[发明专利]基于混合模型的燃料电池输出预测方法和系统

权利要求书

1.一种基于混合模型的燃料电池输出预测方法，其特征在于，包括：

建立燃料电池的基础动态模型，其包括燃料电池输出电压的静态机理模型、燃料电池阳极气体流量的动态机理模型、燃料电池阴极气体流量的动态机理模型以及静态神经网络；其中，

两个动态机理模型分别输出阳极气体分压和阴极气体分压，并作为静态机理模型的部分输入参数；采用静态神经网络补偿静态机理模型的输出，该静态神经网络的输入参数与静态机理模型相同，静态神经网络的输出参数为电池实际静态输出与静态机理模型输出之差的估计值；将静态神经网络与静态机理模型输出相叠加作为基础动态模型输出V_out；

建立变结构神经网络，变结构神经网络和基础动态模型构成混合动态模型；所述变结构神经网络的输入参数包括：动态机理模型和静态机理模型所需输入参数中能够通过传感器测量获取的部分，还包括燃料电池实际输出电压V_r与基础动态模型输出V_out之间的误差V_e；配置变结构神经网络使其输出参数逼近V_e的导数；

对变结构神经网络的输出进行积分后与基础动态模型输出V_out叠加，得到燃料电池输出电压预测值

2.如权利要求1所述的方法，其特征在于，所述燃料电池为质子交换膜燃料电池，该预测方法的具体实现过程如下：

步骤1：建立质子交换膜燃料电池输出电压的静态机理模型f_m；f_m的输入参数为{i_cell，P_H2，P_O2，T}，其中，i_cell为电池瞬时电流密度，P_H2为氢气分压，P_O2为氧气分压，T为燃料电池温度；

步骤2：建立静态机理模型f_m的补偿模型，该补偿模型采用四输入一输出的径向基人工神经网络φ_u，径向基人工神经网络φ_u的输入为{i_cell，P_H2，P_O2，T}，输出为燃料电池实际静态输出电压与静态机理模型f_m输出电压之差的估计值；并预先完成φ_u的训练；

步骤3：将静态机理模型f_m与径向基人工神经网络φ_u的输出之和作为基础动态模型输出V_out；

步骤4：建立质子交换膜燃料电池阳极氢气流量的动态机理模型f_H2和阴极氧气流量的动态机理模型f_O2；f_H2的输入参数为{W_H2in，W_H2rea，T}，输出参数为P_H2；f_O2的输入参数为{W_O2in，W_O2rea，T}，输出参数为P_O2；将输出的P_H2和P_O2作为f_m和φ_u的输入；其中，{W_H2in，W_H2rea}分别为氢气进入阳极和进行电化学反应的质量流量，{W_O2in，W_O2rea}分别为氧气进入阳极和进行电化学反应的质量流量；

步骤5：建立五输入一输出的变结构神经网络φ_s，φ_s的输入参数为{i_cell，W_H2in，W_O2in，T，V_e}，其中，V_e＝V_r-V_out配置变结构神经网络使其输出参数逼近V_e的导数，变结构神经网络的输出参数记为

步骤6：在实际预测时，采集燃料电池的实际W_H2in、W_O2in、i_cell、T和V_r，利用i_cell计算W_H2rea和W_O2rea，采用两个动态机理模型f_H2和f_O2得到氢气分压P_H2和氧气分压P_O2；然后，利用静态机理模型f_m与径向基人工神经网络φ_u计算基础动态模型输出V_out；

采用采集的V_r和计算得到的V_out计算V_e，将{i_cell，W_H2in，W_O2in，T，V_e}输入变结构神经网络φ_s并对φ_s的输出进行积分得到误差预测值将基础动态模型输出V_out与误差预测值相加得到质子交换膜燃料电池输出预测值