基于ALMBO优化算法的质子交换膜燃料电池子空间辨识方法技术

本发明专利技术公开了一种基于ALMBO优化算法的质子交换膜燃料电池子空间辨识方法，首先，选取模型辨识的输入输出变量，并在PEMFC测控平台采集数据。然后，构建输入输出数据的Hankel矩阵，并通过SVD分解求取系统的阶次。本发明专利技术发明专利技术引入改进的优化算法—变异反向学习的自适应帝王蝶优化算法(ALMB O)，在迁移算子中，引入变异反向学习策略，对蝴蝶的位置进行变异更新，增加种群的多样性。在调整算子中，融入自适应的思想，使得调整算子随着迭代次数的变化进行线性调整，提高了算法适应度，增强算法的寻优能力。并对适应度最差的5个粒子采用柯西变异，提高其寻优能力。本发明专利技术无需复杂的电堆特性分析，且引入改进的优化算法，寻优精度高，模型输出更加贴切真实工作特性。型输出更加贴切真实工作特性。型输出更加贴切真实工作特性。

【技术实现步骤摘要】
基于ALMBO优化算法的质子交换膜燃料电池子空间辨识方法


[0001]本专利技术属于工业控制领域，具体为一种基于ALMBO优化算法的质子交换膜燃料电池子空间辨识方法。

技术介绍

[0002]氢能是一种新能源，具有能量高，环保等优点。质子交换膜燃料电池(PE MFC)是利用氢能作为反应物，其反应速度快，无污染，可单元模块化，具有广泛的应用前景。但PEMFC是多变量、强耦合且具有非线性特点的系统，搭建PEMFC模型过程较为复杂，且建模的输出与实际输出存在较大差异。因此，为便于后续PEMFC的控制，准确建立PEMFC的辨识模型成为首要任务。
[0003]现有的PEMFC建模方法侧重于机理模型的搭建，利用能斯特电压方程，能量守恒定理，传热方程等定义搭建燃料电池的温度模型，阴阳极气体模型，输出电压模型等。但存在以下几个问题：
[0004](1)机理模型的搭建较为复杂，参数确定存在经验性问题。
[0005](2)机理模型不利于后续PEMFC控制方法实现。
[0006](3)机理模型中，各参数相互关联，耦合性大，参数设置不当，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于ALMBO优化算法的质子交换膜燃料电池子空间辨识方法，其特征在于，包括如下步骤：步骤1，分析PEMFC工作特性和工作原理，选取合适的PEMFC状态空间辨识模型输入、输出变量；步骤2，利用PEMFC测控平台采集PEMFC状态空间辨识模型建模所需的实验数据，并从采集的实验数据中挑选出有效实验数据，形成PEMFC状态空间辨识模型有效输入数据集与有效输出数据集；步骤3，构造PEMFC状态空间辨识模型；步骤4，PEMFC状态空间辨识模型最佳状态变量初始值寻优；步骤5，基于有效输入数据集、有效输出数据集构造Hankel矩阵；步骤6，求解PEMFC状态空间辨识模型的阶次；步骤7，将PEMFC状态空间辨识模型的辨识输出值与实际输出数据进行比较，若满足输出误差要求则直接输出，如不满足，则进行优化算法的继续迭代。2.根据权利要求1所述的基于ALMBO优化算法的质子交换膜燃料电池子空间辨识方法，其特征在于，步骤1中选取氢气流量、电堆电流作为PEMFC状态空间辨识模型的输入变量，输出电压、输出功率作为PEMFC状态空间辨识模型的输出变量。3.根据权利要求1所述的基于ALMBO优化算法的质子交换膜燃料电池子空间辨识方法，其特征在于，步骤2中利用PEMFC测控平台采集PEMFC状态空间辨识模型建模所需的实验数据，并从采集的实验数据中挑选出有效实验数据，形成PEMFC状态空间辨识模型有效输入数据集与有效输出数据集，具体描述为：步骤2.1，利用PEMFC测控平台采集氢气流量、电堆电流、输出电压以及输出功率，得到M组实验数据，对于第i组实验数据，将作为PEMFC辨识模型输入数据集，将作为PEMFC辨识模型输出数据集，其中，为采集的氢气流量，为采集的电堆电流，为采集的输出电压，为采集的输出功率；步骤2.2，对于任意第i组实验数据，若满足判决条件：则将该组数据标识为有效实验数据，并形成PEMFC状态空间辨识模型有效输入数据集以及有效输出数据集式中Δ为差分运算，δ为PEMFC实际工作时，采集的数据是否具备有效性的判决阈值，N为有效实验数据数量。4.根据权利要求1所述的基于ALMBO优化算法的质子交换膜燃料电池子空间辨识方法，其特征在于，步骤3中构造PEMFC状态空间辨识模型，具体描述为：式中，x∈R2×1是状态变量，是状态变量x的导数，A,B,C,D∈R2×2为状态空间辨识模型的系数矩阵，是经状态空间模型辨识后的输出数据，即辨识输出电压和辨识输出功
率。5.根据权利要求1所述的基于ALMBO优化算法的质子交换膜燃料电池子空间辨识方法，其特征在于，步骤4中PEMFC状态空间辨识模型最佳状态变量初始值寻优，具体描述为：步骤4.1，初始化粒子：生成NP组状态变量初始值x0的随机值，记为NP是总的个体数，将中x0的随机值平均分配到两个自定义种群Land1和Land2中，形成种群Land1的初始粒子x
o
＝[s1,s2,
…
s
ceil(NP/2)
]以及种群Land2的初始粒子x
v
＝[s
ceil(NP/2)+1
,s
ceil(NP/2)+2
,
…
s
NP
]，其中ceil为向上取整运算；步骤4.2，变异反向学习迁移算子更新：在经过变异反向学习时，将种群Land1中粒子x
o
在第t+1时刻的更新值记为具体描述为：式中，表示的第k维，即帝王蝶o的位置；lb
o
、ub
o
是搜索空间的下边界和上边界；p
r
是变异概率，范围为(0.01，0.1)；R1、b均为(0，1)间的随机数；表示在t时刻x
best
的第k维，即帝王蝶在种群Land1和Land2当中最好个体的位置；t为当前迭代时刻；x
best
为本次迭代得到的最优状态变量初始值；当b≤p
r
时，通过随机反向学习扩大算法的搜索范围；当b＞p
r
时，通过一般反向学习扩大算法的搜索范围。步骤4.3，自适应调整算子更新：完成粒子的迁移算子更新后，对Land2地中粒子x
v
进行局部调整，将种群Land2中粒子x
v
在第t+1时刻的更新值记为按式(3)～(5)进行更新：当rand≤p时，当rand＞p时，其中，rand是(0，1)之间的一个随机数，表示的第k维，即帝王蝶v的位置；表示在t时x
best
的第k维，即帝王蝶在种群Land1和Land2当中最好个体的位置；t为当前迭代时刻；x
best
为本次迭代得到的最优状态变量初始值；表示从Land2中随机选取第t代帝王蝶x
r3
的第k维；同时，在此条件下若rand＞BAR，则有：其中：t为当前迭代时刻，为t时刻的粒子x
v
；定义粒子x
v
的随机步长为dx，dx
k
则为粒子x
v
第k维的随机步长，其步长为：第k维的随机步长，其步长为：α是权值，其
值为：α＝S
max
/t2，S
max
为帝王蝶最大步长；BAR为调整率，其计算公式为：BAR＝|mt
‑
n|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
...

【专利技术属性】
技术研发人员：孙成硕，金饶，戚志东，徐胜元，单梁，周礼锋，张扬，沈致远，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：