基于RBF神经网络控制燃料电池电堆多参数响应方法

摘要

本发明公开了一种基于RBF神经网络控制燃料电池电堆多参数响应方法，该方法应用于解决电堆测试工况设定中存在的温度、湿度及压力难以跟随测试需求快速响应的问题。该方法包括以下步骤：设置参考温度及温度误差、湿度及湿度误差、压力及压力误差以及PID控制器的输入和输出；构建RBF神经网络并对RBF神经网络进行训练；利用RBF神经网络自适应调整PID控制器参数kp、ki、kd；PID控制器根据调整好的控制参数对温度湿度及压力进行调控。本发明提供的方法能有效减少燃料电池电堆测试过程中各参数的响应时间并提高系统的自适应能力和鲁棒性。

说明书

技术领域

本发明涉及大功率燃料电池电堆控制领域，特别是涉及一种基于RBF神经网络控制燃料电池电堆多参数响应方法。

背景技术

近年来全球各国都在推动新能源汽车的发展，我国也将新能源汽车定为战略性新兴产业之一。新能源汽车分为纯电动汽车、插电混动汽车和燃料电池汽车，纯电动车和插电混动汽车相对于燃料电池汽车而言，由于技术相对简单而获得了快速的发展，但燃料电池汽车比纯电动汽车和插电混动汽车具有续航里程更高、加氢速度快等特点。然而目前国内研发的燃料电池发动机功率低，配套设施不齐全等问题。燃料电池有着强大的发展潜力，已经成为各国和龙头车企接下来产业化发展的重点方向之一，相关检测领域如大功率燃料电池电堆检测研究也成为重要的课题。

在电堆测试测试系统工况中存在温度、湿度、压力难以跟随测试需求快速响应的问题。为解决上述问题，提出一种燃料电池电堆测试系统多参数快速响应的方法，采用RBF神经网络PID控制以此来解决燃料电池测试快速响应的问题。

发明内容

本发明的目的是解决燃料电池测试平台中环境温度、湿度、压力跟随工况快速响应的问题，提出了基于RBF神经网络控制燃料电池电堆多参数响应方法。

本发明采用的一个技术方案是：

提供一种基于RBF神经网络控制燃料电池电堆多参数响应方法，步骤包括：

步骤一、分别采用温度传感器、湿度传感器和压力传感器对燃料电池电堆的温度、湿度、压力进行测量，通过测量到的参数与预设的阈值得到变化量，将获得的变化量分别输入至与温度、湿度、压力对应的PID控制器及RBF神经网络；

步骤二、温度RBF神经网络、湿度RBF神经网络和压力RBF神经网络根据变化量计算出温度、湿度和压力对应的比例系数、积分系数、微分系数，并输入至相应的PID控制器；

步骤三、温度PID控制器、湿度PID控制器和压力PID控制器根据比例系数、积分系数、微分系数调整变化量，并根据变化量调整电堆的温度、湿度和压力；

步骤四、分别采用温度传感器、湿度传感器和压力传感器对燃料电池电堆的温度、湿度、压力进行测量，判断测量到的当前值是否满足预设的阈值，若当前值未满足预设的阈值，则重新执行步骤一。

在本发明一个较佳实施例中，在步骤一，其具体步骤包括：

（1.1）分别采用温度传感器、湿度传感器和压力传感器对燃料电池电堆的温度、湿度、压力进行测量，以得到温度实时值、湿度实时值、压力实时值；

（1.2）将测量所获得的温度实时值、湿度实时值、压力实时值与预设的温度阈值、湿度阈值和压力阈值进行差值计算，获得变化量，所述变化量包括温度控制误差、湿度控制误差和压力控制误差；

（1.2.1）温度控制系统的控制误差为：

（1.2.2）湿度控制系统的控制误差为：

（1.2.3）压力控制系统的控制误差为：

（1.3）将获取PID控制器的输入分量，并将获得的输入分量输入至不同的PID控制器，其中，温度输入分量输入温度PID控制器，湿度输入分量输入温度PID控制器，压力输入分量输入温度PID控制器。

在本发明一个较佳实施例中，在步骤（1.3），其具体步骤包括：

（1.3.1）温度PID控制器的三个输入分量为：

（1.3.2）湿度PID控制器的三个输入分量为：

（1.3.3）压力PID控制器的三个输入分量为：

在本发明一个较佳实施例中，在步骤二中，

温度比例系数

温度积分系数

温度微分系数

湿度比例系数

湿度积分系数

湿度微分系数

压力比例系数

压力积分系数

压力微分系数

其中，

在本发明一个较佳实施例中，在步骤三，其具体步骤包括：

（3.1）获取PID控制器控制算法的控制量；

（3.1.1）温度PID控制器控制算法的控制量u1(k)为：

（3.1.2）湿度PID控制器控制算法的控制量为：

（3.1.3）压力PID控制器控制算法的控制量为：

（3.2）获取或者得到参数整定的性能指标为：

（3.3）控制器计算得到温度、湿度、压力对应的比例参数调整值、微分参数调整值、积分参数调整值，且参数的调整采用梯度下降方法在线调整，具体包括：

温度比例参数调整值：

温度积分参数调整值：

温度微分参数调整值：

湿度比例参数调整值：

湿度积分参数调整值：

湿度微分参数调整值：

压力比例参数调整值：

压力积分参数调整值：

压力微分参数调整值：

本发明的有益效果是：将RBF神经网络和PID控制器相结合，具有精度高，稳定性好，响应快的优点，能有效减少燃料电池电堆测试过程中各参数的响应时间并提高系统的自适应能力和鲁棒性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图，其中：

图1是本发明的基于RBF神经网络控制燃料电池电堆多参数响应方法一较佳实施例的控制框架结构示意图；

图2是本发明的基于RBF神经网络控制燃料电池电堆多参数响应方法中RBF神经网络结构示意图。

具体实施方式

下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1-2，本发明实施例包括：

一种基于RBF神经网络控制燃料电池电堆多参数响应方法，利用温度传感器、湿度传感器和压力传感器分别获得燃料电池测试系统运行时的温度、湿度和压力值。将获得的温度、湿度和压力值分别输入至对应的RBF神经网络和PID控制器。通过预先设置好的RBF神经网络训练程序对预先输入的值进行训练，得到不同PID控制器的比例积分微分的值，并将这些值输入至对应的PID控制器，PID控制器根据输入的值调整比例、微分、积分这三个系数，并以此来调控被控对象，如果被控对象仍未达到要求则返回起始处重新开始。

如图1所示，本实施例提供的基于RBF神经网络控制燃料电池电堆多参数响应方法包括以下步骤：

（1）分别采用温度传感器、湿度传感器和压力传感器对燃料电池电堆的温度、湿度、压力进行测量，将测量到的参数与预设的阈值进行计算，得到变化量，将获得变化量输入至不同的PID控制器及不同的RBF神经网络。

RBF神经网络具体包括：根据不同的参数确定输入层、隐含层及输出层的节点个数从而建立RBF神经网络，设置所述RBF神经网络的初始参数，确定最终的RBF神经网络；所述初始参数包括初始权值向量、中心向量、高斯基函数向量、高斯基函数中心点的坐标向量和高斯基函数宽度。

（1.1）分别采用温度传感器、湿度传感器和压力传感器对燃料电池电堆的温度、湿度、压力进行测量，以得到温度实时值、湿度实时值、压力实时值；

（1.2）将测量所获得的温度实时值、湿度实时值、压力实时值与预设的温度阈值、湿度阈值和压力阈值进行差值计算，获得变化量，所述变化量包括温度控制误差、湿度控制误差和压力控制误差。

（1.2.1）温度控制系统的控制误差为：

（1.2.2）湿度控制系统的控制误差为：

（1.2.3）压力控制系统的控制误差为：

（1.3）将获取PID控制器的输入分量，并将获得的输入分量输入至不同的PID控制器，其中，温度输入分量输入温度PID控制器，湿度输入分量输入温度PID控制器，压力输入分量输入温度PID控制器。

（1.3.1）温度PID控制器的三个输入分量为：

（1.3.2）湿度PID控制器的三个输入分量为：

（1.3.3）压力PID控制器的三个输入分量为：

（2）不同的RBF神经网络根据变化量的不同分别计算出温度、湿度、压力对应的比 例系数

温度比例系数

温度积分系数

温度微分系数

湿度比例系数

湿度积分系数

湿度微分系数

压力比例系数

压力积分系数

压力微分系数

其中，

（3）温度、湿度、压力PID控制器根据比例系数、积分系数、微分系数调整变化量，并根据变化量调整电堆的温度、湿度、压力，控制算法具体为：

（3.1）获取PID控制器控制算法的控制量。

（3.1.1）温度PID控制器控制算法的控制量为：

（3.1.2）湿度PID控制器控制算法的控制量为：

（3.1.3）压力PID控制器控制算法的控制量为：

（3.2）获取或者得到参数整定的性能指标为：

（3.3）控制器计算得到温度、湿度、压力对应的比例参数调整值、微分参数调整值、积分参数调整值，参数的调整采用梯度下降方法在线调整，具体调整算法为：

温度比例参数调整值：

温度积分参数调整值：

温度微分参数调整值：

湿度比例参数调整值：

湿度积分参数调整值：

湿度微分参数调整值：

压力比例参数调整值：

压力积分参数调整值：

压力微分参数调整值：

（4）分别采用温度传感器、湿度传感器和压力传感器对燃料电池电堆的温度、湿度、压力进行测量，判断测量到的实时值是否满足预设的阈值，若当前值未满足预设的阈值，则重新执行步骤一。

在具体实施时，我们收集了60组数据对RBF神经网络进行训练，RBF神经网络学习速率为0.1，动量因子选择0.05，采用三层网络模型，隐藏层节点数为5个。通过基于RBF神经网络PID控制于传统PID相比，RBF神经网络PID控制能更快达到收敛，且在稳定阶段波动幅度小。

本发明基于RBF神经网络控制燃料电池电堆多参数响应方法的有益效果是：将RBF神经网络和PID控制器相结合，具有精度高，稳定性好，响应快的优点，能有效减少燃料电池电堆测试过程中各参数的响应时间并提高系统的自适应能力和鲁棒性。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。