CN117613326B - 一种基于区域温度的燃料电池控制方法 - Google Patents
一种基于区域温度的燃料电池控制方法 Download PDFInfo
- Publication number
- CN117613326B CN117613326B CN202410090388.2A CN202410090388A CN117613326B CN 117613326 B CN117613326 B CN 117613326B CN 202410090388 A CN202410090388 A CN 202410090388A CN 117613326 B CN117613326 B CN 117613326B
- Authority
- CN
- China
- Prior art keywords
- target
- areas
- fuel cell
- temperature
- cell plate
- 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 145
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000008859 change Effects 0.000 claims abstract description 71
- 238000003062 neural network model Methods 0.000 claims abstract description 56
- 230000002596 correlated effect Effects 0.000 claims abstract description 16
- 230000000875 corresponding effect Effects 0.000 claims description 44
- 238000013527 convolutional neural network Methods 0.000 claims description 38
- 230000008569 process Effects 0.000 claims description 27
- 230000001276 controlling effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 abstract description 3
- 230000015654 memory Effects 0.000 description 28
- 230000006870 function Effects 0.000 description 11
- 238000013461 design Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 239000002826 coolant Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 239000003570 air Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000009347 mechanical transmission Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
-
- 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
- H01M8/04694—Processes for controlling fuel cells or fuel cell systems characterised by variables to be controlled
- H01M8/04701—Temperature
-
- 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
- H01M8/04694—Processes for controlling fuel cells or fuel cell systems characterised by variables to be controlled
- H01M8/04858—Electric variables
- H01M8/04925—Power, energy, capacity or load
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M2250/00—Fuel cells for particular applications; Specific features of fuel cell system
- H01M2250/20—Fuel cells in motive systems, e.g. vehicle, ship, plane
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/30—Hydrogen technology
- Y02E60/50—Fuel cells
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Chemical & Material Sciences (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Chemical & Material Sciences (AREA)
- Sustainable Energy (AREA)
- Sustainable Development (AREA)
- Manufacturing & Machinery (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Fuel Cell (AREA)
Abstract
本发明提供一种基于区域温度的燃料电池控制方法,在该方法中,由于燃料电池板模组局部区域的温度变化会呈现连锁反应,如某个区域的温度升高或降低会导致其他区域的温度也相应升高或降低,因此控制设备可以以比较细的粒度,获取燃料电池板模组的多个区域各自的温度,以通过神经网络模型分析多个区域各自的温度,确定温度是否会关联变化,如是否存在关联变化的关联区域。如此,控制设备就可以预估温度的关联变化,提前降低燃料电池板模组的功率输出,以缓解其后续的温度变化幅度,从而实现后续能够更好的控制燃料电池工作。
Description
技术领域
本发明涉及新能源技术领域,尤其涉及一种基于区域温度的燃料电池控制方法。
背景技术
燃料电池是一种把燃料所具有的化学能直接转换成电能的化学装置,又称电化学发电器。由于燃料电池是通过电化学反应把燃料的化学能中的吉布斯自由能部分转换成电能,不受卡诺循环效应的限制,因此效率高。另外,燃料电池用燃料和氧气作为原料,同时没有机械传动部件,故排放出的有害气体极少,使用寿命长。由此可见,从节约能源和保护生态环境的角度来看,燃料电池是最有发展前途的发电技术。
然而,燃料电池的温度往往也是限制燃料电池输出的因素之一,温度过高或者温度过低都不利于燃料电池工作,因此如何在温度变化的情况下,更好地控制燃料电池工作是目前函待解决的问题。
发明内容
本发明实施例提供一种基于区域温度的燃料电池控制方法,用以在温度变化的情况下,更好的控制燃料电池工作。
为达到上述目的,本发明采用如下技术方案:
第一方面,提供一种基于区域温度的燃料电池控制方法,应用于车辆的控制设备,该方法包括:控制设备通过神经网络模型分析车辆的燃料电池板模组的多个区域各自的温度,确定多个区域中是否存在温度会关联变化的关联区域;若多个区域中存在温度会关联变化的关联区域,则控制设备预估燃料电池板模组的温度变化,降低燃料电池板模组的功率输出。
一种可能的设计方案中,控制设备通过神经网络模型分析车辆的燃料电池板模组的多个区域各自的温度,确定多个区域中是否存在温度会关联变化的关联区域,包括;控制设备按M行N列将燃料电池板模组等分成X个区域;其中,X=M×N,M和N为大于1的整数;控制设备获取X个区域中x个目标区域各自的温度;其中,所述x个目标区域是温度与所述燃料电池板模组的平均温度的差值的绝对值大于阈值温度的区域,x为大于1的整数;控制设备通过神经网络模型分析x个目标区域各自的温度,确定x个目标区域中是否存在温度会关联变化的关联区域。
可选地,神经网络模型为卷积神经网络模型,控制设备通过神经网络模型分析x个目标区域各自的温度,确定x个目标区域中是否存在温度会关联变化的关联区域,包括:控制设备确定x个目标区域中相互之间的距离小于距离阈值的至少一个第一目标区域组,其中,每个第一目标区域组包括两个目标区域;控制设备根据每个第一目标区域组在燃料电池板模组中的位置,将每个第一目标区域组的温度以热力值的方式映射到对应的一张纯色第一图像中的对应的位置,得到至少一张第一图像;其中,每张第一图像中除有热力值的区域以外的其他区域的像素值相同;控制设备通过卷积神经网络模型处理至少一张第一图像,确定x个目标区域中是否存在温度会关联变化的关联区域。
可选地,神经网络模型为卷积神经网络模型,控制设备通过神经网络模型分析x个目标区域各自的温度,确定x个目标区域中是否存在温度会关联变化的关联区域,包括:控制设备确定x个目标区域中相互之间的距离大于距离阈值的至少一个第一目标区域组,其中,每个第一目标区域组包括两个目标区域;控制设备根据每个第一目标区域组在燃料电池板模组中的位置,将每个第一目标区域组的温度以热力值的方式映射到对应的一张纯色第一图像中的对应的位置,得到至少一张第一图像;其中,每张第一图像中除有热力值的区域以外的其他区域的像素值相同;控制设备通过卷积神经网络模型处理至少一张第一图像,确定x个目标区域中是否存在温度会关联变化的关联区域。
在此基础上,若x个目标区域中不存在温度会关联变化的关联区域,则方法还包括:控制设备按K行J列将燃料电池板模组等分成Y个区域;其中,Y=K×J,K为大于M的整数,J为大于N的整数;控制设备获取Y个区域中y个目标区域各自的温度;其中,y个目标区域是温度与所述燃料电池板模组的平均温度的差值的绝对值大于阈值温度的区域,y为大于1的整数,多个区域即为y个目标区域;控制设备通过神经网络模型分析y个目标区域各自的温度,确定y个目标区域中是否存在温度会关联变化的关联区域。
可选地,神经网络模型为卷积神经网络模型,控制设备通过神经网络模型分析y个目标区域各自的温度,确定y个目标区域中是否存在温度会关联变化的关联区域,包括:控制设备确定y个目标区域中相互之间的距离小于距离阈值的至少一个第二目标区域组,其中,每个第二目标区域组包括两个目标区域;控制设备根据每个第二目标区域组在燃料电池板模组中的位置,将每个第二目标区域组的温度以热力值的方式映射到对应的一张纯色图像中的对应的位置,得到至少一张第二图像;其中,每张第二图像中除有热力值的区域以外的其他区域的像素值相同;控制设备通过卷积神经网络模型处理至少一张第二图像,确定y个目标区域中是否存在温度会关联变化的关联区域。
可选地,神经网络模型为卷积神经网络模型,控制设备通过神经网络模型分析y个目标区域各自的温度,确定y个目标区域中是否存在温度会关联变化的关联区域,包括:控制设备确定y个目标区域中相互之间的距离大于距离阈值的至少一个第二目标区域组,其中,每个第二目标区域组包括两个目标区域;控制设备根据每个第二目标区域组在燃料电池板模组中的位置,将每个第二目标区域组的温度以热力值的方式映射到对应的一张纯色图像中的对应的位置,得到至少一张第二图像;其中,每张第二图像中除有热力值的区域以外的其他区域的像素值相同;控制设备通过卷积神经网络模型处理至少一张第二图像,确定y个目标区域中是否存在温度会关联变化的关联区域。
一种可能的设计方案中,控制设备预估燃料电池板模组的温度变化,降低燃料电池板模组的功率输出,包括:控制设备根据关联区域的数目,预估燃料电池板模组在预设时间之后的温度变化量;控制设备根据燃料电池板模组在预设时间之后的温度变化量,降低燃料电池板模组的功率输出。
可选地,关联区域的数目与燃料电池板模组在预设时间之后的温度变化量正相关,燃料电池板模组在预设时间之后的温度变化量与燃料电池板模组的功率输出的降低幅度正相关。
第二方面,提供一种基于区域温度的燃料电池控制装置,应用于车辆的控制设备,该装置被配置为:控制设备通过神经网络模型分析车辆的燃料电池板模组的多个区域各自的温度,确定多个区域中是否存在温度会关联变化的关联区域;若多个区域中存在温度会关联变化的关联区域,则控制设备预估燃料电池板模组的温度变化,降低燃料电池板模组的功率输出。
一种可能的设计方案中,该装置被配置为:控制设备通过神经网络模型分析车辆的燃料电池板模组的多个区域各自的温度,确定多个区域中是否存在温度会关联变化的关联区域,包括;控制设备按M行N列将燃料电池板模组等分成X个区域;其中,X=M×N,M和N为大于1的整数;控制设备获取X个区域中x个目标区域各自的温度;其中,所述x个目标区域是温度与所述燃料电池板模组的平均温度的差值的绝对值大于阈值温度的区域,x为大于1的整数;控制设备通过神经网络模型分析x个目标区域各自的温度,确定x个目标区域中是否存在温度会关联变化的关联区域。
可选地,该装置被配置为:神经网络模型为卷积神经网络模型,控制设备通过神经网络模型分析x个目标区域各自的温度,确定x个目标区域中是否存在温度会关联变化的关联区域,包括:控制设备确定x个目标区域中相互之间的距离小于距离阈值的至少一个第一目标区域组,其中,每个第一目标区域组包括两个目标区域;控制设备根据每个第一目标区域组在燃料电池板模组中的位置,将每个第一目标区域组的温度以热力值的方式映射到对应的一张纯色第一图像中的对应的位置,得到至少一张第一图像;其中,每张第一图像中除有热力值的区域以外的其他区域的像素值相同;控制设备通过卷积神经网络模型处理至少一张第一图像,确定x个目标区域中是否存在温度会关联变化的关联区域。
可选地,该装置被配置为:神经网络模型为卷积神经网络模型,控制设备通过神经网络模型分析x个目标区域各自的温度,确定x个目标区域中是否存在温度会关联变化的关联区域,包括:控制设备确定x个目标区域中相互之间的距离大于距离阈值的至少一个第一目标区域组,其中,每个第一目标区域组包括两个目标区域;控制设备根据每个第一目标区域组在燃料电池板模组中的位置,将每个第一目标区域组的温度以热力值的方式映射到对应的一张纯色第一图像中的对应的位置,得到至少一张第一图像;其中,每张第一图像中除有热力值的区域以外的其他区域的像素值相同;控制设备通过卷积神经网络模型处理至少一张第一图像,确定x个目标区域中是否存在温度会关联变化的关联区域。
在此基础上,该装置被配置为:若x个目标区域中不存在温度会关联变化的关联区域,则方法还包括:控制设备按K行J列将燃料电池板模组等分成Y个区域;其中,Y=K×J,K为大于M的整数,J为大于N的整数;控制设备获取Y个区域中y个目标区域各自的温度;其中,y个目标区域是温度与燃料电池板模组的平均温度的差值的绝对值大于阈值温度的区域,y为大于1的整数,多个区域即为y个目标区域;控制设备通过神经网络模型分析y个目标区域各自的温度,确定y个目标区域中是否存在温度会关联变化的关联区域。
可选地,该装置被配置为:神经网络模型为卷积神经网络模型,控制设备通过神经网络模型分析y个目标区域各自的温度,确定y个目标区域中是否存在温度会关联变化的关联区域,包括:控制设备确定y个目标区域中相互之间的距离小于距离阈值的至少一个第二目标区域组,其中,每个第二目标区域组包括两个目标区域;控制设备根据每个第二目标区域组在燃料电池板模组中的位置,将每个第二目标区域组的温度以热力值的方式映射到对应的一张纯色图像中的对应的位置,得到至少一张第二图像;其中,每张第二图像中除有热力值的区域以外的其他区域的像素值相同;控制设备通过卷积神经网络模型处理至少一张第二图像,确定y个目标区域中是否存在温度会关联变化的关联区域。
可选地,该装置被配置为:神经网络模型为卷积神经网络模型,控制设备通过神经网络模型分析y个目标区域各自的温度,确定y个目标区域中是否存在温度会关联变化的关联区域,包括:控制设备确定y个目标区域中相互之间的距离大于距离阈值的至少一个第二目标区域组,其中,每个第二目标区域组包括两个目标区域;控制设备根据每个第二目标区域组在燃料电池板模组中的位置,将每个第二目标区域组的温度以热力值的方式映射到对应的一张纯色图像中的对应的位置,得到至少一张第二图像;其中,每张第二图像中除有热力值的区域以外的其他区域的像素值相同;控制设备通过卷积神经网络模型处理至少一张第二图像,确定y个目标区域中是否存在温度会关联变化的关联区域。
一种可能的设计方案中,该装置被配置为:控制设备预估燃料电池板模组的温度变化,降低燃料电池板模组的功率输出,包括:控制设备根据关联区域的数目,预估燃料电池板模组在预设时间之后的温度变化量;控制设备根据燃料电池板模组在预设时间之后的温度变化量,降低燃料电池板模组的功率输出。
可选地,关联区域的数目与燃料电池板模组在预设时间之后的温度变化量正相关,燃料电池板模组在预设时间之后的温度变化量与燃料电池板模组的功率输出的降低幅度正相关。
第三方面,提供了一种电子设备,包括:处理器和存储器;该存储器用于存储计算机程序,当该处理器执行该计算机程序时,以使该电子设备执行第一方面所述的方法。
在一种可能的设计方案中,第三方面所述的电子设备还可以包括收发器。该收发器可以为收发电路或接口电路。该收发器可以用于第三方面所述的电子设备与其他电子设备通信。
在本发明实施例中,第三方面所述的电子设备可以为终端,或者可设置于该终端中的芯片(系统)或其他部件或组件,或者包含该终端的系统。
第四方面,提供一种计算机可读存储介质,包括:计算机程序或指令;当该计算机程序或指令在计算机上运行时,使得该计算机执行第一方面所述的方法。
综上,上述方法及系统具有如下技术效果:
由于燃料电池板模组局部区域的温度变化会呈现连锁反应,如某个区域的温度升高或降低会导致其他区域的温度也相应升高或降低,因此控制设备可以以比较细的粒度,获取燃料电池板模组的多个区域各自的温度,以通过神经网络模型分析多个区域各自的温度,确定温度是否会关联变化,如是否存在关联变化的关联区域。如此,控制设备就可以预估温度的关联变化,提前降低燃料电池板模组的功率输出,以缓解其后续的温度变化幅度,从而实现后续能够更好的控制燃料电池工作。
附图说明
图1为本发明实施例提供的基于区域温度的燃料电池控制方法的流程示意图;
图2为本发明实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合附图,对本发明中的技术方案进行描述。
在本发明实施例中,“指示”可以包括直接指示和间接指示,也可以包括显式指示和隐式指示。将某一信息所指示的信息称为待指示信息,则具体实现过程中,对待指示信息进行指示的方式有很多种,例如但不限于,可以直接指示待指示信息,如待指示信息本身或者该待指示信息的索引等。也可以通过指示其他信息来间接指示待指示信息,其中该其他信息与待指示信息之间存在关联关系。还可以仅仅指示待指示信息的一部分,而待指示信息的其他部分则是已知的或者提前约定的。例如,还可以借助预先约定(例如协议规定)的各个信息的排列顺序来实现对特定信息的指示,从而在一定程度上降低指示开销。同时,还可以识别各个信息的通用部分并统一指示,以降低单独指示同样的信息而带来的指示开销。
此外,具体的指示方式还可以是现有各种指示方式,例如但不限于,上述指示方式及其各种组合等。各种指示方式的具体细节可以参考现有技术,本文不再赘述。由上文所述可知,举例来说,当需要指示相同类型的多个信息时,可能会出现不同信息的指示方式不相同的情形。具体实现过程中,可以根据具体的需要选择所需的指示方式,本发明实施例对选择的指示方式不做限定,如此一来,本发明实施例涉及的指示方式应理解为涵盖可以使得待指示方获知待指示信息的各种方法。
应理解,待指示信息可以作为一个整体一起发送,也可以分成多个子信息分开发送,而且这些子信息的发送周期和/或发送时机可以相同,也可以不同。具体发送方法本发明实施例不进行限定。其中,这些子信息的发送周期和/或发送时机可以是预先定义的,例如根据协议预先定义的,也可以是发送端设备通过向接收端设备发送配置信息来配置的。
“预先定义”或“预先配置”可以通过在设备中预先保存相应的代码、表格或其他可用于指示相关信息的方式来实现,本发明实施例对于其具体的实现方式不做限定。其中,“保存”可以是指,保存在一个或者多个存储器中。所述一个或者多个存储器可以是单独的设置,也可以是集成在编码器或者译码器,处理器、或电子设备中。所述一个或者多个存储器也可以是一部分单独设置,一部分集成在译码器、处理器、或电子设备中。存储器的类型可以是任意形式的存储介质,本发明实施例并不对此限定。
本发明实施例中涉及的“协议”可以是指通信领域中协议族、类似协议族帧结构的标准协议、或者应用于未来的基于区域温度的燃料电池控制方法系统中的相关协议,本发明实施例对此不作具体限定。
本发明实施例中,“当……时”、“在……的情况下”、“若”以及“如果”等描述均指在某种客观情况下设备会做出相应的处理,并非是限定时间,且也不要求设备在实现时一定要有判断的动作,也不意味着存在其它限定。
在本发明实施例的描述中,除非另有说明,“/”表示前后关联的对象是一种“或”的关系,例如,A/B可以表示A或B;本发明实施例中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况,其中A、B可以是单数或者复数。并且,在本发明实施例的描述中,除非另有说明,“多个”是指两个或多于两个。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a、b或c中的至少一项(个),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。另外,为了便于清楚描述本发明实施例的技术方案,在本发明的实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。同时,在本发明实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念,便于理解。
本发明实施例描述的网络架构以及业务场景是为了更加清楚的说明本发明实施例的技术方案,并不构成对于本发明实施例提供的技术方案的限定,本领域普通技术人员可知,随着网络架构的演变和新业务场景的出现,本发明实施例提供的技术方案对于类似的技术问题,同样适用。
示例性的,本申请实施例提供的一种基于区域温度的燃料电池控制方法可以应用于车辆的控制设备,该控制设备可以是终端。
终端设备可以是具有无线收发功能的终端或可设置于该终端的芯片或芯片系统。该终端设备也可以称为用户装置(user equipment,UE)、接入终端、用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置。本申请的实施例中的终端设备可以是手机(mobile phone)、平板电脑(Pad)、带无线收发功能的电脑、虚拟现实(virtual reality,VR)终端设备、增强现实(augmentedreality,AR)终端设备、工业控制(industrial control)中的无线终端、无人驾驶(selfdriving)中的无线终端、远程医疗(remote medical)中的无线终端、智能电网(smartgrid)中的无线终端、运输安全(transportation safety)中的无线终端、智慧城市(smartcity)中的无线终端、智慧家庭(smart home)中的无线终端、车载终端、具有终端功能的RSU等。本申请的终端设备还可以是作为一个或多个部件或者单元而内置于车辆的车载模块、车载模组、车载部件、车载芯片或者车载单元,车辆通过内置的所述车载模块、车载模组、车载部件、车载芯片或者车载单元可以实施本申请提供的方法。
图1为本发明实施例提供的方法的流程示意图。该基于区域温度的燃料电池控制方法适用到上述控制设备。具体流程如下:
S101,控制设备通过神经网络模型分析车辆的燃料电池板模组的多个区域各自的温度,
确定多个区域中是否存在温度会关联变化的关联区域。
第一种可能的实现方式中:
控制设备可以根据第一预设规则,按M行N列将燃料电池板模组等分成X个区域。其中,X=M×N,M和N为大于1的整数。
控制设备获取X个区域中x个目标区域各自的温度。其中,x个目标区域是温度与燃料电池板模组的平均温度的差值的绝对值大于阈值温度(如5-10℃)的区域,x为大于1的整数。也即,控制设备可以通过传感器获取到整个燃料电池板模组的热力图像,以根据热力图像获取燃料电池板模组的平均温度,以及每个区域的平均温度。如此,控制设备可以确定温度与燃料电池板模组的平均温度的差值的绝对值大于阈值温度的x个目标区域。
控制设备可以通过神经网络模型分析x个目标区域各自的温度,确定x个目标区域中是否存在温度会关联变化的关联区域。其中,神经网络模型可以为卷积神经网络模型。下面具体介绍。
例如,针对高温场景,也即,目标区域的温度本就比平均温度高,此时,相近(或者说距离较近)的目标区域的温度可能会产生关联影响。因此,控制设备可以确定x个目标区域中相互之间的距离小于距离阈值的至少一个第一目标区域组,每个第一目标区域组包括两个目标区域;控制设备根据每个第一目标区域组在燃料电池板模组中的位置,将每个第一目标区域组的温度以热力值的方式映射到对应的一张纯色第一图像中的对应的位置,得到至少一张第一图像。其中,每张第一图像中除有热力值的区域以外的其他区域的像素值相同(也即,第一图像在映射第一目标区域组的温度之前为纯色图像)。如此,控制设备可以通过卷积神经网络模型处理至少一张第一图像,确定x个目标区域中是否存在温度会关联变化的关联区域。
又例如,针对低温场景,也即,目标区域的温度本就比平均温度低,此时,距离较远的目标区域的温度反而更容易产生关联影响。因此,控制设备确定x个目标区域中相互之间的距离大于距离阈值的至少一个第一目标区域组,其中,每个第一目标区域组包括两个目标区域;控制设备根据每个第一目标区域组在燃料电池板模组中的位置,将每个第一目标区域组的温度以热力值的方式映射到对应的一张纯色第一图像中的对应的位置,得到至少一张第一图像;其中,每张第一图像中除有热力值的区域以外的其他区域的像素值相同(也即,第一图像在映射第一目标区域组的温度之前为纯色图像)。同理,控制设备也可以通过卷积神经网络模型处理至少一张第一图像,确定x个目标区域中是否存在温度会关联变化的关联区域。
可以理解,如果卷积神经网络模型针对某一张第一图像输出的关联值大于关联阈值,则说明对应的两个目标区域的温度变化存在关联,否则,不存在关联。例如,关联值为0.9,关联阈值为0.8,表示存在关联。
第二种可能的实现方式中,若x个目标区域中不存在温度会关联变化的关联区域,也即,可能是X个区域的划分粒度比较大,则控制设备还可以将其划分为更细粒度的区域,也即,S101还可以包括如下实现:
控制设备根据第二预设规则,按K行J列将燃料电池板模组等分成Y个区域。其中,Y=K×J,K为大于M的整数,J为大于N的整数。
控制设备获取Y个区域中y个目标区域各自的温度。其中,y个目标区域也是温度与燃料电池板模组的平均温度的差值的绝对值大于阈值温度的区域,y为大于1的整数,多个区域即为y个目标区域,具体实现也可以参考上述的介绍,不再赘述。
控制设备通过神经网络模型分析y个目标区域各自的温度,确定y个目标区域中是否存在温度会关联变化的关联区域。其中,神经网络模型也可以为卷积神经网络模型。下面具体介绍。
例如,针对高温场景,控制设备确定y个目标区域中相互之间的距离小于距离阈值的至少一个第二目标区域组,其中,每个第二目标区域组包括两个目标区域;控制设备根据每个第二目标区域组在燃料电池板模组中的位置,将每个第二目标区域组的温度以热力值的方式映射到对应的一张纯色图像中的对应的位置,得到至少一张第二图像;其中,每张第二图像中除有热力值的区域以外的其他区域的像素值相同;控制设备通过卷积神经网络模型处理至少一张第二图像,确定y个目标区域中是否存在温度会关联变化的关联区域。
例如,针对低温场景,控制设备确定y个目标区域中相互之间的距离大于距离阈值的至少一个第二目标区域组,其中,每个第二目标区域组包括两个目标区域;控制设备根据每个第二目标区域组在燃料电池板模组中的位置,将每个第二目标区域组的温度以热力值的方式映射到对应的一张纯色图像中的对应的位置,得到至少一张第二图像;其中,每张第二图像中除有热力值的区域以外的其他区域的像素值相同;控制设备通过卷积神经网络模型处理至少一张第二图像,确定y个目标区域中是否存在温度会关联变化的关联区域。
可以理解,每个目标区域组包括两个目标区域仅为一种示例,目标区域组可以被替换为目标区域集合,每个目标区域集合可以包含至少两个目标区域,如3个目标区域,4个目标区域等。此时,所谓的关联性是神经网络模型整体计算这3个目标区域或4个目标区域之间的关联性。
目标区域关联是因为在同一片燃料电池板模组上,区域温度是相互关联的,如,从冷却液入口到出口的温度是逐渐增高的(热量累积),同时,燃料电池板模组是传热良好的材料,热量会从高温处往低温处传递,因此分析区域的关联是有必要的。此外,燃料电池板模组是一种可选的命名,其可以被替换为本领域等同的概念,如 “单电池”或“双极板等。
S102,若多个区域中存在温度会关联变化的关联区域,则控制设备预估燃料电池板模组的温度变化,降低燃料电池板模组的功率输出。
当卷积神经网络模型输出的某些第一图像或第二图像的关联值大于关联阈值的情况下,确定该第一图像或第二图像包含的目标区域是存在温度会关联变化的关联区域。
其中,控制设备可以根据关联区域的数目,预估燃料电池板模组在预设时间之后的温度变化量。控制设备根据燃料电池板模组在预设时间之后的温度变化量,降低燃料电池板模组的功率输出。关联区域的数目与燃料电池板模组在预设时间之后的温度变化量正相关,燃料电池板模组在预设时间之后的温度变化量与燃料电池板模组的功率输出的降低幅度正相关。
可以理解,如果多个区域中不存在温度会关联变化的关联区域,则控制设备也可以预估燃料电池板模组的温度变化,此时温度变化量可能比存在温度会关联变化的关联区域时预估的温度变化量更小,降低的功率输出也相对较少。
还可以理解,上述两种可能的实现方式的执行逻辑也可以相反,如先执行第一种可能的实现方式,再执行第二种可能的实现方式。
综上,由于燃料电池板模组局部区域的温度变化会呈现连锁反应,如某个区域的温度升高或降低会导致其他区域的温度也相应升高或降低,因此控制设备可以以比较细的粒度,获取燃料电池板模组的多个区域各自的温度,以通过神经网络模型分析多个区域各自的温度,确定温度是否会关联变化,如是否存在关联变化的关联区域。如此,控制设备就可以预估温度的关联变化,提前降低燃料电池板模组的功率输出,以缓解其后续的温度变化幅度,从而实现后续能够更好的控制燃料电池工作。
还可以理解,本申请实施例的方案仅为一种示例,还可以有其他应用场景,例如,在沿用上述方法划分成X个区域的情况下,还可以通过神经网络模型基于X个区域当前的温度,预估预设时间(如30秒,20秒,10秒等)之后的X个区域各自的温度(记为预估温度),并将X个区域各自的预估温度与理想情况下X个区域各自的温度(记为理想温度,可以预配置的)比较,如果X个区域中与理想温度差异超过预设取值的区域大于预设数目,则调整燃料电池的运行条件,包括但不限于调整氢气、空气或冷却液流量,及调整电堆的功率输出,并此过程,实时监测X个区域各自的实际温度变化,直至X个区域中实际温度与理想温度差异超过预设取值的区域小于或等于预设数目。或者,X个区域中与理想温度差异超过预设取值的区域大于预设数目,则调整燃料电池的运行条件,则沿用上述方法再划分成Y个区域,然后执行与X个区域类似的判断和控制逻辑。这样做的好处在于更细粒度的温度监控能够更准确的预估温度变化,使得后续的控制更为准确。
以上结合图1详细说明了本申请实施例提供的方法。以下结合详细说明用于执行本申请实施例提供的方法的基于区域温度的燃料电池控制装置,应用于车辆的控制设备,该装置被配置为:控制设备通过神经网络模型分析车辆的燃料电池板模组的多个区域各自的温度,确定多个区域中是否存在温度会关联变化的关联区域;若多个区域中存在温度会关联变化的关联区域,则控制设备预估燃料电池板模组的温度变化,降低燃料电池板模组的功率输出。
一种可能的设计方案中,该装置被配置为:控制设备通过神经网络模型分析车辆的燃料电池板模组的多个区域各自的温度,确定多个区域中是否存在温度会关联变化的关联区域,包括;控制设备按M行N列将燃料电池板模组等分成X个区域;其中,X=M×N,M和N为大于1的整数;控制设备获取X个区域中x个目标区域各自的温度;其中,x个目标区域是温度的绝对值比燃料电池板模组的平均温度的绝对值高阈值温度的区域,x为大于1的整数;控制设备通过神经网络模型分析x个目标区域各自的温度,确定x个目标区域中是否存在温度会关联变化的关联区域。
可选地,该装置被配置为:神经网络模型为卷积神经网络模型,控制设备通过神经网络模型分析x个目标区域各自的温度,确定x个目标区域中是否存在温度会关联变化的关联区域,包括:控制设备确定x个目标区域中相互之间的距离小于距离阈值的至少一个第一目标区域组,其中,每个第一目标区域组包括两个目标区域;控制设备根据每个第一目标区域组在燃料电池板模组中的位置,将每个第一目标区域组的温度以热力值的方式映射到对应的一张纯色第一图像中的对应的位置,得到至少一张第一图像;其中,每张第一图像中除有热力值的区域以外的其他区域的像素值相同;控制设备通过卷积神经网络模型处理至少一张第一图像,确定x个目标区域中是否存在温度会关联变化的关联区域。
可选地,该装置被配置为:神经网络模型为卷积神经网络模型,控制设备通过神经网络模型分析x个目标区域各自的温度,确定x个目标区域中是否存在温度会关联变化的关联区域,包括:控制设备确定x个目标区域中相互之间的距离大于距离阈值的至少一个第一目标区域组,其中,每个第一目标区域组包括两个目标区域;控制设备根据每个第一目标区域组在燃料电池板模组中的位置,将每个第一目标区域组的温度以热力值的方式映射到对应的一张纯色第一图像中的对应的位置,得到至少一张第一图像;其中,每张第一图像中除有热力值的区域以外的其他区域的像素值相同;控制设备通过卷积神经网络模型处理至少一张第一图像,确定x个目标区域中是否存在温度会关联变化的关联区域。
在此基础上,该装置被配置为:若x个目标区域中不存在温度会关联变化的关联区域,则方法还包括:控制设备按K行J列将燃料电池板模组等分成Y个区域;其中,Y=K×J,K为大于M的整数,J为大于N的整数;控制设备获取Y个区域中y个目标区域各自的温度;其中,y个目标区域是温度的绝对值比燃料电池板模组的平均温度的绝对值高阈值温度的区域,y为大于1的整数,多个区域即为y个目标区域;控制设备通过神经网络模型分析y个目标区域各自的温度,确定y个目标区域中是否存在温度会关联变化的关联区域。
可选地,该装置被配置为:神经网络模型为卷积神经网络模型,控制设备通过神经网络模型分析y个目标区域各自的温度,确定y个目标区域中是否存在温度会关联变化的关联区域,包括:控制设备确定y个目标区域中相互之间的距离小于距离阈值的至少一个第二目标区域组,其中,每个第二目标区域组包括两个目标区域;控制设备根据每个第二目标区域组在燃料电池板模组中的位置,将每个第二目标区域组的温度以热力值的方式映射到对应的一张纯色图像中的对应的位置,得到至少一张第二图像;其中,每张第二图像中除有热力值的区域以外的其他区域的像素值相同;控制设备通过卷积神经网络模型处理至少一张第二图像,确定y个目标区域中是否存在温度会关联变化的关联区域。
可选地,该装置被配置为:神经网络模型为卷积神经网络模型,控制设备通过神经网络模型分析y个目标区域各自的温度,确定y个目标区域中是否存在温度会关联变化的关联区域,包括:控制设备确定y个目标区域中相互之间的距离大于距离阈值的至少一个第二目标区域组,其中,每个第二目标区域组包括两个目标区域;控制设备根据每个第二目标区域组在燃料电池板模组中的位置,将每个第二目标区域组的温度以热力值的方式映射到对应的一张纯色图像中的对应的位置,得到至少一张第二图像;其中,每张第二图像中除有热力值的区域以外的其他区域的像素值相同;控制设备通过卷积神经网络模型处理至少一张第二图像,确定y个目标区域中是否存在温度会关联变化的关联区域。
一种可能的设计方案中,该装置被配置为:控制设备预估燃料电池板模组的温度变化,降低燃料电池板模组的功率输出,包括:控制设备根据关联区域的数目,预估燃料电池板模组在预设时间之后的温度变化量;控制设备根据燃料电池板模组在预设时间之后的温度变化量,降低燃料电池板模组的功率输出。
可选地,关联区域的数目与燃料电池板模组在预设时间之后的温度变化量正相关,燃料电池板模组在预设时间之后的温度变化量与燃料电池板模组的功率输出的降低幅度正相关。
图2为本发明实施例提供的电子设备的结构示意图。示例性地,该电子设备可以是网络设备,也可以是可设置于网络设备的芯片(系统)或其他部件或组件。如图2所示,电子设备400可以包括处理器401。可选地,电子设备400还可以包括存储器402和/或收发器403。其中,处理器401与存储器402和收发器403耦合,如可以通过通信总线连接。
下面结合图2对电子设备400的各个构成部件进行具体的介绍:
其中,处理器401是电子设备400的控制中心,可以是一个处理器,也可以是多个处理元件的统称。例如,处理器401是一个或多个中央处理器(central processing unit,CPU),也可以是特定集成电路(application specific integrated circuit,ASIC),或者是被配置成实施本发明实施例的一个或多个集成电路,例如:一个或多个微处理器(digital signal processor,DSP),或,一个或者多个现场可编程门阵列(fieldprogrammable gate array,FPGA)。
可选地,处理器401可以通过运行或执行存储在存储器402内的软件程序,以及调用存储在存储器402内的数据,执行电子设备400的各种功能,例如执行上述图2所示的基于区域温度的燃料电池控制方法。
在具体的实现中,作为一种实施例,处理器401可以包括一个或多个CPU,例如图2中所示出的CPU0和CPU1。
在具体实现中,作为一种实施例,电子设备400也可以包括多个处理器。这些处理器中的每一个可以是一个单核处理器(single-CPU),也可以是一个多核处理器(multi-CPU)。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
其中,所述存储器402用于存储执行本发明方案的软件程序,并由处理器401来控制执行,具体实现方式可以参考上述方法实施例,此处不再赘述。
可选地,存储器402可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory,EEPROM)、只读光盘(compactdisc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器402可以和处理器401集成在一起,也可以独立存在,并通过电子设备400的接口电路(图2中未示出)与处理器401耦合,本发明实施例对此不作具体限定。
收发器403,用于与其他电子设备之间的通信。例如,电子设备400为终端,收发器403可以用于与网络设备通信,或者与另一个终端设备通信。又例如,电子设备400为网络设备,收发器403可以用于与终端通信,或者与另一个网络设备通信。
可选地,收发器403可以包括接收器和发送器(图2中未单独示出)。其中,接收器用于实现接收功能,发送器用于实现发送功能。
可选地,收发器403可以和处理器401集成在一起,也可以独立存在,并通过电子设备400的接口电路(图2中未示出)与处理器401耦合,本发明实施例对此不作具体限定。
可以理解的是,图2中示出的电子设备400的结构并不构成对该电子设备的限定,实际的电子设备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。
此外,电子设备400的技术效果可以参考上述方法实施例所述的方法的技术效果,此处不再赘述。
应理解,在本发明实施例中的处理器可以是中央处理单元(central processingunit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(digital signalprocessor,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现成可编程门阵列(field programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
还应理解,本发明实施例中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read-only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的随机存取存储器(random accessmemory,RAM)可用,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM,DR RAM)。
上述实施例,可以全部或部分地通过软件、硬件(如电路)、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘。
应理解,在本发明的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
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。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能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,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (6)
1.一种基于区域温度的燃料电池控制方法,其特征在于,应用于车辆的控制设备,所述方法包括:
所述控制设备通过神经网络模型分析所述车辆的燃料电池板模组的多个区域各自的温度,确定所述多个区域中是否存在温度会关联变化的关联区域;
若所述多个区域中存在温度会关联变化的关联区域,则所述控制设备预估所述燃料电池板模组的温度变化,降低所述燃料电池板模组的功率输出;
其中,所述控制设备通过神经网络模型分析所述车辆的燃料电池板模组的多个区域各自的温度,确定所述多个区域中是否存在温度会关联变化的关联区域,包括;所述控制设备按M行N列将所述燃料电池板模组等分成X个区域;其中,X=M×N,M和N为大于1的整数;所述控制设备获取所述X个区域中x个目标区域各自的温度;其中,所述x个目标区域是温度与所述燃料电池板模组的平均温度的差值的绝对值大于阈值温度的区域,x为大于1的整数;所述控制设备通过神经网络模型分析所述x个目标区域各自的温度,确定所述x个目标区域中是否存在温度会关联变化的关联区域;
其中,所述神经网络模型为卷积神经网络模型,所述控制设备通过神经网络模型分析所述x个目标区域各自的温度,确定所述x个目标区域中是否存在温度会关联变化的关联区域,包括:所述控制设备确定所述x个目标区域中相互之间的距离小于距离阈值的至少一个第一目标区域组,其中,每个第一目标区域组包括两个目标区域;所述控制设备根据每个第一目标区域组在所述燃料电池板模组中的位置,将每个第一目标区域组的温度以热力值的方式映射到对应的一张纯色第一图像中的对应的位置,得到至少一张第一图像;其中,每张第一图像中除有热力值的区域以外的其他区域的像素值相同;所述控制设备通过所述卷积神经网络模型处理所述至少一张第一图像,确定所述x个目标区域中是否存在温度会关联变化的关联区域;
其中,所述神经网络模型为卷积神经网络模型,所述控制设备通过神经网络模型分析所述x个目标区域各自的温度,确定所述x个目标区域中是否存在温度会关联变化的关联区域,包括:所述控制设备确定所述x个目标区域中相互之间的距离大于距离阈值的至少一个第一目标区域组,其中,每个第一目标区域组包括两个目标区域;所述控制设备根据每个第一目标区域组在所述燃料电池板模组中的位置,将每个第一目标区域组的温度以热力值的方式映射到对应的一张纯色第一图像中的对应的位置,得到至少一张第一图像;其中,每张第一图像中除有热力值的区域以外的其他区域的像素值相同;所述控制设备通过所述卷积神经网络模型处理所述至少一张第一图像,确定所述x个目标区域中是否存在温度会关联变化的关联区域。
2.根据权利要求1所述的方法,其特征在于,若所述x个目标区域中不存在温度会关联变化的关联区域,则所述方法还包括:
所述控制设备按K行J列将所述燃料电池板模组等分成Y个区域;其中,Y=K×J,K为大于M的整数,J为大于N的整数;
所述控制设备获取所述Y个区域中y个目标区域各自的温度;其中,所述y个目标区域是温度与所述燃料电池板模组的平均温度的差值的绝对值大于阈值温度的区域,y为大于1的整数,所述多个区域即为所述y个目标区域;
所述控制设备通过神经网络模型分析所述y个目标区域各自的温度,确定所述y个目标区域中是否存在温度会关联变化的关联区域。
3.根据权利要求2所述的方法,其特征在于,所述神经网络模型为卷积神经网络模型,所述控制设备通过神经网络模型分析所述y个目标区域各自的温度,确定所述y个目标区域中是否存在温度会关联变化的关联区域,包括:
所述控制设备确定所述y个目标区域中相互之间的距离小于距离阈值的至少一个第二目标区域组,其中,每个第二目标区域组包括两个目标区域;
所述控制设备根据每个第二目标区域组在所述燃料电池板模组中的位置,将每个第二目标区域组的温度以热力值的方式映射到对应的一张纯色图像中的对应的位置,得到至少一张第二图像;其中,每张第二图像中除有热力值的区域以外的其他区域的像素值相同;
所述控制设备通过所述卷积神经网络模型处理所述至少一张第二图像,确定所述y个目标区域中是否存在温度会关联变化的关联区域。
4.根据权利要求2所述的方法,其特征在于,所述神经网络模型为卷积神经网络模型,所述控制设备通过神经网络模型分析所述y个目标区域各自的温度,确定所述y个目标区域中是否存在温度会关联变化的关联区域,包括:
所述控制设备确定所述y个目标区域中相互之间的距离大于距离阈值的至少一个第二目标区域组,其中,每个第二目标区域组包括两个目标区域;
所述控制设备根据每个第二目标区域组在所述燃料电池板模组中的位置,将每个第二目标区域组的温度以热力值的方式映射到对应的一张纯色图像中的对应的位置,得到至少一张第二图像;其中,每张第二图像中除有热力值的区域以外的其他区域的像素值相同;
所述控制设备通过所述卷积神经网络模型处理所述至少一张第二图像,确定所述y个目标区域中是否存在温度会关联变化的关联区域。
5.根据权利要求1所述的方法,其特征在于,所述控制设备预估所述燃料电池板模组的温度变化,降低所述燃料电池板模组的功率输出,包括:
所述控制设备根据所述关联区域的数目,预估所述燃料电池板模组在预设时间之后的温度变化量;
所述控制设备根据所述燃料电池板模组在预设时间之后的温度变化量,降低所述燃料电池板模组的功率输出。
6.根据权利要求5所述的方法,其特征在于,所述关联区域的数目与所述燃料电池板模组在预设时间之后的温度变化量正相关,所述燃料电池板模组在预设时间之后的温度变化量与所述燃料电池板模组的功率输出的降低幅度正相关。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410090388.2A CN117613326B (zh) | 2024-01-23 | 2024-01-23 | 一种基于区域温度的燃料电池控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410090388.2A CN117613326B (zh) | 2024-01-23 | 2024-01-23 | 一种基于区域温度的燃料电池控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117613326A CN117613326A (zh) | 2024-02-27 |
CN117613326B true CN117613326B (zh) | 2024-04-05 |
Family
ID=89953866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410090388.2A Active CN117613326B (zh) | 2024-01-23 | 2024-01-23 | 一种基于区域温度的燃料电池控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117613326B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108474823A (zh) * | 2016-11-24 | 2018-08-31 | 华为技术有限公司 | 一种估算温度的方法及装置 |
CN112918328A (zh) * | 2019-12-06 | 2021-06-08 | 丰田自动车株式会社 | 燃料电池车的控制装置以及燃料电池车 |
CN114565182A (zh) * | 2022-03-22 | 2022-05-31 | 南通大学 | 一种基于非支配排序遗传优化双向长短时记忆神经网络的电力设备温度预测方法 |
CN115659790A (zh) * | 2022-10-13 | 2023-01-31 | 厦门宇电自动化科技有限公司 | 一种动力电池包的温度实时检测方法 |
WO2023075209A1 (ko) * | 2021-11-01 | 2023-05-04 | 삼성전자 주식회사 | 표면 발열을 제어하기 위한 방법, 이를 위한 전자 장치 및 저장 매체 |
CN116149397A (zh) * | 2023-04-20 | 2023-05-23 | 福建天甫电子材料有限公司 | 电子级双氧水存储的温度自适应控制系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230382256A1 (en) * | 2022-05-26 | 2023-11-30 | Here Global B.V. | Method and apparatus for providing a charging time window for an electric vehicle |
-
2024
- 2024-01-23 CN CN202410090388.2A patent/CN117613326B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108474823A (zh) * | 2016-11-24 | 2018-08-31 | 华为技术有限公司 | 一种估算温度的方法及装置 |
CN112918328A (zh) * | 2019-12-06 | 2021-06-08 | 丰田自动车株式会社 | 燃料电池车的控制装置以及燃料电池车 |
WO2023075209A1 (ko) * | 2021-11-01 | 2023-05-04 | 삼성전자 주식회사 | 표면 발열을 제어하기 위한 방법, 이를 위한 전자 장치 및 저장 매체 |
CN114565182A (zh) * | 2022-03-22 | 2022-05-31 | 南通大学 | 一种基于非支配排序遗传优化双向长短时记忆神经网络的电力设备温度预测方法 |
CN115659790A (zh) * | 2022-10-13 | 2023-01-31 | 厦门宇电自动化科技有限公司 | 一种动力电池包的温度实时检测方法 |
CN116149397A (zh) * | 2023-04-20 | 2023-05-23 | 福建天甫电子材料有限公司 | 电子级双氧水存储的温度自适应控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117613326A (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102355671B (zh) | 可用频谱的确定方法和设备 | |
CN113438687B (zh) | 一种基站唤醒方法、装置及设备 | |
CN107734595B (zh) | 接入控制方法及装置、系统 | |
CN111143165A (zh) | 一种监控方法及装置 | |
CN111050387B (zh) | 基于能效估计的基站休眠方法、装置、电子设备及介质 | |
EP3266259B1 (en) | Enable access point availability prediction | |
CN111031519A (zh) | 一种基于边缘计算的终端接入认证方法及装置 | |
CN110730212A (zh) | 一种数据处理方法及装置 | |
CN117613326B (zh) | 一种基于区域温度的燃料电池控制方法 | |
US20180054393A1 (en) | Method and apparatus for communicating over networks | |
CN116308066B (zh) | 基于物联网的仓储管理方法及装置 | |
CN107566156B (zh) | 一种省电模式的切换方法及装置 | |
CN117499979A (zh) | 一种相控阵天线的目标探测方法及装置 | |
CN116470607B (zh) | 一种电池组功率的分配方法、装置、设备及存储介质 | |
CN109788541A (zh) | Phr上报的方法和用户设备 | |
CN117591304B (zh) | 基于计算机视觉的机房高效能耗控制方法及系统 | |
CN115915405A (zh) | 针对键合丝设备集群的控制方法及装置 | |
CN116996565B (zh) | 边缘物联代理实体的可靠接入方法、装置及存储介质 | |
CN114980182A (zh) | 基站控制方法、装置、非易失性存储介质及电子设备 | |
CN117202311B (zh) | 边缘物联代理实体的配网方法、系统及设备 | |
CN113790392A (zh) | 制氢系统的调控方法、装置、存储介质及制氢系统 | |
KR20180072318A (ko) | 데이터 왜곡을 방지할 수 있는 사물 인터넷 네트워크 시스템 | |
CN117768247B (zh) | 市场交易物联网数据的安全性检测方法、装置和电子设备 | |
KR20140037521A (ko) | 게이트웨이 및 이의 자원 할당 방법 | |
Yao et al. | Intelligent Sensing and Communication assisted Pedestrians Recognition in Vehicular Networks: An Effective Throughput Maximization Approach |
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 |