一种燃料电池剩余使用寿命预测方法、系统、设备及终端技术方案

本发明专利技术属于燃料电池技术领域，公开了一种燃料电池剩余使用寿命预测方法、系统、设备及终端，通过控制系统接收来自LabView接口的命令和传感器获取的信号并存储燃料电池多种历史检测信号，获得燃料电池输出电压信号以及各时间段的电池极化曲线；对获得的信号进行预处理，将电压信号变为时间序列；剔除掉时间序列和极化曲线中的不合理信号，获得最终电压序列和多条极化曲线；再建立燃料电池老化模型，将极化曲线输入遗传算法中辨识出初始参数；构建EMD和粒子滤波相结合的方法，通过结合老化模型以及粒子滤波方法对剩余序列进行老化寿命预测。本发明专利技术能够对长周期工作的燃料电池进行在线剩余寿命的精准预测，保证系统长期的安全、稳定。稳定。稳定。

【技术实现步骤摘要】
一种燃料电池剩余使用寿命预测方法、系统、设备及终端


[0001]本专利技术属于燃料电池
，尤其涉及一种燃料电池剩余使用寿命预测方法、系统、设备及终端。

技术介绍

[0002]目前，燃料电池因其具有高能量密度、清洁无污染等多重优点，在车载、机载动力系统上的应用越来越多，而燃料电池的耐久性是其能否大规模商用的重要因素。近年来，PEMFC系统的耐久性问题越来越受到关注。氢燃料质子交换膜燃料电池本身，由于其本身的性质，在其存储和运行模式中容易出现不可逆的降解现象，导致性能加速损失和寿命缩短。因此，燃料电池的预测与健康管理(PHM)技术至关重要。通过收集系统数据信息，对燃料电池系统进行状态评估、故障诊断以及剩余寿命预测。通常将燃料电池输出电压作为系统健康指标(HI)进行寿命预测，针对性的调整控制策略以提高燃料电池系统耐久性。
[0003]目前用于预测的方法主要有基于数据驱动、基于模型及基于融合算法三类，基于数据驱动的预测方法需要利用大量数据完成燃料电池寿命预测，它并不依赖燃料电池的内部退化模型，预测结果相对精确但是需要的数据量很大，运算速度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种燃料电池剩余使用寿命预测方法，其特征在于，所述燃料电池剩余使用寿命预测方法包括训练阶段和预测阶段，通过控制系统接收来自LabView接口的命令和安装在辅助系统和电子负载上的传感器获取的信号并存储燃料电池多种历史检测信号，获得燃料电池输出电压信号以及各时间段的电池极化曲线；对获得的信号进行预处理，将电压信号变为时间序列；剔除掉时间序列和极化曲线中因采样误差所导致的不合理信号，获得最终电压序列和多条极化曲线；再建立燃料电池老化模型，将处理好的极化曲线输入遗传算法中辨识出初始参数；构建EMD和粒子滤波相结合的方法，通过结合老化模型以及粒子滤波方法对EMD处理好的剩余序列进行老化寿命预测。2.如权利要求1所述燃料电池剩余使用寿命预测方法，其特征在于，所述燃料电池剩余使用寿命预测方法包括以下步骤：步骤一，开始老化测试，通过控制系统接收来自LabView接口的命令和安装在辅助系统和电子负载上的传感器获取的信号；控制系统发送控制信号，将传感器获得的信号显示在LabView界面并存储在上位机中，记录燃料电池参数；步骤二，对步骤一所获得的历史检测信号进行提取，获得燃料电池输出电压信号以及各时间段的电池极化曲线；步骤三，对步骤二获得的输出电压信号进行预处理，将电压信号变为小时时间序列；剔除掉时间序列和极化曲线中因采样误差所导致的不合理信号，获得最终电压序列和多条极化曲线；步骤四，基于质子交换膜燃料电池内部的老化行为建立半经验老化模型；步骤五，通过遗传算法拟合步骤三中获得的极化曲线识别出初始时刻的老化模型参数；步骤六，利用经验模态分解方法将步骤三中的电压序列进行本征模态分解，得到一系列本征模态分量以及剩余序列；步骤七，根据所述老化模型建立粒子滤波算法框架；步骤八，将步骤六中所获得的剩余序列输入所构建的粒子滤波算法框架中更新模型状态参数包含内阻增加速率α、极限电流密度衰减速率β、交换电流密度衰减速率γ；步骤九，不再对粒子滤波进行权重更新以及重采样，将最终模型状态参数带入老化模型获得燃料电池的预测电压；步骤十，设置燃料电池电压阈值，记录预测电压达到阈值时的时间，计算燃料电池剩余使用寿命。3.如权利要求2所述燃料电池剩余使用寿命预测方法，其特征在于，所述步骤一中的传感器获得的信号包括燃料电池电压、负载电流、工作温度、进出口水温、空气流量和氢气流量，所述燃料电池参数包括输出电压、电流和老化时间；所述步骤三中，按如下公式将采集的电压变成时间序列：V
time
(n)＝V
measure
(n+1)；其中，V
time
为输出电压序列，V
measure
为测量电压信号，n为当前时间点，n+1为下一个时间点；按如下公式进行电压筛选：
其中，V
final
为最终电压，V
usizer
为待筛选电压，n为当前时间点，n
‑
1为上一个时间点，β为容忍系数；所述步骤四中建立的质子交换膜燃料电池半经验老化模型为：其中，V
s
是电堆输出电压，i
s
是电堆电流，N是单片电池个数，E
ocv
是开路电压，R0是欧姆内阻初值，α是内阻增加速率，a、b是常数，T是运行温度，t是时间，i0是交换电流密度初值，β是交换电流密度衰减速率，i
L0
是极限电流密度初值，γ是极限电流密度衰减速率。4.如权利要求2所述燃料电池剩余使用寿命预测方法，其特征在于，所述步骤五中按如下遗传算法对初始极化曲线进行拟合，辨识出老化模型初始参数：对模型初始化，选择遗传算法种群数为50，随后任意创建初始种群，将交叉率设为0.85，突变率设为0.12；利用所创建的老化模型和k时刻的参数计算k时刻电压V
s
；利用模型计算种群的适应度，对k时刻变量执行选择、交叉、变异操作；重复执行操作，判断是否满足终止条件；根据适应度函数选择最优解，得到拟合结果；遗传函数适用度定义为：其中，f
fit
是适用度，k是极化曲线的第k个采样点，V
sk
是k时刻电堆输出电压，是拟合的k时刻电压，E
ocv
是开路电压，R0是欧姆内阻初值，i0是交换电流密度初值，i
L0
是极限电流密度初值；目标函数：min f
fit
(E
ocv
...

【专利技术属性】
技术研发人员：马睿，冯智，霍喆，张钰奇，王聪聪，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：