一种质子交换膜燃料电池控制方法技术

本发明专利技术公开了一种质子交换膜燃料电池控制方法。该方法包括：利用建立的电池电压模型监测电池状态，获得预测电压；将所述预测电压与实际测量电压之间的差值与设定阈值进行比较，以判断电池是否处于异常状态；在确定电池处于异常状态的情况下，将测量得到的电池电压、欧姆内阻和阳极气体压力降输入到经训练的Bagging神经网络集成分类器，获得电池故障类型。本发明专利技术能够保证预测精确度和及时性，同时降低了模型训练数据量，并且在没有增加特征数据量的前提下，可以同时对膜干和水淹故障进行诊断。诊断。诊断。

【技术实现步骤摘要】
一种质子交换膜燃料电池控制方法


[0001]本专利技术涉及电池健康控制
，更具体地，涉及一种质子交换膜燃料电池控制方法。

技术介绍

[0002]质子交换膜燃料电池(proton exchange membrane fuel cell，PEMFC)在使用中将氢能转化为电能，具有无噪音、零污染、工作电流大、比功率高、启动速度快、环境友好和结构紧凑等优点，可以从根本上解决困扰汽车发展的环境和能源问题，得到了越来越多国家以及企业的重视。然而，造成质子交换膜燃料电池迈向商业化应用缓慢的原因很大程度上在于质子交换膜燃料电池的寿命与健康问题。由于外界条件以及运行工况的变化，质子交换膜燃料电池容易出现膜干、水淹等故障，从而导致电堆的性能与寿命严重衰减。因此为了避免对电堆造成严重损坏，需要及时检测出故障并对故障进行修复。
[0003]在现有技术中，对质子交换膜燃料电池水淹和膜干故障的诊断方法，主要是基于数学模型、实验和数据驱动等诊断方法。对于基于数学模型的方法，关键在于建立和燃料电池相匹配的解析模型，这对模拟电池系统性能至关重要。但是，这种方法需要研究人员对燃料电池系统内部结构和反应动力学有深入的了解。模型的计算精度往往取决于其复杂程度，对于复杂程度较高的模型来说，虽然会提高模型的准确度，但会显著增加计算成本和计算时间。并且，由于燃料电池是一个多物理场耦合的复杂系统，很难做到全面深入地了解电池的内部原理，因此基于模型的方法在实时诊断上的应用有很大限制，只在燃料电池离线仿真和设计中使用较多。
[0004]基于实验的方法主要包括基于阳极气体压力降或基于交流阻抗谱和膜阻抗诊断水淹和膜干故障，以及基于可视化技术研究水淹和膜干的动态过程。基于阳极压力降能够指导操作条件使PEMFC恢复到正常态，但该方法对电堆中故障单片的准确定位较难。针对故障定位问题，基于交流阻抗谱和膜阻抗的方法可依据单片电池的阻抗特征进行准确的故障定位，并且能描述整个电堆的阻抗特征。但是，通过频率扫描测试阻抗谱，多次测量取平均值获取单个频率点的阻抗，这些过程具有耗时长的缺点，阻碍了在线故障诊断。可视化技术能直接观察水在电池内部的分布和气液两相的动态变化，有助于PEMFC内部水的机理研究，但成像设备昂贵、需要透明电池、仅适用于实验室研究，限制了商业化应用及在线测试。
[0005]基于数据驱动的故障诊断技术主要基于大量的历史数据分析，且不依赖于诊断对象的具体模型。目前，基于数据驱动方法对PEMFC水淹和膜干进行诊断受到广泛关注。该方法可以直接利用PEMFC运行时的历史数据作为训练数据，进行训练进而获得相应的训练模型，通过不同数学算法对训练数据进行处理来获取水淹、膜干和正常状态的特征，再根据特征来判断给定条件下电池的工作状态。基于数据驱动的故障诊断方法可用于在线诊断、大功率PEMFC电堆以及多堆的水淹和膜干故障，针对电堆中故障单片的定位具有较大优势。
[0006]在数据驱动方法中，机器学习是一种常用的方法。例如，使用基于BP神经网络的方法对PEMFC进行故障诊断，这种方法虽然可以比较精准地判断PEMFC的故障类型，但是神经
网络模型需要大量的数据进行训练，并且模型输入变量越多，映射关系越复杂，则需要的训练数据量越多，从而增加获得数据的成本和耗时。因此，有必要对神经网络模型进行优化，在保证模型预测精确度和及时性的前提下，减少模型训练所需的数据量。又如，使用基于支持向量机的方法对PEMFC进行故障诊断，将得到的电流密度、膜含水量和欧姆内阻作为燃料电池的三个特征数据，代入事先已经训练好的支持向量机分类器中判断燃料电池是否处于膜干状态。这种基于支持向量机的方法，仅能够判断燃料电池是否处于膜干状态，不能判断燃料电池是否处于水淹状态，从而限制了其商业化的应用。

技术实现思路

[0007]本专利技术的目的是克服上述现有技术的缺陷，提供一种质子交换膜燃料电池控制方法。该方法包括：
[0008]利用建立的电池电压模型监测电池状态，获得预测电压，所述电池是质子交换膜燃料电池；
[0009]将所述预测电压与实际测量电压之间的差值与设定阈值进行比较，以判断电池是否处于异常状态；
[0010]在确定电池处于异常状态的情况下，将测量得到的电池电压、欧姆内阻和阳极气体压力降输入到经训练的Bagging神经网络集成分类器，获得电池故障类型。
[0011]与现有技术相比，本专利技术的优点在于，为解决神经网络所需训练数据量大的问题，引入Bagging集成学习，使得获得的Bagging神经网络集成模型准确度更高，且所需模型训练数据量更少；为解决只能对PEMFC膜干进行诊断的问题，采用欧姆内阻、阳极气体压力降和电池电压作为Bagging神经网络集成的特征数据，在没有增加特征数据量的前提下，使得到的模型不仅可以判断燃料电池是否处于膜干状态，也能判断燃料电池是否处于水淹状态。
[0012]通过以下参照附图对本专利技术的示例性实施例的详细描述，本专利技术的其它特征及其优点将会变得清楚。
附图说明
[0013]被结合在说明书中并构成说明书的一部分的附图示出了本专利技术的实施例，并且连同其说明一起用于解释本专利技术的原理。
[0014]图1是根据本专利技术一个实施例的质子交换膜燃料电池控制方法的流程图；
[0015]图2是根据本专利技术一个实施例的单一神经网络模型的结构图；
[0016]图3是根据本专利技术一个实施例的Bagging集成学习的示意图；
[0017]图4是根据本专利技术一个实施例的质子交换膜燃料电池控制方法的应用过程示意图。
具体实施方式
[0018]现在将参照附图来详细描述本专利技术的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本专利技术的范围。
[0019]以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本专利技术及其应用或使用的任何限制。
[0020]对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
[0021]在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
[0022]应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
[0023]为了保证质子交换膜燃料电池长久稳定地运行，需要避免发生水淹和膜干等故障，或者发生水淹和膜干故障时，可以进行及时的修复以避免质子交换膜燃料电池故障进一步恶化。本专利技术将Bagging集成学习运用到质子交换膜燃料电池中，解决质子交换膜燃料电池水淹和膜干故障诊断问题，有效地提高了质子交换膜燃料电池的可靠性和耐久性。
[0024]简言之，本专利技术基于质子交换膜燃料电池电压模型，对质子交换膜燃料电池的状态进行监测，其中质子交换膜燃料电池电压模型为质子交换本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种质子交换膜燃料电池控制方法，包括以下步骤：利用建立的电池电压模型监测电池状态，获得预测电压，所述电池是质子交换膜燃料电池；将所述预测电压与实际测量电压之间的差值与设定阈值进行比较，以判断电池是否处于异常状态；在确定电池处于异常状态的情况下，将测量得到的电池电压、欧姆内阻和阳极气体压力降输入到经训练的Bagging神经网络集成分类器，获得电池故障类型。2.根据权利要求1所述的方法，其特征在于，所述Bagging神经网络集成分类器包含多个弱学习器，每个弱学习器对应一个神经网络模型，所述神经网络模型包括输入层、隐含层和输出层，并且测量得到的电池电压、欧姆内阻和阳极气体压力降作为输入层的输入变量，电池故障类型作为输出层的输出变量。3.根据权利要求2所述的方法，其特征在于，根据以下步骤确定所述神经网络模型的隐含层节点数：设定隐含层的起始节点数X0和起始步长h0，分别表示为：X0＝log2N
in
h0＝(N
in
‑
N
out
)/3其中，X0为隐含层的起始节点数，N
in
为输入层的输入单元数，N
out
为输出层所输出的单元数；设计隐含层的对比节点数X1，表示为：X1＝X0+h0计算起始节点数和对比节点数所对应的神经网络模型预测误差值f0(x)和f1(x)，以确定下一对比节点数X2，表示为：经过重复迭代，直至寻找到最优的节点数X
i
，作为最佳的隐含层节点数。4.根据权利要求1所述的方法，其特征在于，所述电池电压模型表示为：V
st
＝N*(E
nernst
‑
V
act
‑
V
ohm
‑
V
conc
)其中，V
st
为电池电压，N为电池单体电池个数，E
nernst
为能斯特电压，V
act
为活化损耗，V
ohm
为欧姆损耗，V
conc
为浓差损耗；其中，能斯特电压E
nernst
表示为：其中，T
st
为电池的实际温度，和为电池实际测量的氢气和氧气分压；其中，活化损耗V
act
表示为：V
act
＝V0+V
a
(1
‑
e
‑
10i
)其中，V0...

【专利技术属性】
技术研发人员：郑春花，高慧，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：