一种制造技术

本发明专利技术属于数据建模技术领域，尤其涉及一种

【技术实现步骤摘要】
一种SOFC模型的参数辨识方法


[0001]本专利技术属于数据建模
，尤其涉及一种
SOFC
模型的参数辨识方法
。

技术介绍

[0002]固体氧化物燃料电池
(Solid Oxide Fuel Cell,SOFC)
被认为是最有前途的可再生能源之一，广泛应用于船舶
、
电动汽车
、
便携式电源等
。
到目前为止，已经开发了四种典型的
SOFC
模型
。
[0003]然而，由于
SOFC
模型固有的高非线性
、
多变量和强耦合特性，参数提取被认为是一项艰巨且具有挑战性的任务
。
为了解决这些问题，针对不同的
SOFC
模型提出并采用了各种参数提取方法，其中启发式算法由于具备突出的优点，被人们广泛使用
。
启发式算法虽然在提高搜索能力和效率方面取得了显著的进展，但是其忽略了数据噪声对
SOFC
参数辨识的干扰
。
因此，需要采用一种切实有效的手段进行降噪处理
。

技术实现思路

[0004]鉴于上述问题，本专利技术提供一种
SOFC
模型参数辨识方法，能够减少数据噪声对
SOFC
模型参数辨识的干扰，提高
SOFC
模型参数的准确性
。
[0005]本专利技术采用的技术方案为：一种
SOFC<br/>模型参数辨识方法，包括以下步骤：
[0006]建立
SOFC
模型；
[0007]利用神经网络对
SOFC
测量数据集进行降噪处理，得到模型训练数据集；
[0008]利用预设算法通过所述模型训练数据集从预设模型参数区间中识别所述
SOFC
模型的模型参数数据，得到所述
SOFC
模型的最优模型参数
。
[0009]优选的，所述神经网络包括广义回归神经网络
。
[0010]优选的，所述利用神经网络对
SOFC
测量数据集进行降噪处理，得到模型训练数据集，包括：
[0011]构建所述广义回归神经网络；
[0012]利用预设初始化数据对所述广义回归神经网络的参数进行设置；
[0013]利用
SOFC
神经网络训练数据训练所述广义回归神经网络；
[0014]利用训练好的所述广义回归神经网络去除所述测量数据集中的噪声数据，得到所述模型训练数据集
。
[0015]优选的，所述建立
SOFC
模型，包括：
[0016]基于
SOFC
的电化学反应的数学公式建立对应的数学模型，将所述数学公式中的未知常量设为所述
SOFC
模型中的模型参数；
[0017]基于所述模型参数的特性确定收敛函数，将所述模型参数代入所述收敛函数，得到目标函数；
[0018]将所述数学模型及目标函数统一设为所述
SOFC
模型
。
[0019]优选的，所述数学模型包括简单化学模型
。
[0020]优选的，所述预设算法包括浣熊优化算法
。
[0021]优选的，所述利用预设算法通过所述模型训练数据集从预设模型参数区间中识别所述
SOFC
模型的模型参数数据，得到所述
SOFC
模型的最优模型参数，包括：
[0022]从所述预设模型参数区间内随机获取浣熊种群数据；
[0023]计算所述浣熊种群数据中所有浣熊个体的个体适应度；
[0024]基于狩猎攻击机制和所述个体适应度，更新所有所述浣熊个体的个体位置；
[0025]基于逃离捕食者机制对更新后的所述个体位置进行再次更新，得到所述浣熊个体的最新个体位置；
[0026]对所述浣熊个体进行贪婪选择，得到当前最优解和当前最优值；
[0027]重复上述步骤进行迭代，直至迭代次数达到最大迭代次数，得到目标最优解和目标最优值；
[0028]将所述目标最优解和所述目标最优值设为所述模型参数数据，得到所述最优模型参数
。
[0029]优选的，所述基于狩猎攻击机制和所述个体适应度，更新所有所述浣熊个体的个体位置，包括：
[0030]获取鬣蜥的位置；
[0031]将所述浣熊种群数据分成第一浣熊种群和第二浣熊种群；
[0032]利用第一公式模拟第一浣熊种群上树抓取所述鬣蜥，根据所述鬣蜥的位置确定所述第一浣熊种群中浣熊个体的第一个体位置；
[0033]利用第二公式和第三公式模拟第二浣熊种群在树下等待所述鬣蜥掉落，根据所述鬣蜥的位置确定所述第二浣熊种群中浣熊个体的第二个体位置；
[0034]判断所述第一个体位置或第二个体位置的适应度是否小于所述个体适应度；若所述第一个体位置或第二个体位置的适应度小于所述个体适应度，则用所述第一个体位置或第二个体位置更新对应的浣熊个体的个体位置；若所述第一个体位置或第二个体位置的适应度大于或等于所述个体适应度，则对应的浣熊个体的个体位置不变
。
[0035]优选的，所述基于逃离捕食者机制对更新后的所述个体位置进行再次更新，得到所述浣熊个体的最新个体位置，包括：
[0036]在所述更新后的所述个体位置的预设范围内随机生成一个随机位置；
[0037]判断所述随机位置的适应度是否小于所述更新后的所述个体位置的适应度；若所述随机位置的适应度大于或等于所述更新后的所述个体位置的适应度，则所述个体位置不变；若所述随机位置的适应度小于所述更新后的所述个体位置的适应度，则所述个体位置更新为所述随机位置
。
[0038]优选的，所述
SOFC
测量数据集包括
SOFC
实际测量的电压和电流
。
[0039]采用本专利技术实施例，具有如下有益效果：
[0040]本专利技术通过神经网络对
SOFC
测量数据集进行降噪处理，再利用预设算法确认所述
SOFC
模型中的模型参数，得到最优模型参数
。
因此，本专利技术通过神经网络对测量数据进行降噪处理，能够增强滤除测量数据中的噪声数据的能力，提高
SOFC
模型参数辨识的准确性
、
稳定性和可靠性
。
附图说明
[0041]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作简单地介绍，显而易见地，下面描述中的附图仅仅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的前提下，还可以根据这些附图获得其他的附图
。
[0042]其中：
[0043]图1为一个实施例中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种
SOFC
模型参数辨识方法，其特征在于，包括以下步骤：建立
SOFC
模型；利用神经网络对
SOFC
测量数据集进行降噪处理，得到模型训练数据集；利用预设算法通过所述模型训练数据集从预设模型参数区间中识别所述
SOFC
模型的模型参数数据，得到所述
SOFC
模型的最优模型参数
。2.
根据权利要求1所述的方法，其特征在于，所述神经网络包括广义回归神经网络
。3.
根据权利要求2所述的方法，其特征在于，所述利用神经网络对
SOFC
测量数据集进行降噪处理，得到模型训练数据集，包括：构建所述广义回归神经网络；利用预设初始化数据对所述广义回归神经网络的参数进行设置；利用
SOFC
神经网络训练数据训练所述广义回归神经网络；利用训练好的所述广义回归神经网络去除所述测量数据集中的噪声数据，得到所述模型训练数据集
。4.
根据权利要求1所述的方法，其特征在于，所述建立
SOFC
模型，包括：基于
SOFC
的电化学反应的数学公式建立对应的数学模型，将所述数学公式中的未知常量设为所述
SOFC
模型中的模型参数；基于所述模型参数的特性确定收敛函数，将所述模型参数代入所述收敛函数，得到目标函数；将所述数学模型及目标函数统一设为所述
SOFC
模型
。5.
根据权利要求4所述的方法，其特征在于，所述数学模型包括简单化学模型
。6.
根据权利要求1所述的方法，其特征在于，所述预设算法包括浣熊优化算法
。7.
根据权利要求6所述的方法，其特征在于，所述利用预设算法通过所述模型训练数据集从预设模型参数区间中识别所述
SOFC
模型的模型参数数据，得到所述
SOFC
模型的最优模型参数，包括：从所述预设...

【专利技术属性】
技术研发人员：和鹏，马遵，许珂玮，孟贤，何廷一，
申请(专利权)人：云南电网有限责任公司电力科学研究院，
类型：发明
国别省市：