【技术实现步骤摘要】
本专利技术属于燃料电池，更具体地，涉及一种固体氧化物燃料电池的燃料适应性优化方法及系统。
技术介绍
1、固体氧化物燃料电池(solid oxide fuel cell，简称sofc)是一种使用固体氧化物作为电解质的全固态化学发电装置。这种电池的工作原理是在高温下，通过燃料和氧气之间的化学反应来产生电能。由于sofc使用固态非贵金属电解质，而非液态电解质，所以可以使用天然气、氢气、煤气、乙醇等多种燃料。
2、在实际应用中，不同的燃料种类、含量和杂质会对sofc性能和稳定性产生影响。燃料适应性研究可以帮助确定适合sofc使用的多种不同燃料类型，包括传统的天然气和液化石油气等化石燃料，以及生物质、氢气等可再生能源。这有助于推动可持续能源发展，降低对传统化石燃料的依赖，开发适合不同地区和国家特定燃料资源的sofc系统，使其能够更好地适应当地的能源供应情况，解决能源供应的问题，提高能源安全性。同时可以根据工作条件和应用场景选择适合sofc的各种燃料，充分利用多种资源的能量潜力，提高能源利用效率并降低污染物的产生。燃料适应性研究可以深入了解不同燃料对sofc性能的影响，通过优化操作条件来提高sofc系统的稳定性和可靠性。可以看出，针对sofc燃料适应性研究能够推动商业化进程，并为其产业化提供技术支撑，对于实现可持续能源转型和构建清洁能源体系具有重要意义。
技术实现思路
1、针对现有技术的以上缺陷或改进需求，本专利技术提供了一种固体氧化物燃料电池的燃料适应性优化方法及系统，其目的在于
2、为实现上述目的，第一方面，本专利技术提供了一种固体氧化物燃料电池的燃料适应性优化方法，所述方法包括：
3、针对不同燃料成分进行sofc测试，记录测试过程中sofc的工作条件参数和性能表征参数；
4、利用sofc性能预测模型从工作条件参数中找出对性能表征参数的影响大于预设值的显著性工作条件参数；
5、构建一个集成算法模型，所述集成算法模型中包括预设数量的基学习器，各个所述基学习器基于不同种类的神经网络；将所述显著性工作条件参数作为训练数据，性能表征参数作为目标变量，对所述集成算法模型进行拟合训练；
6、以所述显著性工作条件参数作为初始化种群，所述集成算法模型作为适应度函数，采用多目标优化算法对性能表征参数进行优化，最终得到sofc最优的工作条件参数。
7、优选的，所述sofc性能预测模型通过以下方法训练得到：
8、针对不同燃料成分进行sofc测试，记录测试过程中sofc的工作条件参数和性能表征参数；
9、基于深度信念网络构建sofc性能预测模型，将所述工作条件参数作为训练数据，所述性能表征参数作为目标变量，对所述sofc性能预测模型进行拟合训练。
10、优选的，所述sofc的工作条件参数包括燃料成分，还包括温度和压力中的至少一种。
11、优选的，所述sofc的性能表征参数包括电流、电压、功率、能量密度、功率密度、燃料利用率和电解质降解率中的至少一种。
12、优选的，拟合训练前，对所述工作条件参数和性能表征参数进行归一化预处理，所述归一化包括min-max归一化、z-score归一化或l2范数归一化。
13、优选的，所述多目标优化算法包括以下步骤：
14、(1)将所有显著性工作条件参数作为初始化种群；
15、(2)将所述集成算法模型作为适应度函数计算个体的适应度；
16、(3)选择适应度大于第一适应度阈值的个体进行交叉操作，生成新的个体；
17、(4)对新的个体进行变异操作得到变异后个体；
18、(5)用所述变异后个体替换种群中适应度最小的个体，形成新的种群；
19、(6)在种群中进行非支配排序；
20、(7)在种群中进行拥挤度计算，并选择适应度大于第二适应度阈值和拥挤度大于第一拥挤度阈值的个体作为新的父代；
21、(8)判断是否达到种群迭代条件，若是则结束，并将当前种群中适应度最好的个体输出；否则返回步骤(2)。
22、优选的，通过方差分析法对所述sofc性能预测模型进行显著性分析，从工作条件参数中找出对性能表征参数的影响大于预设值的显著性工作条件参数。
23、第二方面，本专利技术提供了一种固体氧化物燃料电池的燃料适应性优化系统，所述系统包括：
24、测试模块，用于进行sofc测试，记录测试过程中sofc的工作条件参数和性能表征参数；
25、显著性模块，用于利用sofc性能预测模型从工作条件参数中找出对性能表征参数的影响大于预设值的显著性工作条件参数；
26、集成算法模型训练模块，用于构建一个集成算法模型，所述集成算法模型中包括预设数量的基学习器，各个所述基学习器基于不同种类的神经网络；将所述显著性工作条件参数作为训练数据，性能表征参数作为目标变量，对所述集成算法模型进行拟合训练；
27、多目标优化模块，用于以所述显著性工作条件参数作为初始化种群，所述集成算法模型作为适应度函数，采用多目标优化算法对性能表征参数进行优化，最终得到最优sofc工作条件参数。
28、第三方面，本专利技术提供一种电子设备，包括：至少一个存储器，用于存储程序；至少一个处理器，用于执行存储器存储的程序，当存储器存储的程序被执行时，处理器用于执行第一方面中所描述的任一方法。
29、第四方面，本专利技术提供一种存储介质，存储介质存储有计算机程序，当计算机程序在处理器上运行时，使得处理器执行第一方面中所描述的任一方法。
30、总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，具有以下有益效果：
31、(1)本方法针对不同燃料成分进行sofc测试，获得不同燃料成分及其他sofc工作参数下sofc的性能数据，由此采用数据挖掘的方式研究燃料特性，建立燃料与sofc性能之间的关系模型，通过机器学习技术，根据sofc工作环境，匹配最佳燃料选择方案和操作条件；
32、(2)sofc的工作相关参数众多，如果将所有这些参数都当做决策变量进行数据挖掘，毫无疑问将会导致维数灾难问题，并且对计算机的计算性能要求将会很高，为了在使用尽可能少的决策变量的前提下获得尽可能精确的优化结果，本专利技术方法在优化之前先进行变量的显著性分析，以剔除对sofc性能影响相对较小的变量，这样可以减少优化空间提高优化效率；
33、(3)本方法所有数据都是基于实际的sofc测试中得到的真实数据，虽然数据具有真实可靠的优点，但是因此数据样本数量不可能太大；本专利技术中采用集成算法模型作为多目标遗传算法中的适应度函数，很好的利用了集成算法模型无需太大训练样本也能获得较高预测精度的特点。
本文档来自技高网...【技术保护点】
1.一种固体氧化物燃料电池的燃料适应性优化方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述SOFC性能预测模型通过以下方法训练得到：
3.根据权利要求2所述的方法，其特征在于，所述SOFC的工作条件参数包括燃料成分，还包括温度和压力中的至少一种。
4.根据权利要求2所述的方法，其特征在于，所述SOFC的性能表征参数包括电流、电压、功率、能量密度、功率密度、燃料利用率和电解质降解率中的至少一种。
5.根据权利要求2、3或4所述的方法，其特征在于，拟合训练前，对所述工作条件参数和性能表征参数进行归一化预处理，所述归一化包括Min-Max归一化、Z-Score归一化或L2范数归一化。
6.根据权利要求1所述的方法，其特征在于，所述多目标优化算法包括以下步骤：
7.根据权利要求1所述的方法，其特征在于，通过方差分析法对所述SOFC性能预测模型进行显著性分析，从工作条件参数中找出对性能表征参数的影响大于预设值的显著性工作条件参数。
8.一种固体氧化物燃料电池的燃料适应性优化系
9.一种电子设备，其特征在于，包括：
10.一种存储介质，所述存储介质存储有计算机程序，其特征在于，当所述计算机程序在处理器上运行时，使得所述处理器执行权利要求1-7中任一所述的方法。
...【技术特征摘要】
1.一种固体氧化物燃料电池的燃料适应性优化方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述sofc性能预测模型通过以下方法训练得到：
3.根据权利要求2所述的方法，其特征在于，所述sofc的工作条件参数包括燃料成分，还包括温度和压力中的至少一种。
4.根据权利要求2所述的方法，其特征在于，所述sofc的性能表征参数包括电流、电压、功率、能量密度、功率密度、燃料利用率和电解质降解率中的至少一种。
5.根据权利要求2、3或4所述的方法，其特征在于，拟合训练前，对所述工作条件参数和性能表征参数进行归一化预处理，所述归一化包括min-max...
【专利技术属性】
技术研发人员：唐渊，黄旭锐，雷金勇，杨怡萍，潘军，于丰源，廖梓豪，杨瑛，区定容，涂正凯，
申请(专利权)人：广东电网有限责任公司广州供电局，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。