[发明专利]一种基于BP神经网络的燃料电池建模方法

说明书

本发明提供一种基于BP神经网络的燃料电池建模方法，包括以下步骤：采集不同操作条件下燃料电池的输出电压，并将其分为训练集和验证集；对训练集和验证集进行数据预处理；采用网格搜索法分别对单隐含层和双隐含层的神经网络拓扑结构进行优化，并挑选出验证误差最小的神经网络；采集其他同操作条件(不同于训练集和验证集的操作条件)下燃料电池的输出电压，并将其作为测试集，用于测试网络的预测精度。本发明能够实现高精度预测不同操作条件下的燃料电池输出电压，为系统控制提供决策支持。

技术领域

本发明涉及燃料电池技术领域，尤其涉及一种基于BP神经网络的燃料电池建模方法。

背景技术

输出性能是燃料电池最重要的指标之一，而操作条件对其有着至关重要的作用，因此深入研究操作条件对燃料电池输出性能的影响有着重要的现实意义。目前通常是从理论模型和人工智能模型两个方向进行燃料电池建模研究。在理论模型方面，文献(Jin,Lei,et al.Energy Conversion and Management,2021,228:113727.)建立了一个三维多组分CFD模型，分析了PEMFC性能对操作参数的敏感性。文献(Shimpalee,Sirivatch.Journal ofThe Electrochemical Society,2014,161:E3138-E3148)通过CFD技术研究了工作条件和气体流向对大面积PEMFC动态响应性能的影响，结果发现，车用工况比稳态工况显示出了更剧烈的分布不均匀性。但是燃料电池是一个多场耦合、多尺度、多部件、多因素的复杂系统。目前对其内在机理掌握的还十分有限，因此很难建立一个精确的理论模型。在建模过程中往往需要各种假设和简化，导致该方法精度有限，而且计算量巨大，需要耗费大量的计算时间，难以在线使用。在人工智能模型方面，文献(Nanadegani,Fereshteh Salimi,etal.Electrochimica Acta,2020,348:136345.)首先建立一个CFD理论模型，研究不同操作条件对输出性能的影响，然后用该CFD理论模型生成大量数据用来训练神经网络模型，并基于该模型研究了不同电流下的最大/小输出电压。类似地，文献(Li,et al.Journal ofPower Sources,2020,461:228154)通过CFD理论模型生成实验数据，用来训练深度置信神经网络，进而建立操作条件与输出性能之间的模型关系。然而该方法的缺点是，训练数据来自理论模型，因此其准确性和可靠性有待确认；其次，在模型优化阶段通常是由智能算法完成，可能会遗漏一些较优解，进而导致模型的精度较低。

发明内容

针对上述存在的问题，提出一种基于BP神经网络的燃料电池建模方法。考虑到目前对其内在机理掌握的还十分有限，很难建立一个精确的理论模型，因此本专利采用神经网络模型进行建模，其直接从实验数据中学习燃料电池操作条件对输出性能的影响，克服了对燃料电池机理了解不足的困难。其次，通过大量实验获得足够多的训练数据，而且采用网格搜索法来优化BP神经网络的拓扑结构，进而保证了模型的精度。

本发明采用的技术手段如下：

一种基于BP神经网络的燃料电池建模方法，包括如下步骤：

步骤S1：采集不同的操作条件下燃料电池的输出电压，并将其分为训练集和验证集；

步骤S2：对所述训练集和验证集进行数据预处理；

步骤S3：通过网格搜索法分别对单隐含层和双隐含层的神经网络拓扑结构进行优化，并选择验证误差最小的神经网络作为最终优化结果；

步骤S4：采集不同于所述训练集和所述验证集的操作条件下，燃料电池的输出电压，并将其作为测试集，用于测试网络的预测精度；

步骤S5：若|测试误差-验证误差|≤验证误差，则输出该神经网络；否则，返回步骤S3。

进一步地，所述操作条件包括：燃料电池工作温度、阴/阳极压力、阴/阳极气体流量(计量比)、阴/阳极增湿度、加载电流(密度)的一种或多种的组合。