System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于燃料电池,特别是涉及一种适用于动态工况的pemfc衰退融合预测方法。
技术介绍
1、在交通领域应用过程中,质子交换膜燃料电池(proton exchange membrane fuelcell,pemfc)通常面临着复杂的操作条件,这会严重影响其使用寿命。根据美国能源部在2020年公布的标准,pemfc在车辆上最终的使用寿命为8000h,且性能下降不超过10%,而大多数车用pemfc的寿命与之相比仍存在较大的差距。对于运行动态工况下的pemfc,耐久性低和成本偏高已成为限制其发展的主要技术瓶颈。然而,准确地预测pemfc衰退趋势能够保证电堆系统得到及时的维护,对降低成本和延长使用寿命具有重要意义。
2、对于pemfc的衰退预测技术,核心任务包括衰退指标(di)的构建和衰退趋势的预测。对于长期运行在恒定条件的pemfc,一些测量结果(电压、功率)可以直接作为衰退指标。然而,pemfc作为一个多物理体系、多尺度的高度非线性系统,当运行在动态工况条件下时,其衰退行为与变化的操作条件相耦合,pemfc的瞬态性能响应严重受到影响,这加剧了衰退机理的复杂性,可能导致测量结果产生的衰退无法直接评估。总之,这些因素导致很难获得动态工况下可靠的衰退指标。此外,pemfc在运行过程中还存在可逆衰退的现象,停机和表征后性能会得到一定的提升,恢复效应也会对预测的精度和鲁棒性造成影响,进而促使预测结果存在不确定性。因此,在交通应用复杂的运行条件下,现有方法对pemfc的衰退趋势的预测仍具有一定局限性。
3、准确的衰退
技术实现思路
1、为了解决上述问题,本专利技术提出了一种适用于动态工况的pemfc衰退融合预测方法,包括基于模型的衰退指标提取和考虑恢复效应的衰退预测过程,该方法能够准确对pemfc的性能衰退趋势进行预测,以弥补现有pemfc在健康状态soh评估和寿命优化方面的不足。
2、为达到上述目的,本专利技术采用的技术方案是:一种适用于动态工况的pemfc衰退融合预测方法,包括步骤
3、步骤一,通过分析动态工况的负载范围,建立忽略浓差损失的极化曲线方程;
4、步骤二,进行极化曲线参数辨识,以及量化活化损耗与欧姆损耗来确定权重比例系数;
5、步骤三,通过归一化消除两种不同尺度老化参数之间的量纲差异,并根据加权融合来构建动态工况下的衰退指标;
6、步骤四,将蝠鲼觅食优化算法与粒子滤波相结合,以解决粒子滤波算法重采样过程中的粒子贫化问题,并捕获pemfc的整体退化趋势;
7、步骤五,利用门控循环单元神经网络预测可逆衰退的性能恢复过程,并与蝠鲼觅食优化粒子滤波算法的整体衰退趋势预测结果叠加,得到最终的衰退预测结果。
8、进一步的是,在步骤一中,通过耐久性实验,获取pemfc在动态工况下的运行数据,包括实时电压和负载;
9、其中,pemfc电堆的外部操作条件始终保持恒定,包括:空气/氢气计量比、阴阳极背压、阴阳极露点温度、阴阳极进气管路温度和循环水温度。
10、进一步的是,在步骤一中,建立极化曲线模型,表示为:
11、
12、式中,e(i)为pemfc的电压,erev为热力学预测电压;r为摩尔气体常数,8.3145j/mol/k;t为pemfc的温度;α为电荷传递系数;f为法拉第常数,96485c/mol;i为pemfc的电流密度,i0为交换电流密度,epto为氧化铂的混合电势,r为动态等效电阻,b为浓差常数,il为极限电流密度;
13、由于动态工况负载都在1200ma·cm-2以内,当pemfc运行在小电流密度时,忽略浓差损失,极化曲线模型简化为:
14、
15、进一步的是,进行极化曲线模型参数辨识,需要识别的参数为分别为α、i0和r。
16、进一步的是,根据极化曲线模型计算动态工况下活化损耗与欧姆损耗的比例,以确定两部分损失的权重系数;其中活化损失占比为0.75,欧姆损失占比为0.25。
17、进一步的是,通过归一化消除两种不同尺度老化参数之间的量纲差异,包括步骤:
18、首先使用局部加权回归方法对数据进行滤波平滑处理;
19、然后采用归一化的方法将电荷传递系数α和欧姆电阻r转换为[0,1]范围内的标量,以消除不同尺度参数之间的量纲差异;其中,欧姆电阻r需要添加负号后,才能进行归一化处理,以保证融合老化参数的整体趋势一致;
20、将老化参数去除获得最终归一化结果。
21、进一步的是,根据加权融合来构建动态工况下的衰退指标,包括:将电荷传递系数α和欧姆电阻r进行加权融合,最终得到的融合衰退指标结果;
22、加权融合公式为:di=0.75*αnorm+0.25*rnorm;
23、式中,di为融合的衰退指标,αnorm为归一化后的电荷传递系数,rnorm为归一化后的欧姆电阻。
24、进一步的是,在步骤四中,采用粒子滤波算法来捕获pemfc的整体退化趋势,通过引入蝠鲼觅食算法对重采样过程进行优化,增加粒子的多样性,并驱使迭代后的粒子移动到系统的最优位置,最终不断向真实状态靠近;
25、将前600h的数据作为蝠鲼觅食优化粒子滤波算法的训练集,捕捉pemfc整体的衰退趋势,并获取衰退指标恢复信息的残差序列。
26、进一步的是,利用门控循环单元神经网络对恢复的可逆衰退过程进行预测,并蝠鲼觅食优化粒子滤波算法的整体衰退趋势预测分量与门控循环单元神经网络的可逆衰退预测分量叠加,最终的预测结果。
27、进一步的是,通过均方根误差来评估所提预测方法的性能。
28、采用本技术方案的有益效果:
29、在实际应用中,pemfc的衰退行为与变化的运行条件相耦合,常规衰退指标(电压、功率)并不能全面反映其衰退程度和健康状态。本专利技术通过对动态工况的负载特征进行分析,建立半经验电压衰退模型(极化曲线方程),通过归一化与加本文档来自技高网...
【技术保护点】
1.一种适用于动态工况的PEMFC衰退融合预测方法,其特征在于,包括步骤:
2.根据权利要求1所述的一种适用于动态工况的PEMFC衰退融合预测方法,其特征在于,在步骤一中,通过耐久性实验,获取PEMFC在动态工况下的运行数据,包括实时电压和负载;
3.根据权利要求1所述的一种适用于动态工况的PEMFC衰退融合预测方法,其特征在于,在步骤一中,建立极化曲线模型,表示为:
4.根据权利要求1所述的一种适用于动态工况的PEMFC衰退融合预测方法,其特征在于,进行极化曲线模型参数辨识,需要识别的参数为分别为α、i0和R。
5.根据权利要求1所述的一种适用于动态工况的PEMFC衰退融合预测方法,其特征在于,根据极化曲线模型计算动态工况下活化损耗与欧姆损耗的比例,以确定两部分损失的权重系数;其中活化损失占比为0.75,欧姆损失占比为0.25。
6.根据权利要求1所述的一种适用于动态工况的PEMFC衰退融合预测方法,其特征在于,通过归一化消除两种不同尺度老化参数之间的量纲差异,包括步骤:
7.根据权利要求1所述的一种适用于
8.根据权利要求1所述的一种适用于动态工况的PEMFC衰退融合预测方法,其特征在于,在步骤四中,采用粒子滤波算法来捕获PEMFC的整体退化趋势,通过引入蝠鲼觅食算法对重采样过程进行优化,增加粒子的多样性,并驱使迭代后的粒子移动到系统的最优位置,最终不断向真实状态靠近;
9.根据权利要求1所述的一种适用于动态工况的PEMFC衰退融合预测方法,其特征在于,利用门控循环单元神经网络对恢复的可逆衰退过程进行预测,并蝠鲼觅食优化粒子滤波算法的整体衰退趋势预测分量与门控循环单元神经网络的可逆衰退预测分量叠加,最终的预测结果。
10.根据权利要求1所述的一种适用于动态工况的PEMFC衰退融合预测方法,其特征在于,通过均方根误差来评估所提预测方法的性能。
...【技术特征摘要】
1.一种适用于动态工况的pemfc衰退融合预测方法,其特征在于,包括步骤:
2.根据权利要求1所述的一种适用于动态工况的pemfc衰退融合预测方法,其特征在于,在步骤一中,通过耐久性实验,获取pemfc在动态工况下的运行数据,包括实时电压和负载;
3.根据权利要求1所述的一种适用于动态工况的pemfc衰退融合预测方法,其特征在于,在步骤一中,建立极化曲线模型,表示为:
4.根据权利要求1所述的一种适用于动态工况的pemfc衰退融合预测方法,其特征在于,进行极化曲线模型参数辨识,需要识别的参数为分别为α、i0和r。
5.根据权利要求1所述的一种适用于动态工况的pemfc衰退融合预测方法,其特征在于,根据极化曲线模型计算动态工况下活化损耗与欧姆损耗的比例,以确定两部分损失的权重系数;其中活化损失占比为0.75,欧姆损失占比为0.25。
6.根据权利要求1所述的一种适用于动态工况的pemfc衰退融合预测方法,其特征在于,通过归一化消除两种不同尺度老化参数之...
【专利技术属性】
技术研发人员:张雪霞,唐双喜,黄磊,岳嘉玲,邱丹洛,
申请(专利权)人:西南交通大学,
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。