[发明专利]一种燃料电池参数辨识方法

说明书

本发明提供一种燃料电池参数辨识方法，属于燃料电池技术领域，包括以下步骤：确定质子交换膜燃料电池的半经验模型中待辨识的参数，以及导入实验数据和电堆数据；构建目标函数，其中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；引入优化后的树种子算法，搜索最优待辨识参数；根据输出的最优待辨识参数，构建质子交换膜燃料电池的半经验模型。本方法实现了燃料电池经验参数的精准辨识，具有高度精确性、高收敛速度、结果高度一致性的优点。

技术领域

本发明涉及燃料电池技术领域，具体涉及一种燃料电池参数辨识方法。

背景技术

近年来，能源需求的增加、传统燃料资源的枯竭和环境污染促使研究人员对燃料电池等新能源转换装置给予了极大的关注。燃料电池通过一系列电化学反应将氢能转化为电能，避免了卡诺循环的限制，提高了能量转换效率且最终产物只有水，对环境无污染。其中，质子交换膜燃料电池（PEMFC）的无污染、低噪音、快速响应、高功率密度、耐久性和可靠性等优点使其成为最理想的能量转换装置。

对于质子交换膜燃料电池进行建模有助于预测燃料电池的运行状况，优化设计以及和其他装置的集成。经常应用于燃料电池各种相关研究中的半经验模型对质子交换膜燃料电池的稳态行为进行了建模。但由于制造商并不会提供PEMFC的详细参数且其本身具备高度的复杂性和非线性特性，因此需要应用传统的分析方法或元启发式优化算法进行辨识以获得一个准确的质子交换膜燃料电池模型。

传统分析方法包括分数阶模型、广义简约梯度法等。这两种方法存在一定的局限性：①基本都需要梯度信息，在多变量参数辨识时计算麻烦；②计算过程极为复杂且结果的准确性需要依赖问题的初始解；③求解这种高度非线性问题时可能陷入局部最优而无法找到全局最优解，最终结果差强人意。

元启发式算法仅依赖简单概念、易实现，不需要梯度信息且可以跳出局部最优，广泛应用于参数辨识领域。然而元启发式算法也存在一定的问题：①辨识结果的准确度低，与实际燃料电池输出具有较大差距，不符合实际；②迭代计算过程的收敛速度慢，不能快速得到最优解；③众所周知，元启发式算法具有很高的随机性，将某一种算法多次运行，其结果可能时好时坏，不具有一致性。即很多算法只能在某一次辨识中偶然得到一个较好的结果，不能稳定输出最优解。

发明内容

为解决上述问题，本发明提供一种燃料电池参数辨识方法，具体提出了一种自适应差分进化融合D-S证据理论的树种子算法ADE-DST-TSA，可以实现高精度、高收敛速度、结果高度一致的燃料电池参数辨识，建立准确的燃料电池模型。

本发明提供了如下的技术方案。

一种燃料电池参数辨识方法，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。

优选地，所述质子交换膜燃料电池的半经验模型的具体构建过程，包括以下步骤：

单片燃料电池电压的计算，如下式所示：