阶段，其中氢气供应阶段的标号记为,氧气供应阶段的标号记为/>，电子流动阶段的标号记为/>；所述阶段状态数据包括：氢气供应流速、氧气供应流速、氢气供应量和氧气供应量的配比参数和氢氧燃料电池的工作响应时间/>，其中工作响应时间为氢气和氧气供应到氢氧燃料电池到氢氧燃料电池输出电能所用时间。
4.一种基于AP算法的氢氧燃料电池能效表现评估系统，其基于如权利要求1-3中任一项所述的一种基于AP算法的氢氧燃料电池能效表现评估方法实现，其特征在于，所述系统包括以下模块：工作状态数据采集模块、类簇划分模块、AP算法模块、热动力分析模块、能效计算模块；
所述工作状态数据采集模块用于采集氢氧燃料电池运行工作时的状态数据，并提取电池内部不同的化学反应阶段的阶段状态数据；
所述类簇划分模块将阶段状态数据进行类簇划分，构建AP算法模型，计算阶段状态数据中不同数据类簇之间的相似度，并构建反应数据中数据类簇的相似度矩阵；
所述AP算法模块根据AP算法模型电池内部不同的化学反应阶段的阶段状态数据进行数据聚类处理，并确定不同类簇的化学反应速率系数；
所述热动力分析模块用于计算不同化学反应阶段的氢氧燃料电池内部的热力学能效系数；
所述能效计算模块用于计算氢氧燃料电池化学反应的能效表现率。
5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被执行时，实现如权利要求1-3中任一项所述的一种基于AP算法的氢氧燃料电池能效表现评估方法的操作。
6.一种电子设备，其特征在于，包括：
存储器，用于存储指令；
处理器，用于执行所述指令，使得所述设备执行实现如权利要求1-3中任一项所述的一种基于AP算法的氢氧燃料电池能效表现评估方法的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311759421.8A CN117457094B (zh) | 2023-12-20 | 2023-12-20 | 一种基于ap算法的氢氧燃料电池能效表现评估方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311759421.8A CN117457094B (zh) | 2023-12-20 | 2023-12-20 | 一种基于ap算法的氢氧燃料电池能效表现评估方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117457094A CN117457094A (zh) | 2024-01-26 |
| CN117457094B true CN117457094B (zh) | 2024-03-29 |
Family
ID=89591241
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311759421.8A Active CN117457094B (zh) | 2023-12-20 | 2023-12-20 | 一种基于ap算法的氢氧燃料电池能效表现评估方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117457094B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009181935A (ja) * | 2008-02-01 | 2009-08-13 | Toyota Motor Corp | 燃料電池用電解質膜の設計方法 |
| CN112287980A (zh) * | 2020-10-14 | 2021-01-29 | 北方工业大学 | 基于典型特征向量的动力电池筛选方法 |
| CN112307906A (zh) * | 2020-10-14 | 2021-02-02 | 北方工业大学 | 一种近邻传播聚类下储能电池故障分类特征筛选降维方法 |
| WO2021142883A1 (zh) * | 2020-01-13 | 2021-07-22 | 清华大学 | 燃料电池低温启动性能预测方法及系统 |
-
2023
- 2023-12-20 CN CN202311759421.8A patent/CN117457094B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009181935A (ja) * | 2008-02-01 | 2009-08-13 | Toyota Motor Corp | 燃料電池用電解質膜の設計方法 |
| WO2021142883A1 (zh) * | 2020-01-13 | 2021-07-22 | 清华大学 | 燃料电池低温启动性能预测方法及系统 |
| CN112287980A (zh) * | 2020-10-14 | 2021-01-29 | 北方工业大学 | 基于典型特征向量的动力电池筛选方法 |
| CN112307906A (zh) * | 2020-10-14 | 2021-02-02 | 北方工业大学 | 一种近邻传播聚类下储能电池故障分类特征筛选降维方法 |
Non-Patent Citations (1)
| Title |
|---|
| 质子交换膜燃料电池及电池组模型分析;才英华 等;化学进展;20050524(第03期);544-548页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117457094A (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huo et al. | Performance prediction of proton-exchange membrane fuel cell based on convolutional neural network and random forest feature selection | |
| Alaswad et al. | Technical and commercial challenges of proton-exchange membrane (PEM) fuel cells | |
| Secanell et al. | Computational design and optimization of fuel cells and fuel cell systems: a review | |
| CN107944622B (zh) | 基于连续时段聚类的风电功率预测方法 | |
| He et al. | Regenerative fuel cell-battery-supercapacitor hybrid power system modeling and improved rule-based energy management for vehicle application | |
| Miao et al. | Metamodel based design optimization approach in promoting the performance of proton exchange membrane fuel cells | |
| CN112820906A (zh) | 一种车用燃料电池动态工况下热力学性能的综合评价方法 | |
| CN117457094B (zh) | 一种基于ap算法的氢氧燃料电池能效表现评估方法和系统 | |
| CN104778315B (zh) | 融合磷虾行为人工蜂群算法的燃料电池优化建模方法 | |
| Shi et al. | Mathematical modeling and optimization of gas foil bearings-rotor system in hydrogen fuel cell vehicles | |
| Song et al. | Data-driven health state estimation and remaining useful life prediction of fuel cells | |
| Yu et al. | Degradation and polarization curve prediction of proton exchange membrane fuel cells: An interpretable model perspective | |
| Yu et al. | A predictive framework for PEMFC dynamic load performance degradation based on feature parameter analysis | |
| CN117079753A (zh) | 一种基于可解释性和Matminer特征生成器的剪切模量与体积模量的预测方法 | |
| CN117056776A (zh) | 碳排放量监测方法、装置、设备、介质和计算机程序产品 | |
| CN115547433A (zh) | 一种质子交换膜电解槽建模优化的方法 | |
| Huang et al. | Life prediction for proton exchange membrane fuel cell based on experimental results and combinatorial optimization algorithm | |
| CN117952240A (zh) | 一种光伏发电量预测方法及装置 | |
| CN114139785A (zh) | 锅炉燃烧热效率预测方法及装置 | |
| Danial et al. | Fuel processors for automotive fuel cell systems: a parametric analysis | |
| CN112732797A (zh) | 燃料电池汽车驾驶行为分析方法、装置和存储介质 | |
| Upadhya et al. | A dispatch optimization model for hybrid renewable and battery systems incorporating a battery degradation model | |
| Li et al. | On-line degradation estimation of proton exchange membrane fuel cell based on imm-ekf | |
| Papadopoulos et al. | Efficient design under uncertainty of renewable power generation systems using partitioning and regression in the course of optimization | |
| Yang et al. | Blackbox-based model identification of solid oxide fuel cells by hybrid Ridgelet neural network and Enhanced Fish Migration Optimizer |
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 |