[发明专利]一种基于深度强化学习的燃料电池系统的燃料供给方法

权利要求书

1.一种基于深度强化学习的燃料电池系统的燃料供给方法，其特征在于，包括：

获取燃料电池系统的工况数据的样本集合，根据所述工况数据的样本集合得到功率需求，其中，所述工况数据至少包括：速度信息；

利用DDPG控制器和所述功率需求，训练工况预测模型，其中，所述DDPG控制器的目标为：在燃料电池系统输出功率，满足能量控制策略需求功率的同时，保持过氧比在预设范围内，所述工况预测模型包括：氢气流量控制阀模型、空气压缩机模型和燃料电池系统模型；

将实际的工况数据输入所述工况预测模型，得到速度预测序列；

利用所述速度预测序列，得到所述燃料电池系统的实际功率需求，并根据所述实际功率需求控制所述燃料电池系统的氢气流量阀和空气压缩机；

还包括获取氢气流量控制阀模型：

获取所述氢气流量控制阀的控制输入信号W_fcv＝u_fcvW_fcv,max，其中，W_fcv表示控制输入信号，u_fcv是氢气流量阀的控制电压，范围是0～1；W_fcv,max是喷嘴全开时的质量流量，所述氢气流量控制阀为可变开度喷嘴；

获取氢气在供给歧管中的动态过程其中，是阳极供给歧管中氢气的压力，是氢气的气体常数，T_sm是供给歧管温度，V_sm是供给歧管的体积，是进入阳极供给管道的氢气质量流，是阳极供给歧管流出的氢气质量流；

还包括获取空气压缩机模型：

所述空气压缩机的模型包括：

其中，ω_cp是空气压缩机的转速，J_cp是空气压缩机旋转部件的转动惯量，τ_cm是空气压缩机电机的扭矩，τ_cp是空气压缩机输出端的扭矩，P_sm是空气供给歧管的压力，R_a是空气气体常数，V_sm是空气供给歧管的容积，T_cp,out是离开空气压缩机的空气温度，W_cp,out是离开空气压缩机的空气质量流，T_sm,out是空气供给歧管的空气温度，W_sm,out是空气供给歧管的质量流；

所述空气压缩机的扭矩由输入所述空气压缩机的电压进行控制：其中，u为输入空气压缩机的电压，η_cm为空气压缩机的效率，R_cm为空气压缩机内部电阻，k_t和k_v则是空气压缩机电机常数；

所述空气压缩机产生的空气质量流为：其中，ω_c为空气压缩机叶尖速度，d_c为空气压缩机直径，W_cp为空气压缩机产生的空气质量流，φ为标准化空气压缩机流量比例，ρ_a为空气密度；

所述氢气流量阀的质量流为进入阳极供给歧管中的氢气质量流，则

当所述阳极供给歧管流出的氢气质量流，全部进入燃料电池时：是进入燃料电池的氢气质量流；

当所述空气压缩机产生的质量流与离开空气压缩机的质量流一致时：W_cp＝W_cp,out；

进入燃料电池阴极的质量流包括氧气流、氮气流和水蒸气流：其中，W_sm,out表示进入燃料电池阴极的质量流，是进入燃料电池的水蒸气质量流，是进入燃料电池的氧气质量流，是进入燃料电池阴极的氮气质量流；

还包括获取燃料电池系统模型：

所述燃料电池系统的模型包括：

其中，是燃料电池阳极的氢气分压，是进入燃料电池的氢气质量流，是发生化学反应产生电流的氢气质量流，是离开燃料电池阳极部分的氢气质量流，是燃料电池阴极的氧气分压，是发生化学反应产生电流的氧气质量流，是离开燃料电池阴极的氧气质量流，是燃料电池阴极的氮气分压，是离开燃料电池阴极的氮气质量流，T_st是燃料电池电堆的温度，V_rm是排气歧管容积，W_ca,out是燃料电池阴极出口质量流，W_rm,out是排气歧管出口质量流，P_rm是排气歧管处压力，是氢气的气体常数，R_a是空气气体常数，是氧气的气体常数，是氮气的气体常数。