一种自动优化的燃料电池寿命预测方法

1.本发明涉及燃料电池的技术领域，具体而言，尤其涉及一种自动优化的燃料电池寿命预测方法。


背景技术：

2.质子交换膜燃料电池(proton exchange membrane fuel cells,pemfcs)能够将存储于燃料中的化学能直接转化为电能，具有能量转化率高、清洁无污染等优点，因此在全球范围内受到了广范围关注。然而寿命一直是pemfcs的短板，限制了该技术的广泛应用。
3.寿命预测与健康管理技术能够提供电池当前和未来的健康状态，以便提前维护和更改运行计划，进而提升电池的寿命，降低维护成本(thamo sutharssan,et al.renewable and sustainable energy reviews,2017,75:440-450.)。因此，该技术成为了目前的研究热点。然而，目前大家经常采用的极化曲线衰减模型(mayank shekhar jha,et al.computers and chemical engineering,2016,95:216-230.)、(mathieu bressel,et al.applied energy,2016,164:220-227.)、(mathieu bressel,et al.ieee transactions on industrial electronics,2016,63:2569-2577.)、(mathieu bressel,et al.iecon 2016-42nd annual conference of the ieee industrial electronics society,2016,5477-5482)、(hao liu,et al.ifac-papersonline,2017,50:4757-4762.)具有通用性差、精度低等缺点。而且在预测过程中需要手动优化大量模型参数，不仅需要花费大量人力物力，且优化结果往往并非是最优参数。


技术实现要素：

4.根据上述提出需要花费大量人力物力，且优化结果往往并非是最优参数的技术问题，而提供一种自动优化的燃料电池寿命预测方法。本发明主要利用一种自动优化的燃料电池寿命预测方法，其特征在于，包括以下步骤：
5.步骤s1：基于质子交换膜燃料电池内部组件的衰减行为建立衰减模型；
6.步骤s2：获取燃料电池在初始时的极化曲线，并通过曲线拟合识别出初始时刻的极化曲线模型参数；
7.步骤s3：采集燃料电池运行时的电压、电流密度、工作温度信息；
8.步骤s4：根据所述衰减模型构建粒子滤波算法框架；
9.步骤s5：通过优化算法对粒子所述滤波算法框架中的待优化参数进行自动优化；
10.步骤s6：将优化后的粒子滤波算法框架用于燃料电池状态评估，得到系统状态x
t
，其中，所述系统状态x
t
包含衰减状态α
t
和衰减速度v
t
；
11.步骤s7：通过迭代衰减状态α
t
和衰减速率v
t
预测未来为衰减状态α
t+p
，直到预测电压u(α
t+p
)达到截止电压为止；
12.步骤s8：获取此时的燃料电池的剩余使用寿命为rul
t
＝p；
13.步骤s9：反复循环s3～s8步骤，直到燃料电池寿命终止。
14.进一步地，所述衰减模型为进一步地，所述衰减模型为
15.其中，u
t
表示t时刻的输出电压，e
0,0
表示初始时刻的开路电压，j
0,0
表示初始时刻的交换电流密度，r0表示初始时刻的电池内阻，j
l,0
表示初始时刻的极限扩散电流密度，a和b均表示模型常数，t和j分别表示电池温度和加载电流密度，为控制参数；e
0,0
、j
0,0
、r0和j
l,0
为衰减模型中的待拟合参数。
16.更进一步地，所述粒子滤波算法框架的：
17.状态方程为：x
t
＝kx
t-1
+ω
t-1
ꢀꢀꢀ
(2)；
18.观测方程为：为：
19.其中，x
t
表示t时刻的系统状态，α
t
和v
t
分别表示衰减状态和衰减速率，k表示增益系数，u
t
表示t时刻的输出电压，e
0,0
表示初始时刻的开路电压，j
0,0
表示初始时刻的交换电流密度、r0表示初始时刻的电池内阻，j
l,0
表示初始时刻的极限扩散电流密度，a和b均表示模型常数，t和j分别表示电池温度和加载电流密度，为控制参数；所述观测方程为s1步骤所建立的燃料电池衰减模型；
20.x
t
＝[α
tvt
]
t
ꢀꢀꢀ
(4)；
[0021][0022]
进一步地，所述优化算法包括：遗传算法、蚁群算法、模拟退火算法、差分进化算法、免疫算法以及粒子群算法；
[0023]
所述待优化参数包括：粒子群数目、过程噪声协方差、观测噪声协方差以及初始状态。
[0024]
较现有技术相比，本发明具有以下优点：
[0025]
(1)常用的衰减模型通常假设电池内阻r和极限扩散电流密度j
l
发生衰减，且衰减程度一致，该假设极大程度地限制了模型的应用范围和预测且精度。本发明专利基于燃料电池内部组件的衰减行为建立了一个新的衰减模型，该模型通过引入极化电阻来表示电池内部所有极化损失之和，进而避免传统衰减模型的缺点，具有较优的通用性和精度。
[0026]
(2)本发明通过智能优化算法自动更新预测模型中的关键参数，从而避免了手动优化的缺点，即工作量大耗费大量人力物力且往往得不到最佳参数。
[0027]
基于以上理由，本发明可在燃料电池技术领域广泛推广。
附图说明
[0028]
为了更清楚地说明本发明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做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0029]
图1为本发明质子交换膜燃料电池电堆在衰减过程中的电压和电流密度图。
[0030]
图2为本发明质子交换膜燃料电池电堆初始时刻极化曲线拟合结果。
[0031]
图3为本发明质子交换膜燃料电池电堆的状态评估结果，其中(a)为评估电压，(b)为衰减状态，(c)为衰减速度。
[0032]
图4为本发明质子交换膜燃料电池电堆的衰减趋势预测结果。
[0033]
图5为本发明质子交换膜燃料电池电堆的剩余使用寿命预测结果。
[0034]
图6为本发明整体流程示意图。
具体实施方式
[0035]
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0036]
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0037]
如图1-6所示，本发明提供了一种自动优化的燃料电池寿命预测方法，包括以下步骤：
[0038]
步骤s1：基于质子交换膜燃料电池内部组件的衰减行为建立衰减模型。在本技术中，所述衰减模型为：
[0039][0040]
其中，u
t
表示t时刻的输出电压，e
0,0
表示初始时刻的开路电压，j
0,0
表示初始时刻的交换电流密度，r0表示初始时刻的电池内阻，j
l,0
表示初始时刻的极限扩散电流密度，a和b均表示模型常数，t和j分别表示电池温度和加载电流密度，为控制参数；e
0,0
、j
0,0
、r0和j
l,0
为衰减模型中的待拟合参数。
[0041]
步骤s2：获取燃料电池在初始时的极化曲线，并通过曲线拟合识别出初始时刻的极化曲线模型参数。这里采集到的曲线模型参数将在以下步骤中应用。
[0042]
步骤s3：采集燃料电池运行时的电压、电流密度、工作温度信息；
[0043]
步骤s4：根据所述衰减模型构建粒子滤波算法框架。
[0044]
所述粒子滤波算法框架的：
[0045]
状态方程为：x
t
＝kx
t-1
+ω
t-1
ꢀꢀꢀ
(2)；
[0046]
观测方程为：观测方程为：
[0047]
其中，x
t
表示t时刻的系统状态，α
t
和v
t
分别表示衰减状态和衰减速率，k表示增益
系数，u
t
表示t时刻的输出电压，e
0,0
表示初始时刻的开路电压，j
0,0
表示初始时刻的交换电流密度、r0表示初始时刻的电池内阻，j
l,0
表示初始时刻的极限扩散电流密度，a和b均表示模型常数，t和j分别表示电池温度和加载电流密度，为控制参数；所述观测方程为s1步骤所建立的燃料电池衰减模型；
[0048]
x
t
＝[α
tvt
]
t
ꢀꢀꢀ
(4)；
[0049][0050]
步骤s5：通过优化算法对粒子所述滤波算法框架中的待优化参数进行自动优化。所述优化算法包括：遗传算法、蚁群算法、模拟退火算法、差分进化算法、免疫算法以及粒子群算法。可以理解为在其他的实施方式中，也可以采用等效替代的方式实现相应的优化步骤。在本技术中所述待优化参数包括：粒子群数目、过程噪声协方差、观测噪声协方差以及初始状态。以遗传算法为例，它是将待优化的参数编译成遗传基因，然后通过“选择”、“交叉”、“变异”进行进化，最终遴选出最优的基因，即最优的参数。
[0051]
步骤s6：将优化后的粒子滤波算法框架用于燃料电池状态评估，得到系统状态x
t
，其中，所述系统状态x
t
包含衰减状态α
t
和衰减速度v
t
；
[0052]
步骤s7：通过迭代衰减状态α
t
和衰减速率v
t
预测未来为衰减状态α
t+p
，直到预测电压u(α
t+p
)达到截止电压为止；
[0053]
步骤s8：此时燃料电池的剩余使用寿命为rul
t
＝p；
[0054]
步骤s9：反复循环s3～s8步骤，直到燃料电池寿命终止。
[0055]
实施例1
[0056]
本实施例以质子交换膜燃料电池电堆为例，具体地，该电堆由5个单池组成，活性面积为100cm2，工作温度为55℃，加载的电流密度为0.7a cm-2
，阳极为干燥的氢气，阴极为增湿度为50％的空气。图1为电堆平均电压和电流密度。
[0057]
在初始时刻对电堆进行极化曲线表征，并采用曲线拟合的方法识别出极化曲线模型参数的初始值e
0,0
、j
0,0
、r0和j
l,0
，拟合结果见图2，可以看出拟合结果与测量结果高度吻合，说明该初始值的可靠性。根据建立的衰减模型构建粒子滤波框架，随后采用遗传算法对粒子滤波算法中的关键参数(粒子数目、过程噪音协方差和观测噪音协方差)进行优化。将采集到的电堆平均电压、加载电流密度、工作温度带入优化后的粒子滤波算法中，进而评估出电堆当前的系统状态x
t
，包括衰减状态α
t
和衰减速度v
t
，结果见图3。可以看出粒子滤波算法所评估的电压与测量电压基本一致，具有相同的衰减趋势，衰减状态α则基本保持随时间逐渐增大的趋势，而衰减速度v是衰减状态的导数，整体收敛于某一固定值，但也会随测量电压的异常波动而发生轻微变化。基于电堆系统状态信息，通过反复迭代s7得到电堆未来的衰减趋势，结果见图4。可以看出在训练阶段，模型所评估的电压与测量电压较为接近且具有相同的衰减趋势，说明在该阶段模型对电池衰减行为的学习效果良好。当达到预测时间t
predict
时，模型停止学习并开始进入预测阶段，根据系统状态来预测未来的衰减趋势，可以看出该模型在预测阶段能够较好的预测未来电压的衰减趋势，并且与实际测量值较为吻合。当预测电压达到截止电压以后，此时所对应的时间记为t
end
，则rul
t
＝t
end-t
predict
，结果见图5，可以看出经过训练之后，预测结果几乎全部落在[1
±
20％]范围之内，说明最终的预测结果是良好。
[0058]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0059]
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的。
[0060]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。