氢储能电站质子交换膜燃料电池故障诊断方法及装置制造方法及图纸

本发明专利技术公开了一种氢储能电站质子交换膜燃料电池故障诊断方法及装置。本发明专利技术的方法包括：1）周期性采集所有处于运行状态的质子交换膜燃料电池电堆的电压和电流数据并上传云端储存；2）在同一采样周期内，基于电压和电流数据，在云端使用混沌粒子群算法并行对所有电堆进行燃料电池输出特性模型参数辨识，并进行存储；3）在同一采样周期内，将辨识出的燃料电池输出特性模型参数作为T

【技术实现步骤摘要】
氢储能电站质子交换膜燃料电池故障诊断方法及装置


[0001]本专利技术属于氢能与燃料电池领域，涉及燃料电池的故障诊断，尤其是一种基于云计算的氢储能电站质子交换膜燃料电池电池故障诊断方法及装置。

技术介绍

[0002]氢储能电站是实现低成本、大规模、长周期储能的一种重要方式，因而日益得到人们的重视。在氢储能电站中，通常包括电转氢装置、储氢装置和氢转电装置，而燃料电池是将氢能转换为电能的核心装置。
[0003]质子交换膜燃料电池是目前应用最为广泛的燃料电池技术，具有工作效率高、无污染、运行噪音低等优点，在航空航天、电动汽车领域已经有了广泛的应用。相比于传统应用，应用于氢储能电站的质子交换膜燃料电池有两个突出的不同：首先是容量大，储能用质子交换膜电池需要达到MW级容量；其次是电堆数量多，单一电堆的容量通常难以满足电站需求，需要一定数量的电堆级联。
[0004]这两个突出的特点给燃料电池的运维带来很大的挑战，如果无法快速辨识出故障电堆并进行更换，将会造成储能电站停运甚至带来一定的安全隐患。因此，亟待研发相关策略，实现对氢储能电站中质子交换膜燃料电池故障的快速诊断。

技术实现思路

[0005]为提高氢储能电站中质子交换膜燃料电池单电池和电堆的故障诊断效率，实现储能电站的多终端智能化控制，本专利技术提供一种基于云计算的氢储能电站质子交换膜燃料电池电池故障诊断方法及装置，以有效提高燃料电池故障诊断的准确率，实现对燃料电池故障点精确定位，并通过云计算（云平台）实现对大量电站的统一管理，数据共享，降低就地的计算负担。
[0006]为此，本专利技术采用的一种技术方案如下：氢储能电站质子交换膜燃料电池故障诊断方法，其包括步骤：1）周期性采集所有处于运行状态的质子交换膜燃料电池电堆的电压和电流数据并上传云端储存；2）在同一采样周期内，基于电压和电流数据，在云端使用混沌粒子群算法并行对所有电堆进行燃料电池输出特性模型参数辨识，并进行存储；3）在同一采样周期内，将辨识出的燃料电池输出特性模型参数作为一维T
‑
S模糊模型的输入量，采用优化算法辨识隶属度函数参数并输入到一维T
‑
S模糊模型；4）分析比较一维T
‑
S模糊模型输出量的变化趋势，记录当质子交换膜燃料电池发生故障时的特征，作为历史知识库，作为后续质子交换膜燃料电池故障诊断的参考依据。
[0007]作为上述技术方案的补充，所述步骤2）中，按如下方法建立燃料电池输出特性模型，燃料电池输出特性模型包含电压模型、阳极供气模型和阴极供气模型，基于以下的假设条件建立燃料电池输出特性模型：
21）所有进入阴极及阳极的气体都经过充分的加湿；22）所有的气体都属于理想气体，符合理想气体相关反应方程；23）燃料电池内部温度变化缓慢，内部温度保持一致；24）忽略水在气态状态下对燃料电池发电系统的影响；25）遵循压力平衡和物料守恒的基本原则。
[0008]作为上述技术方案的补充，步骤2）中，在云端使用混沌粒子群算法并行对所有电堆进行参数辨识的具体步骤为：31）算法寻优的目的是使目标函数更小，目标优化函数具体定义如下：，其中，RMSE是均方根误差，N是电堆中电池单体的数量，V
cell
是电堆的输出电压，V
i
是燃料电池输出特性模型的输出电压；32）定义种群大小、迭代次数和输入参数维度，其中种群大小与电堆的数量正相关；33）基于历史数据经验给定需要辨识参数的上下限；34）基于SkewTent映射创建混沌序列，并与参数上下限融合，产生初始种群，增加全局最优解的寻优概率；35）基于Logistic映射创建混沌扰动序列，并与每个粒子个体的初始位置相融合得到扰动增量；36）计算每个粒子的适应度值，更新粒子的历史个体最优位置和群体最优位置；37）更新粒子的速度和位置，计算位置X相对应的适应度值并记为f，对粒子更新后的位置X
′
施加扰动增量，计算位置X
′
相对应的适应度值并记为f
′
，比较f和f
′
的大小，若f<f
′
，则粒子的最终位置不变；若f>f
′
，则粒子的最终位置更新为X
′
；38）对速度和位置进行超界处理，超出上限的参数则设置为边界上限，超出下限的参数设置为边界下限；39）判断迭代次数是否满足要求或者误差是否满足要求，若满足要求，则终止算法并输出参数和最终的适应度值；如不满足，继续重复执行上述36）~38）步骤，直到满足迭代终止条件。
[0009]作为上述技术方案的补充，所述步骤3）中，将辨识出的燃料电池输出特性模型参数归一化后作为一维T
‑
S模糊模型的输入量，其模糊参考子集的数量为L个，采用优化算法辨识隶属度函数参数并输入到模糊模型，属于各个一维T
‑
S模糊模型输入的模糊参考子集k的隶属度函数u
Bn,k
为：，其中，B代表辨识出的燃料电池输出特性模型参数，B
n
是燃料电池输出特性模型参数对应具体的值，n是辨识出的参数数量；m
Bn,k
和s
Bn,k
是隶属度函数待定参数；根据T
‑
S模糊模型的推理规则，输入为L个模糊参考子集时，输出的模糊参考子集
也为L个，其输出为：；其中，u
output,m
表示输出的隶属度函数，m是一维T
‑
S模糊模型输出的模糊参考子集；所述的采用优化算法辨识隶属度函数参数，其步骤为：41）优化算法的目标函数为模糊模型的输出output，算法优化的目的是寻找最优的参数使目标函数最大化；42）输入参数归一化，参数范围限制在(0,1)，每个参数保留两位有效数字；43）采用优化算法对隶属度函数的参数进行辨识；44）判断迭代次数是否满足要求或者误差是否满足要求，若满足，则终止算法并输出优化参数和对应的目标函数值；若不满足，则继续执行43），直至满足迭代终止要求。
[0010]作为上述技术方案的补充，所述步骤4）中，分析比较模糊模型输出量的变化趋势，模糊模型输出量的变化趋势表示为：，其中，output(t)是在某一时刻t模糊模型的输出量，T是采样周期，output(t+T)是间隔一个采样周期的模糊模型的输出量，Doutput是输出量的变化量；当燃料电池发生故障时，模糊模型输出量的变化趋势异常，这些异常情况分别对应燃料电池不同的故障状态，在云端对这些异常状态进行记录作为历史知识库，在以后的工作周期内，当模糊模型输出量变化异常时，查询历史知识库进行匹配，进行精确的燃料电池故障诊断并进行精确的燃料电池故障定位；如果故障可逆，则自动下发指令给燃料电池电堆控制器，调整运行参数以使燃料电池恢复正常的工作状态；如果故障不可逆，则及时下发停机指令，避免对燃料电池本身造成进一步的损害。故障诊断的次数越多，则历史知识库积累的数据更多，诊断的准确率也能更高。
[0011]本专利技术采本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.氢储能电站质子交换膜燃料电池故障诊断方法，其特征在于，包括步骤：1）周期性采集所有处于运行状态的质子交换膜燃料电池电堆的电压和电流数据并上传云端储存；2）在同一采样周期内，基于电压和电流数据，在云端使用混沌粒子群算法并行对所有电堆进行燃料电池输出特性模型参数辨识，并进行存储；3）在同一采样周期内，将辨识出的燃料电池输出特性模型参数作为一维T
‑
S模糊模型的输入量，采用优化算法辨识隶属度函数参数并输入到一维T
‑
S模糊模型；4）分析比较一维T
‑
S模糊模型输出量的变化趋势，记录当质子交换膜燃料电池发生故障时的特征，作为历史知识库，作为后续质子交换膜燃料电池故障诊断的参考依据。2.根据权利要求1所述的氢储能电站质子交换膜燃料电池故障诊断方法，其特征在于，所述步骤2）中，按如下方法建立燃料电池输出特性模型，燃料电池输出特性模型包含单个电池电压模型、阳极供气模型和阴极供气模型，基于以下的假设条件建立燃料电池输出特性模型：21）所有进入阴极及阳极的气体都经过充分的加湿；22）所有的气体都属于理想气体，符合理想气体相关反应方程；23）燃料电池内部温度变化缓慢，内部温度保持一致；24）忽略水在气态状态下对燃料电池发电系统的影响；25）遵循压力平衡和物料守恒的基本原则。3.根据权利要求1所述的氢储能电站质子交换膜燃料电池故障诊断方法，其特征在于，步骤2）中，在云端使用混沌粒子群算法并行对所有电堆进行参数辨识的具体步骤为：31）算法寻优的目的是使目标函数更小，目标优化函数具体定义如下：，其中，RMSE是均方根误差，N是电堆中电池单体的数量，V
cell
是电堆的输出电压，V
i
是燃料电池输出特性模型的输出电压；32）定义种群大小、迭代次数和输入参数维度，其中种群大小与电堆的数量正相关；33）基于历史数据经验给定需要辨识参数的上下限；34）基于SkewTent映射创建混沌序列，并与参数上下限融合，产生初始种群，增加全局最优解的寻优概率；35）基于Logistic映射创建混沌扰动序列，并与每个粒子个体的初始位置相融合得到扰动增量；36）计算每个粒子的适应度值，更新粒子的历史个体最优位置和群体最优位置；37）更新粒子的速度和位置，计算位置X相对应的适应度值并记为f，对粒子更新后的位置X
′
施加扰动增量，计算位置X
′
相对应的适应度值并记为f
′
，比较f和f
′
的大小，若f<f
′
，则粒子的最终位置不变；若f>f
′
，则粒子的最终位置更新为X
′
；38）对速度和位置进行超界处理，超出上限的参数则设置为边界上限，超出下限的参数设置为边界下限；39）判断迭代次数是否满足要求或者误差是否满足要求，若满足要求，则终止算法并输
出参数和最终的适应度值；如不满足，继续重复执行上述36）~38）步骤，直到满足迭代终止条件。4.根据权利要求1所述的氢储能电站质子交换膜燃料电池故障诊断方法，其特征在于，所述步骤3）中，将辨识出的燃料电池输出特性模型参数归一化后作为一维T
‑
S模糊模型的输入量，其模糊参考子集的数量为L个，采用优化算法辨识隶属度函数参数并输入到模糊模型，属于各个一维T
‑
S模糊模型输入的模糊参考子集k的隶属度函数u
Bn,k
为：，其中，B代表辨识出的燃料电池输出特性模型参数，B
n
是燃料电池输出特性模型参数对应具体的值，n是辨识出的参数数量；m
Bn,k
和s
Bn,k
是隶属度函数待定参数；根据T
‑
S模糊模型的推理规则，输入为L个模糊参考子集时，输出的模糊参考子集也为L个，其输出为：；其中，u
output,m
表示输出的隶属度函数，m是一维T
‑
S模糊模型输出的模糊参考子集；所述的采用优化算法辨识隶属度函数参数，其步骤为：41）优化算法的目标函数为模糊模型的输出output，算法优化的目的是寻找最优的参数使目标函数最大化；42）输入参数归一化，参数范围限制在(0,1)，每个参数保留两位有效数字；43）采用优化算法对隶属度函数的参数进行辨识；44）判断迭代次数是否满足要求或者误差是否满足要求，若满足，则终止算法并输出优化参数和对应的目标函数值；若不满足，则继续执行43），直至满足迭代终止要求。5.根据权利要求4所述的氢储能电站质子交换膜燃料电池故障诊断方法，其特征在于，所述步骤4）中，分析比较模糊模型输出量的变化趋势，模糊模型输出量的变化趋势表示为：，其中，output(t)是在某一时刻t模糊模型的输出量，T是采样周期，output(t+T)是间隔一个采样周期的模糊模型的输出量，Doutput是输出量的变化量；当燃料电池发生故障时，模糊模型输出量的变化趋势异常，这些异常情况分别对应燃料电池不同的故障状态，在云端对这些异常状态进行记录作为历史知识库，在以后的工作周期内，当模糊模型输出量变化异常时，查询历史知识库进行匹配，进行精确的燃料电池故障诊断并进行精确的燃料电池故障定位；如果故障可逆，则自动下发指令给燃料电池电堆控制器，调整运行参数以使燃料电池恢复正常的工作状态；如果故障不可逆，则及时下发停机指令，避免对燃料电池本身造成进一步的损害。6.氢储能电站质子交换膜燃料电池故障诊断装置，其特征在于，包括：电压和电流数据采集单元：周期性采集所有处于运行状态的质子交换膜燃料电池电堆...

【专利技术属性】
技术研发人员：赵波，章雷其，张雪松，王激华，马丽军，叶夏明，谢长君，张领先，朱文超，刘敏，林达，唐雅洁，汪湘晋，李志浩，倪筹帷，徐珂，
申请(专利权)人：国网浙江省电力有限公司电力科学研究院，
类型：发明
国别省市：