一种基于迭代学习的燃料电池排气过程阳极压力控制方法与流程

本发明属于新能源自动控制技术领域，尤其涉及一种基于迭代学习的燃料电池排气过程阳极压力控制方法。

背景技术：

随着增长的能源需求和环保标准，发展清洁的新能源技术是当今世界发展的趋势。燃料电池技术通过电化学反应，直接将燃料中的化学能转化为电能，是一类具有广泛前景的能源利用技术。其中质子交换膜燃料电池具有高能源转换效率、高能量密度、无污染排放、噪音小和运行温度低的特点，因而得到了广泛的商业应用。为节约设计和运行成本，大多数质子交换膜燃料电池采用封闭阳极的运行方式，省去了额外的燃料循环设备，提高了燃料利用率。这种运行方式会导致水蒸气和氮气等不利于电化学反应的组分积聚在阳极流道，影响燃料电池性能，必须通过周期性排气过程将这些杂质气体组分排出。然而周期性排气过程又会导致阳极压力较大的波动，而负载稳定时阴极压力基本不变，阴、阳极两侧较大压差对质子交换膜施加因此有必要对排气过程的阳极侧压力施加高水平控制。

目前国内外学者针对排气过程中阳极压力控制问题的研究主要集中在排气周期和持续时间的静态优化，对于排气过程的动态优化控制仍有不足。目前，有学者使用比例-积分-微分(pid，proportionintegrationdifferentiation)控制器或模型预测控制(mpc，modelpredictivecontrol)对阳极压力进行控制，取得了一定效果。然而由于pid控制器属事后控制，阳极压力不可避免会产生较大的波动；mpc是基于模型的预测控制方法，其控制效果取决于控制模型的准确度，在被控对象动态特性复杂时，控制模型的建立或辨识需要大量的工作，且难度较大。同时，pid和mpc控制策略的控制器参数往往是预先整定且投入使用后不再进行调整，当被控对象发生参数摄动，动态特性随之发生改变时，固定参数控制器的控制效果将发生恶化，甚至影响系统稳定性。

技术实现要素：

针对现有控制方案中存在的问题和不足，考虑到质子交换膜燃料电池排气过程具有周期性且动态特性复杂的特点，本发明提供了一种基于迭代学习的燃料电池排气过程阳极压力控制方法，省去被控对象的先验知识和辨识建模，具备补偿被控对象参数摄动的能力，在排气过程中实现质子交换膜燃料电池阳极压力准确跟踪设定值，减少阳极压力值的波动，提升质子交换膜燃料电池的使用寿命。

为实现上述发明目的，本发明采用以下技术方案：一种基于迭代学习的燃料电池排气过程阳极压力控制方法，以周期性排气过程中的阳极压力为被控量，阳极入流气体质量流量为控制量，设计迭代学习控制流程，具有数据驱动和无模型的特征，实现质子交换膜燃料电池排气过程阳极压力准确跟踪设定值，具体步骤如下：

步骤1，选择阳极压力为排气过程被控量，阳极入流气体质量流量为排气过程控制量，初始化迭代学习控制相关参数至存储模块(存储模块可以是计算机硬盘或者其他存储设备)，所述初始化迭代学习控制相关参数包括初始化排气过程中阳极压力设定值序列yref、阳极入流气体质量流量初始控制量序列u0、迭代学习矩阵γp和γd，并置迭代变量k为初始值；

步骤2，将存储模块中的控制量序列应用至质子交换膜燃料电池排气过程，获取第k次迭代后排气过程阳极压力的输出序列yk；

步骤3，计算相应的误差指标，评估第k次迭代后控制量序列uk对阳极压力的控制效果，包括计算阳极压力绝对误差序列ek，误差微分序列和均方根误差rmsek，若均方根误差rmsek小于设定的均方根误差阈值rmsec，则不对控制量序列进行更新，取当前存储模块中的控制量序列为后续排气过程采用的控制量序列，转至步骤5，否则转至步骤4；

步骤4，根据绝对误差序列和误差微分序列，利用迭代学习矩阵计算得新的控制量序列uk+1，更新存储模块中的控制量序列，同时更新迭代变量k＝k+1；

步骤5，进入下一次排气过程，返回步骤2，重复执行步骤2至步骤5的过程(该过程在燃料电池寿命内是无限循环的)。

本发明步骤1中，所述排气过程阳极压力设定值序列yref、阳极入流气体质量流量初始控制量序列u0分别具有如下形式：

yref＝[yref(t0)yref(t1)…yref(tn-1)]1×n(1)

u0＝[u0(t0)u0(t1)…u0(tn-1)]1×n(2)

其中，一次排气过程从t0时刻持续至tn-1时刻，n为采样个数，一般取为排气过程持续时间tn-1-t0与采样时间t的比值，yref(ti),i＝0,1,...,n-1表示一次排气过程中第i+1个采样时刻的阳极压力设定值，u0(ti),i＝0,1,...,n-1表示一次排气过程中第i+1个采样时刻的阳极入流气体质量流量初始值，且u0＝a·[11…1]1×n,或由其他参考控制器确定。

本发明步骤1中，所述初始化迭代学习矩阵γp、γd和置迭代变量k为初始值，分别如下式实现：

k＝0(5)

其中，i＝0,1,...,n-1为比例迭代学习矩阵γp的第i个对角线元素，i＝0,1,...,n-1为微分迭代学习矩阵γd的第i个对角线元素，γp和γd可在保证迭代收敛的前提下任意选取，迭代变量k记录了控制量序列更新的次数。

本发明步骤2中，所述第k次迭代后排气过程阳极压力的输出序列yk具有如下形式：

yk＝[yk(t0)yk(t1)…yk(tn-1)]1×n(6)

其中，yk(ti),i＝0,1,...,n-1表示第k次迭代后阳极压力在一次排气过程中第i+1个时刻的采样值，且第0次迭代即k的值为0时表示未对初始控制量序列进行更新。

本发明步骤3中，所述第k次迭代后控制量序列uk具有如下形式：

uk＝[uk(t0)uk(t1)…uk(tn-1)]1×n(7)

其中，uk(ti),i＝0,1,...,n-1表示第k次迭代后阳极入流气体质量流量在一次排气过程中第i+1个采样时刻的值，且k＝0时有uk＝u0。

本发明步骤3中，通过如下公式计算阳极压力绝对误差序列ek，误差微分序列和均方根误差rmsek：

ek＝[ek(t0)ek(t1)…ek(tn-1)]1×n＝yref-yk(8)

其中，ek(ti),i＝0,1,...,n-1表示第k次迭代后阳极压力绝对误差在一次排气过程中第i+1个采样时刻的值，i＝0,1,...,n-1表示第k次迭代后阳极压力误差微分在一次排气过程中第i+1个采样时刻的值。

本发明步骤3中所述均方根误差阈值rmsec与阳极压力具有相同的量纲，决定了迭代结束时阳极压力输出与设定值的吻合程度。

本发明步骤4中，所述根据绝对误差序列和误差微分序列，利用迭代学习矩阵计算得新控制量序列uk+1的公式如下：

作为本发明的一种优选方案，步骤1中阳极压力设定值序列yref一般取为质子交换膜燃料电池阴极压力，以保证在排气过程中的控制目标是通过迭代学习减小阴极、阳极之间的压力差，从而降低排气过程中因压力差而作用在质子交换膜上的应力，延长燃料电池的使用寿命。

作为本发明的一种优选方案，步骤1中用于获取阳极入流气体质量流量初始控制量序列u0的其他参考控制器可以是pid或mpc等，则u0为该参考控制器在质子交换膜燃料电池一次排气过程中通过阳极入流气体质量流量对阳极压力进行控制而生成控制量序列。

作为本发明的一种优选方案，步骤1中用于获取阳极入流气体质量流量初始控制量序列u0的其他参考控制器也可以是本发明所述迭代学习控制器，则u0为该参考控制器在质子交换膜燃料电池排气过程阳极压力迭代控制中某次迭代更新生成控制量序列。

作为本发明的一种优选方案，步骤3中跳转逻辑保证了在被控对象发生参数摄动时，即使存储模块中现有控制量序列无法获得满意的排气过程阳极压力控制效果，也可以通过再次启动迭代学习，根据排气过程周期性地修正控制量序列，直至获得满意的控制效果。

采用上述技术方案，本发明方法具有以下的有益效果：

本发明方法针对质子交换膜燃料电池周期性排气过程特性复杂的特点，以阳极入流气体质量流量为控制量，迭代更新控制量序列，控制排气过程阳极压力准确跟踪设定值，减少了阳极压力的波动，延长了质子交换膜燃料电池，特别是其中质子交换膜的使用寿命，改善了系统总体控制品质；

本发明方法为数据驱动、无模型控制，不需要有关被控对象特性的先验知识，省去了对被控对象的建模和辨识工作，特别是在被控对象动态特性复杂的情况下，简化了控制器的设计过程；

本发明方法判断是否进行控制量序列修正的条件为均方根误差阈值，与传统基于模型的控制方法相比，对于被控对象发生参数摄动而导致的控制恶化情形具备一定的学习补偿能力。

附图说明

下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述或其他方面的优点将会变得更加清楚。

图1为本发明基于迭代学习控制的质子交换膜燃料电池排气过程阳极压力控制方法结构框图；

图2为本发明基于迭代学习的燃料电池排气过程阳极压力控制方法流程图；

图3为本发明的质子交换膜燃料电池排气过程阳极压力控制方法在设定值跟踪试验中阳极压力输出曲线；

图4为本发明的质子交换膜燃料电池排气过程阳极压力控制方法在设定值跟踪试验中阳极入流气体质量流量曲线；

图5本发明的质子交换膜燃料电池排气过程阳极压力控制方法在设定值跟踪试验中阳极压力均方根误差随迭代次数的变化曲线；

图6为本发明的质子交换膜燃料电池排气过程阳极压力控制方法在参数摄动补偿实验中阳极压力输出曲线；

图7为本发明的质子交换膜燃料电池排气过程阳极压力控制方法在参数摄动补偿实验中阳极入流气体质量流量曲线；

图8本发明的质子交换膜燃料电池排气过程阳极压力控制方法在参数摄动补偿实验中阳极压力均方根误差随迭代次数的变化曲线。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

为了使本发明要解决的技术问题、技术方案和有益效果更加清楚，下面结合附图及具体实施例进行对本发明方法的具体实施方式进行详尽描述。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

在此以燃料电池领域著名学者annag.stefanopoulou建立的氢气-空气质子交换膜燃料电池模型作为被控对象，具体说明本发明方法的设计及实施方案。该氢气-空气质子交换膜燃料电池模型的周期性排气过程由排气阀的开度决定，正常运行时排气阀全关(开度为0％)，需要排气时则按100％/s的速率打开，直至排气阀全开(开度为100％)，不需排气时则按-100％/s的速率关闭。

图1说明了本发明的控制方法结构框图，其中包括数据处理、控制量更新等环节。在一次排气过程中，不妨令此时的迭代次数为k，存储环节负责将控制量序列uk，也即排气过程阳极入流气体质量流量，作用至被控对象，也即氢气-空气质子交换膜燃料电池；被控对象不仅受控制量的影响，也受参数摄动的影响，被控对象在控制量序列作用下的输出量序列yk，也即阳极压力在排气过程的输出连续采样值，送至数据处理环节，计算输出跟踪设定值yref的各误差指标，也即绝对误差序列ek，误差微分序列和均方根误差rmsek，判断是否终止迭代，若继续迭代则通过控制量更新环节修正控制量序列，并将修正后的控制量序列送至存储模块，更新模块中的控制量序列，若终值迭代则保持存储模块内控制量序列不变，至此完成一次排气过程的迭代控制，令k＝k+1，进入下一次排气迭代。图2表示了本发明方法的迭代控制流程图。

实施例1：设定值跟踪试验。以参考离散比例-微分(pi)控制器生成的控制量序列为基础，利用迭代学习控制算法，更新控制量序列，提升排气过程中阳极压力跟踪设定值的效果。

实施例2：参数摄动补偿实验。在被控对象发生参数摄动时，以实施例1迭代结束时的控制量序列为基础，利用迭代学习控制算法，更新控制量序列，补偿对象参数摄动对控制效果的影响。本实施例中被控对象的参数摄动为排气流道通流面积从0.0005m²阶跃降低1％至0.000495m²。

本发明方法的2个实施例中，采样时间t均取为0.1s，所研究质子交换膜燃料电池的一次排气过程在40kw恒定负载连续运行工况下周期为10s，其中：2s时该燃料电池开始排气，排气阀开始打开，但由于阀门速率限制，至3s时阀门才完全打开；到4s时该燃料电池停止排气，排气阀开始关闭，直至5s时才完全停止排气，但需要到10s时燃料电池才恢复到排气前的工况，因此采样个数n＝100。

步骤1.初始化迭代学习控制相关参数，排气过程中阳极压力设定值序列yref如下式所示：

yref＝pca·[11…1]1×100(12)

其中，阳极压力设定值序列yref采用长度为100的阴极压力pca常值向量，由于该质子交换膜燃料电池处于40kw恒定负载连续运行工况，其阴极压力恒定为pca＝2.007×10⁵pa，故yref＝2.007×10⁵·[11…1]1×100。

为保证被控对象的稳定，在实施例1中，阳极入流气体质量流量初始控制量序列u0由一参考离散pi控制器在一次排气过程中生成，该控制器形式如下：

其中，kp＝3.056×10^-8为比例系数，ki＝4.086×10^-8为积分系数，仿真时刻t对应的控制量upi(t)由时刻t的绝对误差e(t)，从仿真开始直至时刻t的误差累积量以及控制器参数计算；而在实施例2中，初始控制量序列u0为实施例1迭代终止时的存储模块中的控制量序列。故本发明方法的2个实施例中，阳极入流气体质量流量初始控制量序列u0可分别表示为：

其中，upi为参考离散pi控制器在一次排气过程中生成的控制量序列，uemb1为实施例1迭代终止时的存储模块中的控制量序列。

初始化比例迭代学习矩阵γp和微分迭代学习矩阵γd，迭代变量k，分别如下式所示：

k＝0(17)

其中，γp和γd可保证2个实施例中被控对象迭代收敛，分别为维数为100且对角元素相同的对角矩阵；置迭代变量k＝0表示此时的存储模块中的控制量序列为初始控制量序列u0，同时表示未对初始控制量序列u0进行迭代更新。

步骤2.将存储模块中的控制量序列应用至质子交换膜燃料电池排气过程，获取被控对象在第k次迭代后阳极压力输出序列的连续采样yk＝[yk(0)yk(1)…yk(99)]1×100，其中yk(i),i＝0,1,...,99表示第k次迭代后阳极压力在一次排气过程中第i+1个时刻的采样值。

步骤3.计算阳极压力绝对误差序列ek，误差微分序列和均方根误差rmsek，计算方式分别如下：

ek＝[ek(0)ek(1)…ek(99)]1×100＝yref-yk(18)

其中，ek(i),i＝0,1,...,99表示第k次迭代后阳极压力绝对误差在一次排气过程中第i+1个采样时刻的值，表示第k次迭代后阳极压力误差微分在一次排气过程中第i+1个采样时刻的值。通过误差指标评估被控对象在第k次迭代后的控制量序列uk＝[uk(0)uk(1)…uk(99)]1×100作用下的对阳极压力的控制效果，若均方根误差rmsek小于设定的均方根误差阈值rmsec，则不对控制量序列进行更新，跳转至步骤5，取当前存储模块中的控制量序列为后续排气过程采用的控制量序列，否则跳转至步骤4，其中，uk(i),i＝0,1,...,99表示第k次迭代后阳极入流气体质量流量在一次排气过程中第i+1个采样时刻的值；均方根误差阈值rmsec与阳极压力具有相同的量纲，决定了迭代结束时阳极压力输出跟踪设定值的吻合程度，本发明方法2个实施例中均取rmsec＝50pa。

步骤4.根据绝对误差和误差微分序列和比例、微分迭代学习矩阵，计算得新的控制量序列uk+1如下：

更新存储模块中的控制量序列，并更新迭代变量k＝k+1。

步骤5.进入下一次排气过程，返回步骤2，重复执行步骤2至步骤5的过程。

利用本发明中基于迭代学习的燃料电池排气过程阳极压力控制方法，在实施例1和2描述的情形下对质子交换膜燃料电池排气过程阳极压力进行控制，控制效果如图3～8所示。

图3为实施例1(设定值跟踪试验)中排气过程阳极压力随迭代次数变化的曲线图，从图中可以看出，随着迭代次数的增加，以参考离散pi控制器的控制效果(k＝0)为基础，阳极压力输出值跟踪设定值序列的效果不断提升。图4为实施例1中阳极入流气体质量流量随迭代次数变化的曲线图，随着迭代次数增加，阳极入流气体质量流量也在不断增加，以与排气流量达到平衡。从图5所示的均方根误差也能看出阳极压力设定值跟踪效果在不断提升，直至迭代变量k＝572时，rmse572低于阈值50pa，迭代结束。图6为实施例2(参数摄动补偿实验)中排气过程阳极压力随迭代次数变化的曲线图，从图中可以看出，由于被控对象参数摄动，以实施例1迭代结束时的控制量序列进行调节(k＝0)具有较大偏差，但随着迭代次数增加，阳极压力设定值跟踪效果不断改善。图7为实施例2中阳极入流气体质量流量随迭代次数变化的曲线图，随着迭代次数增加，阳极入流气体质量流量不断调整，以适应新的排气过程流动条件。从图8中可以看出，均方根误差随迭代次数逐渐减小，当迭代变量k＝71时，rmse71低于阈值50pa，迭代结束。

本发明提供了一种基于迭代学习的燃料电池排气过程阳极压力控制方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。