一种预测燃料电池性能及关键输入参数寻优的方法与流程

本发明涉及燃料电池，尤其涉及一种预测燃料电池性能及关键输入参数寻优的方法。

背景技术：

1、氢燃料电池作为当前全世界能源革命的重点，是实现碳中和及碳达峰的关键技术手段。其是以氢气、空气为燃料，通过电化学反应的途径把燃料中的化学能转化为电能。得益于其较高的能量转化效率与功率密度、无需经过高温燃烧与零污染物排放等优点，近年来在汽车交通、热电联供、分布式电源等领域已得到广泛应用。氢燃料电池是涉及电化学、流体力学、热力学等多学科耦合的复杂动态系统，其输出性能也取决于电流、温度、湿度、压力、空气化学计量比等输入参数。通过试验获取燃料电池输出性能最佳时的各项输入参数，成本高且费时。如果能够在进行必要的试验之前，建立多输入参数的燃料电池模型，既可以深入理解燃料电池的运行机理，获取最佳输出性能，并计算在燃料电池输出性能最佳的前提下，各项输入参数的最优组合，又可以大幅降低开发及测试的成本，提高开发效率，为燃料电池性能计算及参数寻优提供一个通用的仿真计算平台，具有重要的理论意义和实用价值。

2、现有技术中公开的燃料电池系统输出性能预测方法中的相关专利申请中，一般选取影响燃料电池输出性能的特征参数，测试不同特征参数值情况下燃料电池系统功率输出，选取最大功率输出点，获取训练样本，构建输出性能预测模型，将当前获取的燃料电池系统的特征参数值代入训练后的输出性能预测模型，得到当前最大功率输出的预测。或者是将燃料电池一个循环里测试的电压输入自编码器网络，把自编码器网络的中间层输出作为燃料电池健康指标，将循环数和第一阶段得到的燃料电池健康指标作为长短期记忆网络的输入，预测未来燃料电池健康状态变化，将预测的燃料电池健康状态输入自编码器网络的解码器中，获得预测电压。但是上述两种技术方案都需要借助大量不同工况下燃料电池测试数据，并且局限于通过人工智能算法建立模型预测燃料电池催化层、燃料电池及系统性能输出，未将燃料电池多输入参数模型和遗传算法联合预测燃料电池性能输出，未采用自适应遗传算法优化神经网络，没有将优化后的神经网络和未优化的神经网络两种方法的预测输出形成对比结果，多目标多参数优化后缺少最优参数组合的验证。

技术实现思路

1、根据现有技术存在的问题，本发明公开了一种预测燃料电池性能及关键输入参数寻优的方法，该方法根据实测的燃料电池性能数据及操作参数数据，建立了基于神经网络的多输入参数燃料电池模型，燃料电池输出性能取决于电流、温度、湿度、压力、空气化学计量比等关键参数，可以根据不同的输入参数建立不同复杂程度的燃料电池模型，通过仿真计算获取燃料电池最佳输出性能；采用优化后的自适应遗传算法对构建燃料电池模型的神经网络的初始阈值和权值进行优化，进一步提升燃料电池模型精度；设定输入参数的边界，寻找在燃料电池输出性能最佳时，关键输入参数最优的组合方法；将最优输入参数组合作为新的预测数据，再次输入至遗传算法优化后的神经网络中，可以得到与上一步仿真计算相同的燃料电池最佳输出性能值，证明本发明建立的基于神经网络的多输入参数燃料电池模型精度高，遗传算法优化后的神经网络参数寻优结果可靠性高。通过本发明的预测燃料电池性能及关键输入参数寻优的方法，能够在有限的实测数据下，实现电池性能预测及关键输入参数寻优，减少必要的参数敏感性试验，降低开发和测试的成本，并对后续控制策略的开发提供指导和参照；具体技术方案包括如下步骤：

2、基于数据驱动的建模思想，通过已有的实验数据，拟合输入和输出间的关系，无需考虑复杂的建模方程及参数变量，神经网络的输入变量为电流密度、温度、湿度、压力和空气计量比，唯一的输出变量为燃料电池输出电压，建立基于神经网络的多输入参数燃料电池模型。

3、bp神经网络是采用反向传播算法的多层感知器网络。它采用有导师规则进行学习，是梯度下降法原理在多层前馈网络中的实现过程。bp神经网络由输入层、隐藏层、输出层组成，每层有固定数量的神经元。输入层和输出层的节点个数与定义的输入输出变量匹配，隐藏层的层数和节点个数根据训练效果或经验设置。

4、激活函数控制着神经网络中每层神经元的激活，把无限范围内的输入信号进行函数变换，压缩成有范围的输出信号，增加神经网络模型的非线性。隐藏层神经元的激活函数为tansig，输出层神经元激活函数为relu。

5、根据需求设置bp神经网络的训练次数、学习速率、训练误差，进行bp神经网络的训练过程，得到基于神经网络的燃料电池模型预测输出结果。实际应用过程中，bp神经网络有时会出现在训练过程中陷入局部最小值的情况，导致无法求解或结果误差较大，故采用自适应遗传算法优化神经网络。

6、遗传算法中交叉算子是影响遗传算法性能的关键因素，决定了算法收敛性的好坏，交叉算子取值越大，新个体产生速度就越快，但是交叉算子过大时也会影响遗传算法的稳定性。交叉算子取值越小，会导致遗传算法搜索过程缓慢，严重时会出现无法求解的情况。在求解过程中，使交叉算子能够根据适应度自动改变，完成自适应遗传算法的建立。当种群个体适应度趋于一致或者陷入局部最优时，要适当增加交叉概率的取值，当种群个体适应度较为分散时，要适当减小交叉概率的取值。同时自适应遗传算法需要比较种群个体最大适应度与种群平均适应度之间的关系，当种群个体最大适应度远高于种群平均适应度，要选取较小的交叉概率，保护该个体进行下一代的遗传操作。当种群个体最大适应度远低于种群平均适应度，要选取较大的交叉概率，淘汰适应度一直较低的个体。

7、基于自适应遗传算法优化神经网络，训练得到多输入参数燃料电池模型的最佳输出性能值。

8、将优化后的神经网络保存为可调用的模型形式，再次通过遗传算法寻找在燃料电池输出性能最佳时，关键输入参数最优的组合方法。设定电流密度、温度、湿度、压力和空气计量比为输入，燃料电池输出电压为输出，编写适应度函数，设置输入参数的上下限范围。电流密度范围为0ma/cm2～1200ma/cm2，温度范围为70℃～80℃，湿度范围为50％rh～75％rh，压力范围为70kpa～150kpa，空气计量比范围为1.6～2.3，寻找在燃料电池输出性能最佳时，关键输入参数最优的组合方法，完成多目标多参数优化。

9、该方法从数据驱动模型的角度出发，不考虑复杂的建模方程及经验参数，通过测试数据拟合输入和输出间关系，具备通用性。

10、为验证最优参数组合的可靠性，将求解得到的最优输入参数组合作为新的预测数据，再次输入至之前保存好的神经网络模型中，通过神经网络计算此时的燃料电池输出电压，可以得到与上一步仿真计算相同的燃料电池最佳输出性能值，证明本发明建立的基于神经网络的多输入参数燃料电池模型精度高，遗传算法优化后的神经网络参数寻优结果可靠性高。

11、由于采用了上述技术方案，本发明提供的一种预测燃料电池性能及关键输入参数寻优的方法，该方法根据实测的燃料电池性能数据及操作参数数据，建立了基于神经网络的多输入参数的燃料电池模型，通过仿真计算获取燃料电池最佳输出性能，采用自适应遗传算法进一步优化神经网络，提升模型精度，寻找在燃料电池输出性能最佳时，关键输入参数最优的组合方法。为验证遗传算法优化后参数的可靠性，将最优输入参数组合作为新的预测数据，再次输入至遗传算法优化后的神经网络中，可以得到与前述仿真计算相同的燃料电池最佳输出性能值，减少必要的参数敏感性试验并指导燃料电池控制策略的开发与应用。