带重整器的燃料电池系统的控制方法、装置及电子设备制造方法及图纸

本发明专利技术公开了一种带重整器的燃料电池系统的控制方法、装置及电子设备，属于控制技术领域，包括采集所述带重整器的固体氧化物燃料电池系统的特征变量信息；依据特征变量信息，对控制对象进行神经网络模型的建立，并设置神经网络模型的基础参数；采集带重整器的固体氧化物燃料电池系统的实时信息，并将实时信息输入神经网络控制器中，来计算出所述神经网络控制器的调节量；依据预设的期望值，以及所述调节量，通过所述神经网络控制器来将所述带重整器的固体氧化物燃料电池系统调节到期望范围之内。本发明专利技术达到能够提高固体氧化物燃料电池系统的热安全性，对系统进行容错控制，使得系统在故障发生时还能在安全范围内运行的技术效果。

Control method, device and electronic equipment of fuel cell system with reformer

【技术实现步骤摘要】
带重整器的燃料电池系统的控制方法、装置及电子设备
本专利技术属于控制
，特别涉及一种带重整器的燃料电池系统的控制方法、装置及电子设备。
技术介绍
固体氧化物燃料电池(SOFC)属于第三代燃料电池，是一种在中高温下直接将储存在燃料和氧化剂中的化学能高效、环境友好地转化成电能的全固态化学发电装置。固体氧化物燃料电池系统具有环境友好、能量转换效率高等特点，为解决能源和环境问题的一个重要选项。对于现有的固体氧化物燃料电池系统的技术而言，现有的固体氧化物燃料电池系统的技术主要是停留在电堆或者单电池片上的研究，或者以纯氢气为燃料的系统，很少针对容错控制方面进行研究。由于纯氢气不易获得并且成本更高，实际未来更有应用前景的还是以甲烷、天然气等为燃料的带重整(用天然气、甲烷部分氧化重整制氢)的发电系统。但是，在固体氧化物燃料电池系统的产品化，针对带天然气或甲烷的固体氧化物燃料电池系统的控制的过程中，无法快速准确的跟踪温度和系统功率，难以对系统进行容错控制，导致系统经常会发生故障，影响系统的发电性能。综上所述，在现有的固体氧化物燃料电池系统的技术中，存在着无法提高固体氧化物燃料电池系统的热安全性，难以对系统进行容错控制，系统经常会发生故障的技术问题。
技术实现思路
本专利技术所要解决的技术问题是存在着无法提高固体氧化物燃料电池系统的热安全性，难以对系统进行容错控制，系统经常会发生故障的技术问题。为解决上述技术问题，本专利技术提供了一种带重整器的燃料电池系统的控制方法，所述方法包括：采集所述带重整器的固体氧化物燃料电池系统的特征变量信息，所述特征变量信息包括功率、电压和燃烧室出口温度；依据所述特征变量信息，对控制对象进行神经网络模型的建立，并设置所述神经网络模型的基础参数；采集所述带重整器的固体氧化物燃料电池系统的实时信息，并将所述实时信息输入神经网络控制器中，来计算出所述神经网络控制器的调节量；所述实时信息包括：所述功率和目标值之间的差值，所述功率和所述目标值之间的变化率，以及所述燃烧室出口温度；依据预设的期望值，以及所述调节量，通过所述神经网络控制器来将所述带重整器的固体氧化物燃料电池系统调节到期望范围之内。进一步地，依据所述控制对象的输入输出对应关系，来设置所述神经网络模型的输入层、输出层、隐含层层数和隐含层神经元数；所述神经网络模型包括：训练模型网络，所述训练模型网络用于辨识出实验模型；控制器网络，所述控制器网络用于训练控制器，使得实验输出跟随参考模型输出。进一步地，所述控制器网络是小波神经网络，在所述小波神经网络中将小波函数选定在所述神经网络模型的隐含层；所述小波神经网络的结构中，在隐含层采用Morlet小波，所述Morlet小波为ψ(t)＝cos(1.75t)e-t/2，由小波函数的尺度伸缩因子和时间平移因子，来代替相应的输入层到所述隐含层的权值及激活阈值；若有P(p＝1,2，…P)组输入输出，学习率为η(η＞0)，动量因子为λ(0＜λ＜1)，则目标误差函数为：其中，式中为输出层第n个结点的期望输出，为网络实际输出；所述隐含层的输出为：其中，式中为输入层的输入，为所述隐含层的输出，wkm为输入层结点，m为与所述隐含层结点，k为之间的权值,ψ()为Morlet小波函数；输出层输出为:其中，式中为输出层的输入，wnk为隐含层结点k与输出层结点n之间的权值。进一步地，所述小波神经网络的结构中，通过不断调整网络的各项参数，来使得误差函数达到最小值；所述隐含层与所述输出层之间的权值调整式：其中，式中分别表示调整前与调整后的隐含层结点k与输出层结点n之间的连接权值,为动量项。进一步地，所述输入层结点与所述隐含层结点之间的权值调整式:其中，式中分别为调整前与调整后的输入层结点m与隐含层结点k之间的权值。进一步地，伸缩因子调整式：其中，式中为调整前与调整后的伸缩因子,为伸缩因子动量项。进一步地，平移因子调整式：其中，式中为调整前与调整后的平移因子,为平移因子动量项。依据本专利技术的又一个方面，本专利技术还提供一种带重整器的燃料电池系统的控制的装置，所述装置包括：特征采集模块，采集所述带重整器的固体氧化物燃料电池系统的特征变量信息，所述特征变量信息包括功率、电压和燃烧室出口温度；模型建立模块，依据所述特征变量信息，对控制对象进行神经网络模型的建立，并设置所述神经网络模型的基础参数；调节量计算模块，采集所述带重整器的固体氧化物燃料电池系统的实时信息，并将所述实时信息输入神经网络控制器中，来计算出所述神经网络控制器的调节量；所述实时信息包括：所述功率和目标值之间的差值，所述功率和所述目标值之间的变化率，以及所述燃烧室出口温度；调节模块，依据预设的期望值，以及所述调节量，通过所述神经网络控制器来将所述带重整器的固体氧化物燃料电池系统调节到期望范围之内。依据本专利技术的又一个方面，本专利技术还提供一种带重整器的燃料电池系统的控制的电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现以下步骤：采集所述带重整器的固体氧化物燃料电池系统的特征变量信息，所述特征变量信息包括功率、电压和燃烧室出口温度；依据所述特征变量信息，对控制对象进行神经网络模型的建立，并设置所述神经网络模型的基础参数；采集所述带重整器的固体氧化物燃料电池系统的实时信息，并将所述实时信息输入神经网络控制器中，来计算出所述神经网络控制器的调节量；所述实时信息包括：所述功率和目标值之间的差值，所述功率和所述目标值之间的变化率，以及所述燃烧室出口温度；依据预设的期望值，以及所述调节量，通过所述神经网络控制器来将所述带重整器的固体氧化物燃料电池系统调节到期望范围之内。依据本专利技术的又一个方面，本专利技术还提供一种带重整器的燃料电池系统的控制的计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现以下步骤：采集所述带重整器的固体氧化物燃料电池系统的特征变量信息，所述特征变量信息包括功率、电压和燃烧室出口温度；依据所述特征变量信息，对控制对象进行神经网络模型的建立，并设置所述神经网络模型的基础参数；采集所述带重整器的固体氧化物燃料电池系统的实时信息，并将所述实时信息输入神经网络控制器中，来计算出所述神经网络控制器的调节量；所述实时信息包括：所述功率和目标值之间的差值，所述功率和所述目标值之间的变化率，以及所述燃烧室出口温度；依据预设的期望值，以及所述调节量，通过所述神经网络控制器来将所述带重整器的固体氧化物燃料电池系统调节到期望范围之内。有益效果：本专利技术提供一种带重整器的燃料电池系统的控制方法，通过采集所述带重整器的固体氧化物燃料电池系统的特征变量信息，所述特征变量信息包括功率、电压和燃烧室出口温度。再依据所述特征变量信息，对控制对象进行神经网络模型的建立，并设置所述神经网络模型的基础参数。同时，采集所述带重整器的固体氧化物燃料电池系统的实时信息，并将所述实时信息输入神经网络控制器中，来计算出所述神经网络控制器的调节量；所述实时信息包括：所述功率和目标值之间的差值，所述功率和所述目标值之间的变化率，以及所述燃烧室出口温度。然后依据预设的期望值，以及所述调节量，通过所述神经网络控制器来将所述带重整器的固体氧化物燃料电池系本文档来自技高网...

【技术保护点】
1.一种带重整器的燃料电池系统的控制方法，其特征在于，所述方法包括：采集所述带重整器的固体氧化物燃料电池系统的特征变量信息，所述特征变量信息包括功率、电压和燃烧室出口温度；依据所述特征变量信息，对控制对象进行神经网络模型的建立，并设置所述神经网络模型的基础参数；采集所述带重整器的固体氧化物燃料电池系统的实时信息，并将所述实时信息输入神经网络控制器中，来计算出所述神经网络控制器的调节量；所述实时信息包括：所述功率和目标值之间的差值，所述功率和所述目标值之间的变化率，以及所述燃烧室出口温度；依据预设的期望值，以及所述调节量，通过所述神经网络控制器来将所述带重整器的固体氧化物燃料电池系统调节到期望范围之内。

【技术特征摘要】
1.一种带重整器的燃料电池系统的控制方法，其特征在于，所述方法包括：采集所述带重整器的固体氧化物燃料电池系统的特征变量信息，所述特征变量信息包括功率、电压和燃烧室出口温度；依据所述特征变量信息，对控制对象进行神经网络模型的建立，并设置所述神经网络模型的基础参数；采集所述带重整器的固体氧化物燃料电池系统的实时信息，并将所述实时信息输入神经网络控制器中，来计算出所述神经网络控制器的调节量；所述实时信息包括：所述功率和目标值之间的差值，所述功率和所述目标值之间的变化率，以及所述燃烧室出口温度；依据预设的期望值，以及所述调节量，通过所述神经网络控制器来将所述带重整器的固体氧化物燃料电池系统调节到期望范围之内。2.如权利要求1所述的带重整器的燃料电池系统的控制方法，其特征在于：依据所述控制对象的输入输出对应关系，来设置所述神经网络模型的输入层、输出层、隐含层层数和隐含层神经元数；所述神经网络模型包括：训练模型网络，所述训练模型网络用于辨识出实验模型；控制器网络，所述控制器网络用于训练控制器，使得实验输出跟随参考模型输出。3.如权利要求2所述的带重整器的燃料电池系统的控制方法，其特征在于：所述控制器网络是小波神经网络，在所述小波神经网络中将小波函数选定在所述神经网络模型的隐含层；所述小波神经网络的结构中，在隐含层采用Morlet小波，所述Morlet小波为ψ(t)＝cos(1.75t)e-t/2，由小波函数的尺度伸缩因子和时间平移因子，来代替相应的输入层到所述隐含层的权值及激活阈值；若有P(p＝1,2，…P)组输入输出，学习率为η(η＞0)，动量因子为λ(0＜λ＜1)，则目标误差函数为：其中，式中为输出层第n个结点的期望输出，为网络实际输出；所述隐含层的输出为：其中，式中为输入层的输入，为所述隐含层的输出，wkm为输入层结点，m为与所述隐含层结点，k为之间的权值,ψ()为Morlet小波函数；输出层输出为:其中，式中为输出层的输入，wnk为隐含层结点k与输出层结点n之间的权值。4.如权利要求3所述的带重整器的燃料电池系统的控制方法，其特征在于：所述小波神经网络的结构中，通过不断调整网络的各项参数，来使得误差函数达到最小值；所述隐含层与所述输出层之间的权值调整式：其中，式中分别表示调整前与调整后的隐含层结点k与输出层结点n之间的连接权值,为动量项。5.如权利要求4所述的带重整器的燃料电池系统的控制方法，其特征在于：所述输入层结点与所述隐含层结点之间的权值调整式:其中，式中分别为调整前与调整后的输入层结点m与隐含层结点k之间的权值。6.如权利要求5所述的带重整器的燃料电池系统的控制方法，其特征在于：伸缩因子调整...

【专利技术属性】
技术研发人员：李曦，薛滔，吴肖龙，傅俊，许元武，赵东琦，陈孟婷，邓忠华，蒋建华，付晓薇，
申请(专利权)人：华中科技大学鄂州工业技术研究院，华中科技大学，
类型：发明
国别省市：湖北,42