[发明专利]一种燃料电池参数辨识方法

权利要求书

1.一种燃料电池参数辨识方法，其特征在于，包括以下步骤：

根据质子交换膜燃料电池的实验数据和电堆数据，构建质子交换膜燃料电池的半经验模型，确定模型中待辨识的参数；

构建目标函数，所述目标函数为质子交换膜燃料电池的半经验模型输出电压和实际电压之间的平方误差之和，并确定目标函数的约束条件；

根据目标函数的约束条件，通过优化后的树种子算法，搜索最优待辨识参数；

其中，所述优化后的树种子算法采用差分进化策略替换原有子代种群的生成机制，并增加自适应反馈机制；其中，所述优化后的树种子算法还包括：将一次迭代获得的所有多源信息通过D-S证据理论进行融合，更新搜索空间进行后续迭代搜索；

其中，所述自适应反馈机制为：当种子目标值优于树的目标值时，减小ST值加强全局搜索，增多该树的种子数量，同时以此种子的位置向量替换原始父级；否则，增大搜索趋势常数ST增加局部搜索，减少该树的种子数量，保持原始父级位置向量不变；

所述优化后的树种子算法，包括以下步骤：

S1：在搜索开始阶段进行初始化，并设置算法初始参数，将初始树种群的位置向量随机分布在搜索空间中，同时利用目标函数生成树的适应度值obj(i)；

S2：通过差分进化的突变过程来获得第i棵树的第j个种子的初始位置向量；其中，种子位置的生成包括局部搜索和全局搜索，引入搜索趋势常数ST进行平衡选择；

S3：对选择后的种子位置进行交叉操作得到第i棵树的第j个种子的最终位置向量；

S4：当jns(i)则返回S2，否则继续执行；其中ns(i)为第i棵树的种子数量；在生成第i棵树所有种子之后更新生成种子中的最小适应度Minimum，若Minimumobj(i)，进行S5；否则进行S6；

S5：当种子目标值优于树的目标值时，减小ST值加强全局搜索，增多该树的种子数量进行全面的搜索，同时以此种子的位置向量替换原始父级；

S6：种子的性能没有树好时，增大ST值增加局部搜索，适当减少该树的种子数量，保持此树的位置向量不变；

S7：若i初始种群数，则返回S2进行其余树的计算；当完成所有树的计算之后，则完成了一次迭代过程，更新本次迭代过程中得到的最小目标值及其相应的参数向量；利用D-S证据理论融合本次迭代过程的多源信息进而更新参数辨识的边界，即更新搜索空间；

S8：使用更新后的搜索空间重复执行上述过程直到迭代数达到最大迭代数为止；

所述将初始树种群的位置向量随机分布在搜索空间中，具体包括：

其中，i＝{1,2,...,N}，d＝{1,2,...,dim}，N为初始种群数，dim为所要辨识参数的个数，即位置向量的维数，是搜索空间中每一维度参数的上界和下界，是为每棵树的每一维度对应生成的随机数；

所述通过差分进化的突变过程来获得第i棵树的第j个种子的初始位置向量，具体包括：

其中，j＝{1,2,...,ns(i)}，ns(i)为第i棵树产生的种子数量，是第i棵树生成的第j个种子的位置向量，为当前树的位置向量，是具有当前最优解的树的位置向量，是从种群中随机选择的其他树的位置向量，F₁、F₂是比例系数；

所述对选择后的种子位置再进行交叉操作得到第i棵树的第j个种子的最终位置向量，交叉操作后的位置向量为：

其中，CR为交叉率；为当前树的位置向量；是第i棵树生成的第j个种子的位置向量；

所述利用D-S证据理论融合本次迭代过程的多源信息进而更新参数辨识的边界，即更新搜索空间，包括以下步骤：

对于通过差分进化思想产生的每棵树的种子的位置向量，寻找其中每个维度的最大值最小值以及其所对应的目标函数值作为DST的一个证据以及初始的基本信念分配来源：

其中，为第i棵树产生的第j个种子位置向量的第d维参数，m_x为计算得到的基本信念分配，其中x＝{1,2}，分别是用以更新上界和下界相应的计算值；

在此基础上，计算每棵树产生的种子中每个维度参数的置信测度：

使用以下逆函数返回更新来自信念测度的基本信念分配：

对这些分配重新进行归一化，新的基本信念分配值如下：

使用加权算术平均值更新参数上下界：

式中，分别为上界和下界。