一种适用于质子交换膜燃料电池模型的参数智能优化方法技术

本发明专利技术公开了一种适用于质子交换膜燃料电池模型的参数智能优化方法，其基于粒子群优化算法利用实验数据进化计算，随机初始化种群，利用适应值来评价系统，根据适应值来进行一定的随机搜索，利用粒子群的记忆特点，在整个模型参数搜索更新过程中快速收敛于最优解。本发明专利技术充分地利用了计算机较强的智能迭代进化计算能力，基于粒子群优化算法利用实验数据进化分析，随机初始化种群，利用适应值来评价系统，根据适应值来进行一定的随机搜索，利用粒子群的记忆特点，在整个模型参数搜索更新过程中快速收敛于最优解，最终更精准地获取PEMFC模型参数。

An intelligent parameter optimization method for proton exchange membrane fuel cell model

The invention discloses an intelligent parameter optimization method for proton exchange membrane fuel cell model, the particle swarm optimization algorithm based on evolutionary computation using the experimental data, the random initialization of population, the fitness evaluation system, to carry out a random search according to the fitness value, the memory characteristics of particle swarm optimization, fast convergence of the update process in the optimal solution search in all model parameters. The present invention makes full use of the intelligent iterative evolution strong computing power, particle swarm optimization algorithm based on evolutionary analysis of experimental data, the random initialization of population, the fitness evaluation system, to carry out a random search according to the fitness value, the memory characteristics of particle swarm optimization, fast convergence to the optimal solution in the process of updating in search the parameters of the model, and ultimately more accurately obtain the parameters of PEMFC model.

【技术实现步骤摘要】
一种适用于质子交换膜燃料电池模型的参数智能优化方法
本专利技术涉及优化算法领域，具体地说，特别涉及到一种适用于质子交换膜燃料电池模型的参数智能优化方法。
技术介绍
燃料电池是一种清洁高效的分布式电源，在催化剂作用下它能将含氢燃料的化学能直接转化为电能而无需燃烧过程。质子交换膜燃料电池(protonexchangemembranefuelcell,PEMFC)作为最可能商业化的燃料电池，具有工作温度低、电流密度大、响应速度快等优点，具有广泛的应用前景。质子交换膜燃料电池是一个多变量、非线性、强耦合、具有纯滞后和不可测扰动的复杂时变系统，为揭示PEMFC内部传递和分布机理，提高电池的性能，就必须对质子交换膜燃料电池建立简洁准确的模型，并利用智能寻优算法获取PEMFC模型参数，从而分析其操作变量、工作条件、内部部件状况与电池性能之间的关系。现有质子交换膜参数模型主要依靠海量数据拟合方法。现有质子交换膜参数模型主要依靠海量数据拟合，例如利用最小二乘法等梯度最小方法直接获取模型参数，具有计算度较复杂、精度相对较低、人工参与度较高等缺点，并且获取的模型与实际模型之间差距较大，更难于满足后续PEMFC电化学发电系统的精确控制要求。
技术实现思路
本专利技术的目的在于针对现有技术中的不足，提供一种适用于质子交换膜燃料电池模型的参数智能优化方法，基于粒子群优化算法利用实验数据进化计算，随机初始化种群，利用适应值来评价系统，根据适应值来进行一定的随机搜索，利用粒子群的记忆特点，在整个模型参数搜索更新过程中快速收敛于最优解。本专利技术的目的在于获取PEMFC模型最优参数，采用实验数据对模型参数进行进化计算。为达上述目的，本专利技术提供一种质子交换膜燃料电池的伏安特性模型，它能够比较全面地反映PEMFC的性能，表明PEMFC输出功率密度的大小，这些参数均和PEMFC的运行条件密切相关，可以根据相应操作条件下的实验数据对参数进行智能优化辨识。本专利技术所解决的技术问题可以采用以下技术方案来实现：一种适用于质子交换膜燃料电池模型的参数智能优化方法，所述参数智能优化方法采用粒子群优化算法，其包括如下步骤：1)采用粒子群优化算法对伏安特性模型参数寻优，将每个粒子编码为一组模型参数，得到particle(k)＝[E∞，A，α，β，r]则维粒子群矩阵表示为：Particlematrix＝[particle(1)；particle(2)；...；particle(N)]3)粒子群优化算法在运行时是依靠适应度函数值的大小来区分粒子的优劣，并判定个体最优和全局最优，进而更新速度和位置值，定义适应度函数为平均平方误差MSE，则有：其中，M为实验数据的总数，Uj是实验中采集的电压值，Vj是伏安特性模型输出电压；3)采用种群大小为N＝20，最大迭代次数Gmax＝200的粒子群优化算法算法，设定加速因子c1＝c2＝2，惯性权重ω使用线性递减函数，即：ωmin＝0.4，ωmax＝0.9，同时为提高搜索效率，对[E∞,A,α,β,r]的搜索范围作一个限定，然后在这个范围内随机初始化粒子参数，运用如下步骤进行参数优化：4)初始化一群微粒，其群体规模为m，包括随机的位置和速度；5)评价每个微粒的适应度；6)对每个微粒，将它的适应值和它经历过的最好位置pbest的作比较，如果较好则将其作为当前的最好位置pbest；7)对每个微粒，将它的适应值和全局所经历最好位置gbest的作比较，如果较好，则重新设置gbest的索引号；8)根据速度和位置变化公式改变微粒的速度和位置；9)如未达到结束条件，所述结束条件通常为足够好的适应值或达到最大代数Gmax，回到5)。与现有技术相比，本专利技术的有益效果如下：本专利技术充分地利用了计算机较强的智能迭代进化计算能力，基于粒子群优化算法利用实验数据进化分析，随机初始化种群，利用适应值来评价系统，根据适应值来进行一定的随机搜索，利用粒子群的记忆特点，在整个模型参数搜索更新过程中快速收敛于最优解，最终更精准地获取PEMFC模型参数。附图说明图1为本专利技术所述的PEMFC伏安特性曲线示意图。图2为本专利技术所述的PSO优化过程示意图。图3为本专利技术所述的PSO优化结果比较示意图。具体实施方式为使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本专利技术。PEMFC的输出特性常用其单电池或电池堆的伏安特性曲线(V-I曲线，或极化曲线)表示，即输出电压和电流密度曲线，它能够比较全面地反映PEMFC的性能，也标志着PEMFC输出功率密度的大小。PEMFC的伏安特性模型可以表示如下：Vcell＝E∞-A·ln(I)-α·exp(βI)-Ir(1)上式中Vcell为单电池电压，E∞为实际开路电压，A为Tafel系数，I为电堆电流，α和β为质量传递控制系数，r为等效电阻。这些参数均和PEMFC的运行条件密切相关，可以根据相应操作条件下的实验数据对参数进行优化辨识。图1是典型的PEMFC伏安特性曲线，随着电流密度增加，PEMFC的输出电压逐渐减小，即电压损失逐渐增大。在低电流密度区，电化学反应受缓慢的电极动力学控制，在电极表面上发生活化极化，电压的损失也主要以活化极化为主，通常活化极化直接与电化学反应速率有关；在中等电流密度区，主要的电压损失是欧姆极化，它是由于电解质中离子和电极中电子移动时引起的欧姆阻抗导致的；进入高电流密度区，由于电流密度高，需要的反应气体量增大，但反应气体在多孔介质中受扩散速度限制，无法及时到达反应现场，使电化学反应难以进行，导致PEMFC的输出电压快速下降。这种由于反应气体浓度不足而引起的电压损失称为浓差极化。因此，PEMFC性能的好坏就意味着这三种极化损失的大小，极化曲线与理想输出电压的偏差越小，曲线也越趋于平缓，PEMFC抗负载扰动的能力越强。研究PMEFC的目的就是要尽量使电池实际运行的极化曲线接近理想状态，同时保证电池能够在最佳输出性能下长期稳定的运行。粒子群优化算法(ParticleSwarmOptimization,PSO)是一种进化计算方法，具有精度高、收敛快、容易实现等优点。它从随机解出发，使用适应度评价解的品质，根据迭代寻找最优解，并通过追随当前搜索到的最优值来寻找全局最优。PSO算法是基于群体的，根据对环境的适应度将群体中的个体移动到好的区域。它将每个个体看作是D维搜索空间中没有体积的微粒(点)，在搜索空间中以一定的速度飞行，这个速度根据它本身的飞行经验和同伴的飞行经验来动态调整。第i个微粒表示为Xi＝(xi1,xi2,···,xiD)，它经历过的最好位置(有最好的适应值)记为Pi＝(pi1,pi2,···,pid)，也称为pbest。在群体所有微粒经历过的最好位置的索引号用符号g表示，即Pg，也称为gbest。微粒i的速度用Vi＝(vi1,vi2,···,viD)表示。对每一代，它的第d维(1≤d≤D)根据如下方程进行变化：Vid＝ωVid+c1·rand()·(pid-xid)+c2·Rand()·(pgd-xid)(2)Xid＝Xid+Vid(3)ω＝ωmax-((ωmax-ωmin)/Gmax)·G(4)其中ω为惯性权重(inertiaweight)，c1和c2为加速常数(accel本文档来自技高网...

【技术保护点】
一种适用于质子交换膜燃料电池模型的参数智能优化方法，其特征在于，所述参数智能优化方法采用粒子群优化算法，其包括如下步骤：1)采用粒子群优化算法对伏安特性模型参数寻优，将每个粒子编码为一组模型参数，得到particle(k)＝[E

【技术特征摘要】
1.一种适用于质子交换膜燃料电池模型的参数智能优化方法，其特征在于，所述参数智能优化方法采用粒子群优化算法，其包括如下步骤：1)采用粒子群优化算法对伏安特性模型参数寻优，将每个粒子编码为一组模型参数，得到particle(k)＝[E∞，A，α，β，r]则维粒子群矩阵表示为：particlematrix＝[particle(1)；particle(2)；...；particle(N)2)粒子群优化算法在运行时是依靠适应度函数值的大小来区分粒子的优劣，并判定个体最优和全局最优，进而更新速度和位置值，定义适应度函数为平均平方误差MSE，则有：其中，M为...

【专利技术属性】
技术研发人员：胡鹏，马豫超，石瑛，蒋赢，
申请(专利权)人：上海电机学院，
类型：发明
国别省市：上海,31