一种自动优化的燃料电池寿命预测方法技术

本发明专利技术提供一种自动优化的燃料电池寿命预测方法，包括以下步骤：基于质子交换膜燃料电池内部组件的衰减行为建立衰减模型；获取燃料电池在初始时的极化曲线，并通过曲线拟合识别出初始时刻的极化曲线模型参数；采集燃料电池运行时的电压、电流密度、工作温度信息；根据所述衰减模型构建粒子滤波算法框架；通过优化算法对粒子所述滤波算法框架中的待优化参数进行自动优化；将优化后的粒子滤波算法框架用于燃料电池状态评估，得到系统状态；通过迭代衰减状态和衰减速率预测未来为衰减状态，直到预测电压达到截止电压为止；获取燃料电池的剩余使用寿命为反复循环直到燃料电池寿命终止。余使用寿命为反复循环直到燃料电池寿命终止。余使用寿命为反复循环直到燃料电池寿命终止。

【技术实现步骤摘要】
一种自动优化的燃料电池寿命预测方法


[0001]本专利技术涉及燃料电池的
，具体而言，尤其涉及一种自动优化的燃料电池寿命预测方法。

技术介绍

[0002]质子交换膜燃料电池(Proton Exchange Membrane Fuel Cells,PEMFCs)能够将存储于燃料中的化学能直接转化为电能，具有能量转化率高、清洁无污染等优点，因此在全球范围内受到了广范围关注。然而寿命一直是PEMFCs的短板，限制了该技术的广泛应用。
[0003]寿命预测与健康管理技术能够提供电池当前和未来的健康状态，以便提前维护和更改运行计划，进而提升电池的寿命，降低维护成本(Thamo Sutharssan,et al.Renewable and Sustainable Energy Reviews,2017,75:440
‑
450.)。因此，该技术成为了目前的研究热点。然而，目前大家经常采用的极化曲线衰减模型(Mayank Shekhar Jha,et al.Computers and Chemical Engineering,2016,95:216
‑
230.)、(Mathieu Bressel,et al.Applied Energy,2016,164:220
‑
227.)、(Mathieu Bressel,et al.IEEE Transactions on Industrial Electronics,2016,63:2569
‑
2577.)、(Mathieu Bressel,et al.IECON 2016
‑
42nd Annual Conference of the IEEE Industrial Electronics Society,2016,5477
‑
5482)、(Hao Liu,et al.IFAC
‑
PapersOnLine,2017,50:4757
‑
4762.)具有通用性差、精度低等缺点。而且在预测过程中需要手动优化大量模型参数，不仅需要花费大量人力物力，且优化结果往往并非是最优参数。

技术实现思路

[0004]根据上述提出需要花费大量人力物力，且优化结果往往并非是最优参数的技术问题，而提供一种自动优化的燃料电池寿命预测方法。本专利技术主要利用一种自动优化的燃料电池寿命预测方法，其特征在于，包括以下步骤：
[0005]步骤S1：基于质子交换膜燃料电池内部组件的衰减行为建立衰减模型；
[0006]步骤S2：获取燃料电池在初始时的极化曲线，并通过曲线拟合识别出初始时刻的极化曲线模型参数；
[0007]步骤S3：采集燃料电池运行时的电压、电流密度、工作温度信息；
[0008]步骤S4：根据所述衰减模型构建粒子滤波算法框架；
[0009]步骤S5：通过优化算法对粒子所述滤波算法框架中的待优化参数进行自动优化；
[0010]步骤S6：将优化后的粒子滤波算法框架用于燃料电池状态评估，得到系统状态X
t
，其中，所述系统状态X
t
包含衰减状态α
t
和衰减速度v
t
；
[0011]步骤S7：通过迭代衰减状态α
t
和衰减速率v
t
预测未来为衰减状态α
t+p
，直到预测电压U(α
t+p
)达到截止电压为止；
[0012]步骤S8：获取此时的燃料电池的剩余使用寿命为RUL
t
＝p；
[0013]步骤S9：反复循环S3～S8步骤，直到燃料电池寿命终止。
[0014]进一步地，所述衰减模型为进一步地，所述衰减模型为
[0015]其中，U
t
表示t时刻的输出电压，E
0,0
表示初始时刻的开路电压，J
0,0
表示初始时刻的交换电流密度，R0表示初始时刻的电池内阻，J
L,0
表示初始时刻的极限扩散电流密度，A和B均表示模型常数，T和j分别表示电池温度和加载电流密度，为控制参数；E
0,0
、J
0,0
、R0和J
L,0
为衰减模型中的待拟合参数。
[0016]更进一步地，所述粒子滤波算法框架的：
[0017]状态方程为：X
t
＝KX
t
‑1+ω
t
‑1ꢀꢀꢀ
(2)；
[0018]观测方程为：为：
[0019]其中，X
t
表示t时刻的系统状态，α
t
和v
t
分别表示衰减状态和衰减速率，K表示增益系数，U
t
表示t时刻的输出电压，E
0,0
表示初始时刻的开路电压，J
0,0
表示初始时刻的交换电流密度、R0表示初始时刻的电池内阻，J
L,0
表示初始时刻的极限扩散电流密度，A和B均表示模型常数，T和j分别表示电池温度和加载电流密度，为控制参数；所述观测方程为S1步骤所建立的燃料电池衰减模型；
[0020]X
t
＝[α
t
v
t
]T
ꢀꢀꢀ
(4)；
[0021][0022]进一步地，所述优化算法包括：遗传算法、蚁群算法、模拟退火算法、差分进化算法、免疫算法以及粒子群算法；
[0023]所述待优化参数包括：粒子群数目、过程噪声协方差、观测噪声协方差以及初始状态。
[0024]较现有技术相比，本专利技术具有以下优点：
[0025](1)常用的衰减模型通常假设电池内阻R和极限扩散电流密度J
L
发生衰减，且衰减程度一致，该假设极大程度地限制了模型的应用范围和预测且精度。本专利技术专利基于燃料电池内部组件的衰减行为建立了一个新的衰减模型，该模型通过引入极化电阻来表示电池内部所有极化损失之和，进而避免传统衰减模型的缺点，具有较优的通用性和精度。
[0026](2)本专利技术通过智能优化算法自动更新预测模型中的关键参数，从而避免了手动优化的缺点，即工作量大耗费大量人力物力且往往得不到最佳参数。
[0027]基于以上理由，本专利技术可在燃料电池
广泛推广。
附图说明
[0028]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0029]图1为本专利技术质子交换膜燃料电池电堆在衰减过程中的电压和电流密度图。
[0030]图2为本专利技术质子交换膜燃料电池电堆初始时刻极化曲线拟合结果。...

【技术保护点】

【技术特征摘要】
1.一种自动优化的燃料电池寿命预测方法，其特征在于，包括以下步骤：S1：基于质子交换膜燃料电池内部组件的衰减行为建立衰减模型；S2：获取燃料电池在初始时的极化曲线，并通过曲线拟合识别出初始时刻的极化曲线模型参数；S3：采集燃料电池运行时的电压、电流密度、工作温度信息；S4：根据所述衰减模型构建粒子滤波算法框架；S5：通过优化算法对粒子所述滤波算法框架中的待优化参数进行自动优化；S6：将优化后的粒子滤波算法框架用于燃料电池状态评估，得到系统状态X
t
，其中，所述系统状态X
t
包含衰减状态α
t
和衰减速度v
t
；S7：通过迭代衰减状态α
t
和衰减速率v
t
预测未来为衰减状态α
t+p
，直到预测电压U(α
t+p
)达到截止电压为止；S8：获取此时的燃料电池的剩余使用寿命为RUL
t
＝p；S9：反复循环S3～S8步骤，直到燃料电池寿命终止。2.根据权利要求1所述一种自动优化的燃料电池寿命预测方法，其特征在于：所述衰减模型为：其中，U
t
表示t时刻的输出电压，E
0，0
表示初始时刻的开路电压，J
0，0
表示初始时刻的交换电流密度，R0表示初始时刻的电池内阻，J
L，0
表示初始时刻的极限扩散电流密度，A和B均表示模型常数，T和j分别表示电池...

【专利技术属性】
技术研发人员：邵志刚，王朋豪，李瑞宇，秦晓平，
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：