KR102042077B1 - 인공지능형 연료전지 시스템 - Google Patents

인공지능형 연료전지 시스템 Download PDF

Info

Publication number
KR102042077B1
KR102042077B1 KR1020160123125A KR20160123125A KR102042077B1 KR 102042077 B1 KR102042077 B1 KR 102042077B1 KR 1020160123125 A KR1020160123125 A KR 1020160123125A KR 20160123125 A KR20160123125 A KR 20160123125A KR 102042077 B1 KR102042077 B1 KR 102042077B1
Authority
KR
South Korea
Prior art keywords
fuel cell
state
data
cell stack
unit
Prior art date
Application number
KR1020160123125A
Other languages
English (en)
Other versions
KR20180033766A (ko
Inventor
공창선
양재춘
Original Assignee
주식회사 엘지화학
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 엘지화학 filed Critical 주식회사 엘지화학
Priority to KR1020160123125A priority Critical patent/KR102042077B1/ko
Priority to CN201780059408.8A priority patent/CN109792063B/zh
Priority to PCT/KR2017/010088 priority patent/WO2018056639A2/ko
Priority to JP2019500363A priority patent/JP6907300B2/ja
Priority to US16/067,000 priority patent/US10901038B2/en
Priority to EP17853353.5A priority patent/EP3486987B1/en
Publication of KR20180033766A publication Critical patent/KR20180033766A/ko
Application granted granted Critical
Publication of KR102042077B1 publication Critical patent/KR102042077B1/ko

Links

Images

Classifications

    • 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]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • 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
    • H01M8/04305—Modeling, demonstration models of fuel cells, e.g. for training purposes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
    • B60L3/0053—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to fuel cells
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/30—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling fuel cells
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • 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
    • H01M8/0432—Temperature; Ambient 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
    • H01M8/04313—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
    • H01M8/0438—Pressure; Ambient pressure; Flow
    • 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
    • H01M8/04492—Humidity; Ambient humidity; Water content
    • 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
    • H01M8/04537—Electric variables
    • H01M8/04544—Voltage
    • 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
    • H01M8/04537—Electric variables
    • H01M8/04574—Current
    • 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
    • H01M8/04664—Failure or abnormal function
    • H01M8/04679—Failure or abnormal function of fuel cell stacks
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/46—Control modes by self learning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/50—Control modes by future state prediction
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/40—Application of hydrogen technology to transportation, e.g. using fuel cells

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Mechanical Engineering (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Fuzzy Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Fuel Cell (AREA)

Abstract

본 발명의 일 실시예에 따른 인공지능형 연료전지 시스템은, 전기화학 반응으로 전기 에너지를 생성시키기 위한 복수개의 단위 전지들이 결합된 연료전지 스택, 연료전지 스택을 구성하는 각각의 단위 전지, 반응 기체 및 냉각수의 온도, 압력, 습도, 유량에 관한 데이터 및 연료전지 운전 중 전류, 전압 데이터를 실시간으로 측정하기 위한 센서부, 센서부를 통하여 측정된 데이터를 일정 시간 간격으로 수집하고, 수집된 데이터에 대한 학습 및 분석을 통하여 연료전지의 성능 예측 및 제어를 위한 모델을 생성하고, 생성된 모델과 실시간으로 측정된 데이터를 비교하여 연료전지 스택의 상태를 진단하고, 연료전지 스택의 운전 조건을 변경하기 위한 제어 신호를 생성하는 인공지능부 및 생성된 제어 신호에 따라서 연료전지 스택의 운전 조건을 변경시키는 제어부를 포함할 수 있다.

Description

인공지능형 연료전지 시스템{INTELLIGENT FUEL CELL SYSTEM}
본 발명은 인공지능형 연료전지 시스템에 관한 것으로서, 더욱 상세하게는 일정 시간 간격으로 수집된 데이터를 기계 학습 및 시계열 분석을 이용하여 학습하고 분석하여 연료전지의 성능 예측 및 제어를 위한 모델을 생성하고, 생성된 모델과 측정된 데이터를 비교하여 연료전지 스택의 시간에 따른 성능변화 상태를 일시적, 단기적 성능저하 상태와 장기적, 비가역적 성능저하 상태로 각각 구별하여 진단하고, 진단된 연료전지 스택의 상태에 따라서 연료전지 스택의 운전 조건을 변경하기 위한 제어 신호를 생성하는 인공지능형 연료 전지 시스템에 관한 것이다.
연료전지(Fuel cell)는 수소와 산소를 연료로 전기화학적으로 반응시켜 화학 에너지를 직접 전기 에너지로 변환시키는 발전 장치이다. 따라서, 연료전지는 발전 특성상 열기관과 같은 열역학적인 제한을 받지 않으며, 석탄, 석유 등의 화석 연료를 사용하지 않으므로 환경 오염, 소음 등이 발생할 염려가 적어서 차세대 에너지원으로 각광받고 있다.
그러나, 연료전지 운전 중 발생하는 전류-전압, 전류-전력간의 비선형적, 비가역적 상관관계가 만드는 복잡성은 성능의 정확한 예측과 최적운전을 위한 제어를 어렵게 하고 있다. 특히, 연료전지의 운전을 위한 종래의 모델 기반 제어 시스템은 최적화되지 않은 운전조건하에서 발생하는 일시적 성능저하와 장기운전에 의한 열화 및 내구성 감소에 따른 성능저하를 동시에 고려하지 않고 있으며, 그 차이를 구분하지 않는 문제점이 존재하였다.
즉, 최적화되지 않은 조건하에서의 운전은 연료전지 내부의 물 생성에 따른 플러딩(Flooding), 전해질막의 건조, 반응기체 유량 부족 등에 의해 일시적인 성능의 저하를 유발하고, 그 상태가 지속될 경우 연료전지 시스템의 열화 및 내구성 감소를 가속화시키기 때문에, 신속하게 연료전지의 이상 상태를 감지하고, 성능의 예측제어가 필요하다.
또한, 연료전지의 내구성 향상을 위해서, 일시적이고 회복가능한 성능저하의 진단과 함께 장기적 성능감소 정도를 고려한 운전조건의 최적화 및 그 제어 알고리즘이 요구된다.
본 발명은 상기와 같은 문제점을 해결하기 위해 창안된 것으로, 일정 시간 간격으로 수집된 데이터를 기계 학습 및 시계열 분석을 이용하여 학습하고, 분석하여 연료전지의 성능 예측 및 제어를 위한 모델을 생성하고, 생성된 모델과 측정된 데이터를 비교하여 연료전지 스택의 시간에 따른 성능변화 상태를 일시적, 단기적 성능저하 상태와 장기적, 비가역적 성능저하 상태로 각각 구별하여 진단하고, 진단된 연료전지 스택의 상태에 따라서 연료전지 스택의 운전 조건을 변경하기 위한 제어 신호를 생성하는 인공지능형 연료 전지 시스템을 제공하는데 그 목적이 있다.
본 발명의 일 실시예에 따른 인공지능형 연료전지 시스템은, 전기화학 반응으로 전기 에너지를 생성시키기 위한 복수개의 단위 전지들이 결합된 연료전지 스택, 연료전지 스택을 구성하는 각각의 단위 전지, 반응 기체 및 냉각수의 온도, 압력, 습도, 유량에 관한 데이터 및 연료전지 운전 중 전류, 전압 데이터를 실시간으로 측정하기 위한 센서부, 센서부를 통하여 측정된 데이터를 일정 시간 간격으로 수집하고, 수집된 데이터에 대한 학습 및 분석을 통하여 연료전지의 성능 예측 및 제어를 위한 모델을 생성하고, 생성된 모델과 실시간으로 측정된 데이터를 비교하여 연료전지 스택의 상태를 진단하고, 연료전지 스택의 운전 조건을 변경하기 위한 제어 신호를 생성하는 인공지능부 및 생성된 제어 신호에 따라서 연료전지 스택의 운전 조건을 변경시키는 제어부를 포함할 수 있다.
또한, 본 발명의 일 실시예에 따른 인공지능부는 센서부를 통하여 실시간 측정된 온도, 압력, 습도, 유량, 전류, 전압에 관한 데이터를 일정 시간 간격으로 수집하는 데이터 수집부, 일정 시간 간격으로 수집된 데이터를 기계 학습 및 시계열 분석을 이용하여 학습하고, 분석하여 연료전지의 성능 예측 및 제어를 위한 모델을 생성하는 데이터 학습 및 모델 생성부 및 생성된 모델과 측정된 데이터를 비교하여 연료전지 스택의 시간에 따른 성능변화 상태를 제 1 상태와 제 2 상태로 각각 구별하여 진단하고, 진단된 연료전지 스택의 상태에 따라서 연료전지 스택의 운전 조건을 변경하기 위한 제어 신호를 생성하여 제어부로 하여금 연료전지 스택의 운전 조건을 변경하게 하는 성능예측 및 진단부를 포함하며, 제 1 상태는 일시적, 단기적 성능저하 상태이고, 제 2 상태는 장기적, 비가역적 성능저하 상태를 포함할 수 있다.
또한, 본 발명의 일 실시예에 따른 데이터 학습 및 모델 생성부는, 일정 시간 간격으로 수집된 데이터를 기계 학습 알고리즘을 통해 성능의 예측을 위한 모델을 생성하고, 성능예측 및 진단부로 하여금 생성된 모델로부터의 예측값과 측정된 데이터의 측정값을 비교하여 연료전지 스택의 상태를 진단하게 하는 기계 학습부 및 예측값 및 측정값들을 이용하여 시간 추이 패턴을 분석하는 시계열 추세 분석을 수행하여, 성능예측 및 진단부로 하여금 연료전지 스택의 시간에 따른 성능변화 상태를 제 1 상태와 제 2 상태로 각각 구별하여 진단하는 시계열 분석부를 포함하며, 제 1 상태는 일시적, 단기적 성능저하 상태이고, 제 2 상태는 장기적, 비가역적 성능저하 상태를 포함할 수 있다.
또한, 본 발명의 일 실시예에 따른 기계 학습부는, 예측값과 측정값의 차이인 분산값(variance)을 피드백(feedback) 하여 생성된 예측 모델을 보정하고, 성능예측 및 진단부로 하여금 보정된 예측 모델을 이용하여 연료전지 스택의 시간에 따른 성능변화 상태를 진단하게 할 수 있다.
본 발명의 일 실시예에 따른 인공지능형 연료전지 시스템의 제어 방법은, 연료전지 스택을 구성하는 각각의 단위 전지, 반응 기체 및 냉각수의 온도, 압력, 습도, 유량에 관한 데이터 및 연료전지 운전 중 전류, 전압 데이터를 실시간 측정하는 단계, 측정된 데이터를 일정 시간 간격으로 수집하고, 수집된 데이터에 대한 학습 및 분석을 통하여 연료전지의 성능 예측 및 제어를 위한 모델을 생성하는 단계, 생성된 모델과 실시간으로 측정된 데이터를 비교하여 연료전지 스택의 상태를 진단하는 단계, 진단된 상태에 따라서 연료전지 스택의 운전 조건을 변경하기 위한 제어 신호를 생성하는 단계 및 생성된 제어 신호에 따라서 연료전지 스택의 운전 조건을 변경하는 단계를 포함할 수 있다.
또한, 본 발명의 일 실시예에 따른 성능 예측 및 제어를 위한 모델을 생성하는 단계는, 일정 시간 간격으로 수집된 데이터를 기계 학습 알고리즘을 통한 기계 학습 및 시계열 추세 분석을 통한 시계열 분석을 이용하여 학습하고, 분석하여, 연료전지의 성능 예측 및 제어를 위한 모델을 생성하는 단계를 포함하고, 연료전지 스택의 상태를 진단하는 단계는, 생성된 모델과 측정된 데이터를 비교하여 연료전지 스택의 시간에 따른 성능변화 상태를 제 1 상태와 제 2 상태로 각각 구별하여 진단하는 단계를 포함하고, 제 1 상태는 일시적, 단기적 성능저하 상태이고, 제 2 상태는 장기적, 비가역적 성능저하 상태를 포함할 수 있다.
또한, 본 발명의 일 실시예에 따른 인공지능형 연료전지 시스템의 제어 방법에 있어서, 생성된 모델의 예측값과 실기간 측정된 측정값의 차이인 분산값(variance)을 피드백(feedback) 하여 생성된 예측 모델을 보정하는 단계 및 보정된 예측 모델을 이용하여 연료전지 스택의 시간에 따른 성능변화 상태를 제 1 상태와 제 2 상태로 각각 구별하여 진단하는 단계를 더 포함하고, 제 1 상태는 일시적, 단기적 성능저하 상태이고, 제 2 상태는 장기적, 비가역적 성능저하 상태를 포함할 수 있다.
한편, 본 발명의 일 실시예로써, 전술한 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체가 제공될 수 있다.
본 발명의 일 실시예에 따른 인공지능형 연료전지 시스템은 기계 학습부 및 시계열 분석부를 통하여 일정 시간 간격으로 수집된 연료전지 데이터를 기계 학습, 시계열 추세 분석함으로써 연료전지 성능 예측 모델 및 제어 모델을 생성할 수 있다.
또한, 본 발명의 일 실시예에 따른 인공지능형 연료전지 시스템은 기계 학습부 및 시계열 분석부를 통한 기계 학습 및 시계열 분석을 함으로써, 현재 연료전지 스택의 상태가 정상 상태인지 비정상 상태인지를 진단할 수 있다.
또한, 본 발명의 일 실시예에 따른 인공지능형 연료전지 시스템은 추세선을 이용한 시계열 추세 분석을 통하여 연료전지 스택의 시간에 따른 성능저하 상태를 일시적, 단기적 성능저하 상태와 장기적, 비가역적 성능저하 상태로 각각 구별하여 진단할 수 있다.
또한, 본 발명의 일 실시예에 따른 인공지능형 연료전지 시스템은 기계 학습 알고리즘 및 시계열 분석을 통하여 생성된 예측 모델의 예측값과 측정값의 차이를 분산값으로 계산하고, 분산값을 계속 피드백함으로써 연료전지 성능 예측 모델을 보정할 수 있으므로, 연료전지 스택의 시간에 따른 성능변화 상태를 좀 더 정확하게 진단할 수 있고, 상태 진단에 따른 연료전지 운전 조건을 최적화 할 수 있다.
도 1은 본 발명의 일 실시예에 따른 인공지능형 연료전지 시스템의 구성을 나타낸 블록도이다.
도 2는 본 발명의 일 실시예에 따른 연료전지 스택에 설치된 센서부의 구성을 개략적으로 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른 인공지능부의 구성을 나타낸 블록도이다.
도 4는 본 발명의 일 실시예에 따른 센서부로부터 측정되어 수집된 데이터의 구조를 행렬로 나타낸 도면이다.
도 5는 본 발명의 일 실시예에 따른 인공지능형 연료전지 시스템의 제어방법을 나타낸 순서도이다.
도 6은 본 발명의 일 실시예에 따른 기계 학습부를 통한 연료전지 성능 예측모델 및 제어모델을 보정하는 방법을 나타낸 순서도이다.
도 7은 본 발명의 일 실시예에 따른 전류밀도 시계열 데이터의 추세 분석을 통해서 단기적 성능저하 상태와 장기적 성능저하 상태를 나타낸 그래프이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.
본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 명세서 전체에서 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, "그 중간에 다른 소자를 사이에 두고" 연결되어 있는 경우도 포함한다.
이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 인공지능형 연료전지 시스템(1000)의 구성을 나타낸 블록도이고, 도 2는 본 발명의 일 실시예에 따른 연료전지 스택(100)에 설치된 센서부(200)의 구성을 개략적으로 나타낸 도면이다.
도 1을 참조하면, 인공지능형 연료전지 시스템(1000)은 연료전지 스택(100), 센서부(200), 인공지능부(300) 및 제어부(400)를 포함할 수 있다.
본 발명의 일 실시예에 따른 연료전지 스택(100)은 전기화학 반응으로 전기 에너지를 생성시키기 위한 복수개의 단위 전지들이 결합된 장치로, 복수개의 단위 전지들이 적층하여 형성됨으로써 자동차와 같은 장치에 필요한 전력을 공급할 수 있다. 여기에서, 단위 전지는 전기화학 반응으로 전기 에너지를 생성하면서 물과 열을 부산물로 생산하며, 애노드 분리판, 캐소드 분리판, 개스킷 등을 포함할 수 있다.
본 발명의 일 실시예에 따른 센서부(200)는 연료전지 스택(100)을 구성하는 각각의 단위 전지, 반응 기체 및 냉각수의 온도, 압력, 습도, 유량에 관한 데이터 및 연료전지 운전 중 전류, 전압 데이터를 실시간으로 측정할 수 있다.
도 2를 참조하면, 센서부(200)는 연료전지 스택(100)에 공급되는 반응 기체(연료), 냉각수 및 각각의 단위 전지의 온도, 압력, 습도, 유량 등에 관한 데이터를 연료전지 스택의 입구 및 출구를 포함하는 여러 위치에서 실시간으로 측정할 수 있다. 예를 들어, 단위 전지의 양극, 음극에서 또는 연료전지 스택의 각각의 단위 전지마다 또는 연료전지 스택 전체에 대해서 온도, 압력, 습도, 유량 등에 관한 데이터를 측정할 수 있다.
또한, 센서부(200)는 연료전지 스택(100)의 운전 중 발생하는 전류(밀도), 전압 데이터 또는 전류, 전압 데이터의 변화도 각각의 단위 전지마다 또는 연료전지 스택 전체에 대하여 실시간으로 측정할 수 있다.
본 발명의 일 실시예에 따른 인공지능부(300)는 센서부(200)를 통하여 측정된 데이터를 일정 시간 간격으로 수집하고, 수집된 데이터에 대한 학습 및 분석을 통하여 연료전지의 성능 예측 및 제어를 위한 모델을 생성할 수 있다. 예를 들어, 인공지능부(300)는 센서부(200)를 통하여 측정된 각각의 단위 전지, 반응 기체 및 냉각수의 온도, 압력, 습도, 유량에 관한 데이터 및 연료전지 운전 중 전류, 전압 데이터를 일정 시간 간격으로 수집할 수 있고, 수집된 모든 데이터는 시계열 데이터의 형태로 저장될 수 있다. 여기에서 일정 시간 간격은 1초 단위부터 분, 시, 일, 월, 년 단위까지 연료전지 운전 시간 일부 또는 전부를 포함할 수 있다.
또한, 인공지능부(300)는 수집된 데이터를 기계 학습 및 시계열 분석 등의 방법을 사용하여 학습 및 분석함으로써, 연료전지의 성능 예측 및 제어를 위한 모델을 생성할 수 있고, 생성된 성능 예측 및 제어를 위한 모델을 실시간 측정된 데이터와 비교하여 연료전지 스택(100)의 상태를 진단하고, 연료전지 스택(100)의 운전 조건을 변경하기 위한 제어 신호를 생성할 수 있다.
즉, 연료전지의 성능(I-V)에 영향을 주는 실시간 운전 데이터는 복잡성과 상호 의존성을 포함하기 때문에, 이를 예측할 수 있는 성능 예측 및 제어를 위한 모델의 생성을 위해서는 다수의 상관관계를 설명할 수 있는 기계 학습 기반 모델링이 적용될 수 있다.
또한, 운전 시간이 길어질수록 연료전지의 열화에 의한 성능저하가 발생할 수 있으며, 이는 일시적인 성능저하 현상과 구별되어야 하므로, 단일 기계 학습 알고리즘의 적용을 통해서는 일시적, 단기적 성능저하 상태와 장기적, 비가역적 성능저하 상태를 구별하기 어려울 수 있다. 즉, 일시적인 성능저하 현상과 장기적 성능저하 현상을 구별하기 위해서는 시계열 분석을 통한 시계열 데이터의 패턴 분석을 기계 학습 알고리즘과 복합적으로 사용함으로써, 연료전지 스택(100)의 상태를 정확하게 진단하여, 진단 상태에 따른 최적화된 제어 신호를 생성할 수 있다.
도 3은 본 발명의 일 실시예에 따른 인공지능부(300)의 구성을 나타낸 블록도이다.
도 3을 참조하면, 인공지능부(300)는 데이터 수집부(320), 데이터 학습 및 모델 생성부(340), 성능 예측 및 진단부(360)를 포함할 수 있고, 데이터 학습 및 모델 생성부(340)는 기계 학습부(342) 및 시계열 분석부(344)를 포함할 수 있다.
본 발명의 일 실시예에 따른 데이터 수집부(320)는 센서부(200)를 통하여 실시간 측정된 각각의 단위 전지, 반응 기체 및 냉각수의 온도, 압력, 습도, 유량에 관한 데이터 및 연료전지 운전 중 전류, 전압 데이터를 일정 시간 간격으로 수집할 수 있다. 데이터 수집부(320)는 시계열 분석을 위해서 측정된 모든 데이터를 시계열 데이터의 형태로 시간대별로 저장할 수 있고, 1초 단위부터 년 단위까지 데이터 저장 시간 간격을 조절할 수 있고, 연료전지 운전시간 일부 또는 전부를 포함할 수 있다.
데이터 학습 및 모델 생성부(340)는 일정 시간 간격으로 수집된 데이터를 이용하여, 연료전지의 성능 예측 및 제어를 위한 모델을 생성할 수 있는데, 기계 학습부(342)는 다변수 상관관계를 통한 기계 학습을 통하여 성능예측 및 제어를 위한 모델링을 가능하게 하며, 시계열 분석부(344)는 시계열 데이터의 패턴분석을 통하여 연료전지의 상태를 시계열 추세 분석함으로써, 연료전지 스택(100)의 시간에 따른 성능예측 및 제어를 위한 모델을 생성할 수 있다.
즉, 본 발명의 일 실시예에 따른 기계 학습부(342)는 일정 시간 간격으로 수집된 데이터를 기계 학습 알고리즘을 통해 성능의 예측을 위한 모델을 생성하고, 성능예측 및 진단부(360)로 하여금 생성된 모델로부터의 예측값과 측정된 데이터의 측정값을 비교하여 연료전지 스택(100)의 상태를 진단하게 할 수 있다.
예를 들어, 기계 학습부(342)는 일정 시간 간격으로 수집된 온도, 압력, 습도, 유량에 관한 데이터 및 연료전지 운전 중 전류, 전압 데이터를 행렬 구조로서 데이터 구조를 생성하고, 여러 가지 기계 학습 알고리즘을 적용하여 성능 예측 모델을 생성할 수 있다. 또한, 기계 학습부(342)는 성능예측 및 진단부(360)로 하여금 성능 예측 모델에서의 예측값과 센서부(200)를 통하여 실시간 측정된 측정값들을 비교하여, 예측값과 측정값의 차이로서 연료 전지 스택의 상태가 정상 상태인지 또는 플러딩(flooding), 전해질막의 건조, 반응기체 유량 부족 등의 비정상 상태인지를 판단하게끔 할 수 있다.
또한, 기계 학습부(342)는 진단된 연료 전지 스택(100)의 상태가 정상 상태인지 또는 비정상 상태인지에 따른 운전 조건 변화에 대한 판단, 즉 제어부(400)를 제어하는 제어 신호를 유지시킬지 또는 변화시킬지에 대한 판단을 제공할 수 있다.
본 발명의 일 실시예에 따른 시계열 분석부(344)는 예측값 및 측정값들을 이용하여 시간 추이 패턴을 분석하는 시계열 추세 분석을 수행하여, 성능예측 및 진단부(360)로 하여금 연료전지 스택(100)의 시간에 따른 성능변화 상태를 일시적, 단기적 성능저하 상태와 열화에 의한 장기적, 비가역적 성능저하 상태의 두 가지 다른 상태로 구별하여 진단하게끔 할 수 있다.
예를 들어, 시계열 분석부(344)는 기계 학습부(342)를 통해서 생성된 성능 예측 모델의 예측값 및 센서부(200)를 통해서 측정된 측정값들을 이용하여 시간 추이 패턴 분석을 수행함으로써, 성능예측 및 진단부(360)로 하여금 시계열적으로 연료전지 스택(100)에서 일시적으로 성능저하가 나타나는 단기적 성능저하 상태 구간과 열화에 의한 비가역적 성능저하가 발생하는 장기적 성능저하 상태 구간을 구별하게끔 할 수 있다. 여기에서 일시적, 단기적 성능저하 상태 구간은 일시적으로는 성능저하가 나타나지만, 제어를 통한 운전 조건의 변경 후 소정의 시간이 흐른 뒤에는 정상 상태로 성능이 회복될 수 있는 구간으로 가역적인 성능저하가 나타나는 구간을 의미할 수 있다.
도 4는 본 발명의 일 실시예에 따른 센서부(200)로부터 측정되어 수집된 데이터의 구조를 행렬로 나타낸 도면이다.
도 4를 참조하면, 행렬 T의 각 열들(t1, t2, ...)은 시간열을 나타내고, 행렬 X의 각 열은 센서부(200)에 의해 시간대별로 측정된 연료전지 스택(100)의 여러 지점의 온도, 압력, 유량, 습도 등의 데이터를 나타낸다. 또한, 행렬 X의 한 열은 각 시간대별로 측정된 전류(밀도)의 시계열 데이터를 포함할 수 있다. 행렬 Y는 각 시간대별로 측정된 셀전압(V), 전류밀도(I), 출력밀도(power density) 중 어느 한 변수의 시간대별 측정을 나타낸다.
또한, 행렬 X와 Y로 구성된 데이터 구조(510)는 기계 학습 알고리즘을 통해 예측 모델을 만들기 위한 데이터 구조를 나타낸다. 즉, 행렬 X와 Y로 구성된 데이터 구조(510)는 X→Y, Y=f(X)를 만들기 위한 데이터 구조를 나타낼 수 있다. 예측 모델 Y=f(X)는 적용되는 기계 학습 알고리즘에 따라서
Figure 112016092985734-pat00001
와 같은 선형 회귀모델을 포함하여 다양한 형태를 가질 수 있다.
기계 학습 예측모델은 다음의 <수학식 1>과 같이 나타낼 수 있다.
Figure 112016092985734-pat00002
또한, 행렬 X와 Y 및 T로 구성된 데이터 구조(530)는 시계열 분석(time series analysis)을 위한 데이터 구조를 나타내며, (T,X,Y) 또는 (T,X) 또는 (T,Y)로 구성될 수 있다.
시계열 모델은 다음의 <수학식 2>와 같이 나타낼 수 있다.
Figure 112016092985734-pat00003
또한, 본 발명의 일 실시예에 따른 기계 학습부(342)는 예측값과 측정값의 차이인 분산값(variance)을 피드백(feedback) 하여 생성된 예측 모델을 보정하고, 성능예측 및 진단부(360)로 하여금 보정된 예측 모델을 이용하여 연료전지 스택(100)의 시간에 따른 성능변화 상태를 진단하게 할 수 있다.
즉, 기계 학습부(342)는 기계 학습 알고리즘 및 시계열 분석을 통하여 생성된 예측 모델의 예측값과 센서부(200)를 통해서 측정한 측정값의 차이를 분산값으로 계산하고, 분산값을 계속 피드백함으로써 연료전지 예측 모델을 보정할 수 있다. 즉, 성능예측 및 진단부(360)가 보정된 연료전지 예측 모델에 따라서 연료전지 스택(100)의 시간에 따른 성능변화 상태를 진단하게 되므로, 좀 더 정확하게 연료전지의 상태를 진단할 수 있다.
본 발명의 일 실시예에 따른 성능예측 및 진단부(360)는 기계 학습부(342) 및 시계열 분석부(344)의 학습, 분석에 따라서 생성된 연료전지 예측 및 제어 모델에 따라서 연료전지 스택의 상태를 진단할 수 있다.
예를 들어, 성능예측 및 진단부(360)는 생성된 연료전지 예측 모델의 예측값과 실시간 측정된 측정값들을 비교하여 연료전지 스택의 현재 상태가 정상 상태인지 플러딩(flooding), 전해질막의 건조, 반응기체 유량의 부족 상태와 같은 비정상 상태인지 구별할 수 있다.
또한, 성능예측 및 진단부(360)는 시계열 분석부(344)의 시계열 추세 분석을 통하여 연료전지 스택(100)의 시간에 따른 성능 변화 상태를 일시적, 단기적 성능저하 상태와 장기적, 비가역적 성능저하 상태로 각각 구별하여 진단할 수 있다.
또한, 성능예측 및 진단부(360)는 진단된 연료전지 스택(100)의 상태에 따라서 연료전지 스택(100)의 운전 조건을 변경하기 위한 제어 신호를 생성할 수 있다.
본 발명의 일 실시예에 따른 제어부(400)는 인공지능부(300)가 생성한 제어 신호에 따라서 연료전지 스택(100)의 운전 조건을 변경시킬 수 있다.
예를 들어, 인공지능부(300)는 연료전지 스택(100)의 상태 진단을 통하여, 현재 연료 전지 스택(100)이 장기적, 비가역적 성능저하 상태인지 또는 일시적, 가역적 성능저하 상태인지 진단할 수 있다. 만약, 인공지능부(300)가 가역적인 성능저하 상태로 진단하였다면, 연료전지 스택(100)의 상태가 플러딩(flooding), 전해질막의 건조, 반응기체 유량의 부족 상태인지 판단할 수 있고, 일시적인 성능 저하를 회복하기 위하여 연료전지 운전 조건을 변경하기 위한 제어신호를 생성하여 제어부(400)로 전송할 수 있다. 즉, 제어부(400)는 인공지능부(300)가 생성한 제어신호에 따라서 운전 조건을 변경함으로써 플러딩(flooding), 전해질막의 건조, 반응기체 유량의 부족 상태인 연료전지 스택(100)의 성능을 회복시킬 수 있다.
도 5는 본 발명의 일 실시예에 따른 인공지능형 연료전지 시스템(1000)의 제어방법을 나타낸 순서도이다.
도 5를 참조하면, 센서부(200)는 연료전지 스택(100)을 구성하는 각각의 단위 전지, 반응 기체 및 냉각수의 온도, 압력, 습도, 유량에 관한 데이터 및 연료전지 운전 중 전류, 전압 데이터를 실시간 측정할 수 있고(S10), 데이터 수집부(320)는 측정된 데이터를 일정 시간 간격으로 수집할 수 있고, 데이터 학습 및 모델 생성부(340)는 수집된 데이터에 대한 학습 및 분석을 통하여 연료전지의 성능 예측 및 제어를 위한 모델을 생성할 수 있다(S20).
예를 들어, 센서부(200)는 연료전지 스택(100)의 입구 및 출구를 포함하는 여러 위치에서 각각의 단위 전지, 반응 기체 및 냉각수의 온도, 압력, 습도, 유량에 관한 데이터를 실시간 측정할 수 있고, 연료전지 운전 중의 전류, 전압 데이터 및 전류, 전압 데이터의 변화도 실시간 측정할 수 있다. 또한, 데이터 수집부(320)는 측정된 데이터를 1초 단위부터 분, 시, 일, 월, 년 단위까지 연료전지 운전 시간 일부 또는 전부를 포함한 시간 간격으로 수집할 수 있다. 데이터 학습 및 모델 생성부(340)는 수집된 데이터에 대하여 기계 학습 알고리즘을 통한 기계 학습 및 시계열 추세 분석을 통한 시계열 분석을 이용하여 학습하고, 분석하여, 연료전지의 성능 예측 및 제어를 위한 모델을 생성할 수 있다.
성능 예측 및 진단부(360)는 데이터 학습 및 모델 생성부(340)를 통하여 생성된 예측 모델과 실시간으로 측정된 데이터를 비교하여 연료전지 스택(100)의 상태를 진단할 수 있고(S30), 진단된 상태에 따라서 연료전지 스택의 운전 조건을 변경하기 위한 제어 신호를 생성할 수 있다(S40). 제어부(400)는 생성된 제어 신호에 따라서 연료전지 스택(100)의 운전 조건을 변경할 수 있다(S50).
예를 들어, 성능 예측 및 진단부(360)는 생성된 연료전지 성능 예측 모델의 예측값과 실시간 측정된 측정값들을 비교하여 연료전지 스택의 현재 상태가 정상 상태인지 또는 비정상 상태인지 구별할 수 있다. 또한, 성능 예측 및 진단부(360)는 시계열 분석부(344)의 시계열 추세 분석을 통하여 연료전지 스택의 시간에 따른 성능 변화 상태를 일시적, 단기적 성능저하 상태와 장기적, 비가역적 성능저하 상태로 각각 구별하여 진단할 수 있다. 또한, 성능 예측 및 진단부(360)는 연료전지 스택(100)의 현재 상태 또는 시간에 따른 성능 변화 상태에 따라서 제어 신호를 생성하고, 제어부(400)는 제어 신호에 따라서 연료전지 스택(100)의 운전 조건을 변경할 수 있다.
도 6은 본 발명의 일 실시예에 따른 기계 학습부(342)를 통한 연료전지 성능 예측모델 및 제어모델을 보정하는 방법을 나타낸 순서도이다.
도 6을 참조하면, 인공지능형 연료전지 시스템(1000)은 데이터 수집부(320)를 통해서 일정 시간 간격(hi) 동안의 연료전지 스택(100)을 구성하는 각각의 단위 전지, 반응 기체 및 냉각수의 온도, 압력, 습도, 유량에 관한 데이터 및 연료전지 운전 중 전류, 전압 데이터를 수집하고(S100), 수집된 데이터를 이용하여 연료전지 성능 예측 모델 및 제어 모델을 생성할 수 있다(S200). 여기에서 연료전지 성능 예측 모델 및 제어 모델은 수집된 데이터를 이용한 기계 학습 및 시계열 분석을 이용하여 생성될 수 있다.
인공지능형 연료전지 시스템(1000)은 생성된 연료전지 성능 예측 모델에서 전류, 전압, 출력 밀도 등의 예측값들을 산출할 수 있고(S300), 센서부(200)를 통하여 실제 측정되는 측정값을 획득할 수 있다(S400). 기계 학습부(342)는 산출한 예측값과 실제로 측정되는 측정값들을 비교하여, 그 차이인 분산값(variance)을 계산할 수 있고(S500), 분산값을 피드백(feedback) 하여 생성된 예측 모델을 보정할 수 있다(S600).
도 7은 본 발명의 일 실시예에 따른 전류밀도 시계열 데이터의 추세 분석을 통해서 단기적 성능저하 상태와 장기적 성능저하 상태를 나타낸 그래프이다.
도 7을 참조하면, 연료전지의 정전압 운전 시 출력전류밀도는 단기적으로 작은 범위 내에서 변동을 가질 수 있지만, 이는 가역적으로 회복될 수 있으며, 장기 운전에 따른 연료전지 각 부품의 열화에 의한 비가역적 성능 저하와 구별될 수 있다.
즉, 도 7의 시계열 추세 분석을 통하여 연료전지의 전류밀도의 시간에 따른 추세선을 분석하면, 가역적으로 성능 회복이 가능한 일시적, 단기적 성능저하 구간과 연료전지 부품 열화에 따른 장기적, 비가역적 성능저하 구간을 각각 구별할 수 있다. 즉, 시계열 초기의 추세(trend)는 일정 시간 경과 후에 미리 설정한 일정 기준 이상의 변이를 가져오고, 이에 따른 추세를 따를 수 있다. 따라서, 연료전지의 성능저하의 예측 및 진단을 위해서는 복수 개의 추세 모델을 구성할 수 있다.
시계열 데이터의 추세 모델은 도 7에 도시된 바와 같이 선형 모델을 사용할 수도 있으나, 연료전지의 열화 형태에 따라서 2차, 3차 또는 지수함수 모델을 적용할 수 있다.
본 발명의 일 실시예에 따른 인공지능형 연료전지 시스템(1000)의 제어 방법에 관련하여서는 전술한 인공지능형 연료전지 시스템(1000)에 대한 내용이 적용될 수 있다. 따라서, 인공지능형 연료전지 시스템(1000)의 제어 방법과 관련하여, 전술한 인공지능형 연료전지 시스템(1000)에 대한 내용과 동일한 내용에 대하여는 설명을 생략하였다.
본 발명의 일 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: 연료전지 스택 200: 센서부
300: 인공지능부 320: 데이터 수집부
340: 데이터 학습 및 모델 생성부 342: 기계 학습부
344: 시계열 분석부 360: 성능 예측 및 진단부
400: 제어부
510: 행렬 X와 Y로 구성된 데이터 구조
530: 행렬 X와 Y 및 T로 구성된 데이터 구조
1000: 인공지능형 연료전지 시스템

Claims (8)

  1. 인공지능형 연료전지 시스템에 있어서,
    전기화학 반응으로 전기 에너지를 생성시키기 위한 복수개의 단위 전지들이 결합된 연료전지 스택;
    상기 연료전지 스택을 구성하는 각각의 단위 전지, 반응 기체 및 냉각수의 온도, 압력, 습도, 유량에 관한 데이터 및 연료전지 운전 중 전류, 전압 데이터를 실시간으로 측정하기 위한 센서부;
    상기 센서부를 통하여 측정된 상기 데이터를 일정 시간 간격으로 수집하고, 상기 수집된 데이터에 대한 학습 및 분석을 통하여 연료전지의 성능 예측 및 제어를 위한 모델을 생성하고, 상기 생성된 모델과 실시간으로 측정된 데이터를 비교하여 상기 연료전지 스택의 상태를 진단하고, 상기 연료전지 스택의 운전 조건을 변경하기 위한 제어 신호를 생성하는 인공지능부; 및
    상기 생성된 제어 신호에 따라서 상기 연료전지 스택의 운전 조건을 변경시키는 제어부를 포함하되,
    상기 인공지능부는,
    상기 센서부를 통하여 실시간 측정된 온도, 압력, 습도, 유량, 전류, 전압에 관한 데이터를 일정 시간 간격으로 수집하는 데이터 수집부;
    상기 일정 시간 간격으로 수집된 데이터를 기계 학습 및 시계열 분석을 이용하여 학습하고, 분석하여 상기 연료전지의 성능 예측 및 제어를 위한 모델을 생성하는 데이터 학습 및 모델 생성부; 및
    상기 생성된 모델과 측정된 데이터를 비교하여 상기 연료전지 스택의 시간에 따른 성능변화 상태를 제 1 상태와 제 2 상태로 각각 구별하여 진단하고, 상기 진단된 연료전지 스택의 상태에 따라서 상기 연료전지 스택의 운전 조건을 변경하기 위한 제어 신호를 생성하여 상기 제어부로 하여금 상기 연료전지 스택의 운전 조건을 변경하게 하는 성능예측 및 진단부를 포함하며,
    상기 제 1 상태는 일시적, 단기적 성능저하 상태이고, 제 2 상태는 장기적, 비가역적 성능저하 상태인 인공지능형 연료전지 시스템.
  2. 삭제
  3. 제 1 항에 있어서,
    상기 데이터 학습 및 모델 생성부는
    상기 일정 시간 간격으로 수집된 데이터를 기계 학습 알고리즘을 통해 성능의 예측을 위한 모델을 생성하고, 상기 성능예측 및 진단부로 하여금 상기 생성된 모델로부터의 예측값과 측정된 데이터의 측정값을 비교하여 연료전지 스택의 상태를 진단하게 하는 기계 학습부; 및
    상기 예측값 및 측정값들을 이용하여 시간 추이 패턴을 분석하는 시계열 추세 분석을 수행하여, 상기 성능예측 및 진단부로 하여금 상기 연료전지 스택의 시간에 따른 성능변화 상태를 제 1 상태와 제 2 상태로 각각 구별하여 진단하는 시계열 분석부를 포함하며,
    상기 제 1 상태는 일시적, 단기적 성능저하 상태이고, 제 2 상태는 장기적, 비가역적 성능저하 상태인 인공지능형 연료전지 시스템.
  4. 제 3 항에 있어서,
    상기 기계 학습부는
    상기 예측값과 측정값의 차이인 분산값(variance)을 피드백(feedback) 하여 생성된 예측 모델을 보정하고, 상기 성능예측 및 진단부로 하여금 상기 보정된 예측 모델을 이용하여 상기 연료전지 스택의 시간에 따른 성능변화 상태를 진단하게 하는 인공지능형 연료전지 시스템.
  5. 인공지능형 연료전지 시스템의 제어 방법에 있어서,
    연료전지 스택을 구성하는 각각의 단위 전지, 반응 기체 및 냉각수의 온도, 압력, 습도, 유량에 관한 데이터 및 연료전지 운전 중 전류, 전압 데이터를 실시간 측정하는 단계;
    상기 측정된 데이터를 일정 시간 간격으로 수집하고, 상기 수집된 데이터에 대한 학습 및 분석을 통하여 연료전지의 성능 예측 및 제어를 위한 모델을 생성하는 단계;
    상기 생성된 모델과 실시간으로 측정된 데이터를 비교하여 상기 연료전지 스택의 상태를 진단하는 단계;
    상기 진단된 상태에 따라서 상기 연료전지 스택의 운전 조건을 변경하기 위한 제어 신호를 생성하는 단계; 및
    상기 생성된 제어 신호에 따라서 상기 연료전지 스택의 운전 조건을 변경하는 단계를 포함하되,
    상기 성능 예측 및 제어를 위한 모델을 생성하는 단계는,
    상기 일정 시간 간격으로 수집된 데이터를 기계 학습 알고리즘을 통한 기계 학습 및 시계열 추세 분석을 통한 시계열 분석을 이용하여 학습하고, 분석하여, 상기 연료전지의 성능 예측 및 제어를 위한 모델을 생성하는 단계를 포함하고,
    상기 연료전지 스택의 상태를 진단하는 단계는,
    상기 생성된 모델과 측정된 데이터를 비교하여 상기 연료전지 스택의 시간에 따른 성능변화 상태를 제 1 상태와 제 2 상태로 각각 구별하여 진단하는 단계를 포함하고,
    상기 제 1 상태는 일시적, 단기적 성능저하 상태이고, 제 2 상태는 장기적, 비가역적 성능저하 상태인 인공지능형 연료전지 시스템의 제어 방법.
  6. 삭제
  7. 제 5 항에 있어서,
    상기 생성된 모델의 예측값과 실기간 측정된 측정값의 차이인 분산값(variance)을 피드백(feedback) 하여 생성된 예측 모델을 보정하는 단계; 및
    상기 보정된 예측 모델을 이용하여 상기 연료전지 스택의 시간에 따른 성능변화 상태를 제 1 상태와 제 2 상태로 각각 구별하여 진단하는 단계를 더 포함하고,
    상기 제 1 상태는 일시적, 단기적 성능저하 상태이고, 제 2 상태는 장기적, 비가역적 성능저하 상태인 인공지능형 연료전지 시스템의 제어 방법.
  8. 제 5 항 또는 제 7 항 중 어느 한 항의 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.
KR1020160123125A 2016-09-26 2016-09-26 인공지능형 연료전지 시스템 KR102042077B1 (ko)

Priority Applications (6)

Application Number Priority Date Filing Date Title
KR1020160123125A KR102042077B1 (ko) 2016-09-26 2016-09-26 인공지능형 연료전지 시스템
CN201780059408.8A CN109792063B (zh) 2016-09-26 2017-09-14 人工智能燃料电池系统
PCT/KR2017/010088 WO2018056639A2 (ko) 2016-09-26 2017-09-14 인공지능형 연료전지 시스템
JP2019500363A JP6907300B2 (ja) 2016-09-26 2017-09-14 人工知能型燃料電池システム
US16/067,000 US10901038B2 (en) 2016-09-26 2017-09-14 Artificial intelligent fuel cell system
EP17853353.5A EP3486987B1 (en) 2016-09-26 2017-09-14 Artificially intelligent fuel cell system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160123125A KR102042077B1 (ko) 2016-09-26 2016-09-26 인공지능형 연료전지 시스템

Publications (2)

Publication Number Publication Date
KR20180033766A KR20180033766A (ko) 2018-04-04
KR102042077B1 true KR102042077B1 (ko) 2019-11-07

Family

ID=61690525

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160123125A KR102042077B1 (ko) 2016-09-26 2016-09-26 인공지능형 연료전지 시스템

Country Status (6)

Country Link
US (1) US10901038B2 (ko)
EP (1) EP3486987B1 (ko)
JP (1) JP6907300B2 (ko)
KR (1) KR102042077B1 (ko)
CN (1) CN109792063B (ko)
WO (1) WO2018056639A2 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102169040B1 (ko) * 2020-07-14 2020-10-22 지엘홀딩스 주식회사 인공 지능이 탑재된 연료 전지 제어 시스템 및 이를 이용한 제어 방법

Families Citing this family (62)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11508980B2 (en) * 2017-01-06 2022-11-22 Cummins Enterprise Llc Systems and methods for distributed fault management in fuel cell systems
EP3514737A1 (en) * 2018-01-19 2019-07-24 Siemens Aktiengesellschaft System and method for detecting and forecasting the behavior of a system
CN108710099B (zh) * 2018-05-24 2021-08-31 广东电网有限责任公司广州供电局 电容式电压互感器监测告警方法和系统
CN108960428A (zh) * 2018-06-22 2018-12-07 北京易华录信息技术股份有限公司 一种基于人工智能技术的路网运行知识库构建方法
AT522011A3 (de) * 2018-12-20 2021-03-15 Avl List Gmbh Betriebsvorrichtung, Brennstoffzellensystem, Kraftfahrzeug und Verfahren zum Betreiben eines Brennstoffzellensystems
CN109978252B (zh) * 2019-03-22 2023-08-15 广东云韬氢能科技有限公司 一种大功率集成燃料电池系统运行状态预测评估方法
US11029294B2 (en) 2019-04-05 2021-06-08 Honeywell International Inc. Method and apparatus for measuring humidity using an electrochemical gas sensor
US11507861B2 (en) * 2019-05-06 2022-11-22 Sweetsense, Inc. Machine learning techniques for improved water conservation and management
KR102046536B1 (ko) * 2019-08-01 2019-11-19 서울대학교산학협력단 연료전지 열관리 시스템의 고장 진단 방법
CN112751063B (zh) * 2019-10-31 2022-07-22 长城汽车股份有限公司 燃料电池的控制方法与装置、电池管理系统和车辆
CN110828866B (zh) * 2019-11-15 2023-01-31 上海电气集团股份有限公司 车载燃料电池的冷却循环系统及其控制方法
KR102152020B1 (ko) * 2019-12-05 2020-09-10 (주)프라즈마 사이언스 전류 차단에 기반한 자가 진단에 따라 운전 모드를 제어하는 연료 전지 시스템
KR102216849B1 (ko) * 2019-12-05 2021-02-18 (주)프라즈마 사이언스 연료 전지를 효율적으로 운용하는 제어 시스템
KR102152219B1 (ko) * 2019-12-05 2020-09-04 (주)프라즈마 사이언스 운전중 출력전류 지령치에 작은 전류 사인파를 혼합하여 이에 따른 출력전압 변동을 이용한 자가 진단에 따라 운전 모드를 제어하는 연료 전지 시스템
KR102216850B1 (ko) * 2019-12-05 2021-02-18 (주)프라즈마 사이언스 인공지능 기반의 연료 전지 관리 시스템
KR102219860B1 (ko) * 2019-12-05 2021-02-24 (주)프라즈마 사이언스 자가 진단 모드를 구현하는 연료전지 시스템
KR102216851B1 (ko) * 2019-12-05 2021-02-18 (주)프라즈마 사이언스 Mbop를 제어하는 연료 전지 시스템
JP7314822B2 (ja) 2020-02-06 2023-07-26 トヨタ自動車株式会社 バッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラム
US11394774B2 (en) * 2020-02-10 2022-07-19 Subash Sundaresan System and method of certification for incremental training of machine learning models at edge devices in a peer to peer network
DE102020202878A1 (de) 2020-03-06 2021-09-09 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zu einer Betriebsüberwachung zumindest einer Brennstoffzellenvorrichtung und Brennstoffzellenvorrichtung
JP7293156B2 (ja) * 2020-03-13 2023-06-19 株式会社東芝 情報処理装置、情報処理方法およびプログラム
JP2021158017A (ja) * 2020-03-27 2021-10-07 東京瓦斯株式会社 燃料電池コージェネレーションシステムの制御装置
KR102191146B1 (ko) * 2020-04-14 2020-12-15 (주)프라즈마 사이언스 직/병렬 dc-dc 컨버터 장치 및 연료전지 시스템
US20210383200A1 (en) * 2020-06-05 2021-12-09 PassiveLogic, Inc. Neural Network Methods for Defining System Topology
JP7441121B2 (ja) * 2020-06-05 2024-02-29 本田技研工業株式会社 電力調整システム、電力調整方法、及びプログラム
CN114094150B (zh) * 2020-06-29 2023-11-17 中国科学院大连化学物理研究所 一种基于机器学习的液流电池电堆最优操作条件预测方法
DE102020208502A1 (de) * 2020-07-07 2022-01-13 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Betrieb eines Brennstoffzellensystems
CN111816897A (zh) * 2020-07-22 2020-10-23 上海骥翀氢能科技有限公司 一种燃料电池电堆性能检测方法
DE102020210082B4 (de) 2020-08-10 2024-03-28 Robert Bosch Gesellschaft mit beschränkter Haftung Vorrichtung und computerimplementiertes Verfahren zum Betreiben eines Brennstoffzellensystems
DE102020210081A1 (de) 2020-08-10 2022-02-10 Robert Bosch Gesellschaft mit beschränkter Haftung Vorrichtung und computerimplementiertes Verfahren zum Betreiben eines Brennstoffzellensystems
KR102190845B1 (ko) * 2020-08-21 2020-12-14 주식회사 아이씨티솔루션스 Ai기반 건물 전력부하 예측을 통한 연료전지 발전시스템 운전제어방법
US20220057451A1 (en) * 2020-08-21 2022-02-24 Carnegie Mellon University System and method for estimation of battery state and health
KR102219863B1 (ko) * 2020-08-31 2021-02-24 (주)프라즈마 사이언스 이더넷 망을 이용하는 연료 전지 시스템
KR102219866B1 (ko) * 2020-08-31 2021-02-24 (주)프라즈마 사이언스 출력전압에 기반하여 자가 진단을 수행하는 연료전지 시스템
KR102216852B1 (ko) * 2020-08-31 2021-02-18 (주)프라즈마 사이언스 인공지능 기반의 연료 전지 시스템
KR102216853B1 (ko) * 2020-08-31 2021-02-18 (주)프라즈마 사이언스 플랜트의 운전 방식을 설정하는 연료 전지 시스템
JP7389727B2 (ja) 2020-09-07 2023-11-30 東京瓦斯株式会社 故障診断装置、故障診断システム、及び故障診断プログラム
JP7404196B2 (ja) 2020-09-07 2023-12-25 東京瓦斯株式会社 故障診断装置、故障診断システム、及び故障診断プログラム
JP7404197B2 (ja) 2020-09-07 2023-12-25 東京瓦斯株式会社 故障診断装置、故障診断システム、及び故障診断プログラム
DE102020124076A1 (de) 2020-09-16 2022-03-17 Audi Aktiengesellschaft Temperatursteuervorrichtung mit Sensorplausibilisierung
CN112363060B (zh) * 2020-11-11 2024-05-03 集美大学 固体氧化物燃料电池电压预测方法、终端设备及存储介质
CN112615030B (zh) * 2020-12-10 2022-04-01 全球能源互联网研究院有限公司 一种固定式发电用燃料电池机组控制系统及控制方法
JP7472773B2 (ja) 2020-12-18 2024-04-23 トヨタ自動車株式会社 燃料電池の出力電圧予測システムおよび予測方法
AT524724A1 (de) * 2021-02-08 2022-08-15 Avl List Gmbh Testverfahren für ein virtuelles Testen einer Brennstoffzelle
CN113002367B (zh) * 2021-02-22 2023-03-21 深兰科技（上海）有限公司 车载燃料电池系统的控制方法及相关装置
CN113064013A (zh) * 2021-03-31 2021-07-02 广东电网有限责任公司 一种避雷器状态监测方法、装置及系统
DE102021203576A1 (de) 2021-04-12 2022-10-13 Robert Bosch Gesellschaft mit beschränkter Haftung Kombinationsvorrichtung und Verfahren zum Betrieb einer Kombinationsvorrichtung
CN112993345B (zh) * 2021-04-21 2022-05-03 北京氢澜科技有限公司 基于人工智能的燃料电池控制系统及控制方法
DE102021120586A1 (de) * 2021-08-09 2023-02-09 Bayerische Motoren Werke Aktiengesellschaft Verfahren und Vorrichtung zur Detektion einer beeinträchtigten Brennstoffzelle
KR20230057894A (ko) * 2021-10-22 2023-05-02 주식회사 엘지에너지솔루션 배터리 팩 내의 이상 징후 셀 검출 장치 및 방법
DE102021212618A1 (de) * 2021-11-09 2023-05-11 Rolls-Royce Solutions GmbH Verfahren zur Diagnose eines Brennstoffzellensystems, Systemsteuervorrichtung zur Durchführung eines solchen Verfahrens und Brennstoffzellensystem mit einer solchen Systemsteuervorrichtung
CN114267844B (zh) * 2021-11-09 2024-02-27 深圳市氢瑞燃料电池科技有限公司 一种燃料电池极板生产的系统与方法
DE102021214924A1 (de) 2021-12-22 2023-06-22 Robert Bosch Gesellschaft mit beschränkter Haftung Diagnoseverfahren und Diagnosesystem zur Diagnose einer fehlerhaften Brennstoffzelle
WO2023126704A1 (ja) * 2021-12-28 2023-07-06 ロベルト·ボッシュ·ゲゼルシャフト·ミト•ベシュレンクテル·ハフツング データ処理装置、データ収集システム及び方法
EP4227141A1 (en) * 2022-02-09 2023-08-16 Volvo Truck Corporation A method for determining ageing of a fuel cell system
WO2023159364A1 (zh) * 2022-02-22 2023-08-31 苏州潜寻新能源科技有限公司 一种固体氧化物燃料电池系统的智能控制方法
DE102022106806B4 (de) 2022-03-23 2023-11-23 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Verfahren, System und Computerprogrammprodukt für das Thermomanagement bei einer Traktionsbatterie
DE102022203504A1 (de) * 2022-04-07 2023-10-12 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zur Überwachung eines Brennstoffzellensystems und ein Brennstoffzellensystem
DE102022206797A1 (de) 2022-07-04 2024-01-04 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zur Ermittlung zumindest einer Zellenkenngröße eines Zellensystems, ein Zellensystem und ein Computerprogramm
KR102568359B1 (ko) * 2023-02-07 2023-08-21 주식회사 시너지 연료전지 출력제어 시스템 및 방법
KR102575043B1 (ko) * 2023-02-07 2023-09-07 주식회사 시너지 고효율 연료전지 시스템 및 그 제어 방법
CN116111147B (zh) * 2023-04-13 2023-06-30 北京新研创能科技有限公司 一种用于氢燃料电池的温度管理方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080166604A1 (en) * 2006-12-20 2008-07-10 Bloom Energy Corporation Model based real-time optimization of fuel cell clusters

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2516274B2 (ja) * 1990-07-27 1996-07-24 株式会社日立製作所 燃料電池発電プラント
WO2001078164A2 (en) * 2000-04-11 2001-10-18 Recherche 2000 Inc. Method and apparatus for acquisition, monitoring, display and diagnosis of operational parameters of electrolysers
US7457785B1 (en) 2000-08-25 2008-11-25 Battelle Memorial Institute Method and apparatus to predict the remaining service life of an operating system
JP2004165058A (ja) * 2002-11-14 2004-06-10 Nissan Motor Co Ltd 燃料電池システムの制御装置
JP4352688B2 (ja) * 2002-11-27 2009-10-28 トヨタ自動車株式会社 燃料電池の診断装置および診断方法
CN100468239C (zh) 2004-04-05 2009-03-11 上海神力科技有限公司 可对燃料电池发电系统运行进行监测与控制的计算机系统
US7558655B2 (en) * 2004-09-10 2009-07-07 Ford Global Technologies, Llc Prognostic method and system for hybrid and electric vehicle components
JP5135665B2 (ja) 2005-01-19 2013-02-06 日産自動車株式会社 燃料電池システム
EP1910588B1 (en) * 2005-06-16 2018-05-16 Recherche 2000 Inc. Method and system for electrolyzer diagnosis based on curve fitting analysis and efficiency optimization
JP4922597B2 (ja) * 2005-10-27 2012-04-25 株式会社日立製作所 燃料電池システムの診断方法および診断装置
JP5305119B2 (ja) 2006-05-09 2013-10-02 横河電機株式会社 燃料電池発電監視システム
JP2008305647A (ja) * 2007-06-06 2008-12-18 Toshiba Fuel Cell Power Systems Corp 燃料電池発電システム
JP5120769B2 (ja) * 2007-07-13 2013-01-16 トヨタ自動車株式会社 燃料電池システム
JP2009081117A (ja) * 2007-09-27 2009-04-16 Nissan Motor Co Ltd 電流密度分布センサ及びその製造方法並びに燃料電池システム
US8577822B2 (en) * 2008-09-25 2013-11-05 University Of Iowa Research Foundation Data-driven approach to modeling sensors wherein optimal time delays are determined for a first set of predictors and stored as a second set of predictors
CN201374016Y (zh) * 2009-03-24 2009-12-30 昆明理工大学 质子交换膜燃料电池的智能综合优化监测与控制器
JP2012074229A (ja) * 2010-09-28 2012-04-12 Toyota Motor Corp 燃料電池システム、燃料電池セルの劣化判定方法、および、燃料電池システムの制御方法
DE102013213982A1 (de) * 2013-07-17 2015-03-12 Bayer Materialscience Ag Verfahren und System zur Überwachung der Funktionsfähigkeit von Elektrolysezellen
KR101601443B1 (ko) 2014-07-02 2016-03-22 현대자동차주식회사 연료전지 시스템의 운전 제어 방법
KR101592720B1 (ko) 2014-07-02 2016-02-19 현대자동차주식회사 연료전지 시스템의 운전 제어 방법
EP3207389B1 (en) * 2014-10-17 2020-09-02 Stiftelsen Sintef Control of an electrochemical device with integrated diagnostics, prognostics and lifetime management

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080166604A1 (en) * 2006-12-20 2008-07-10 Bloom Energy Corporation Model based real-time optimization of fuel cell clusters

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102169040B1 (ko) * 2020-07-14 2020-10-22 지엘홀딩스 주식회사 인공 지능이 탑재된 연료 전지 제어 시스템 및 이를 이용한 제어 방법

Also Published As

Publication number Publication date
WO2018056639A2 (ko) 2018-03-29
US10901038B2 (en) 2021-01-26
JP2019521491A (ja) 2019-07-25
WO2018056639A3 (ko) 2018-05-11
JP6907300B2 (ja) 2021-07-21
KR20180033766A (ko) 2018-04-04
CN109792063B (zh) 2022-03-22
EP3486987A4 (en) 2019-08-14
EP3486987A2 (en) 2019-05-22
CN109792063A (zh) 2019-05-21
EP3486987B1 (en) 2021-06-30
US20190018067A1 (en) 2019-01-17

Similar Documents

Publication Publication Date Title
KR102042077B1 (ko) 인공지능형 연료전지 시스템
Costamagna et al. Data-driven techniques for fault diagnosis in power generation plants based on solid oxide fuel cells
EP1408384B1 (en) An arrangement for controlling operation of a physical system, like for instance fuel cells in electric vehicles
Yue et al. Degradation identification and prognostics of proton exchange membrane fuel cell under dynamic load
Gallo et al. Coupling electrochemical impedance spectroscopy and model-based aging estimation for solid oxide fuel cell stacks lifetime prediction
Wu et al. A hybrid prognostic model applied to SOFC prognostics
CN110112442B (zh) 一种燃料电池系统控制方法及装置
WO2013083872A1 (en) Method and arrangement for indicating solid oxide cell operating conditions
Andújar et al. Comprehensive diagnosis methodology for faults detection and identification, and performance improvement of Air-Cooled Polymer Electrolyte Fuel Cells
KR102216850B1 (ko) 인공지능 기반의 연료 전지 관리 시스템
KR101315764B1 (ko) 연료전지용 수소 공급 시스템의 고장 진단 방법
Chi et al. Online identification of a link function degradation model for solid oxide fuel cells under varying-load operation
Yang et al. Fault diagnosis of SOFC system based on single cell voltage analysis
CN117117258B (zh) 一种氢燃料电池系统的故障监测方法及装置
KR20170126623A (ko) 멀티변수를 기반으로 한 태양광 발전설비의 효율성 진단시스템
WO2013083873A1 (en) Method and arrangement for diagnosis of solid oxide cells operating conditions
Saha et al. Structural modeling and analysis of fuel cell: a graph-theoretic approach
KR102216851B1 (ko) Mbop를 제어하는 연료 전지 시스템
Zhang Contribution to prognostics of proton exchange membrane fuel cells: approaches based on degradation information at multiple levels
Wu et al. Remaining useful life prediction for a multi-stack solid oxide fuel cell system with degradation interactions
Zhao et al. A novel pre-diagnosis method for health status of proton exchange membrane fuel cell stack based on entropy algorithms
Wu et al. Data-driven approaches for predicting performance degradation of solid oxide fuel cells system considering prolonged operation and shutdown accumulation effect
KR102219860B1 (ko) 자가 진단 모드를 구현하는 연료전지 시스템
Barhate et al. Proton exchange membrane fuel cell dynamic model based on time series analysis for fault diagnosis
KR102625071B1 (ko) 인공지능을 활용한 배터리 진단 정보 제공 방법, 컴퓨팅장치 및 컴퓨터 프로그램

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right