[发明专利]基于混合模型的燃料电池输出预测方法和系统

说明书

技术领域

本发明属于质子交换膜燃料电池技术领域，具体涉及一种基于混合模型的质子交换膜燃料电池输出预测方法和系统。

背景技术

在工程应用中，精确的燃料电池动态模型是燃料电池系统控制系统设计，故障诊断和功率分配的前提和基础。目前，质子交换膜燃料电池建模方法主要有两类：一类是机理模型，一类是黑箱模型。

文献(Amphlett J C，Baumert R M，Peppley B A，et al.Performance modeling of the ballard mark iv solid polymer electrolyte fuel cell，i.mechanistic model development[J].Journal of Electrochemical Society，1995，142(1)：1-8)分析了质子交换膜燃料电池机理模型，建立了基于机理模型的静态经验模型。文献(Puranik S V，Keyhani A，Khorrami F.State-space modeling of proton exchange membrane fuel cell[J].IEEE Transactions on Energy Conversion，2010，25(3)：804-813)建立了一种适合工程应用的质子交换膜燃料电池动态机理模型。文献(Gao F，Blunier B，Simoes M G，et al.PEM fuel cell stack modeling for real-time emulation in hardware-in-the-loop applications[J].IEEE Transactions on Energy Conversion，2011，26(1)：184-194)建立了基于状态空间的质子交换膜燃料电池非线性模型。一般来说，建立在电化学及热力学基础上的燃料电池机理模型结构复杂，对参数依赖性较强，不适用于控制系统设计方面的工程应用。

燃料电池的黑箱模型建立在输入输出数据的基础上，不依赖电化学及热力学等原理，较适用于工程应用。文献(Puranik S V，KeyhaniA，Khorrami F.Neural network modeling of proton exchange membrane fuel cell[J].IEEE Transactions on Energy Conversion，2010，25(2)：474-483)应用人工神经网络建立质子交换膜燃料电池的滑动平均模型，可以预测燃料电池的动态输出。文献(Kunusch C，HusarA，Puleston P，et al.Linear identification and model adjustment of a PEM fuel cellstack[J].International Journal of Hydrogen Energy，2008，33(13)：3581-3587)采用传递函数法对质子交换膜燃料电池进行模型辨识，所得参数不具有物理意义，但是可以预测燃料电池的动态性能。黑箱模型只以输入输出数据为依据，忽略了机理模型所反映的有用信息。以上缺点使得黑箱模型的有效性依赖于采样数据及采样数据的分布范围，当系统运行状态超出采样数据范围，或者采样数据分布不合理时，会导致模型精度下降，可靠性降低。

针对机理模型和黑箱模型各自的不足，文献(Li P，Chen J，Liu G P，et al.Hybrid model of fuel cell system using wavelet network and PSO algorithm[C]//Proceedings of the 22th Chinese Control and Decision Conference.Xuzhou，China：IEEE，2010：2629-2634)提出了质子交换膜燃料电池的混合动态模型，将机理模型和黑箱模型进行整合，从而构成了混合动态模型，一定程度上提高了模型精度。但是该方法需要对机理模型进行参数优化，费时费力；同时基于静态神经网络的混合动态模型，适应性差，对燃料电池动态性能的预测精度不高。

发明内容

有鉴于此，本发明提供了一种基于混合模型的燃料电池输出预测方法和系统，通过基于电化学、物理化学规律的机理建模，并结合静态神经网络和变结构神经网络，构建出燃料电池的混合动态模型，使得混合动态模型在静态、动态性能方面均有较高精度。

为解决上述技术问题，本发明具体方法如下：