[發明專利]燃料電池氧氣過剩系數神經網絡預測控制方法

有效

• 申請號: 201710889277.8
• 申請日: 2017-09-27
• 公開（公告）號: CN107728478B
• 公開（公告）日: 2020-10-27
• 發明（設計）人: 胡云峰;陳歡;許志國;史少云;陳虹
• 申請（專利權）人: 吉林大學
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 吉林長春新紀元專利代理有限責任公司 22100
• 代理人: 白冬冬

一種燃料電池氧氣過剩系數神經網絡預測控制方法，屬于控制技術領域。本發明針對汽車燃料電池的氧氣過剩系數控制問題，利用神經網絡預測控制算法來設計控制器，使燃料電池系統在獲得充足氧氣的同時保證功率最優。本發明步驟是：軟件選擇、訓練樣本設計、神經網絡預測模型離線學習、神經網絡預測模型學習、神經網絡預測控制器設計。本發明直接通過學習輸入輸出數據來提取系統特征，有效地避免了復雜的機理建模，能減少在線學習過程中系統特征的丟失進而提高多步預測的精度，有效地處理非線性系統帶約束的控制問題。

技術領域

本發明屬于控制技術領域。

背景技術

隨著環境污染和能源危機的日益加重，燃料電池汽車因為其能量轉換率高、零排放、 燃料(氫氣)來源廣泛和燃料補充方便等優點，被認為是汽車的終極形態。國家也出臺了大 量的優惠政策支持企業研究燃料電池汽車，燃料電池汽車被列入電動汽車“三縱三橫”發展 框架，經過十多年的積累，在整體上取得了突破；《中國制造2025》明確提出，到2020年 要生產一千輛左右的燃料電池汽車，并進行示范運行。無論是傳統汽車還是燃料電池汽車都 涉及到空氣供給系統控制問題。與傳統汽車相比，氧氣過剩系數對燃料電池汽車的影響更為 嚴重，當氧氣過剩系數過低時，將會縮短電池壽命甚至損壞交換膜。因此，如何設計控制器 來產生合理的電壓驅動壓縮機，進而得到充足的空氣，一直是汽車燃料電池研究的重要問題 之一。針對于汽車燃料電池的氧氣過剩系數控制，主要有以下問題：

1.燃料電池空氣供給系統結構復雜，進行機理建模比較困難，即使得到機理模型，也難以進 行基于模型的控制器設計；

2.由于燃料電池空氣傳輸和化學反應需要時間，所以系統的慣性和滯后特性比較嚴重，普通 的建模方式難以達到好的效果；

3.由于環境的改變、零件的老化等問題的存在，燃料電池的參數是時變的。

發明內容

本發明針對汽車燃料電池的氧氣過剩系數控制問題，利用神經網絡預測控制算法來 設計控制器，使燃料電池系統在獲得充足氧氣的同時保證功率最優。由于燃料電池空氣供給 系統比較復雜，狀態方程難以推導，且參數時變，因此，難以設計有效的控制器。而本發明 針對此系統設計了神經網絡預測控制算法，能夠有效的處理建模及參數時變問題，同時考慮 壓縮機驅動電壓約束。

本發明步驟是：

一、軟件選擇：控制系統的被控對象和控制器的仿真模型通過軟件Matlab/Simulink進行搭 建，軟件版本為Matlab R20012a，求解器選擇分別為ode3，仿真步長為定步長，步長選擇為 0.005s；

二、訓練樣本設計：選取神經網絡訓練的輸入輸出變量，對氧氣過剩系數產生影響的量主要 有燃料電池陰極的溫度、壓力、濕度、負載電流以及氧氣過剩系數的當前狀態；神經網絡的 輸入為大氣壓力、負載電流、壓縮機驅動電壓和氧氣過剩系數的當前值；采用高斯噪聲作為 輸入激勵燃料電池系統得到訓練樣本集，對訓練樣本集進行挑選，除去相似樣本，以保證在 全面的提取系統特征的同時保持訓練樣本數量最?。?/p>

三、神經網絡預測模型離線學習：

1)神經網絡離線學習過程：燃料電池的神經網絡預測模型表示為：

其中k代表時刻，為第k+1時刻的氧氣過剩系數預測值。和為輸入 層到隱含層和隱含層到輸出層的權值，和為隱含層和輸出層的閾值，σ(x)為 對數函數，表示為：

其中e為自然常數，u(k)為k時刻神經網絡的輸入，表示為：

I(k)、V_c(k)、P_atm(k)和分別為第k時刻的負載電流、壓縮機驅動電壓、大氣壓力和氧氣 過剩系數實際值；