WO2023110609A1 - Brennstoffzellensystem und verfahren zum betrieb eines brennstoffzellensystems - Google Patents

Brennstoffzellensystem und verfahren zum betrieb eines brennstoffzellensystems Download PDF

Info

Publication number
WO2023110609A1
WO2023110609A1 PCT/EP2022/084929 EP2022084929W WO2023110609A1 WO 2023110609 A1 WO2023110609 A1 WO 2023110609A1 EP 2022084929 W EP2022084929 W EP 2022084929W WO 2023110609 A1 WO2023110609 A1 WO 2023110609A1
Authority
WO
WIPO (PCT)
Prior art keywords
fuel cell
cell system
hydrogen concentration
training
machine learner
Prior art date
Application number
PCT/EP2022/084929
Other languages
English (en)
French (fr)
Inventor
Christopher Bruns
Tobias FALKENAU
Timo Bosch
Simon Buehler
Sven Georg Butschek
Kristoffer Kantschar
Original Assignee
Robert Bosch Gmbh
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 Robert Bosch Gmbh filed Critical Robert Bosch Gmbh
Publication of WO2023110609A1 publication Critical patent/WO2023110609A1/de

Links

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
    • H01M8/04082—Arrangements for control of reactant parameters, e.g. pressure or concentration
    • H01M8/04089—Arrangements for control of reactant parameters, e.g. pressure or concentration of gaseous reactants
    • H01M8/04097—Arrangements for control of reactant parameters, e.g. pressure or concentration of gaseous reactants with recycling of the reactants
    • 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
    • H01M8/04223—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids during start-up or shut-down; Depolarisation or activation, e.g. purging; Means for short-circuiting defective fuel cells
    • H01M8/04231—Purging of the reactants
    • 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
    • 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
    • H01M8/04425—Pressure; Ambient pressure; Flow at auxiliary devices, e.g. reformers, compressors, burners
    • 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
    • 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
    • H01M8/04791—Concentration; Density
    • H01M8/04805—Concentration; Density of fuel cell exhausts
    • 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

Definitions

  • the invention presented relates to a method for operating a fuel cell system, a fuel cell system and a computer program product.
  • PEM Polymer electrolyte membrane
  • a PEM fuel cell consists of an anode, which is supplied with hydrogen, a cathode, which is supplied with air, and a polymer electrolyte membrane placed in between, where air and oxygen are converted into electricity, water and heat.
  • a plurality of such fuel cells are typically stacked to form a fuel cell stack in order to maximize an electrically generated voltage.
  • a sufficiently high hydrogen concentration at the anode inlet of a fuel cell stack ensures that a catalyst in the Fuel cell stack is supplied with sufficient hydrogen over an entire flow range.
  • Nitrogen which gets from a cathode side to an anode side as a result of diffusion processes, represents an inert gas for electrochemical reactions taking place in a fuel cell. Nitrogen is enriched on the anode side as a result of the recirculation, so that less hydrogen can be supplied to the anode. The hydrogen concentration drops accordingly, which can lead to a reduction in cell voltage.
  • a fuel cell If a fuel cell is no longer sufficiently supplied with hydrogen, this can lead to damage to the fuel cell. From time to time, part of the gas that is in a recirculation space is therefore released via a purge valve, i.e. a so-called “purge valve”, and replaced with fresh hydrogen.
  • a purge valve i.e. a so-called "purge valve”
  • purge valve Such a rinsing process, i.e. so-called “purging” makes it possible to reduce the nitrogen concentration on the anode side and thus also to increase the hydrogen concentration again. If discharged frequently, the hydrogen concentration is kept high and the nitrogen concentration correspondingly low. However, this also wastes fuel and reduces system efficiency.
  • Hydrogen sensors installed in the anode path can be used to determine the hydrogen concentration. In any case, however, these sensors represent an intervention in an anode path, which is associated with mechanical interfaces.
  • the invention presented serves to operate a fuel cell system efficiently.
  • the presented invention serves to operate a fuel cell system without a physical hydrogen concentration sensor on the anode side or in the anode circuit.
  • a method for operating or operating a fuel cell system is thus presented.
  • the method presented includes a training step in which a machine learner is trained using a training fuel cell system to determine a hydrogen concentration fed through an inlet valve of the training fuel cell system to a fuel cell stack of the training fuel cell system.
  • the machine learner receives at least one operating parameter of a recirculation fan of the training fuel cell system and a state parameter of an electrical state of the fuel cell stack of the training fuel cell system as input signals.
  • a hydrogen concentration determined by the machine learner is validated using a hydrogen concentration determined by a hydrogen concentration sensor of the training fuel cell system.
  • the method presented also includes a transfer step, in which the machine learner trained using the training fuel cell system is at least partially transferred, in particular a data model of the machine learner, to a target fuel cell system, a determination step, in which a through, for example, an inlet valve of the target fuel cell system and/or a recirculation system, a hydrogen concentration supplied to a fuel cell stack of the target fuel cell system is determined by means of the machine learner, a determination step in which an activation interval between respective activations of a purge valve of the target fuel cell system is determined on the basis of the hydrogen concentration determined in the determination step, the machine learner receiving at least one operating parameter of a recirculation fan of the target fuel cell system and a state parameter of an electrical state of the fuel cell stack of the target fuel cell system, and a setting step of setting the activation interval determined in the determining step and/
  • training a machine learner is to be understood as a process in which a mathematical model on which the machine learner is based is changed until a predetermined goal, such as a minimal deviation between a result of the model and a corresponding one by the according to the invention provided hydrogen concentration sensor determined measured value of a hydrogen concentration is reached in the training fuel cell system.
  • a validation of a machine learner is to be understood as a process in which output values determined by the machine learner are compared with measured values.
  • the method presented is based on a machine learner, such as an artificial neural network or a support vector machine, which trains under controlled conditions, particularly in a laboratory setting and validating a hydrogen concentration in a training fuel cell system using measured values determined by a hydrogen concentration sensor. Based on the measured values determined by means of the hydrogen concentration sensor, an accuracy of the machine learner for determining the hydrogen concentration in the anode circuit of the training fuel cell system can be validated and successively improved accordingly.
  • a machine learner such as an artificial neural network or a support vector machine
  • Hydrogen concentration sensor measured hydrogen concentration is minimal or less than a predetermined threshold, the machine learner is used in a target fuel cell system that does not include a hydrogen concentration sensor.
  • the machine learner or its data model is used to determine a hydrogen concentration in an anode circuit of the target fuel cell system, so that a purge valve of the target fuel cell system can be set or operated depending on the hydrogen concentration determined by the machine learner.
  • the machine learner Since the machine learner provided according to the invention was or is trained using hydrogen concentration values determined by means of a hydrogen concentration sensor in order to interpret respective input values, the machine learner, once trained, is suitable for operating a target fuel cell system without a hydrogen concentration sensor.
  • the well-trained machine learner includes a mathematical model or a data model of relationships between respective input values and a resulting hydrogen concentration, which includes all operating states of the training fuel cell system carried out during the training step and, contingently, can be used to control the target fuel cell system without a hydrogen concentration sensor.
  • operating parameters of a recirculation fan of a respective fuel cell system such as a power and/or a speed of the recirculation fan, a state parameter of an electrical state of a fuel cell stack, such as a voltage and/or an electric current, have proven to be input values for the machine learner on the fuel cell stack, a status parameter of a respective fuel cell system, such as the system pressure, and a characteristic of a quantity of hydrogen supplied to the fuel cell stack through an inlet valve, which is determined, for example, by an activity of a pump, an electrical current supplied to the inlet valve, or a flow rate sensor can be shown to be suitable.
  • the operating point of a fuel cell system is usually defined by an electrical current generated by it. The more electricity is generated, the more hydrogen is consumed and must therefore be added to the anode circuit via a metering valve. At the same time, nitrogen diffuses into the anode circuit via the fuel cell stack, so that anode gas has to be flushed out of the anode circuit.
  • a hydrogen concentration is thus established in the anode circuit which, due to its specific gas composition and a corresponding anode pressure, also specifies an operating point of a gas delivery unit, such as a recirculation fan of a corresponding fuel cell system.
  • a respective fuel cell system can be controlled or regulated by activating a flushing valve of the fuel cell system as a function of an output signal from the machine learner and, as a result, as a function of a change in the input values of the machine learner, i.e. dynamically, and is not operated with a rigid or predetermined activation interval.
  • the machine learner includes a data model that mathematically maps a relationship between the input signals and a hydrogen concentration determined by means of the hydrogen concentration sensor in the anode circuit of the training fuel cell system.
  • the data model may be a mathematical formula that mathematically maps a relationship between an electrical current generated by a respective fuel cell stack and a hydrogen concentration, and that includes a correction term that changes during training of the machine learner.
  • the data model can include a distribution function, such as a Gaussian distribution, whose parameters are adapted during the training of the machine learner. Accordingly, to transfer the machine learner to a respective target fuel cell system, only the data model or a so-called “kernel” can be transferred.
  • the data model can, for example, include a Gaussian distribution or an artificial neural network.
  • a machine learner whose underlying data model is adapted in such a way that a deviation between a value determined by the machine learner for a hydrogen concentration in the anode circuit of a respective training fuel cell system and a hydrogen concentration measured by means of a hydrogen concentration sensor of the training fuel cell system is minimal, can be used to create a hydrogen concentration sensor replace or a To operate target fuel cell system that has no hydrogen concentration sensor and is therefore particularly robust to leaks.
  • the presented method is carried out in the target fuel cell system without a hydrogen concentration sensor.
  • the trained machine learner can replace a physical hydrogen concentration sensor in a target fuel cell system.
  • the presented invention relates to a target fuel cell system with a control device.
  • the control device is configured to execute at least part, in particular a data model, of a machine learner that was trained in a training step using a training fuel cell system to determine a hydrogen concentration supplied to a fuel cell stack of the training fuel cell system through an inlet valve of the training fuel cell system using input signals, the input signals at least one operating parameter of a recirculation fan of the training fuel cell system and a state parameter of an electrical state of the fuel cell stack training fuel cell system, and the hydrogen concentration determined by the machine learner has been validated against a hydrogen concentration determined by a hydrogen concentration sensor of the training fuel cell system.
  • the machine learner is configured to determine a hydrogen concentration supplied to a fuel cell stack of the target fuel cell system by, for example, an inlet valve and/or a recirculation system of the fuel cell system, the machine learner receiving at least one operating parameter of a recirculation fan of the fuel cell system and a state parameter of an electrical state of the fuel cell stack as input signals of the fuel cell system.
  • the control device is further configured to determine an activation interval between respective activations of a scavenging valve of the fuel cell system based on the hydrogen concentration determined by the machine learner, and to set the determined activation interval in the fuel cell system.
  • the presented method serves in particular to operate the presented fuel cell system. Accordingly, the presented fuel cell system is based on a machine learner that was trained according to the presented method.
  • the machine learner provided by the present invention is based on a data model validated against data measured by a hydrogen concentration sensor, the machine learner can replace the action of a physical hydrogen concentration sensor without requiring a mechanical interface that could potentially lead to leakage. would be required.
  • the machine learner can include a data model that is changed during training and that assigns corresponding hydrogen concentrations to the respective input values. Hydrogen concentrations determined in this way can in turn be assigned corresponding values or control signals for an activation interval, ie a time period between two activation cycles of a scavenging valve, for example by means of an assignment table.
  • the presented invention relates to a computer program product with program code means which, when they are executed on a computer, configure the computer to carry out the steps of a possible embodiment of the presented method.
  • a computer or a control device is to be understood as meaning a processor, a microcontroller or any other programmable circuit.
  • Figure 1 shows a possible embodiment of the method presented
  • FIG. 2 shows a possible embodiment of the fuel cell system presented.
  • FIG. 1 shows a method 100 for operating a fuel cell system.
  • the presented method 100 includes a training step 101, in which a machine learner is trained by means of a training fuel cell system to determine a hydrogen concentration supplied to a fuel cell stack of the training fuel cell system by, for example, an inlet valve of the training fuel cell system and/or a recirculation.
  • the machine learner receives at least one operating parameter of a recirculation fan of the training fuel cell system and a state parameter of an electrical state of the fuel cell stack of the training fuel cell system as input signals.
  • a hydrogen concentration determined by the machine learner is validated using a hydrogen concentration determined by a hydrogen concentration sensor of the training fuel cell system.
  • the method presented also includes a transfer step 103, in which the machine learner trained using the training fuel cell system is at least partially transferred, in particular its data model, to a target fuel cell system, a determination step 105, in which a e.g hydrogen concentration supplied to a fuel cell stack of the target fuel cell system is determined by means of the machine learner, a determination step 107, in which an activation interval between respective activations of a purge valve of the target fuel cell system is determined on the basis of the hydrogen concentration determined in the determination step, the machine learner receiving at least one operating parameter of a recirculation fan of the target fuel cell system and a state parameter of an electrical state of the fuel cell stack of the target fuel cell system, and a setting step 109 in which the activation interval determined in the determining step 107 is set in the target fuel cell system for operating the target fuel cell system. Since the machine learner is trained, in particular validated, in training step 101 using measured values determined by a hydrogen concentration sensor, the trained machine learner can replace the effect of a physical hydrogen concentration
  • an activation interval can be specifically selected in such a way that the determined hydrogen concentration changes to a predefined hydrogen concentration. Accordingly, a predefined activation interval, which is generally designed for a minimum hydrogen concentration, can be dispensed with, so that the activation interval can be dynamically adjusted, in particular shortened.
  • a fuel cell system 200 is shown in FIG.
  • the fuel cell system 200 comprises a control device 201, a fuel cell stack 203, a recirculation fan 205, a purge valve 207 and an inlet valve 209 for metering in fresh hydrogen from a tank and the fuel cell stack 203.
  • the fuel cell system 200 includes a water separator 211, a drain valve 213 and a jet pump 215 for adjusting a pressure in the fuel cell stack 203.
  • the controller 201 is configured to execute a machine learner trained according to the method 100 . Accordingly, the control device 201 uses the machine learner to regulate the purge valve 207 depending on operating parameters of the recirculation fan 205 and a state parameter of an electrical state of the fuel cell stack 203, so that the fuel cell system 200 does not include a physical hydrogen concentration sensor.

Landscapes

  • Sustainable Development (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Chemical & Material Sciences (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • Manufacturing & Machinery (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Fuel Cell (AREA)

Abstract

Die vorgestellte Erfindung betrifft ein Verfahren zum Betrieb eines Zielbrennstoffzellensystems (200), ein Brennstoffzellensystem (200) mit einem Kontrollgerät (201) und ein Computerprogrammprodukt mit Programmcodemitteln gemäß den beigefügten Ansprüchen.

Description

Beschreibung
Titel
Brennstoffzellensystem und Verfahren zum Betrieb eines Brennstoffzellensystems
Die vorgestellte Erfindung betrifft ein Verfahren zum Betrieb eines Brennstoffzellensystems, ein Brennstoffzellensystem und ein Computerprogrammprodukt.
Stand der Technik
Polymer Elektrolyt Membran (PEM) Brennstoffzellensysteme wandeln Wasserstoff mittels Sauerstoffs zu elektrischer Energie unter der Erzeugung von Abwärme und Wasser.
Eine PEM Brennstoffzelle besteht aus einer Anode, die mit Wasserstoff versorgt wird, einer Kathode, die mit Luft versorgt wird, und einer dazwischen platzierten Polymer Elektrolyt Membran an der Luft und Sauerstoff zu Strom, Wasser und Wärme umgesetzt werden. Mehrere solcher Brennstoffzellen werden in der Regel zu einem Brennstoffzellenstapel gestapelt, um eine elektrisch erzeugte Spannung zu maximieren.
Systemisch hat sich zur Versorgung der PEM Anode mit Wasserstoff ein Ansatz etabliert, bei dem noch wasserstoffreiches Anodenabgas mittels Gasfördereinheiten zusammen mit frischem Wasserstoff wieder einem Anodeneintritt zugeführt wird, was als Rezirkulation bekannt ist.
Eine ausreichend hohe Wasserstoffkonzentration am Anodeneingang eines Brennstoffzellenstapels stellt sicher, dass ein Katalysator in dem Brennstoffzellenstapel über einen gesamten Strömungsbereich hinweg mit ausreichend Wasserstoff versorgt wird.
Stickstoff, der durch Diffusionsprozesse von einer Kathodenseite zu einer Anodenseite gelangt, stellt für in einer Brennstoffzelle stattfindende elektrochemische Reaktionen ein Inertgas dar. Durch die Rezirkulation reichert sich Stickstoff an der Anodenseite an, sodass der Anode weniger Wasserstoff zugeführt werden kann. Entsprechend sinkt die Wasserstoffkonzentration, was zu einer Reduktion einer Zellspannung führen kann.
Wird eine Brennstoffzelle nicht mehr ausreichend mit Wasserstoff versorgt, kann dies zur Schädigung der Brennstoffzelle führen. Von Zeit zu Zeit wird deswegen ein Teil von dem Gas, das sich in einem Rezirkulationsraum befindet, über ein Spülventil, d.h. ein sogenanntes „Purgeventil“ ausgleitet und durch frischen Wasserstoff verdrängt. Ein solcher Spülvorgang, d.h. sogenanntes „Purgen“, ermöglicht es eine Stickstoffkonzentration auf der Anodenseite zu senken und damit auch die Wasserstoffkonzentration wieder zu erhöhen. Wird häufig ausgeleitet, wird die Wasserstoffkonzentration hoch und die Stickstoffkonzentration entsprechend gering gehalten. Allerdings wird dadurch auch Brennstoff verschwendet und ein Systemwirkungsgrad reduziert.
Eine Kenntnis über einen aktuellen Wasserstoffkonzentrationswert ist somit wichtig, um eine Häufigkeit eines Ausleitens hinsichtlich Systemeffizienz zu optimieren. Zum Ermitteln der Wasserstoffkonzentration können Wasserstoffsensoren, die in den Anodenpfad installiert werden, verwendet werden. Diese Sensoren stellen aber in jedem Fall einen Eingriff in einen Anodenpfad dar, was mit mechanischen Schnittstellen einhergeht.
Mechanische Schnittstellen können wiederum Leckagen verursachen. Darüber hinaus sind Wasserstoffsensoren teuer, haben eine geringe
Lebensdauer hinsichtlich Kraftfahrzeuganwendungen und sind kaum verfügbar.
Offenbarung der Erfindung Im Rahmen der vorgestellten Erfindung werden ein Verfahren, ein Brennstoffzellensystem und ein Computerprogrammprodukt zum Betreiben des Brennstoffzellensystems vorgestellt Weitere Merkmale und Details der Erfindung ergeben sich aus den jeweiligen Unteransprüchen, der Beschreibung und den Zeichnungen. Dabei gelten Merkmale und Details, die im Zusammenhang mit dem erfindungsgemäßen Verfahren beschrieben sind, selbstverständlich auch im Zusammenhang mit dem erfindungsgemäßen Brennstoffzellensystem sowie dem erfindungsgemäßen Computerprogrammprodukt und jeweils umgekehrt, sodass bezüglich der Offenbarung zu den einzelnen Erfindungsaspekten stets wechselseitig Bezug genommen wird bzw. werden kann.
Die vorgestellte Erfindung dient dazu, ein Brennstoffzellensystem effizient zu betreiben. Insbesondere dient die vorgestellte Erfindung dazu, ein Brennstoffzellensystem ohne physischen Wasserstoffkonzentrationssensor auf der Anodenseite bzw. im Anodenkreislauf zu betreiben.
Es wird somit gemäß einem ersten Aspekt der vorgestellten Erfindung ein Verfahren zum Betrieb bzw. zum Betreiben eines Brennstoffzellensystems vorgestellt.
Das vorgestellte Verfahren umfasst einen Trainingsschritt, bei dem ein maschineller Lerner mittels eines Trainingsbrennstoffzellensystems dazu trainiert wird, eine durch ein Einlassventil des Trainingsbrennstoffzellensystems einem Brennstoffzellenstapel des Trainingsbrennstoffzellensystems zugeführte Wasserstoffkonzentration zu ermitteln. Dazu erhält der maschinelle Lerner als Eingangssignale zumindest einen Betriebsparameter eines Rezirkulationsgebläses des Trainingsbrennstoffzellensystems und einen Zustandsparameter eines elektrischen Zustands des Brennstoffzellenstapels des Trainingsbrennstoffzellensystems.
Weiterhin wird bei dem vorgestellten Verfahren eine durch den maschinellen Lerner ermittelte Wasserstoffkonzentration anhand einer durch einen Wasserstoffkonzentrationssensor des Trainingsbrennstoffzellensystems ermittelten Wasserstoffkonzentration validiert. Weiterhin umfasst das vorgestellte Verfahren einen Übertragungsschritt, bei dem der mittels des Trainingsbrennstoffzellensystems trainierte maschinelle Lerner zumindest teilweise, insbesondere ein Datenmodel des maschinellen Lerners, in ein Zielbrennstoffzellensystem übertragen wird, einen Ermittlungsschritt, bei dem eine durch bspw. ein Einlassventil des Zielbrennstoffzellensystems und/oder ein Rezirkulationssystem einem Brennstoffzellenstapel des Zielbrennstoffzellensystems zugeführte Wasserstoffkonzentration mittels des maschinellen Lerners ermittelt wird, einen Bestimmungsschritt, bei dem ein Aktivierungsintervall zwischen jeweiligen Aktivierungen eines Spülventils des Zielbrennstoffzellensystems anhand der in dem Bestimmungsschritt bestimmten Wasserstoffkonzentration bestimmt wird, wobei der maschinelle Lerner als Eingangssignale zumindest einen Betriebsparameter eines Rezirkulationsgebläses des Zielbrennstoffzellensystems und einen Zustandsparameter eines elektrischen Zustands des Brennstoffzellenstapels des Zielbrennstoffzellensystems erhält, und einen Einstellschritt, bei dem das in dem Bestimmungsschritt bestimmte Aktivierungsintervall und/oder ein ausgeleiteter Strom in dem Zielbrennstoffzellensystem zum Betreiben des Zielbrennstoffzellensystems eingestellt wird.
Unter einem Training eines maschinellen Lerners ist im Kontext der vorgestellten Erfindung ein Vorgang zu verstehen, bei dem ein dem maschinellen Lerner zugrundeliegendes mathematisches Modell verändert wird bis ein vorgegebenes Ziel, wie bspw. eine minimale Abweichung zwischen einem Ergebnis des Modells und einem entsprechenden durch den erfindungsgemäß vorgesehenen Wasserstoffkonzentrationssensor ermittelten Messwert einer Wasserstoffkonzentration in dem Trainingsbrennstoffzellensystem erreicht wird.
Unter einer Validierung eines maschinellen Lerners ist im Kontext der vorgestellten Erfindung ein Vorgang zu verstehen, bei dem von dem maschinellen Lerner ermittelte Ausgangswerte mit gemessenen Messwerten abgeglichen werden.
Das vorgestellte Verfahren basiert auf einem maschinellen Lerner, wie bspw. einem künstlichen neuronalen Netzwerk oder einer Support Vector Machine, der unter kontrollierten Bedingungen, insbesondere in einem Laborbetrieb trainiert und unter Verwendung von mittels eines Wasserstoffkonzentrationssensors ermittelten Messwerten einer Wasserstoffkonzentration in einem Trainingsbrennstoffzellensystem validiert wird. Anhand der mittels des Wasserstoffkonzentrationssensors ermittelten Messwerte kann eine Genauigkeit des maschinellen Lerners zum Ermitteln der Wasserstoffkonzentration im Anodenkreislauf des Trainingsbrennstoffzellensystems validiert und entsprechend sukzessive verbessert werden.
Sobald der maschinelle Lerner ausreichend trainiert wurde, sodass bspw. eine Abweichung zwischen einem durch den maschinellen Lerner ermittelten Wert einer Wasserstoffkonzentration in dem Anodenkreislauf des Trainingsbrennstoffzellensystems und einer mittels des
Wasserstoffkonzentrationssensors gemessenen Wasserstoffkonzentration minimal bzw. kleiner als ein vorgegebener Schwellenwert ist, wird der maschinelle Lerner in einem Zielbrennstoffzellensystem eingesetzt, das keinen Wasserstoffkonzentrationssensor umfasst.
In dem Zielbrennstoffzellensystem wird der maschinelle Lerner bzw. dessen Datenmodell verwendet, um eine Wasserstoffkonzentration in einem Anodenkreislauf des Zielbrennstoffzellensystems zu ermitteln, sodass ein Spülventil des Zielbrennstoffzellensystems in Abhängigkeit der durch den maschinellen Lerner ermittelten Wasserstoffkonzentration eingestellt bzw. betrieben werden kann.
Da der erfindungsgemäß vorgesehene maschinelle Lerner unter Verwendung von mittels eines Wasserstoffkonzentrationssensors ermittelten Wasserstoffkonzentrationswerten trainiert wurde bzw. wird, um jeweilige Eingangswerte zu interpretieren, eignet sich der maschinelle Lerner, wenn dieser austrainiert ist, zum Betrieb eines Zielbrennstoffzellensystems ohne Wasserstoffkonzentrationssensor. Dies bedeutet, dass der austrainierte maschinelle Lerner ein mathematisches Modell bzw. ein Datenmodell von Zusammenhängen zwischen jeweiligen Eingangswerten und einer resultierenden Wasserstoffkonzentration umfasst, das sämtliche während des Trainingsschritts durchgeführten Betriebszustände des Trainingsbrennstoffzellensystems umfasst und, dadurch bedingt zum Steuern bzw. Regeln des Zielbrennstoffzellensystems ohne Wasserstoffkonzentrationssensor verwendet werden kann.
Als Eingangswerte für den maschinellen Lerner haben sich in Versuchen besonders Betriebsparameter eines Rezirkulationsgebläses eines jeweiligen Brennstoffzellensystems, wie bspw. eine Leistung und/oder eine Drehzahl des Rezirkulationsgebläses, ein Zustandsparameter eines elektrischen Zustands eines Brennstoffzellenstapels, wie bspw. eine Spannung und/oder ein elektrischer Strom an dem Brennstoffzellenstapel, ein Zustandsparameter eines jeweiligen Brennstoffzellensytems, wie bspw. der Systemdruck, und eine Kenngröße einer Menge an durch ein Einlassventil dem Brennstoffzellenstapels zugeführtem Wasserstoff, die bspw. durch eine Aktivität einer Pumpe, einem dem Einlassventil zugeführten elektrischen Strom, oder einen Durchflussmengensensor bestimmt werden kann, als geeignet erwiesen.
Der Betriebspunkt eines Brennstoffzellensystems wird in der Regel über einen von ihm generierten elektrischen Strom definiert. Je mehr Strom generiert wird, desto mehr Wasserstoff wird verbraucht und muss damit über ein Dosierventil dem Anodenkreislauf zudosiert werden. Gleichzeitig diffundiert Stickstoff über den Brennstoffzellenstapel in den Anodenkreislauf, sodass Anodengas aus dem Anodenkreislauf ausgespült werden muss. Im Betrieb stellt sich damit eine Wasserstoffkonzentration in dem Anodenkreislauf ein, die auf Grund ihrer spezifischen Gaszusammensetzung und eines entsprechenden Anodendrucks auch einen Betriebspunkt einer Gasfördereinheit, wie bspw. einem Rezirkulationsgebläse eines entsprechenden Brennstoffzellensystems, vorgibt.
Unter Verwendung des austrainierten maschinellen Lerners kann ein jeweiliges Brennstoffzellensystem gesteuert bzw. geregelt werden, indem ein Spülventil des Brennstoffzellensystems in Abhängigkeit eines Ausgangssignals des maschinellen Lerners und, dadurch bedingt, in Abhängigkeit einer Veränderung der Eingangswerte des maschinellen Lerners, d.h. dynamisch, aktiviert wird, und nicht mit einem starren bzw. vorgegebenen Aktivierungsintervall betrieben wird.
Durch eine dynamische Aktivierung eines Spülventils unter Verwendung des erfindungsgemäß vorgesehenen maschinellen Lerners kann insbesondere ein Ausleiten von frischem Wasserstoff minimiert werden, sodass ein entsprechend betriebenes Brennstoffzellensystem besonders effizient arbeitet.
Es kann vorgesehen sein, dass der maschinelle Lerner ein Datenmodell umfasst, das einen Zusammenhang zwischen den Eingangssignalen und einer mittels des Wasserstoffkonzentrationssensors ermittelten Wasserstoffkonzentration in dem Anodenkreislauf des Trainingsbrennstoffzellensystems mathematisch abbildet.
Das Datenmodell kann bspw. eine mathematische Formel sein, die einen Zusammenhang zwischen einem durch einen jeweiligen Brennstoffzellenstapel erzeugten elektrischen Strom und einer Wasserstoffkonzentration mathematisch abbildet, und die einen Korrekturterm umfasst, der sich während des Trainings des maschinellen Lerners ändert. Insbesondere kann das Datenmodell eine Verteilungsfunktion, wie bspw. eine Gauß-Verteilung umfassen, deren Parameter während des Trainings des maschinellen Lerners adaptiert werden. Entsprechend kann zur Übertragung des maschinellen Lerners auf ein jeweiliges Zielbrennstoffzellensystem lediglich das Datenmodell bzw. ein sogenannter „Kernel“ übertragen werden. Das Datenmodell kann bspw. eine Gauß-Verteilung oder ein künstliches neuronales Netzwerk umfassen.
Es kann weiterhin vorgesehen sein, dass der maschinelle Lerner dazu konfiguriert ist, das Datenmodell während des Trainingsschritts automatisch derart anzupassen, dass eine Abweichung zwischen einem durch den maschinellen Lerner ermittelten Wert einer Wasserstoffkonzentration in dem Anodenkreislauf des Trainingsbrennstoffzellensystems und einer mittels des Wasserstoffkonzentrationssensors gemessenen Wasserstoffkonzentration minimal bzw. minimiert wird.
Ein maschineller Lerner, dessen zugrundliegendes Datenmodell derart angepasst ist, dass eine Abweichung zwischen einem durch den maschinellen Lerner ermittelten Wert einer Wasserstoffkonzentration in dem Anodenkreislauf eines jeweiligen Trainingsbrennstoffzellensystems und einer mittels eines Wasserstoffkonzentrationssensors des Trainingsbrennstoffzellensystems gemessenen Wasserstoffkonzentration minimal ist, kann dazu verwendet werden, einen Wasserstoffkonzentrationssensor zu ersetzen bzw. ein Zielbrennstoffzellensystem zu betreiben, das keinen Wasserstoffkonzentrationssensor aufweist und daher besonders robust gegenüber Leckagen ist.
Entsprechend kann vorgesehen sein, dass das vorgestellte Verfahren in dem Zielbrennstoffzellensystem ohne einen Wasserstoffkonzentrationssensor durchgeführt wird. Dies bedeutet, dass der trainierte maschinelle Lerner einen physischen Wasserstoffkonzentrationssensor in einem Zielbrennstoffzellensystem ersetzen kann.
Es kann weiterhin vorgesehen sein, dass dem maschinellen Lerner als Eingangssignale weiterhin Messwerte eines Drucks und/oder einer Temperatur im Anodenkreislauf sowie eine bei einem zuletzt durchgeführten Spülvorgang ausgespülte Menge an Wasserstoff bereitgestellt werden.
Da die Betriebsparameter eines Drucks und/oder einer Temperatur im Anodenkreislauf sowie eine bei einem zuletzt durchgeführten Spülvorgang ausgespülte Menge an Wasserstoff bzw. „Purgezeit“ oder „Purgemenge“ direkten Einfluss auf eine in dem Anodenkreislauf vorliegende Wasserstoffkonzentration nehmen, führt ein anhand dieser zusätzlichen Betriebsparameter trainierten maschineller Lerner zu einer besonders exakten Ermittlung einer in einem Anodenpfad eines jeweiligen Zielbrennstoffzellensystems vorliegenden Wasserstoffkonzentration.
In einem zweiten Aspekt betrifft die vorgestellte Erfindung ein Zielbrennstoffzellensystem mit einem Kontrollgerät. Das Kontrollgerät ist dazu konfiguriert, zumindest einen Teil, insbesondere ein Datenmodell eines maschinellen Lerners auszuführen, der in einem Trainingsschritt mittels eines Trainingsbrennstoffzellensystems dazu trainiert wurde, eine durch ein Einlassventil des Trainingsbrennstoffzellensystems einem Brennstoffzellenstapel des Trainingsbrennstoffzellensystems zugeführte Wasserstoffkonzentration anhand von Eingangssignalen zu ermitteln, wobei die Eingangssignale zumindest einen Betriebs para meter eines Rezirkulationsgebläses des Trainingsbrennstoffzellensystems und einen Zustandsparameter eines elektrischen Zustands des Brennstoffzellenstapels des Trainingsbrennstoffzellensystems umfassen, und die durch den maschinellen Lerner ermittelte Wasserstoffkonzentration anhand einer durch einen Wasserstoffkonzentrationssensor des Trainingsbrennstoffzellensystems ermittelten Wasserstoffkonzentration validiert wurde.
Der maschinelle Lerner ist dazu konfiguriert, eine durch bspw. ein Einlassventil und/oder ein Rezirkulationssystem des Brennstoffzellensystems einem Brennstoffzellenstapel des Zielbrennstoffzellensystems zugeführte Wasserstoffkonzentration zu ermitteln, wobei der maschinelle Lerner als Eingangssignale zumindest einen Betriebsparameter eines Rezirkulationsgebläses des Brennstoffzellensystems und einen Zustandsparameter eines elektrischen Zustands des Brennstoffzellenstapels des Brennstoffzellensystems erhält.
Das Kontrollgerät ist weiterhin dazu konfiguriert ist, ein Aktivierungsintervall zwischen jeweiligen Aktivierungen eines Spülventils des Brennstoffzellensystems anhand der durch den maschinellen Lerner ermittelten Wasserstoffkonzentration zu bestimmen, und das bestimmte Aktivierungsintervall in dem Brennstoffzellensystem einzustellen.
Das vorgestellte Verfahren dient insbesondere zum Betrieb des vorgestellten Brennstoffzellensystems. Entsprechend basiert das vorgestellte Brennstoffzellensystem auf einem maschinellen Lerner, der gemäß dem vorgestellten Verfahren trainiert wurde.
Da der erfindungsgemäß vorgesehen maschinelle Lerner auf einem Datenmodell basiert, das anhand von durch einen Wasserstoffkonzentrationssensor gemessenen Daten validiert wurde, kann der maschinelle Lerner die Wirkung eines physischen Wasserstoffkonzentrationssensors ersetzen, ohne dass das dafür eine mechanische Schnittstelle, die ggf. zu einer Leckage führen könnte, erforderlich wäre.
Es kann weiterhin vorgesehen sein, dass der maschinelle Lerner dazu konfiguriert ist, eine Wasserstoffkonzentration, anhand der Eingangssignale zu ermitteln, und dass das Kontrollgerät dazu konfiguriert ist, das Aktivierungsintervall in Abhängigkeit der ermittelten Wasserstoffkonzentration einzustellen. Zum Ermitteln einer Wasserstoffkonzentration kann der maschinelle Lerner ein Datenmodell umfassen, das während eines Trainings verändert wird und das jeweiligen Eingangswerten entsprechende Wasserstoffkonzentration zuordnet. Derart ermittelten Wasserstoffkonzentrationen können wiederum entsprechende Werte bzw. Steuerungssignale für ein Aktivierungsintervall, d.h. einen Zeitraum zwischen zwei Aktivierungszyklen eines Spülventils, bspw. mittels einer Zuordnungstabelle, zugeordnet werden.
In einem dritten Aspekt betrifft die vorgestellte Erfindung ein Computerprogrammprodukt mit Programmcodemitteln, die, wenn diese auf einem Computer ausgeführt werden, den Computer dazu konfigurieren, die Schritte einer möglichen Ausgestaltung des vorgestellten Verfahrens durchzuführen.
Unter einem Computer bzw. einem Kontrollgerät ist im Kontext der vorgestellten Erfindung ein Prozessor, ein Microcontroller oder jeder weitere programmierbare Schaltkreis zu verstehen.
Weitere Vorteile, Merkmale und Einzelheiten der Erfindung ergeben sich aus der nachfolgenden Beschreibung, in der unter Bezugnahme auf die Zeichnungen Ausführungsbeispiele der Erfindung im Einzelnen beschrieben sind. Dabei können die in den Ansprüchen und in der Beschreibung erwähnten Merkmale jeweils einzeln für sich oder in beliebiger Kombination erfindungswesentlich sein.
Es zeigen:
Figur 1 eine mögliche Ausgestaltung des vorgestellten Verfahrens,
Figur 2 eine mögliche Ausgestaltung des vorgestellten Brennstoffzellensystems.
In Figur 1 ist ein Verfahren 100 zum Betrieb eines Brennstoffzellensystems dargestellt. Das vorgestellte Verfahren 100 umfasst einen Trainingsschritt 101 , bei dem ein maschineller Lerner mittels eines Trainingsbrennstoffzellensystems dazu trainiert wird, eine durch bspw. ein Einlassventil des Trainingsbrennstoffzellensystems und/oder eine Rezirkulation einem Brennstoffzellenstapel des Trainingsbrennstoffzellensystems zugeführte Wasserstoffkonzentration zu ermitteln. Dazu erhält der maschinelle Lerner als Eingangssignale zumindest einen Betriebs para meter eines Rezirkulationsgebläses des Trainingsbrennstoffzellensystems und einen Zustandsparameter eines elektrischen Zustands des Brennstoffzellenstapels des Trainingsbrennstoffzellensystems.
Weiterhin wird bei dem vorgestellten Verfahren eine durch den maschinellen Lerner ermittelte Wasserstoffkonzentration anhand einer durch einen Wasserstoffkonzentrationssensor des T rainingsbrennstoffzellensystems ermittelten Wasserstoffkonzentration validiert.
Weiterhin umfasst das vorgestellte Verfahren einen Übertragungsschritt 103, bei dem der mittels des Trainingsbrennstoffzellensystems trainierte maschinelle Lerner zumindest teilweise, insbesondere dessen Datenmodell, in ein Zielbrennstoffzellensystem übertragen wird, einen Ermittlungsschritt 105, bei dem eine bspw. durch ein Einlassventil und/oder eine Rezirkulation des Zielbrennstoffzellensystems einem Brennstoffzellenstapel des Zielbrennstoffzellensystems zugeführte Wasserstoffkonzentration mittels des maschinellen Lerners ermittelt wird, einen Bestimmungsschritt 107, bei dem ein Aktivierungsintervall zwischen jeweiligen Aktivierungen eines Spülventils des Zielbrennstoffzellensystems anhand der in dem Bestimmungsschritt bestimmten Wasserstoffkonzentration bestimmt wird, wobei der maschinelle Lerner als Eingangssignale zumindest einen Betriebsparameter eines Rezirkulationsgebläses des Zielbrennstoffzellensystems und einen Zustandsparameter eines elektrischen Zustands des Brennstoffzellenstapels des Zielbrennstoffzellensystems erhält, und einen Einstellschritt 109, bei dem das in dem Bestimmungsschritt 107 bestimmte Aktivierungsintervall in dem Zielbrennstoffzellensystem zum Betreiben des Zielbrennstoffzellensystems eingestellt wird. Da bei dem Trainingsschritt 101 der maschinelle Lerner unter Verwendung von durch einen Wasserstoffkonzentrationssensor ermittelten Messwerten trainiert, insbesondere validiert wird, kann der austrainierte maschinelle Lerner die Wirkung eines physischen Wasserstoffkonzentrationssensors ersetzen, indem der Wasserstoffkonzentrationssensor bspw. mathematisch modelliert bzw. abgebildet wird.
Durch das Einstellen des Spülventils in Abhängigkeit einer mittels des maschinellen Lerners ermittelten Wasserstoffkonzentration kann ein Aktivierungsintervall speziell derart gewählt werden, dass die ermittelte Wasserstoffkonzentration sich zu einer vorgegebenen Wasserstoffkonzentration ändert. Entsprechend kann auf ein vorgegebenes Aktivierungsintervall, das in der Regel auf eine minimale Wasserstoffkonzentration ausgelegt ist, verzichtet werden, sodass das Aktivierungsintervall dynamisch angepasst, insbesondere verkürzt werden kann.
In Figur 2 ist ein Brennstoffzellensystem 200 dargestellt. Das Brennstoffzellensystem 200 umfasst ein Kontrollgerät 201 , einen Brennstoffzellenstapel 203, ein Rezirkulationsgebläse 205, ein Spülventil 207 und ein Einlassventil 209 zum Eindosieren von frischem Wasserstoff aus einem Tank und den Brennstoffzellenstapel 203.
Optional umfasst das Brennstoffzellensystem 200 einen Wasserabscheider 211 , ein Entwässerungsventil 213 und eine Strahlpumpe 215 zum Einstellen eines Drucks in dem Brennstoffzellenstapel 203.
Das Kontrollgerät 201 ist dazu konfiguriert, einen maschinellen Lerner auszuführen, der gemäß dem Verfahren 100 trainiert wurde. Entsprechend regelt das Kontrollgerät 201 mittels des maschinellen Lerners das Spülventil 207 in Abhängigkeit von Betriebsparametern des Rezirkulationsgebläses 205 und eines Zustandsparameters eines elektrischen Zustands des Brennstoffzellenstapels 203, sodass das Brennstoffzellensystem 200 keinen physischen Wasserstoffkonzentrationssensor umfasst.

Claims

Ansprüche
1. Verfahren (100) zum Betrieb eines Zielbrennstoffzellensystems (200), wobei das Verfahren (100) umfasst:
- einen Trainingsschritt (101), bei dem ein maschineller Lerner mittels eines Trainingsbrennstoffzellensystems dazu trainiert wird, eine einem Brennstoffzellenstapel des Trainingsbrennstoffzellensystems zugeführte Wasserstoffkonzentration zu ermitteln, wobei der maschinelle Lerner als Eingangssignale zumindest einen Betriebsparameter eines Rezirkulationsgebläses des Trainingsbrennstoffzellensystems und einen Zustandsparameter eines elektrischen Zustands des Brennstoffzellenstapels des Trainingsbrennstoffzellensystems erhält, und bei dem eine durch den maschinellen Lerner ermittelte Wasserstoffkonzentration anhand einer durch einen Wasserstoffkonzentrationssensor des Trainingsbrennstoffzellensystems ermittelten Wasserstoffkonzentration validiert wird,
- einen Übertragungsschritt (103), bei dem der mittels des Trainingsbrennstoffzellensystems trainierte maschinelle Lerner zumindest teilweise in ein Zielbrennstoffzellensystem übertragen wird,
- einen Ermittlungsschritt (105), bei dem eine einem Brennstoffzellenstapel des Zielbrennstoffzellensystems zugeführte Wasserstoffkonzentration mittels des maschinellen Lerners ermittelt wird,
- einen Bestimmungsschritt (107), bei dem ein Aktivierungsintervall zwischen jeweiligen Aktivierungen eines Spülventils (207) des Zielbrennstoffzellensystems (200) anhand der in dem Bestimmungsschritt bestimmten Wasserstoffkonzentration bestimmt wird, wobei der maschinelle Lerner als Eingangssignale zumindest einen Betriebsparameter eines Rezirkulationsgebläses des Zielbrennstoffzellensystems und einen Zustandsparameter eines elektrischen Zustands des Brennstoffzellenstapels des Zielbrennstoffzellensystems erhält,
- einen Einstellschritt (109), bei dem das in dem Bestimmungsschritt bestimmte Aktivierungsintervall in dem Zielbrennstoffzellensystem (200) zum Betreiben des Zielbrennstoffzellensystems (200) eingestellt wird. Verfahren (100) nach Anspruch 1 , dadurch gekennzeichnet, dass der maschinelle Lerner ein Datenmodell umfasst, das einen Zusammenhang zwischen den Eingangssignalen und einer mittels des Wasserstoffkonzentrationssensors ermittelten Wasserstoffkonzentration in dem Anodenkreislauf des Trainingsbrennstoffzellensystems mathematisch abbildet. Verfahren (100) nach Anspruch 2, dadurch gekennzeichnet, dass der maschinelle Lerner dazu konfiguriert ist, das Datenmodell während des Trainingsschritts (101) automatisch derart anzupassen, dass eine Abweichung zwischen einem durch den maschinellen Lerner ermittelten Wert einer Wasserstoffkonzentration in dem Anodenkreislauf des Trainingsbrennstoffzellensystems und einer mittels des Wasserstoffkonzentrationssensors gemessenen Wasserstoffkonzentration minimal wird. Verfahren (100) nach einem der voranstehenden Ansprüche, dadurch gekennzeichnet, dass das der Ermittlungsschritt (105), der Bestimmungsschritt (107) und der Einstellschritt (109) in dem Zielbrennstoffzellensystem (200) ohne einen Wasserstoffkonzentrationssensor durchgeführt werden. Verfahren (100) nach einem der voranstehenden Ansprüche, dadurch gekennzeichnet, dass dem maschinellen Lerner als Eingangssignale weiterhin Messwerte eines Drucks und/oder einer Temperatur im Anodenkreislauf sowie eine bei - 15 - einem zuletzt durchgeführten Spülvorgang ausgespülte Menge an Wasserstoff bereitgestellt werden. Brennstoffzellensystem (200) mit einem Kontrollgerät (201), wobei das Kontrollgerät (201) dazu konfiguriert ist, zumindest einen Teil eines maschinellen Lerners auszuführen, der in einem Trainingsschritt (101) mittels eines Trainingsbrennstoffzellensystems dazu trainiert wurde, eine einem Brennstoffzellenstapel des Trainingsbrennstoffzellensystems zugeführte Wasserstoffkonzentration anhand von Eingangssignalen zu ermitteln, wobei die Eingangssignale zumindest einen Betriebsparameter eines Rezirkulationsgebläses des Trainingsbrennstoffzellensystems und einen Zustandsparameter eines elektrischen Zustands des Brennstoffzellenstapels des Trainingsbrennstoffzellensystems umfassen, und die durch den maschinellen Lerner ermittelte Wasserstoffkonzentration anhand einer durch einen Wasserstoffkonzentrationssensor des Trainingsbrennstoffzellensystems ermittelten Wasserstoffkonzentration validiert wurde, wobei der maschinelle Lerner dazu konfiguriert ist, eine einem Brennstoffzellenstapel des Zielbrennstoffzellensystems zugeführte Wasserstoffkonzentration zu ermitteln, wobei der maschinelle Lerner als Eingangssignale zumindest einen Betriebsparameter eines Rezirkulationsgebläses des Brennstoffzellensystems und einen Zustandsparameter eines elektrischen Zustands des Brennstoffzellenstapels des Brennstoffzellensystems erhält, wobei das Kontrollgerät (201) dazu konfiguriert ist, ein Aktivierungsintervall zwischen jeweiligen Aktivierungen eines Spülventils (207) des Brennstoffzellensystems (200) anhand der durch den maschinellen Lerner ermittelten Wasserstoffkonzentration zu bestimmen, und das bestimmte Aktivierungsintervall in dem Brennstoffzellensystem (200) einzustellen. Brennstoffzellensystem (200) nach Anspruch 6, dadurch gekennzeichnet, - 16 - dass das Brennstoffzellensystem (200) keinen
Wasserstoffkonzentrationssensor im Anodenkreislauf umfasst. 8. Computerprogrammprodukt mit Programmcodemitteln, die, wenn diese auf einem Computer ausgeführt werden, den Computer dazu konfigurieren, die Schritte eines Verfahrens nach einem der Ansprüche 1 bis 5 durchzuführen.
PCT/EP2022/084929 2021-12-14 2022-12-08 Brennstoffzellensystem und verfahren zum betrieb eines brennstoffzellensystems WO2023110609A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102021214304 2021-12-14
DE102021214304.0 2021-12-14

Publications (1)

Publication Number Publication Date
WO2023110609A1 true WO2023110609A1 (de) 2023-06-22

Family

ID=84785248

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2022/084929 WO2023110609A1 (de) 2021-12-14 2022-12-08 Brennstoffzellensystem und verfahren zum betrieb eines brennstoffzellensystems

Country Status (2)

Country Link
DE (1) DE102022213439A1 (de)
WO (1) WO2023110609A1 (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118099484A (zh) * 2024-04-17 2024-05-28 上海徐工智能科技有限公司 一种燃料电池吹扫过程优化方法、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200144642A1 (en) * 2018-11-01 2020-05-07 Hyundai Motor Company Hydrogen supply control system and control method for fuel cell
US20210020968A1 (en) * 2019-07-15 2021-01-21 Hyundai Motor Company System for estimating amount of purge of fuel cell, and system and method for estimating hydrogen concentration of fuel cell using the same
CN113571745A (zh) * 2021-07-27 2021-10-29 广东省武理工氢能产业技术研究院 一种氢燃料电池的故障诊断处理方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200144642A1 (en) * 2018-11-01 2020-05-07 Hyundai Motor Company Hydrogen supply control system and control method for fuel cell
US20210020968A1 (en) * 2019-07-15 2021-01-21 Hyundai Motor Company System for estimating amount of purge of fuel cell, and system and method for estimating hydrogen concentration of fuel cell using the same
CN113571745A (zh) * 2021-07-27 2021-10-29 广东省武理工氢能产业技术研究院 一种氢燃料电池的故障诊断处理方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SHEN KUN-YANG ET AL: "Hydrogen utilization enhancement of proton exchange membrane fuel cell with anode recirculation system through a purge strategy", INTERNATIONAL JOURNAL OF HYDROGEN ENERGY, ELSEVIER, AMSTERDAM, NL, vol. 45, no. 33, 14 May 2020 (2020-05-14), pages 16773 - 16786, XP086167441, ISSN: 0360-3199, [retrieved on 20200514], DOI: 10.1016/J.IJHYDENE.2020.04.147 *

Also Published As

Publication number Publication date
DE102022213439A1 (de) 2023-06-15

Similar Documents

Publication Publication Date Title
DE112004001535B4 (de) Gassteuerungsverfahren und Brennstoffzellensystem
AT519171B1 (de) Verfahren und Prüfstand zur Durchführung eines Prüflaufs für eine Brennstoffzelle
DE112009005381T5 (de) Verfahren und Vorrichtung zur Bestimmung von Feuchtigkeitszuständen einzelner Zellen in einer Brennstoffzelle, Verfahren und Vorrichtung zur Steuerung von Feuchtigkeitszuständen einzelner Zellen in einer Brennstoffzelle, und Brennstoffzellensystemen
DE102012218132A1 (de) Anodenspül- und Ablassventilstrategie für ein Brennstoffzellensystem
DE102016117234A1 (de) Validierung und korrektur der schätzung der h2-konzentration an der gen 2 anode
DE102008020102A1 (de) Anordnung und Verfahren zur Steuerung bzw. Regelung der Feuchtigkeit in einem Brennstoffzellenstapel
DE102007059737A1 (de) Onlinedetektion einer Stapelübertrittsrate für eine adaptive Wasserstoffablassstrategie
DE102009020225B4 (de) Verfahren zum Verringern und Steuern der Stromabgabe eines Brennstoffzellenstapels
DE102008028006A1 (de) Anodenentlüftungssteuerstrategie für verbessertes Wassermanagement und verbesserte Wasserstoffnutzung
DE112009004786T5 (de) Brennstoffzellensystem
DE102013110593A1 (de) Fahrzeuganwendung für eine Luftspeicherkathodenkohlenstoffverlustabschätzung
DE102019103023A1 (de) Brennstoffzellensystem und verfahren zum steuern einer brennstoffzelle
DE102008047393A1 (de) Verfahren zum schnellen und zuverlässigen Starten von Brennstoffzellensystemen
WO2023110609A1 (de) Brennstoffzellensystem und verfahren zum betrieb eines brennstoffzellensystems
DE102021201927A1 (de) Brennstoffzellensystem und Verfahren zum Einstellen eines Brennstoffzellensystems
DE102011109907A1 (de) Membranpermeationseinstellung in Pem-Brennstoffzellen
DE102012105327A1 (de) Verfahren zur Korrektur von Permeationsunsicherheiten unter Verwendung eines Konzentrationssensors
AT520682A1 (de) Verfahren zur Ermittlung eines Betriebszustandes eines elektrochemischen Systems
WO2023110475A1 (de) Verfahren zum betreiben eines brennstoffzellensystems, steuergerät
DE102012110558B4 (de) Anodeninjektorsteueralgorithmus mit einem niedrigen frequenzdiskreten Ausgang
DE102008043740A1 (de) Brennstoffzellensystem
DE102004034071A1 (de) Abschaltprozedur für Brennstoffzellensysteme
DE102021200451A1 (de) Verfahren zur Kalibrierung und/oder Adaption eines in einem Kathodenzuluftpfad eines Brennstoffzellensystems angeordneten Luftmassenstromsensors, Steuergerät
WO2023138977A1 (de) Brennstoffzellensystem und verfahren zum betrieb eines brennstoffzellensystems
WO2024132938A1 (de) VERFAHREN ZUM DURCHFÜHREN EINER WIEDERBEFEUCHTUNGSMAßNAHME EINES BRENNSTOFFZELLENSTAPELS

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22835244

Country of ref document: EP

Kind code of ref document: A1