一种融合策略的燃料电池动态衰减特性预测方法

摘要: 本发明涉及燃料电池健康状态估计,具体为一种融合策略的燃料电池动态衰减特性预测方法。背景技术:1、质子交换膜燃料电池具有能量转化效率高、工作温度低、启动速度快及绿...
一种融合策略的燃料电池动态衰减特性预测方法

本发明涉及燃料电池健康状态估计,具体为一种融合策略的燃料电池动态衰减特性预测方法。

背景技术:

1、质子交换膜燃料电池具有能量转化效率高、工作温度低、启动速度快及绿色清洁等优点,在车用动力系统、分布式发电系统及其他清洁能源装备中具有广阔的应用前景。然而,燃料电池的大规模工程化和商业化应用仍面临耐久性不足、寿命预测困难及运行控制复杂等关键技术瓶颈。燃料电池在实际应用过程中通常并非运行于理想稳态工况,而是长期处于动态负载、频繁变载、启停交替和复杂环境扰动共同作用下。尤其在车辆运行等动态工况中,燃料电池容易出现水热管理异常、气体供应波动及电气管理失衡等问题,并进一步引发高电位、温湿度异常、电压反极、气体供应不足及机械损伤等现象,从而导致燃料电池性能下降、可靠性降低、耐久性减弱以及健康状态持续衰退。因此,动态工况下的衰减行为已成为影响燃料电池寿命和工程应用性能的关键问题。

2、为揭示燃料电池在复杂动态工况下的衰退规律,并为后续健康管理与寿命预测提供依据,现有技术通常围绕燃料电池退化机理分析、耐久性试验设计、健康状态估计及寿命预测等方向展开。随着研究不断深入,燃料电池衰减预测已逐步由单一经验分析发展为结合试验数据、机理模型和智能算法的综合预测方法。

3、从现有燃料电池性能衰退预测方法来看,通常包括基于模型驱动的预测方法、基于数据驱动的预测方法以及基于模型与数据融合的混合预测方法。基于模型驱动的预测方法主要通过数学模型描述燃料电池的物理化学过程及衰减行为,包括机理模型、经验模型和半经验半机理模型等。该类方法具有一定物理意义,能够反映燃料电池内部退化机制,但通常对模型结构及参数辨识依赖较强,在复杂动态工况下容易因模型失配而影响预测精度。基于数据驱动的预测方法通常利用历史运行数据,通过机器学习或深度学习模型建立运行特征与衰减状态之间的映射关系。该类方法在处理强非线性问题时具有一定优势,但往往依赖大量高质量耐久性试验数据;当试验样本不足、工况分布变化较大或噪声干扰较强时,模型的泛化能力和稳定性容易下降。此外,该类方法主要从输入输出数据中学习映射关系,对燃料电池内部状态变化及退化机理缺乏显式表征,因此可解释性相对不足。为兼顾模型方法的机理可解释性与数据方法的非线性表征能力,现有技术中逐渐出现基于模型与数据融合的混合预测方法。该类方法通常通过数学模型表征燃料电池内部老化行为,再结合数据驱动方法对模型中的时变参数进行估计,从而实现对燃料电池输出特性衰减趋势的预测。该技术路线在一定程度上提高了预测精度,也为复杂工况下的寿命预测提供了新的解决思路。

4、但是,现有技术在面向动态工况的长期衰减预测方面仍存在明显不足。一方面,燃料电池在动态运行条件下的退化过程具有显著的非线性、随机性及时变性,负载变化会引起内部水热分布、气体传输、电化学反应速率及阻抗特性的持续变化,使衰减过程表现出明显的多尺度耦合特征,增加了预测难度。另一方面,现有方法大多侧重某一单一层面的退化表征,例如仅关注稳态电压衰减、仅利用经验寿命模型,或者仅依赖历史时序数据进行趋势外推,难以同时融合燃料电池的电化学机理特征、动态响应特征及长期时序衰减特征,导致对复杂衰减行为的表征不够全面。此外,多数现有预测方法更适用于短期状态估计或局部趋势判断,对于燃料电池在长期动态运行条件下的未来衰减趋势预测能力有限。当运行工况发生变化或退化模式出现偏移时,传统预测方法难以及时修正预测结果,容易造成长期预测误差累积,从而难以为燃料电池健康状态评估、寿命管理及运行控制优化提供稳定可靠的技术支撑。

5、因此,针对现有技术中燃料电池在动态工况下衰减过程难以准确表征、单一预测方法适应性不足、长期预测精度有限以及多源退化信息利用不充分等问题,亟需提出一种基于燃料电池电化学半机理模型、动态等效电路模型和深度学习方法的长期衰退趋势预测的融合策略的燃料电池动态衰减特性预测方法,以实现对燃料电池动态退化行为的准确建模和长期衰减趋势的可靠预测。

技术实现思路

1、本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。

2、为解决上述技术问题,根据本发明的一个方面,本发明提供了如下技术方案:

3、一种融合策略的燃料电池动态衰减特性预测方法,包括以下步骤:

4、s1:动态运行工况数据采集与衰减特征提取,并对所述运行数据进行预处理,得到燃料电池运行状态数据;

5、s2:基于所述燃料电池运行状态数据,采用电化学半经验半机理模型建立燃料电池稳态电压模型,以表征燃料电池稳态输出特性;

6、s3:在电化学半经验半机理模型基础上构建动态等效电路模型,以表征燃料电池在动态负载作用下的瞬态响应特性;

7、s4:将电化学半经验半机理模型与动态等效电路模型进行融合,构建燃料电池动态时变模型,并基于运行状态数据对动态时变模型中的时变参数进行辨识;

8、s5:在获得燃料电池衰减特征序列后,进一步建立基于改进的informer模型的长期时序预测网络,所述衰减特征序列至少包括表征燃料电池性能衰减的基准电压特征、表征动态响应变化的电压偏移特征以及表征退化演变的时变参数特征;

9、s6:构建滚动寿命预测架构:将衰减特征序列输入长期时序预测模型,以获得燃料电池未来时段的衰减趋势预测结果;

10、s7:基于所述衰减趋势预测结果,输出燃料电池的健康状态和/或剩余寿命信息。

11、作为本发明所述的一种融合策略的燃料电池动态衰减特性预测方法的一种优选方案,其中,所述s1中所述动态运行工况包括车辆行驶工况、动态加载工况、启停交替工况、变功率输出工况或者其他存在明显负载波动的运行工况;采集的数据包括输出电流、输出电压、运行温度、运行压力、气体流量以及耐久性运行时间;燃料电池运行状态数据构建为状态输入向量:

12、

13、其中,为燃料电池在时刻t的运行状态数据输入向量,为时刻的输出电流,为时刻的输出电压,为时刻的运行温度,为时刻的运行压力,为时刻的反应气体流量;

14、所述预处理过程包括:对原始信号进行滤波去噪;对异常采样点进行识别和剔除;对不同来源、不同采样频率的数据进行时间同步处理;并对各输入变量进行归一化处理;

15、在完成数据预处理后,从动态运行数据中提取衰减特征序列,公式如下:

16、

17、其中,表示在时刻t对应的参考工作条件下的基准电压输出,表示负载电流瞬间切换时的动态电压输出,表示通过模型辨识所获得的时变参数向量,为燃料电池动态衰减特征序列;

18、通过上述输入向量和衰减特征序列的构建,燃料电池在动态循环下的燃料电池稳态输出电压和负载电流瞬间切换时的动态输出电压组成,公式如下:

19、

20、式中,为能斯特电压,为活化过电压,为欧姆过电压,为浓差过电压,为燃料电池运行电流变载幅度,被用来描述为双电层等效电容两端的电压,被定义双电层效应引起的电压滞后作用产生的临界电流变载幅度,通过如下公式来计算,其中被视为一个标定量:

21、

22、式中,是维持变载前输出电流所需要的气体浓度,是电池内部最差条件点的反应物浓度,为膜和气体扩散层有关的常数,f是法拉第常数,z是燃料电池电化学反应的电子数。

23、作为本发明所述的一种融合策略的燃料电池动态衰减特性预测方法的一种优选方案,其中,所述s2的具体方法为:燃料电池稳态输出电压表示为:

24、

25、其中,为能斯特电压;为活化过电压;为欧姆过电压;为浓差过电压;

26、活化过电压写为:

27、

28、其中,a和b为与电极活化特性有关的待辨识参数,i为燃料电池输出电流;

29、欧姆过电压表示为:

30、

31、其中,为燃料电池的欧姆内阻;

32、浓差过电压表示为:

33、

34、其中,c为浓差损失相关参数,为极限电流;

35、由上述公式得到燃料电池稳态极化模型:

36、

37、其中,为时刻的输出电流。

38、作为本发明所述的一种融合策略的燃料电池动态衰减特性预测方法的一种优选方案,其中,所述s3中,燃料电池实际输出电压满足:

39、

40、其中,为电池开路电压,为时刻的输出电流,表示负载电流瞬间切换时的动态电压输出,为燃料电池的欧姆内阻,为双电层等效电容两端的电压,当动态等效电路模型中warburg组件等效为1阶rc电路时,动态极化附加电压满足如下微分方程:

41、

42、其中,为动态极化电阻,为双电层等效电容,为时刻的输出电流;动态极化电阻满足如下公式:

43、

44、其中,为电荷传递电阻,用于表征电化学反应动力学特征;为浓差传质电阻,用于表征反应气体扩散受限特征;为对应阶次的等效电容;为动态响应时间;

45、将模型参数构建为随时间变化的时变参数向量:

46、

47、其中,、、分别表征燃料电池活化损失、欧姆损失和浓差损失特性的时变参数;表征欧姆内阻随衰减过程的变化;和用于反映燃料电池动态响应特性的退化演变;

48、基于上述时变参数,将燃料电池动态工况下的输出特性统一表示为:

49、

50、其中,f(·)为由电化学半经验半机理模型与动态等效电路模型共同构成的非线性映射关系,表示在时刻t对应的参考工作条件下的基准电压输出,为燃料电池给定的参考电流。

51、作为本发明所述的一种融合策略的燃料电池动态衰减特性预测方法的一种优选方案,其中,所述s4中,通过构建模型输出与实测输出之间的误差目标函数,对时变参数进行优化求解,参数辨识目标函数表示为:

52、

53、其中,为参数辨识目标函数;为第k个采样点的实测输出电压;为模型预测输出电压;n为参与辨识的采样点总数;

54、在给定参考电流条件下,定义燃料电池基准电压衰减轨迹如公式如下:

55、

56、其中,表示在时刻t对应的参考工作条件下的基准电压输出。

57、作为本发明所述的一种融合策略的燃料电池动态衰减特性预测方法的一种优选方案,其中,所述s5的具体方法为:将长度为l的历史衰减特征序列作为模型输入:

58、

59、其中,表示从t-l+1时刻到t时刻的历史衰减特征窗口,为t-l+1时刻的燃料电池衰减特征序列,为t-l+2时刻的燃料电池衰减特征序列;为t时刻的燃料电池衰减特征序列;

60、模型的输出为:

61、

62、其中,表示未来第t+1个时刻的预测衰减表征量,表示未来第t+2个时刻的预测衰减表征量,表示未来第t+h个时刻的预测衰减表征量,表示从未来t+1时刻到t+h时刻的预测衰减表征量的集合;

63、

64、其中,表示改进的informer预测模型,所述改进的informer模型对于时间序列,元素通过如下公式进行扩张因果卷积操作:

65、

66、其中,表示采用卷积核f对时间序列元素进行扩张因果卷积运算后得到的卷积结果,表示卷积核f中的第i个卷积权重,i表示卷积核元素的索引,k表示卷积核的长度,d表示扩张系数,s是时间索引;

67、为了对该预测模型进行训练,采用均方差误差作为损失函数:

68、

69、其中,为真实衰减表征量;表示未来第t+1个时刻的预测衰减表征量。

70、作为本发明所述的一种融合策略的燃料电池动态衰减特性预测方法的一种优选方案,其中,所述s6中,新增衰减特征数据加入样本窗口后的更新过程表示为:

71、

72、其中,为第m次滚动更新时的特征序列;为新增的衰减特征数据;为更新后的特征序列;

73、在获得更新后的特征序列后,对预测模型权重参数进行更新:

74、

75、其中,为第m次更新时的模型权重参数;为更新后的模型权重参数;update(·)表示模型更新函数;

76、利用更新后的模型继续进行未来衰减趋势预测:

77、。

78、作为本发明所述的一种融合策略的燃料电池动态衰减特性预测方法的一种优选方案,其中,所述s7的具体方法为,燃料电池健康状态soh定义为:

79、

80、其中,为燃料电池初始基准电压;为寿命终止阈值电压;为在时刻t对应的参考工作条件下的基准电压输出;为燃料电池t时刻的健康状态;

81、燃料电池剩余寿命rul表示为:

82、

83、其中,为预测基准电压首次下降至寿命终止阈值所对应的时刻。

84、与现有技术相比,本发明具有的有益效果是:(1)提高了燃料电池在动态运行工况下衰减特性预测的准确性。本发明通过融合燃料电池电化学半经验半机理模型、动态等效电路模型以及长期时序预测模型,能够同时表征燃料电池稳态输出特性、动态响应特性及长期退化演化规律,从而更加全面地反映燃料电池在复杂动态工况下的真实衰减行为,提高动态衰减特性的表征精度和预测精度。

85、(2)兼顾了机理可解释性与长期趋势预测能力。本发明先利用机理模型和动态模型提取燃料电池衰减特征,再结合长期时序预测模型对未来衰减趋势进行预测,既保留了燃料电池退化过程的物理意义和参数可解释性,又提高了对长期衰减趋势的预测能力,克服了单一机理模型预测精度不足以及单一数据驱动方法可解释性差的问题。

86、(3)提高了方法对复杂工况变化的适应性和工程应用价值。本发明通过构建时变参数辨识机制和滚动寿命预测架构,能够根据新增运行数据对预测模型进行动态更新,降低长期预测中的误差累积,实现燃料电池健康状态和剩余寿命的有效评估,从而为燃料电池系统的健康管理、寿命预测及运行控制优化提供技术支撑。