多堆燃料电池运行故障快速诊断及自恢复控制方法及装置

本发明属于燃料电池，特别是涉及多堆燃料电池运行故障快速诊断及自恢复控制方法及装置。

背景技术：

1、燃料电池作为一种清洁高效的能源转换技术，广泛应用于交通、能源储存和便携式电源等领域。多堆燃料电池系统由多个电堆组成，其运行状态直接影响整个系统的性能和稳定性。因此，对多堆燃料电池系统进行快速而准确的故障诊断以及有效的自恢复控制变得至关重要。

2、在现有技术中，传统的燃料电池系统故障诊断方法通常依赖于离线检测和手动干预，导致响应时间长、效率低，并且无法满足多堆系统实时性的需求。此外，对于复杂多变的故障模式，传统的方法也难以提供足够的准确性。因此，亟需一种高效快速的多堆燃料电池故障诊断和自恢复控制系统。

技术实现思路

1、为了解决上述问题，本发明提出了多堆燃料电池运行故障快速诊断及自恢复控制方法及装置，实现对多堆燃料电池运行状态的实时诊断与自动恢复控制。

2、为达到上述目的，本发明采用的技术方案是：多堆燃料电池运行故障快速诊断及自恢复控制装置，包括；

3、多堆燃料电池发电系统，包含多个燃料电池电堆和多个与燃料电池电堆级联的直流变换器，多堆燃料电池发电系统输出端通过母线端口与高速电子负载连接；

4、信号调理处理单元，用于预处理上述多堆燃料电池发电系统中各电堆及与之级联的变换器输出端口的电流和电压信号，以调节众多电信号幅值范围传输至高速数据收集单元和快速诊断及自恢复控制单元中；

5、高速数据收集单元，用于收集记录系统的众多运行数据并传输至快速诊断及自恢复控制单元中以便分析各电堆在全功率全频率范围下的电化学交流阻抗谱；

6、快速诊断及自恢复控制单元，所述快速诊断及自恢复控制单元包含控制单元和运算单元；其中，运算单元包含adc转换单元、数据处理单元以及状态分析单元，运算单元依据系统实时运行数据计算分析各电堆服役状态，并将分析所得结果通过高速串行pcie接口传输至控制单元；控制单元包含控制决策单元及控制信号产生单元，该控制单元依据各电堆运行状态实时调节各电堆运行参数及输出功率；

7、辅助供电单元，所述辅助供电单元用于为系统中各控制单元提供多个电压登记供电；

8、和高速电子负载，用于响应多堆燃料电池发电系统的宽频域快速激励波动；

9、所述信号调理处理单元中首先利用电流、电压互感器经过初步采集后再由基于运算放大器搭建的信号调理模块处理，所有电信号经调理后最终传输至高速数据收集单元及快速诊断及自恢复控制单元。

10、另一方面，本发明提出多堆燃料电池运行故障快速诊断及自恢复控制方法，包括步骤：

11、s10,设置系统负载功率以及系统母线运行电压；

12、s20,向各燃料电池电堆注入电流激励信号；

13、s30,利用各电堆激励电流信号及响应电压信号，离线计算全功率宽频率范围下各电堆的电化学交流阻抗谱；

14、s40,获得各电堆的电化学交流阻抗谱后，并依据阻抗谱形状趋势建立等效电路模型；

15、s50,建立电化学交流阻抗谱后，辨识等效电路模型参数并更新模型参数；

16、s60,在获得各电堆不同故障运行状态下的电化学阻抗谱后，建立电堆各运行状态与电化学阻抗谱间的关联性；

17、s70,依据等效电路模型辨识结果，进一步使用卷积神经网络提取与电堆运行故障状态相关的电化学交流阻抗的特征量及特征频率，并基于卷积神经网络所提取关键特征频率，构建多点混频序列；

18、s80,依据构建的多点混频序列，当作激励电流信号叠加至电堆输出电流中，利用信号处理方法实现电堆电化学阻抗的在线计算；

19、s90,在线计算获得各电堆电化学阻抗后，使用基于稀疏自动编码器的神经网络算法诊断各电堆运行故障；

20、s100,依据诊断结果，调整各电堆运行参数(比如过氧比、温度、湿度)以及输出功率，以提高多堆燃料电池发电系统整体服役性能。

21、进一步的是，限定各个燃料电池电堆允许的最小输出功率pfc_min,i、允许的最大输出功率pfc_max,i和最大波动功率，设置系统负载功率以及系统母线运行电压ubus，有以下关系成立：

22、

23、其中，pfc,i表示第i个燃料电池电堆输出功率，pdemand表示系统需求功率，pfc_rate,i表示第i个燃料电池电堆的额定功率，δpfc,i表示第i个电堆输出功率变化率，n表示燃料电池电堆总数。

24、进一步的是，依据电化学交流阻抗谱的测试原理，向各燃料电池电堆注入电流激励信号：

25、

26、其中，ifc,i表示向第i个电堆注入的激励电流信号，ifc,i表示第i个电堆的输出电流，f表示激励电流信号频率，表示激励电流信号的相位角，ifc_min,i表示第i个电堆允许的最小输出电流，ifc_max,i表示第i个电堆允许的最大输出电流。

27、进一步的是，采用基于可编程逻辑控制器的数据采集单元收集各电堆激励电流信号及响应电压信号后，利用傅里叶分解及高斯滤波混合的信号处理方法离线计算全功率宽频率范围下各电堆的电化学交流阻抗谱，计算公式为：

28、

29、其中，z表示电堆电化学内阻，vfc,i和ifc,i分别表示第i个燃料电池输出电压、电流时域信号经过傅里叶变换后得到的频域信号幅值，φ表示响应电压信号的相位角，表示激励电流信号的相位角，θ表示交流内阻相位角。

30、进一步的是，获得各电堆的电化学交流阻抗谱后，利用弛豫时间分布技术并依据阻抗谱形状趋势建立等效电路模型：

31、

32、其中，z表示电堆电化学内阻，zw表示warburg扩散元件，j表示阻抗虚部，ω表示角频率，rm表示欧姆电阻，rct表示极化电阻，q表示比例系数，r表示理想气体常数，s表示电堆活化面积，d表示气体扩散系数，c表示阴极活性层氧气浓度，σ表示扩散层宽度，f表示法拉第常数，t表示温度。

33、进一步的是，建立电化学交流阻抗谱后，采用非线性最小二乘算法辨识等效电路模型参数并更新模型参数，具体公式为：

34、

35、其中，jmin表示目标值最小，yi表示实际测量值，φ(x；tj)表示预测值，x表示预测输入值，tj表示时间序列，m表示目标值计算个数，wre与wim分别表示实部权重和虚部权重，obj表示目标函数，k为序号，n表示有n个阻抗值，ere表示阻抗实部实际值与估计值间的误差，eim表示阻抗虚部实际值与估计值间的误差。

36、进一步的是，在获得各电堆不同故障运行状态下的电化学阻抗谱后，基于贝叶斯网络建立电堆各运行状态与电化学阻抗谱间的关联性，包括步骤：

37、s61：定义问题的概率模型，确定电化学阻抗谱和故障状态之间的概率关系，考虑故障状态作为潜在变量，电化学阻抗谱作为观测变量；

38、s62：将概率模型中的变量表示为贝叶斯网络中的节点，包括电化学阻抗谱的各个频率点和不同故障状态；

39、s63：为每个节点定义相应的概率分布；对于电化学阻抗谱，需使用连续分布；对于故障状态，使用离散分布，表示不同状态的概率；

40、s64：确定节点之间的条件概率分布，通过数据驱动的方法来确定；

41、s65：建立网络结构，使用基于先验知识手动指定；

42、s66：通过观察数据来学习网络中的参数，通过最大似然估计方法来完成；

43、s67：使用训练好的网络进行推理，给定观测到的电化学阻抗谱，通过贝叶斯网络推断出最优故障状态；

44、s68：验证模型的性能，并根据验证结果进行调整，包括可能的网络结构调整和参数调整。

45、进一步的是，依据等效电路模型辨识结果，进一步使用卷积神经网络提取与电堆运行故障状态相关的电化学交流阻抗的特征量及特征频率，并基于卷积神经网络所提取关键特征频率，构建多点混频序列，包括步骤：

46、s71：收集包含不同电堆运行故障状态的电化学阻抗数据；确保数据集标注清晰，每个样本都与相应的运行状态关联；

47、s72：对电化学阻抗数据进行预处理，以确保输入卷积神经网络的数据是具有一致性和可比性的，这包括标准化和归一化预处理技术；

48、s73：构建卷积神经网络模型，模型的输入层需要能够接受电化学阻抗数据的频谱表示，使用一维卷积层来捕捉频谱中的局部特征；

49、s74：使用准备好的数据集训练卷积神经网络模型，确保在训练集和验证集上进行验证，以防止过拟合；

50、s75：模型训练完成后，通过分析模型中的卷积层的激活来选取与不同的电堆运行故障状态相关的频率和特征；

51、s76：依据所选择特征频率，构建多点混频序列。

52、进一步的是，在线计算获得各电堆电化学阻抗后，使用基于稀疏自动编码器的神经网络算法诊断各电堆运行故障，包括步骤：

53、s91：设计稀疏自动编码器模型，包括编码器和解码器；编码器负责将输入电化学阻抗谱压缩成稀疏表示，解码器则负责将该表示还原为原始数据；

54、s92：定义损失函数，用于比较原始输入与解码器输出之间的差异；

55、s93：使用训练集对稀疏自动编码器进行训练，确保稀疏自动编码器模型能够学到电化学阻抗谱中与运行故障相关的特征；

56、s94：利用提取的特征表示，构建一个分类器来进行运行故障的分类，使用带标签的数据集对分类器进行训练；

57、s95：使用测试集来评估模型的性能，包括准确性、精确度和召回率指标，确保模型对不同运行故障状态的诊断能力；

58、s96：基于实测阻抗数据对各电堆运行故障进行快速诊断。

59、采用本技术方案的有益效果：

60、本发明提出的方法通过对多堆燃料电池系统中各个电堆的交流内阻进行监测和分析，结合高速dc/dc变换器、高速电流检测/响应单元、高速电压检测/响应单元、高速数据收集单元、快速响应的电子负载以及基于fpga与dsp构架的系统检测计算及诊断控制管理单元，实现对多堆燃料电池运行状态的实时诊断与自动恢复控制。

61、本发明采用傅里叶分解及高斯滤波混合的信号处理方法，通过分析各电堆在全功率宽频率范围下的电化学交流阻抗谱，以获得准确而全面的特征信息。此外，卷积神经网络被引入用于分析和挖掘能够体现各个电堆运行状态的特征量以及特征频率，提高对复杂故障模式的识别准确性。而基于稀疏自动编码器的神经网络算法被用于快速诊断电堆运行故障，包括但不限于膜干燥、水淹、供气等。这种方法不仅提高了故障诊断的速度，还能够适应多样化的故障模式，从而更好地保障了系统的可靠性。最后，依据各电堆运行状态，本专利约束各电堆运行边界，调节其输出功率以及运行参数(比如过氧比、温度、湿度)以恢复电堆的正常运行。通过快速诊断与自恢复控制策略，本发明有助于提高多堆燃料电池系统的稳定性和耐久性，延长系统的使用寿命，为燃料电池技术的进一步推广应用提供了有力的支持。