一种基于BP神经网络的燃料电池建模方法技术

本发明专利技术提供一种基于BP神经网络的燃料电池建模方法，包括以下步骤：采集不同操作条件下燃料电池的输出电压，并将其分为训练集和验证集；对训练集和验证集进行数据预处理；采用网格搜索法分别对单隐含层和双隐含层的神经网络拓扑结构进行优化，并挑选出验证误差最小的神经网络；采集其他同操作条件(不同于训练集和验证集的操作条件)下燃料电池的输出电压，并将其作为测试集，用于测试网络的预测精度。本发明专利技术能够实现高精度预测不同操作条件下的燃料电池输出电压，为系统控制提供决策支持。持。持。

【技术实现步骤摘要】
一种基于BP神经网络的燃料电池建模方法


[0001]本专利技术涉及燃料电池
，尤其涉及一种基于BP神经网络的燃料电池建模方法。

技术介绍

[0002]输出性能是燃料电池最重要的指标之一，而操作条件对其有着至关重要的作用，因此深入研究操作条件对燃料电池输出性能的影响有着重要的现实意义。目前通常是从理论模型和人工智能模型两个方向进行燃料电池建模研究。在理论模型方面，文献(Jin,Lei,et al.Energy Conversion and Management,2021,228:113727.)建立了一个三维多组分CFD模型，分析了PEMFC性能对操作参数的敏感性。文献(Shimpalee,Sirivatch.Journal of The Electrochemical Society,2014,161:E3138
‑
E3148)通过CFD技术研究了工作条件和气体流向对大面积PEMFC动态响应性能的影响，结果发现，车用工况比稳态工况显示出了更剧烈的分布不均匀性。但是燃料电池是一个多场耦合、多尺度、多部件、多因素的复杂系统。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于BP神经网络的燃料电池建模方法，其特征在于，包括如下步骤：S1：采集不同的操作条件下燃料电池的输出电压，并将其分为训练集和验证集；S2：对所述训练集和验证集进行数据预处理；S3：通过网格搜索法分别对单隐含层和双隐含层的神经网络拓扑结构进行优化，并选择验证误差最小的神经网络作为最终优化结果；S4：采集不同于所述训练集和所述验证集的操作条件下，燃料电池的输出电压，并将其作为测试集，用于测试网络的预测精度；S5：若|测试误差
‑
验证误差|≤验证误差，则输出该神经网络；否则，返回步骤S3。2.根据权利要求1所述的一种基于BP神经网络的燃料电池建模方法，其特征在于：所述操作条件包括：燃料电池工作温度、阴/阳极压力、阴/阳极气体流量(计量比)、阴/阳极增湿度、加载电流(密度)的一种或多种的组合。3.根据权利要求1所述的一种基于BP神经网络的燃料电池建模方法，其特征在于：所述数据预处理方法为以...

【专利技术属性】
技术研发人员：邵志刚，王朋豪，孟祥超，任红，
申请(专利权)人：中国科学院大连化学物理研究所，
类型：发明
国别省市：