[发明专利]基于ALMBO优化算法的质子交换膜燃料电池子空间辨识方法

说明书

本发明公开了一种基于ALMBO优化算法的质子交换膜燃料电池子空间辨识方法，首先，选取模型辨识的输入输出变量，并在PEMFC测控平台采集数据。然后，构建输入输出数据的Hankel矩阵，并通过SVD分解求取系统的阶次。本发明发明引入改进的优化算法—变异反向学习的自适应帝王蝶优化算法(ALMB O)，在迁移算子中，引入变异反向学习策略，对蝴蝶的位置进行变异更新，增加种群的多样性。在调整算子中，融入自适应的思想，使得调整算子随着迭代次数的变化进行线性调整，提高了算法适应度，增强算法的寻优能力。并对适应度最差的5个粒子采用柯西变异，提高其寻优能力。本发明无需复杂的电堆特性分析，且引入改进的优化算法，寻优精度高，模型输出更加贴切真实工作特性。

技术领域

本发明属于工业控制领域，具体为一种基于ALMBO优化算法的质子交换膜燃料电池子空间辨识方法。

背景技术

氢能是一种新能源，具有能量高，环保等优点。质子交换膜燃料电池(PE MFC)是利用氢能作为反应物，其反应速度快，无污染，可单元模块化，具有广泛的应用前景。但PEMFC是多变量、强耦合且具有非线性特点的系统，搭建PEMFC模型过程较为复杂，且建模的输出与实际输出存在较大差异。因此，为便于后续PEMFC的控制，准确建立PEMFC的辨识模型成为首要任务。

现有的PEMFC建模方法侧重于机理模型的搭建，利用能斯特电压方程，能量守恒定理，传热方程等定义搭建燃料电池的温度模型，阴阳极气体模型，输出电压模型等。但存在以下几个问题：

(1)机理模型的搭建较为复杂，参数确定存在经验性问题。

(2)机理模型不利于后续PEMFC控制方法实现。

(3)机理模型中，各参数相互关联，耦合性大，参数设置不当，将会与实际工作状态有很大误差。

为克服上述问题，很多学者将PEMFC模型研究从机理模型搭建转移到辨识模型上来。刘璐，李奇，尹良震，et al.基于PFDL的阴极开放式PEMFC系统无模型自适应预测控制[J].中国电机工程学报,2019,39(16):4827-4837+4984.为使得PEMFC的输出性能最佳，提出了一种基于偏格式动态线性化的辨识模型，将PEMFC这一非线性时变系统转换为动态线性化数据模型，从而实现了非线性系统的控制，但实际辨识输出的误差较大。戚志东,何永康,戈卫平,孙琦.质子交换膜燃料电池的分数阶非线性状态空间模型研究[J].控制理论与应用,2019,36(03):420-427.针对PEMFC发电过程中存在强耦合，非线性，分数阶的特征，建立了PEMFC的分数阶Hammerstein模型，其精度高，但在建模过程引入了非线性环节，算法本身复杂度较高，不易在实际操作中使用。

发明内容

本发明的目的在于提供一种质子交换膜燃料电池子空间辨识方法。

实现本发明目的的技术解决方案为：一种基于ALMBO优化算法的质子交换膜燃料电池子空间辨识方法，包括如下步骤：

步骤1，分析PEMFC工作特性和工作原理，选取合适的PEMFC状态空间辨识模型输入、输出变量；

步骤2，利用PEMFC测控平台采集PEMFC状态空间辨识模型建模所需的实验数据，并从采集的实验数据中挑选出有效实验数据，形成PEMFC状态空间辨识模型有效输入数据集与有效输出数据集；

步骤3，构造PEMFC状态空间辨识模型；

步骤4，PEMFC状态空间辨识模型最佳状态变量初始值寻优；

步骤5，基于有效输入数据集、有效输出数据集构造Hankel矩阵；

步骤6，求解PEMFC状态空间辨识模型的阶次；

步骤7，将PEMFC状态空间辨识模型的辨识输出值与实际输出数据进行比较，若满足输出误差要求则直接输出，如不满足，则进行优化算法的继续迭代。