大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法

摘要

本发明公开大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法，包括利用燃料电池测试平台和阻抗谱分析仪测试大功率质子交换膜燃料电池各种工况条件下的操作参数和阻抗谱；根据所测量的操作参数及阻抗谱，设置长短时神经网络的参数，通过长短时神经网络对质子交换膜燃料电池的阻抗进行建模；通过所构建的模型对大功率质子交换膜燃料电池各种工况下的阻抗进行预测。本发明能够准确地预测各工况下大功率质子交换膜燃料电池的电化学阻抗谱，从而有效解决大功率质子交换膜燃料电池的故障诊断问题。

说明书

技术领域

本发明属于质子交换膜燃料电池技术领域，特别是涉及大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法。

背景技术

随着能源需求和消耗的加大，传统能源的枯竭和环境污染问题日益严重。质子交换膜燃料电池作为一种能把氢能转换为电能的一种装置而受到越来越多的关注。质子交换膜燃料电池具有启动快、噪声小、无温室气体排放等优点。这使得质子交换膜燃料电池在许多场景得到应用。

质子交换膜燃料电池是一个多变量，强耦合的非线性系统，许多因素都对其性能有着巨大的影响。随着电池片数以及功率的增加，更易出现的故障以及各电池间的不一致性都会对其稳定性和耐久性产生严重的影响。

电化学阻抗谱是一种较好的工具用来分析和诊断质子交换膜燃料电池以保证其稳定、持久地运行。现有的基于电化学阻抗谱的诊断方法可以简单地分为两类：第一种是直接采用电化学阻抗谱曲线的几何特征进行故障诊断。第二种是采用等效电路模型拟合电化学阻抗谱曲线并使用模型参数进行故障诊断。这些方法中，通过EIS的几何特征进行诊断往往需要大量的时间获取整个阻抗谱，而通过等效电路拟合EIS获得的模型参数往往精准度不够，这些都使得这些方法在实际的大功率电堆中的应用有一定的局限性

发明内容

为了解决上述问题，本发明提出了大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法，能够准确地预测各工况下大功率质子交换膜燃料电池的电化学阻抗谱，从而有效解决大功率质子交换膜燃料电池的故障诊断问题。

为达到上述目的，本发明采用的技术方案是：大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法，包括步骤：

S100，利用燃料电池测试平台和阻抗谱分析仪测试大功率质子交换膜燃料电池各种工况条件下的操作参数和阻抗谱；

S200，根据所测量的操作参数及阻抗谱，设置长短时神经网络的参数，通过长短时神经网络对质子交换膜燃料电池的阻抗进行建模；

S300，通过所构建的模型对大功率质子交换膜燃料电池各种工况下的阻抗进行预测。

进一步的是，在所述步骤S100中，利用燃料电池测试平台和阻抗谱分析仪测试大功率质子交换膜燃料电池各种工况条件下的操作参数和阻抗谱，包括步骤：

S101，对燃料电池测试台进行检漏及预启动；

S102，启动电子负载并改变燃料电池负载电流，使电堆运行在欧姆区；

S103，关闭电子负载；

S104，启动阻抗谱分析仪；

S105，根据控制变量法改变操作参数；

S106，通过阻抗谱分析仪测量各条件下的电池阻抗，通过阻抗变化规律得到阻抗谱。

进一步的是，在所述步骤S105中，根据控制变量法改变操作参数，包括电堆运行温度、氢气过量系数、空气过量系数和吹扫周期。

进一步的是，在所述步骤S200中，根据所测量的操作参数及阻抗谱，设置长短时神经网络的参数，通过长短时神经网络对质子交换膜燃料电池的阻抗进行建模，包括步骤：

S201，选择所测量数据集数据用于长短时神经网络训练；

S202，设置四种操作参数为输入，各频率点的阻抗实部值和虚部值为输出；

S203，对输入数据进行归一化；

S204，根据操作参数设置网络输入维度；

S205，根据阻抗谱数据设置网络输出维度；

S206，设置隐藏层节点；

S207，运行长短时神经网络，对大功率质子交换膜燃料电池阻抗谱进行建模。

进一步的是，根据操作参数设置网络输入维度为4；根据阻抗谱数据设置网络输出维度为70；设置隐藏层节点为10。

进一步的是，在步骤S300中，通过所构建的模型对大功率质子交换膜燃料电池各种工况下的阻抗进行预测，包括步骤：

S301，获取所需预测的大功率质子交换膜燃料电池电堆的操作参数，包括运行温度、氢气过量系数、空气过量系数和吹扫周期，作为预测数据集；

S302，对预测数据集的输入进行归一化；

S303，将上述获取到的预测数据集输入基于长短时神经网络的大功率质子交换膜燃料电池阻抗模型，获取预测阻抗谱；

S304，对所获得的预测阻抗谱数据进行精准评判，后输出通过结果作为最终输出的预测阻抗谱。

进一步的是，对所获得的预测阻抗谱数据进行精准评判，包括步骤

计算预测阻抗与实际阻抗的相对误差；

若相对误差大于5％，则调整长短时神经网络参数并重新进行建模；

若相对误差不大于5％，则接受该长短时神经网络参数及预测结果。

进一步的是，所述计算预测阻抗与实际阻抗的相对误差的公式为：

式中N为所测量频率点数，

采用本技术方案的有益效果：

本发明通过对大功率燃料电池进行测试，使用阻抗谱分析仪测量了不同运行参数下质子交换膜燃料电池的阻抗谱，以运行参数为输入，阻抗谱为输出，训练长短时神经网络，根据所训练的长短时神经网络预测各种运行参数下的阻抗谱，并用相对误差评判长短时神经网络输出性能，能够大量减少测量阻抗谱所需时间，降低故障诊断及容错控制的成本，保证电池稳定运行。能够准确地预测各工况下大功率质子交换膜燃料电池的电化学阻抗谱，从而有效解决大功率质子交换膜燃料电池的故障诊断问题。

附图说明

图1为本发明的大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法流程示意图；

图2为本发明实施例中步骤S100所测试的阻抗谱数据；

图3为本发明实施例中步骤S300所预测的结果。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步阐述。

在本实施例中，参见图1所示，本发明提出了大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法，包括步骤：

S100，利用燃料电池测试平台和阻抗谱分析仪测试大功率质子交换膜燃料电池各种工况条件下的操作参数和阻抗谱；

S200，根据所测量的操作参数及阻抗谱，设置长短时神经网络的参数，通过长短时神经网络对质子交换膜燃料电池的阻抗进行建模；

S300，通过所构建的模型对大功率质子交换膜燃料电池各种工况下的阻抗进行预测。

作为上述实施例的优化方案1，在所述步骤S100中，利用燃料电池测试平台和阻抗谱分析仪测试大功率质子交换膜燃料电池各种工况条件下的操作参数和阻抗谱，包括步骤：

S101，对燃料电池测试台进行检漏及预启动；

S102，启动电子负载并改变燃料电池负载电流，使电堆运行在欧姆区；

S103，关闭电子负载；

S104，启动阻抗谱分析仪；

S105，根据控制变量法改变操作参数；在所述步骤S105中，根据控制变量法改变操作参数，包括电堆运行温度、氢气过量系数、空气过量系数和吹扫周期。

S106，通过阻抗谱分析仪测量各条件下的电池阻抗，通过阻抗变化规律得到阻抗谱。

作为上述实施例的优化方案2，在所述步骤S200中，根据所测量的操作参数及阻抗谱，设置长短时神经网络的参数，通过长短时神经网络对质子交换膜燃料电池的阻抗进行建模，包括步骤：

S201，选择所测量数据集数据用于长短时神经网络训练；

S202，设置四种操作参数为输入，各频率点的阻抗实部值和虚部值为输出；

S203，对输入数据进行归一化；

S204，根据操作参数设置网络输入维度；

S205，根据阻抗谱数据设置网络输出维度；

S206，设置隐藏层节点；

S207，运行长短时神经网络，对大功率质子交换膜燃料电池阻抗谱进行建模。

优选的，根据操作参数设置网络输入维度为4；根据阻抗谱数据设置网络输出维度为70；设置隐藏层节点为10。

作为上述实施例的优化方案3，在步骤S300中，通过所构建的模型对大功率质子交换膜燃料电池各种工况下的阻抗进行预测，包括步骤：

S301，获取所需预测的大功率质子交换膜燃料电池电堆的操作参数，包括运行温度、氢气过量系数、空气过量系数和吹扫周期，作为预测数据集；

S302，对预测数据集的输入进行归一化；

S303，将上述获取到的预测数据集输入基于长短时神经网络的大功率质子交换膜燃料电池阻抗模型，获取预测阻抗谱；

S304，对所获得的预测阻抗谱数据进行精准评判，后输出通过结果作为最终输出的预测阻抗谱。

对所获得的预测阻抗谱数据进行精准评判，包括步骤：

计算预测阻抗与实际阻抗的相对误差；

若相对误差大于5％，则调整长短时神经网络参数并重新进行建模；

若相对误差不大于5％，则接受该长短时神经网络参数及预测结果。

所述计算预测阻抗与实际阻抗的相对误差的公式为：

式中N为所测量频率点数，

经过具体实施例进行实验：使用14.4kW质子交换膜燃料电池电堆，包含75个燃料电池单片，阻抗谱分析仪测试了随吹扫周期变化的阻抗。

阻抗随吹扫周期的变化如图2所示。

吹扫周期为25s时的预测结果与测量结果如图3所示。通过计算，相对误差为0.63％。结果表明预测精度可满足需求。

本发明技术通过燃料电池测试平台测试了质子交换膜燃料电池阻抗谱随各操作参数的变化，并通过长短时神经网络对阻抗谱进行了建模。预测结果表明该方法可以准确地预测燃料电池的阻抗谱，在燃料电池的故障诊断及容错控制领域都能得到很好地应用。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。