用于对至少一个燃料电池装置的运行监控的方法以及燃料电池装置
背景技术：
1.已经提出了一种用于对至少一个燃料电池装置的运行监控的方法，其中在至少一个方法步骤中基于机器学习过程来确定燃料利用率，用于调节该燃料利用率。
技术实现要素：
2.本发明涉及一种用于对至少一个燃料电池装置的运行监控的方法，其中在至少一个方法步骤中基于机器学习过程来确定燃料利用率，用于调节该燃料利用率。
3.提出：在至少一个方法步骤中，针对该机器学习过程使用卷积神经网络。
4.附加地或替代地，该燃料电池装置尤其可以是电解槽装置。“燃料电池装置和/或电解槽装置”应该优选地被理解成燃料电池、尤其是固体氧化物燃料电池、尤其是平面固体氧化物燃料电池和/或电解槽、尤其是高温电解槽的至少一部分、尤其是子组件，尤其是用于静止或移动应用。燃料电池装置和/或电解槽装置尤其也可以包括：整个燃料电池、尤其是整个固体氧化物燃料电池；整个电解槽、尤其是整个高温电解槽；由燃料电池和/或电解槽构成的堆和/或由燃料电池和/或电解槽构成的多个堆的复合体。优选地，燃料电池装置和/或电解槽装置被设置为：在燃烧过程、尤其是电化学燃料过程中在供应氧化剂的情况下对燃料进行转化以获得电能。替代地或附加地，燃料电池装置和/或电解槽装置被设置为：在分离过程中在供应电能的情况下将流体分解成至少两个组分。“设置”尤其应该被理解成专门设立、专门设计和/或专门配备。“对象被设置用于特定功能”尤其是应该被理解成：该对象在至少一个应用和/或运行状态下满足和/或实施该特定功能。
[0005]“卷积神经网络”应该被理解成convolutional neural network。
[0006]
优选地，在至少一个方法步骤中、尤其是在至少一个学习步骤中，针对该机器学习过程使用卷积神经网络。优选地，在至少一个方法步骤中、尤其是在至少一个查询步骤中，向卷积神经网络传送至少一个输入参数、尤其是至少一个输入向量，优选地用于处理该至少一个输入参数、尤其是该至少一个输入向量。优选地，在该至少一个查询步骤之前，执行至少一个方法步骤、优选地学习步骤、尤其是该至少一个学习步骤。优选地，周期性重复至少一个方法步骤、优选地至少是该至少一个查询步骤、尤其是该至少一个学习步骤。优选地，在至少一个方法步骤中、尤其是在至少一个学习步骤中，卷积神经网络学习在至少一个能斯特（nernst）电压与燃料电池、尤其是堆的燃料利用率、优选地在一个时间点的燃料利用率之间的关系。
[0007]
优选地，在至少一个方法步骤中、尤其是在至少一个查询步骤中，向卷积神经网络传送至少一个输入向量，该输入向量至少包括如下条目：电流强度；电压；风扇转速；体积流量；体积流速；和/或燃料电池装置、优选地燃料电池、尤其是堆在至少一个时间点、优选地在可测量相对应的值的每个时间点的不同温度。
[0008]
优选地，在至少一个方法步骤中、尤其是在至少一个查询步骤中，由卷积神经网络来输出至少一个输出向量，该输出向量包括如下条目：至少一个燃料利用率、尤其是多个燃
料利用率，优选地作为在燃料电池中、优选地在燃料电池堆中的燃料气体的浓度梯度的多个燃料利用率；和/或至少一个能斯特电压、尤其是多个能斯特电压，优选地在可测量相对应的值的每个时间点的至少一个能斯特电压、尤其是多个能斯特电压。优选地，在至少一个方法步骤中、尤其是在至少一个查询步骤中，基于机器学习过程来确定至少一个能斯特电压。
[0009]
通过用于对至少一个燃料电池装置的运行监控的方法的按照本发明的设计方案，可以实现对燃料电池装置的有利地精确的并且同时成本低廉的运行监控。
[0010]
还提出：在至少一个方法步骤中，通过卷积神经网络来实时地确定该燃料利用率。优选地，在至少一个查询步骤中、尤其是在该至少一个查询步骤中，通过卷积神经网络来实时地确定燃料利用率、尤其是燃耗率（fuelutilization）。
[0011]
优选地，在至少一个查询步骤、尤其是该至少一个查询步骤中，确定、尤其是实时地确定燃料利用率，尤其是至少一个燃料电池、优选地至少一个燃料电池堆的燃料利用率。优选地，在至少一个方法步骤中、优选地在至少一个查询步骤中、尤其是在该至少一个查询步骤中，通过卷积神经网络在该卷积神经网络的至少一个学习步骤之后、尤其是在该至少一个学习步骤之后实时地确定该至少一个燃料利用率。在该上下文中，“实时”尤其应该被理解成：为最大200 ms、优选地为最大100 ms、特别优选地为最大50 ms并且极其特别优选地为最大10 ms的最大延迟。优选地，在至少一个方法步骤中，通过卷积神经网络来至少部分地在线地、优选地实时地确定该至少一个燃料利用率。优选地，在至少一个方法步骤中、尤其是在至少一个查询步骤中，由卷积神经网络来实时地输出至少一个输出向量。优选地，在至少一个方法步骤中、尤其是在至少一个查询步骤中，由卷积神经网络来输出至少一个输出向量，该输出向量尤其包括如下至少一个条目：燃料利用率，优选地在该至少一个输入向量的每个时间点的燃料利用率。可以实现对运行方法的有利地能实时执行的控制和/或调节。可以实现有利地能实时控制和/或调节的燃料电池装置。
[0012]
还提出：在至少一个方法步骤中，根据能斯特电压来确定该燃料利用率。优选地，在至少一个方法步骤中、尤其是在至少一个查询步骤中，向卷积神经网络传送至少一个输入向量，该输入向量包括如下至少一个条目：燃料电池装置、优选地燃料电池、尤其是堆在至少一个时间点、优选地在可测量相对应的值的每个时间点的至少一个能斯特电压。优选地，在至少一个方法步骤中、尤其是在至少一个查询步骤中，由卷积神经网络来输出至少一个输出向量，该输出向量包括如下条目：燃料利用率，优选地在可测量相对应的值的每个时间点的燃料利用率，该燃料利用率是通过卷积神经网络根据该至少一个能斯特电压来被确定的。优选地，在至少一个方法步骤中、尤其是在至少一个查询步骤中，基于机器学习过程根据至少一个能斯特电压来确定至少一个燃料利用率。优选地，在至少一个方法步骤中，根据至少一个燃料电池的电压和该燃料电池的温度来确定、优选地计算该燃料电池的能斯特电压。可以实现对燃料利用率的有利地快速的估计。
[0013]
还提出：根据至少一个电池电压并且根据至少一个过电位来确定能斯特电压。优选地，在至少一个方法步骤、尤其是至少一个学习步骤中，根据至少一个电池电压并且根据至少一个过电位来确定能斯特电压。可以实现对燃料利用率的有利地快速的并且成本低廉的估计。
[0014]
还提出：在至少一个方法步骤中，根据热损失来确定至少一个过电位。优选地，在
至少一个方法步骤、尤其是至少一个学习步骤中，根据热损失、优选地在燃料电池装置中、尤其是在燃料电池处和/或在堆处的热损失来确定至少一个过电位。可以实现有利地低的计算花费。
[0015]
还提出：在至少一个方法步骤中，基于该燃料利用率来调节阳极气体再循环、供应给系统的燃料气体流、供应给该系统的堆电流和/或供应给该系统的堆电压。优选地，在至少一个方法步骤、尤其是至少一个调节步骤中，基于该燃料利用率来调节阳极气体再循环、供应给该系统的燃料气体流、供应给该系统的堆电流和/或供应给该系统的堆电压。可以确保在燃料电池装置的运行时长内的有利的燃料利用率。尤其是，燃料电池装置可以有利地接近效率最优地来被运行。
[0016]
还提出：在机器学习过程中，卷积神经网络省去池化（pooling）。优选地，在机器学习过程中，卷积神经网络避免池化层。优选地，由卷积神经网络来输出具有与输入向量相同的时间维度的输出向量。可以实现有利地精确的机器学习。学习步骤的时间和/或成本花费尤其可以有利地与查询步骤分开。
[0017]
还提出：在机器学习过程中，由卷积神经网络来执行因果卷积。优选地，在机器学习过程中，由卷积神经网络在该神经网络的每个层之间执行卷积、优选地因果卷积。优选地，卷积神经网络在机器学习过程中根据该至少一个输入向量针对每个因果卷积、优选地针对该神经网络的每个层来确定至少一个中间向量，该中间向量尤其是与将来的中间向量无关并且尤其是与输出向量无关。优选地，在机器学习过程中，卷积神经网络省去对中间向量或者该至少一个输出向量的反馈。可以有利地遵守机器学习的模型顺序。
[0018]
还提出：在机器学习过程中，由卷积神经网络来执行被扩展的因果卷积。优选地，尤其是在卷积神经网络的机器学习中，因果卷积针对每个因果卷积、优选地针对该神经网络的每个层来被扩展，优选地被扩展两倍，尤其是相对于上一次执行的因果卷积而言。优选地，在机器学习过程中，由卷积神经网络来执行至少一个被扩展的因果卷积，以扩展感受野。替代地，因果卷积可以呈指数增加。可以有利地增大神经网络的感受野，其中尤其是卷积神经网络的计算花费和/或通过卷积神经网络可实现的精度至少基本上保持相同。
[0019]
还提出：在至少一个方法步骤中，借助于物理模型、尤其是数学物理模型来学习该机器学习过程。优选地，在至少一个学习步骤中、尤其是在该至少一个学习步骤中，借助于物理、尤其是数学物理模型、优选地燃料电池装置的物理、尤其是数学物理模型来学习该机器学习过程。尤其是，该物理模型、尤其是数学物理模型能使用方程来描述。可以实现用于机器学习的有利地接近现实的验证标准。
[0020]
还提出：在至少一个方法步骤中，借助于测量数据来验证该物理模型、尤其是数学物理模型。优选地，在至少一个验证步骤中、尤其是在该至少一个验证步骤和/或该至少一个学习步骤中，借助于测量数据来验证该物理模型、尤其是数学物理模型。优选地，周期性重复该至少一个验证步骤。可以实现对机器学习过程的有利地快速的学习。尤其是，卷积神经网络可以通过有利地少量的层、尤其是通过有利地少量的卷积来实现至少一个输出向量，该输出向量有利地正好根据输入向量的条目来确定、优选地估计至少一种燃料气体分子浓度。
[0021]
还提出：通过至少一个超参数来验证该机器学习过程。优选地，在机器学习过程中、尤其是在该至少一个验证步骤中，使用条件概率分布，尤其是用于最大似然估计。优选
地，在机器学习过程中、尤其是在该至少一个验证步骤中，通过该至少一个超参数来识别过拟合或欠拟合。优选地，在机器学习过程中、尤其是在该至少一个验证步骤中，输出至少一个softmax函数。可以实现有利地错误被消除的机器学习过程。可以有利地及早识别出错误的、尤其是不想要的学习模式。
[0022]
还提出一种燃料电池装置，该燃料电池装置具有计算单元，用于执行按照本发明的方法。
[0023]“计算单元”尤其应该被理解成如下单元，该单元可以由评估单元和/或控制单元形成，其中该计算单元不仅可以由处理器单独形成而且尤其可以由处理器和其它电子构件、诸如存储装置所形成。优选地，该计算单元至少被设计成计算机、服务器、云存储器和/或移动设备、诸如智能电话或平板电脑的一部分，尤其是子组件。该计算单元可以至少被设计成多个设备的一部分。该计算单元可以被设计成至少一个完整的设备、诸如计算机。优选地，该计算单元在空间上与卷积神经网络间隔开地布置。替代地，卷积神经网络可以被设计成该计算单元的一部分。优选地，卷积神经网络经由因特网与该计算单元连接，尤其是用于数据传输。替代地，卷积神经网络可以在本地与该计算单元连接，尤其是用于数据传输，例如经由以太网网络线缆或者光纤网络线缆来与该计算单元连接。
[0024]
优选地，该燃料电池装置包括至少一个重整器单元。在该上下文中，“重整器单元”尤其应该被理解成化学技术单元，用于对至少一种含烃燃料气体、尤其是天然气的至少一种处理，尤其是通过蒸汽重整、通过部分氧化、通过自热重整和/或通过蒸汽重整与co2干重整的组合，尤其是用于处理至少一种燃料气体、尤其是氢气，和/或用于分解更高链的烯烃。优选地，燃料气体至少具有一定份额的ch4、co、co2、h2、h2o和/或n2，优选地至少在重整之后，尤其是在流体技术上。优选地，该重整器单元被设置为：将优选地具有长链烃的燃料气体转换成富氢气体、尤其是气体混合物。
[0025]
优选地，该燃料电池装置包括至少一个逆变器。在该上下文中，“逆变器”尤其应该被理解成电子单元，该电子单元为了将由燃料电池单元所产生的电功率馈入到电网中而被设置为：将由燃料电池单元所提供的直流电压转换成交流电压。在该上下文中，“电网”尤其应该被理解成交流电网，例如能源供应企业的交流电网和/或家庭电网。
[0026]
优选地，该燃料电池装置包括至少一个燃料电池，尤其是至少一个固体氧化物燃料电池。优选地，该至少一个燃料电池装置包括多个燃料电池、优选地固体氧化物燃料电池，这些燃料电池尤其布置在燃料电池堆中。
[0027]
优选地，该至少一个燃料电池、尤其是该燃料电池堆与空气供应管线连接。通风单元可以集成到空气供应管线中，尤其是用于生成所限定的空气流。该燃料电池装置可包括至少一个空气罐。该至少一个燃料电池、尤其是该燃料电池堆可以经由空气供应管线与空气罐和/或环境空气连接。优选地，该至少一个燃料电池、尤其是该燃料电池堆与燃料气体管线连接。优选地，该燃料气体管线给该至少一个燃料电池、尤其是该燃料电池堆供应燃料气体、尤其是来自至少一个燃料气体储存器中的燃料气体。该燃料电池装置可包括该至少一个燃料气体储存器。优选地，该重整器单元集成到该燃料气体管线中。优选地，该至少一个燃料电池、尤其是该燃料电池堆与至少一条排气管线、优选地至少两条排气管线连接，尤其是用于排放燃料气体和/或空气。优选地，在该燃料电池处、尤其是在该堆处进行对燃料气体的电化学转换。优选地，该至少一个燃料电池、尤其是该燃料电池堆经由排气管线并且
经由再循环管线来与该燃料气体管线连接，尤其是在流体技术上在该重整器单元的上游，尤其是用于对燃料气体进行再循环。燃烧器单元可以集成到该排气管线中，尤其是用于对燃料残留物的燃烧。
[0028]
优选地，该逆变器与该至少一个燃料电池、优选地该燃料电池堆电连接。优选地，该逆变器与电接口连接，尤其是用于提供电功率。
[0029]
优选地，该计算单元与卷积神经网络连接，尤其是经由因特网。可以实现卷积神经网络的有利地精确的学习，而且尤其可以基于此来实现该燃料电池装置、优选地燃料电池系统的有利地能快速地和/或精确地控制和/或调节的运行。
[0030]
在这种情况下，按照本发明的方法/按照本发明的燃料电池装置不应限于上述应用和实施方式。尤其是，按照本发明的方法和/或按照本发明的燃料电池装置为了满足本文中所描述的工作原理而可以具有与各个元件、构件和单元以及方法步骤的本文中所提到的数目不同的数目。此外，在本公开内容中说明的值范围的情况下，在所提到的界限之内的值也应该被视为公开并且能任意使用。
附图说明
[0031]
其它优点从下面的附图描述中得到。在附图中示出了本发明的一个实施例。附图、说明书和权利要求书包括大量组合的特征。适宜地，本领域技术人员也将单独地考虑这些特征并且将这些特征组合成合理的其它组合。
[0032]
其中：图1以示意图示出了按照本发明的燃料电池装置；以及图2以示意图示出了按照本发明的方法。
具体实施方式
[0033]
图1示出了燃料电池系统50的示意图。该燃料电池系统50包括燃料电池装置10。燃料电池装置10a具有燃料电池16、优选地燃料电池堆18，该燃料电池尤其被设置用于产生电能。燃料电池堆18通常包括多个燃料电池16。然而，在下文以简化方式探讨燃料电池16，其中尤其是功能原理能类似地被扩展到相对应的燃料电池堆18。燃料电池16尤其是固体氧化物燃料电池。
[0034]
该燃料电池系统50、尤其是该燃料电池装置10被设置为：利用燃料气体、例如天然气来运行。
[0035]
该燃料电池系统50包括计算单元12。计算单元12被设计成计算机单元，例如在控制台上的计算机单元，用于控制和/或调节该燃料电池装置。计算单元12被设计成多个终端设备的一部分。计算单元12尤其是部分地被设计成智能电话的一部分，用于对燃料电池装置10的运行的移动监控。
[0036]
该燃料电池系统50可具有卷积神经网络14，尤其是用于执行机器学习过程44（参见图2）。卷积神经网络14利用示意性的云符号来示出。优选地，计算单元12在空间上与卷积神经网络14间隔开地布置。替代地，卷积神经网络14可以被设计成计算单元12的一部分。
[0037]
卷积神经网络14经由因特网与计算单元12连接，尤其是用于数据传输。替代地，卷积神经网络14可以在本地与计算单元12连接，尤其是用于数据传输，例如经由以太网网络
线缆或者光纤网络线缆来与该计算单元连接。
[0038]
燃料电池16与空气供应管线22连接。通风单元24、尤其是压缩机单元可以集成到空气供应管线22中，尤其是用于生成所限定的空气流、优选地到燃料电池16的所限定的空气流。在进入燃料电池16之前，该空气流可以借助于热交换器来被加热。
[0039]
该燃料电池系统50、尤其是该燃料电池装置10可以包括空气罐26。燃料电池16可以经由空气供应管线22与空气罐26和/或环境空气连接。
[0040]
燃料电池16与燃料气体管线28连接。燃料气体管线28给燃料电池16、尤其是燃料电池堆18供应燃料气体，尤其是来自至少一个燃料气体储存器30中和/或经由与天然气管线的连接。该燃料电池系统50、尤其是该燃料电池装置10可以包括燃料气体储存器30。另一通风单元32、尤其是另一压缩机单元可以集成到燃料气体管线28中，尤其是用于生成所限定的空气流、优选地到燃料电池16的所限定的空气流。
[0041]
该燃料电池装置10包括重整器单元34，尤其是用于对燃料气体的重整。重整器单元34集成到燃料气体管线28中。
[0042]
该燃料电池装置10可以具有脱硫单元、尤其是在流体技术上位于燃料电池16和/或重整器单元34的上游的脱硫单元。该脱硫单元被设置为对燃料进行至少部分地脱硫。
[0043]
燃料电池16与两条排气管线36、38连接，尤其是用于排放燃料气体和/或空气，尤其是将燃料气体和/或空气排放到燃烧器单元40、尤其是补燃器单元。
[0044]
燃烧器单元40在流体技术上位于燃料电池16的下游。燃烧器单元40可以分别部分地集成到排气管线36、38中，尤其是用于对燃料残留物、尤其是未被转化的氢气的燃烧。燃烧器单元40的废气被从该燃料电池系统50中排出。
[0045]
燃料电池16经由排气管线38并且经由再循环管线42来与燃料气体管线28连接，尤其是用于对燃料气体的再循环，尤其是在流体技术上再循环到重整器单元34的上游。
[0046]
再循环管线42尤其被设置为：至少部分地送回燃料电池16的废气、尤其是阳极废气，用于与燃料气体混合。在再循环管线42内可以布置有通风单元24、尤其是压缩机单元。
[0047]
空气和燃料气体分别至少部分地流过燃料电池16。燃料电池16具有阳极和阴极。
[0048]
在燃料电池16的运行期间，向阳极供应燃料气体。在燃料电池16的运行期间，向阴极供应空气、尤其是空气中的氧气。
[0049]
该燃料电池装置10包括逆变器20，尤其是用于将由燃料电池16所产生的电功率馈入到电网48中并且尤其是用于对燃料电池16的所产生的电能的变换。逆变器20与燃料电池16、优选地燃料电池堆18电连接。优选地，逆变器20与电网48的电接口连接，尤其是用于提供所产生的电功率。
[0050]
计算单元12尤其被设置用于执行在图2中所示出的方法。
[0051]
图2示意性示出了用于燃料电池装置10的运行监控的方法。
[0052]
在至少一个方法步骤、尤其是学习步骤52中，针对机器学习过程44使用卷积神经网络14。在至少一个方法步骤、尤其是该学习步骤52中，优选地在机器学习过程44中，由卷积神经网络14来执行至少一个因果卷积。在至少一个方法步骤、尤其是该学习步骤52中，优选地在机器学习过程44中，借助于物理模型来学习该机器学习过程44。在至少一个方法步骤、尤其是该学习步骤52中，优选地在机器学习过程44中，借助于数学物理模型来学习该机器学习过程44。在至少一个方法步骤、尤其是该学习步骤52中，优选地在机器学习过程44
中，卷积神经网络14省去池化。
[0053]
在至少一个方法步骤、尤其是验证步骤54中，优选地在机器学习过程44中，借助于测量数据、优选地来自燃料电池装置10的测量数据、尤其是所测量的过电位、堆温度、燃料电池温度、燃料电池16的电流强度、燃料气体中的诸如ch4、co、co2、h2、h2o 和/或n2等气体的流量和/或浓度，验证该物理模型、优选地该数学物理模型。在至少一个方法步骤、尤其是该验证步骤54中，尤其是在机器学习过程44中，通过至少一个超参数来验证该机器学习过程44。
[0054]
机器学习过程44尤其是由该至少一个学习步骤52和该至少一个验证步骤54形成。
[0055]
在至少一个方法步骤、尤其是该至少一个学习步骤52中，根据热损失、优选地在燃料电池装置10中、尤其是在燃料电池16处和/或在堆处的热损失来确定至少一个过电位。在至少一个方法步骤、尤其是至少一个学习步骤52中，根据至少一个电池电压并且根据至少一个过电位来确定能斯特电压。在至少一个方法步骤中，可以根据至少一个燃料电池16的电压和该燃料电池16的温度来确定、优选地计算该燃料电池16的能斯特电压。
[0056]
在至少一个方法步骤、尤其是该验证步骤54和/或该学习步骤52中，尤其是在机器学习过程44中，给卷积神经网络14供应燃料电池装置10的运行的不同时间点的输入向量。
[0057]
在至少一个方法步骤、尤其是该验证步骤54和/或该学习步骤52中，尤其是在机器学习过程44中，卷积神经网络14学习输出基于至少一个输入向量的输出向量。输出向量包含如下至少一个条目：燃料电池16和/或堆的燃料利用率。输入向量包含如下至少一个条目：燃料电池16和/或堆的能斯特电压。
[0058]
在至少一个方法步骤中、尤其是在至少一个查询步骤56中，向卷积神经网络14传送至少一个输入向量，该输入向量包括如下条目：燃料电池装置10、优选地燃料电池16、尤其是堆的至少一个能斯特电压。
[0059]
在至少一个方法步骤中、尤其是在至少一个查询步骤56中，由卷积神经网络14来输出至少一个输出向量，该输出向量包括如下条目：燃料利用率，优选地在可测量相对应的值的每个时间点的燃料利用率，该燃料利用率是通过卷积神经网络14根据该至少一个能斯特电压来被确定的。
[0060]
在至少一个方法步骤、尤其是查询步骤56中，将输入向量传送给卷积神经网络14，尤其是用于处理该输入向量的至少一个输入参数以输出输出向量。输入参数尤其是该输入向量的条目。周期性重复至少一个查询步骤56，用于至少一个燃料电池装置10的运行监控。
[0061]
在至少一个方法步骤、尤其是该查询步骤56中，基于机器学习过程44来确定至少一个燃料利用率、优选地燃料电池装置10的燃料利用率。
[0062]
在至少一个方法步骤中、尤其是在至少一个查询步骤56中，基于机器学习过程44根据至少一个能斯特电压来确定至少一个燃料利用率。
[0063]
在至少一个学习步骤52之后和/或在至少一个验证步骤54之后，执行该至少一个查询步骤56。该至少一个查询步骤56可以由机器学习过程44来处理，以改进该机器学习过程44。
[0064]
在至少一个方法步骤、尤其是该查询步骤56中，通过卷积神经网络14来实时地确定、优选地输出该至少一个燃料利用率、优选地输出向量。
[0065]
在至少一个方法步骤、尤其是调节步骤58中，使用、优选地实时地使用该燃料利用
率用于运行监控，优选地用于控制和/或调节燃料电池装置10、尤其是燃料电池系统50。
[0066]
优选地，在该至少一个查询步骤56之后执行至少一个调节步骤58。
[0067]
优选地，在机器学习过程44之后、尤其是在该学习步骤52之后和/或在该验证步骤54之后，执行该至少一个查询步骤56和/或该至少一个调节步骤58。
[0068]
周期性重复该至少一个调节步骤58，用于该燃料电池装置10的运行监控。至少一个查询步骤56与至少一个调节步骤58耦合地被执行并且尤其是被周期性重复，用于该燃料电池装置10的运行监控。
[0069]
在至少一个方法步骤、尤其是该调节步骤58中，根据输出向量来确定燃料利用率。在至少一个方法步骤、尤其是该调节步骤58中，根据输出向量来确定在燃料电池16中的测量点60处的燃料利用率。
[0070]
在至少一个方法步骤、尤其是该调节步骤58中，可以替代地根据输出向量来使燃料利用率与氧碳比有关，尤其是在流体技术上在重整器单元34上游的测量点46处或者在重整器单元34下游的测量点47处被确定。测量点46和/或测量点47在流体技术上布置在燃料电池16的上游。
[0071]
在至少一个方法步骤、尤其是至少一个调节步骤58中，基于该燃料利用率、尤其是在线地确定的燃料利用率来调节阳极气体再循环、供应给系统的燃料气体流、供应给该系统的堆电流和/或供应给该系统的堆电压。
[0072]
在一个方法步骤中，可以借助于物理定律、例如借助于欧姆定律和/或借助于巴特勒-福尔默（butler-vollmer）方程来确定过电位，尤其是根据燃料电池、尤其是堆的电流、优选地由该燃料电池或者由该堆所产生的电流。在一个方法步骤中，可以借助于质量和/或能量守恒来确定过电位。在一个方法步骤中，可以借助于能斯特方程来确定能斯特电压。在一个方法步骤中，可以借助于燃料电池、优选地堆的能斯特电压和温度来确定燃料利用率。在一个方法步骤中，可以借助于能斯特电压和过电位、尤其是借助于从该能斯特电压中减去该过电位来确定燃料电池的电压，尤其是用于特定工作点。过电位可以依据物理定律根据堆电流、尤其是由堆所产生的电流来被确定。
背景技术：
1.已经提出了一种用于对至少一个燃料电池装置的运行监控的方法，其中在至少一个方法步骤中基于机器学习过程来确定燃料利用率，用于调节该燃料利用率。
技术实现要素：
2.本发明涉及一种用于对至少一个燃料电池装置的运行监控的方法，其中在至少一个方法步骤中基于机器学习过程来确定燃料利用率，用于调节该燃料利用率。
3.提出：在至少一个方法步骤中，针对该机器学习过程使用卷积神经网络。
4.附加地或替代地，该燃料电池装置尤其可以是电解槽装置。“燃料电池装置和/或电解槽装置”应该优选地被理解成燃料电池、尤其是固体氧化物燃料电池、尤其是平面固体氧化物燃料电池和/或电解槽、尤其是高温电解槽的至少一部分、尤其是子组件，尤其是用于静止或移动应用。燃料电池装置和/或电解槽装置尤其也可以包括：整个燃料电池、尤其是整个固体氧化物燃料电池；整个电解槽、尤其是整个高温电解槽；由燃料电池和/或电解槽构成的堆和/或由燃料电池和/或电解槽构成的多个堆的复合体。优选地，燃料电池装置和/或电解槽装置被设置为：在燃烧过程、尤其是电化学燃料过程中在供应氧化剂的情况下对燃料进行转化以获得电能。替代地或附加地，燃料电池装置和/或电解槽装置被设置为：在分离过程中在供应电能的情况下将流体分解成至少两个组分。“设置”尤其应该被理解成专门设立、专门设计和/或专门配备。“对象被设置用于特定功能”尤其是应该被理解成：该对象在至少一个应用和/或运行状态下满足和/或实施该特定功能。
[0005]“卷积神经网络”应该被理解成convolutional neural network。
[0006]
优选地，在至少一个方法步骤中、尤其是在至少一个学习步骤中，针对该机器学习过程使用卷积神经网络。优选地，在至少一个方法步骤中、尤其是在至少一个查询步骤中，向卷积神经网络传送至少一个输入参数、尤其是至少一个输入向量，优选地用于处理该至少一个输入参数、尤其是该至少一个输入向量。优选地，在该至少一个查询步骤之前，执行至少一个方法步骤、优选地学习步骤、尤其是该至少一个学习步骤。优选地，周期性重复至少一个方法步骤、优选地至少是该至少一个查询步骤、尤其是该至少一个学习步骤。优选地，在至少一个方法步骤中、尤其是在至少一个学习步骤中，卷积神经网络学习在至少一个能斯特（nernst）电压与燃料电池、尤其是堆的燃料利用率、优选地在一个时间点的燃料利用率之间的关系。
[0007]
优选地，在至少一个方法步骤中、尤其是在至少一个查询步骤中，向卷积神经网络传送至少一个输入向量，该输入向量至少包括如下条目：电流强度；电压；风扇转速；体积流量；体积流速；和/或燃料电池装置、优选地燃料电池、尤其是堆在至少一个时间点、优选地在可测量相对应的值的每个时间点的不同温度。
[0008]
优选地，在至少一个方法步骤中、尤其是在至少一个查询步骤中，由卷积神经网络来输出至少一个输出向量，该输出向量包括如下条目：至少一个燃料利用率、尤其是多个燃
料利用率，优选地作为在燃料电池中、优选地在燃料电池堆中的燃料气体的浓度梯度的多个燃料利用率；和/或至少一个能斯特电压、尤其是多个能斯特电压，优选地在可测量相对应的值的每个时间点的至少一个能斯特电压、尤其是多个能斯特电压。优选地，在至少一个方法步骤中、尤其是在至少一个查询步骤中，基于机器学习过程来确定至少一个能斯特电压。
[0009]
通过用于对至少一个燃料电池装置的运行监控的方法的按照本发明的设计方案，可以实现对燃料电池装置的有利地精确的并且同时成本低廉的运行监控。
[0010]
还提出：在至少一个方法步骤中，通过卷积神经网络来实时地确定该燃料利用率。优选地，在至少一个查询步骤中、尤其是在该至少一个查询步骤中，通过卷积神经网络来实时地确定燃料利用率、尤其是燃耗率（fuelutilization）。
[0011]
优选地，在至少一个查询步骤、尤其是该至少一个查询步骤中，确定、尤其是实时地确定燃料利用率，尤其是至少一个燃料电池、优选地至少一个燃料电池堆的燃料利用率。优选地，在至少一个方法步骤中、优选地在至少一个查询步骤中、尤其是在该至少一个查询步骤中，通过卷积神经网络在该卷积神经网络的至少一个学习步骤之后、尤其是在该至少一个学习步骤之后实时地确定该至少一个燃料利用率。在该上下文中，“实时”尤其应该被理解成：为最大200 ms、优选地为最大100 ms、特别优选地为最大50 ms并且极其特别优选地为最大10 ms的最大延迟。优选地，在至少一个方法步骤中，通过卷积神经网络来至少部分地在线地、优选地实时地确定该至少一个燃料利用率。优选地，在至少一个方法步骤中、尤其是在至少一个查询步骤中，由卷积神经网络来实时地输出至少一个输出向量。优选地，在至少一个方法步骤中、尤其是在至少一个查询步骤中，由卷积神经网络来输出至少一个输出向量，该输出向量尤其包括如下至少一个条目：燃料利用率，优选地在该至少一个输入向量的每个时间点的燃料利用率。可以实现对运行方法的有利地能实时执行的控制和/或调节。可以实现有利地能实时控制和/或调节的燃料电池装置。
[0012]
还提出：在至少一个方法步骤中，根据能斯特电压来确定该燃料利用率。优选地，在至少一个方法步骤中、尤其是在至少一个查询步骤中，向卷积神经网络传送至少一个输入向量，该输入向量包括如下至少一个条目：燃料电池装置、优选地燃料电池、尤其是堆在至少一个时间点、优选地在可测量相对应的值的每个时间点的至少一个能斯特电压。优选地，在至少一个方法步骤中、尤其是在至少一个查询步骤中，由卷积神经网络来输出至少一个输出向量，该输出向量包括如下条目：燃料利用率，优选地在可测量相对应的值的每个时间点的燃料利用率，该燃料利用率是通过卷积神经网络根据该至少一个能斯特电压来被确定的。优选地，在至少一个方法步骤中、尤其是在至少一个查询步骤中，基于机器学习过程根据至少一个能斯特电压来确定至少一个燃料利用率。优选地，在至少一个方法步骤中，根据至少一个燃料电池的电压和该燃料电池的温度来确定、优选地计算该燃料电池的能斯特电压。可以实现对燃料利用率的有利地快速的估计。
[0013]
还提出：根据至少一个电池电压并且根据至少一个过电位来确定能斯特电压。优选地，在至少一个方法步骤、尤其是至少一个学习步骤中，根据至少一个电池电压并且根据至少一个过电位来确定能斯特电压。可以实现对燃料利用率的有利地快速的并且成本低廉的估计。
[0014]
还提出：在至少一个方法步骤中，根据热损失来确定至少一个过电位。优选地，在
至少一个方法步骤、尤其是至少一个学习步骤中，根据热损失、优选地在燃料电池装置中、尤其是在燃料电池处和/或在堆处的热损失来确定至少一个过电位。可以实现有利地低的计算花费。
[0015]
还提出：在至少一个方法步骤中，基于该燃料利用率来调节阳极气体再循环、供应给系统的燃料气体流、供应给该系统的堆电流和/或供应给该系统的堆电压。优选地，在至少一个方法步骤、尤其是至少一个调节步骤中，基于该燃料利用率来调节阳极气体再循环、供应给该系统的燃料气体流、供应给该系统的堆电流和/或供应给该系统的堆电压。可以确保在燃料电池装置的运行时长内的有利的燃料利用率。尤其是，燃料电池装置可以有利地接近效率最优地来被运行。
[0016]
还提出：在机器学习过程中，卷积神经网络省去池化（pooling）。优选地，在机器学习过程中，卷积神经网络避免池化层。优选地，由卷积神经网络来输出具有与输入向量相同的时间维度的输出向量。可以实现有利地精确的机器学习。学习步骤的时间和/或成本花费尤其可以有利地与查询步骤分开。
[0017]
还提出：在机器学习过程中，由卷积神经网络来执行因果卷积。优选地，在机器学习过程中，由卷积神经网络在该神经网络的每个层之间执行卷积、优选地因果卷积。优选地，卷积神经网络在机器学习过程中根据该至少一个输入向量针对每个因果卷积、优选地针对该神经网络的每个层来确定至少一个中间向量，该中间向量尤其是与将来的中间向量无关并且尤其是与输出向量无关。优选地，在机器学习过程中，卷积神经网络省去对中间向量或者该至少一个输出向量的反馈。可以有利地遵守机器学习的模型顺序。
[0018]
还提出：在机器学习过程中，由卷积神经网络来执行被扩展的因果卷积。优选地，尤其是在卷积神经网络的机器学习中，因果卷积针对每个因果卷积、优选地针对该神经网络的每个层来被扩展，优选地被扩展两倍，尤其是相对于上一次执行的因果卷积而言。优选地，在机器学习过程中，由卷积神经网络来执行至少一个被扩展的因果卷积，以扩展感受野。替代地，因果卷积可以呈指数增加。可以有利地增大神经网络的感受野，其中尤其是卷积神经网络的计算花费和/或通过卷积神经网络可实现的精度至少基本上保持相同。
[0019]
还提出：在至少一个方法步骤中，借助于物理模型、尤其是数学物理模型来学习该机器学习过程。优选地，在至少一个学习步骤中、尤其是在该至少一个学习步骤中，借助于物理、尤其是数学物理模型、优选地燃料电池装置的物理、尤其是数学物理模型来学习该机器学习过程。尤其是，该物理模型、尤其是数学物理模型能使用方程来描述。可以实现用于机器学习的有利地接近现实的验证标准。
[0020]
还提出：在至少一个方法步骤中，借助于测量数据来验证该物理模型、尤其是数学物理模型。优选地，在至少一个验证步骤中、尤其是在该至少一个验证步骤和/或该至少一个学习步骤中，借助于测量数据来验证该物理模型、尤其是数学物理模型。优选地，周期性重复该至少一个验证步骤。可以实现对机器学习过程的有利地快速的学习。尤其是，卷积神经网络可以通过有利地少量的层、尤其是通过有利地少量的卷积来实现至少一个输出向量，该输出向量有利地正好根据输入向量的条目来确定、优选地估计至少一种燃料气体分子浓度。
[0021]
还提出：通过至少一个超参数来验证该机器学习过程。优选地，在机器学习过程中、尤其是在该至少一个验证步骤中，使用条件概率分布，尤其是用于最大似然估计。优选
地，在机器学习过程中、尤其是在该至少一个验证步骤中，通过该至少一个超参数来识别过拟合或欠拟合。优选地，在机器学习过程中、尤其是在该至少一个验证步骤中，输出至少一个softmax函数。可以实现有利地错误被消除的机器学习过程。可以有利地及早识别出错误的、尤其是不想要的学习模式。
[0022]
还提出一种燃料电池装置，该燃料电池装置具有计算单元，用于执行按照本发明的方法。
[0023]“计算单元”尤其应该被理解成如下单元，该单元可以由评估单元和/或控制单元形成，其中该计算单元不仅可以由处理器单独形成而且尤其可以由处理器和其它电子构件、诸如存储装置所形成。优选地，该计算单元至少被设计成计算机、服务器、云存储器和/或移动设备、诸如智能电话或平板电脑的一部分，尤其是子组件。该计算单元可以至少被设计成多个设备的一部分。该计算单元可以被设计成至少一个完整的设备、诸如计算机。优选地，该计算单元在空间上与卷积神经网络间隔开地布置。替代地，卷积神经网络可以被设计成该计算单元的一部分。优选地，卷积神经网络经由因特网与该计算单元连接，尤其是用于数据传输。替代地，卷积神经网络可以在本地与该计算单元连接，尤其是用于数据传输，例如经由以太网网络线缆或者光纤网络线缆来与该计算单元连接。
[0024]
优选地，该燃料电池装置包括至少一个重整器单元。在该上下文中，“重整器单元”尤其应该被理解成化学技术单元，用于对至少一种含烃燃料气体、尤其是天然气的至少一种处理，尤其是通过蒸汽重整、通过部分氧化、通过自热重整和/或通过蒸汽重整与co2干重整的组合，尤其是用于处理至少一种燃料气体、尤其是氢气，和/或用于分解更高链的烯烃。优选地，燃料气体至少具有一定份额的ch4、co、co2、h2、h2o和/或n2，优选地至少在重整之后，尤其是在流体技术上。优选地，该重整器单元被设置为：将优选地具有长链烃的燃料气体转换成富氢气体、尤其是气体混合物。
[0025]
优选地，该燃料电池装置包括至少一个逆变器。在该上下文中，“逆变器”尤其应该被理解成电子单元，该电子单元为了将由燃料电池单元所产生的电功率馈入到电网中而被设置为：将由燃料电池单元所提供的直流电压转换成交流电压。在该上下文中，“电网”尤其应该被理解成交流电网，例如能源供应企业的交流电网和/或家庭电网。
[0026]
优选地，该燃料电池装置包括至少一个燃料电池，尤其是至少一个固体氧化物燃料电池。优选地，该至少一个燃料电池装置包括多个燃料电池、优选地固体氧化物燃料电池，这些燃料电池尤其布置在燃料电池堆中。
[0027]
优选地，该至少一个燃料电池、尤其是该燃料电池堆与空气供应管线连接。通风单元可以集成到空气供应管线中，尤其是用于生成所限定的空气流。该燃料电池装置可包括至少一个空气罐。该至少一个燃料电池、尤其是该燃料电池堆可以经由空气供应管线与空气罐和/或环境空气连接。优选地，该至少一个燃料电池、尤其是该燃料电池堆与燃料气体管线连接。优选地，该燃料气体管线给该至少一个燃料电池、尤其是该燃料电池堆供应燃料气体、尤其是来自至少一个燃料气体储存器中的燃料气体。该燃料电池装置可包括该至少一个燃料气体储存器。优选地，该重整器单元集成到该燃料气体管线中。优选地，该至少一个燃料电池、尤其是该燃料电池堆与至少一条排气管线、优选地至少两条排气管线连接，尤其是用于排放燃料气体和/或空气。优选地，在该燃料电池处、尤其是在该堆处进行对燃料气体的电化学转换。优选地，该至少一个燃料电池、尤其是该燃料电池堆经由排气管线并且
经由再循环管线来与该燃料气体管线连接，尤其是在流体技术上在该重整器单元的上游，尤其是用于对燃料气体进行再循环。燃烧器单元可以集成到该排气管线中，尤其是用于对燃料残留物的燃烧。
[0028]
优选地，该逆变器与该至少一个燃料电池、优选地该燃料电池堆电连接。优选地，该逆变器与电接口连接，尤其是用于提供电功率。
[0029]
优选地，该计算单元与卷积神经网络连接，尤其是经由因特网。可以实现卷积神经网络的有利地精确的学习，而且尤其可以基于此来实现该燃料电池装置、优选地燃料电池系统的有利地能快速地和/或精确地控制和/或调节的运行。
[0030]
在这种情况下，按照本发明的方法/按照本发明的燃料电池装置不应限于上述应用和实施方式。尤其是，按照本发明的方法和/或按照本发明的燃料电池装置为了满足本文中所描述的工作原理而可以具有与各个元件、构件和单元以及方法步骤的本文中所提到的数目不同的数目。此外，在本公开内容中说明的值范围的情况下，在所提到的界限之内的值也应该被视为公开并且能任意使用。
附图说明
[0031]
其它优点从下面的附图描述中得到。在附图中示出了本发明的一个实施例。附图、说明书和权利要求书包括大量组合的特征。适宜地，本领域技术人员也将单独地考虑这些特征并且将这些特征组合成合理的其它组合。
[0032]
其中：图1以示意图示出了按照本发明的燃料电池装置；以及图2以示意图示出了按照本发明的方法。
具体实施方式
[0033]
图1示出了燃料电池系统50的示意图。该燃料电池系统50包括燃料电池装置10。燃料电池装置10a具有燃料电池16、优选地燃料电池堆18，该燃料电池尤其被设置用于产生电能。燃料电池堆18通常包括多个燃料电池16。然而，在下文以简化方式探讨燃料电池16，其中尤其是功能原理能类似地被扩展到相对应的燃料电池堆18。燃料电池16尤其是固体氧化物燃料电池。
[0034]
该燃料电池系统50、尤其是该燃料电池装置10被设置为：利用燃料气体、例如天然气来运行。
[0035]
该燃料电池系统50包括计算单元12。计算单元12被设计成计算机单元，例如在控制台上的计算机单元，用于控制和/或调节该燃料电池装置。计算单元12被设计成多个终端设备的一部分。计算单元12尤其是部分地被设计成智能电话的一部分，用于对燃料电池装置10的运行的移动监控。
[0036]
该燃料电池系统50可具有卷积神经网络14，尤其是用于执行机器学习过程44（参见图2）。卷积神经网络14利用示意性的云符号来示出。优选地，计算单元12在空间上与卷积神经网络14间隔开地布置。替代地，卷积神经网络14可以被设计成计算单元12的一部分。
[0037]
卷积神经网络14经由因特网与计算单元12连接，尤其是用于数据传输。替代地，卷积神经网络14可以在本地与计算单元12连接，尤其是用于数据传输，例如经由以太网网络
线缆或者光纤网络线缆来与该计算单元连接。
[0038]
燃料电池16与空气供应管线22连接。通风单元24、尤其是压缩机单元可以集成到空气供应管线22中，尤其是用于生成所限定的空气流、优选地到燃料电池16的所限定的空气流。在进入燃料电池16之前，该空气流可以借助于热交换器来被加热。
[0039]
该燃料电池系统50、尤其是该燃料电池装置10可以包括空气罐26。燃料电池16可以经由空气供应管线22与空气罐26和/或环境空气连接。
[0040]
燃料电池16与燃料气体管线28连接。燃料气体管线28给燃料电池16、尤其是燃料电池堆18供应燃料气体，尤其是来自至少一个燃料气体储存器30中和/或经由与天然气管线的连接。该燃料电池系统50、尤其是该燃料电池装置10可以包括燃料气体储存器30。另一通风单元32、尤其是另一压缩机单元可以集成到燃料气体管线28中，尤其是用于生成所限定的空气流、优选地到燃料电池16的所限定的空气流。
[0041]
该燃料电池装置10包括重整器单元34，尤其是用于对燃料气体的重整。重整器单元34集成到燃料气体管线28中。
[0042]
该燃料电池装置10可以具有脱硫单元、尤其是在流体技术上位于燃料电池16和/或重整器单元34的上游的脱硫单元。该脱硫单元被设置为对燃料进行至少部分地脱硫。
[0043]
燃料电池16与两条排气管线36、38连接，尤其是用于排放燃料气体和/或空气，尤其是将燃料气体和/或空气排放到燃烧器单元40、尤其是补燃器单元。
[0044]
燃烧器单元40在流体技术上位于燃料电池16的下游。燃烧器单元40可以分别部分地集成到排气管线36、38中，尤其是用于对燃料残留物、尤其是未被转化的氢气的燃烧。燃烧器单元40的废气被从该燃料电池系统50中排出。
[0045]
燃料电池16经由排气管线38并且经由再循环管线42来与燃料气体管线28连接，尤其是用于对燃料气体的再循环，尤其是在流体技术上再循环到重整器单元34的上游。
[0046]
再循环管线42尤其被设置为：至少部分地送回燃料电池16的废气、尤其是阳极废气，用于与燃料气体混合。在再循环管线42内可以布置有通风单元24、尤其是压缩机单元。
[0047]
空气和燃料气体分别至少部分地流过燃料电池16。燃料电池16具有阳极和阴极。
[0048]
在燃料电池16的运行期间，向阳极供应燃料气体。在燃料电池16的运行期间，向阴极供应空气、尤其是空气中的氧气。
[0049]
该燃料电池装置10包括逆变器20，尤其是用于将由燃料电池16所产生的电功率馈入到电网48中并且尤其是用于对燃料电池16的所产生的电能的变换。逆变器20与燃料电池16、优选地燃料电池堆18电连接。优选地，逆变器20与电网48的电接口连接，尤其是用于提供所产生的电功率。
[0050]
计算单元12尤其被设置用于执行在图2中所示出的方法。
[0051]
图2示意性示出了用于燃料电池装置10的运行监控的方法。
[0052]
在至少一个方法步骤、尤其是学习步骤52中，针对机器学习过程44使用卷积神经网络14。在至少一个方法步骤、尤其是该学习步骤52中，优选地在机器学习过程44中，由卷积神经网络14来执行至少一个因果卷积。在至少一个方法步骤、尤其是该学习步骤52中，优选地在机器学习过程44中，借助于物理模型来学习该机器学习过程44。在至少一个方法步骤、尤其是该学习步骤52中，优选地在机器学习过程44中，借助于数学物理模型来学习该机器学习过程44。在至少一个方法步骤、尤其是该学习步骤52中，优选地在机器学习过程44
中，卷积神经网络14省去池化。
[0053]
在至少一个方法步骤、尤其是验证步骤54中，优选地在机器学习过程44中，借助于测量数据、优选地来自燃料电池装置10的测量数据、尤其是所测量的过电位、堆温度、燃料电池温度、燃料电池16的电流强度、燃料气体中的诸如ch4、co、co2、h2、h2o 和/或n2等气体的流量和/或浓度，验证该物理模型、优选地该数学物理模型。在至少一个方法步骤、尤其是该验证步骤54中，尤其是在机器学习过程44中，通过至少一个超参数来验证该机器学习过程44。
[0054]
机器学习过程44尤其是由该至少一个学习步骤52和该至少一个验证步骤54形成。
[0055]
在至少一个方法步骤、尤其是该至少一个学习步骤52中，根据热损失、优选地在燃料电池装置10中、尤其是在燃料电池16处和/或在堆处的热损失来确定至少一个过电位。在至少一个方法步骤、尤其是至少一个学习步骤52中，根据至少一个电池电压并且根据至少一个过电位来确定能斯特电压。在至少一个方法步骤中，可以根据至少一个燃料电池16的电压和该燃料电池16的温度来确定、优选地计算该燃料电池16的能斯特电压。
[0056]
在至少一个方法步骤、尤其是该验证步骤54和/或该学习步骤52中，尤其是在机器学习过程44中，给卷积神经网络14供应燃料电池装置10的运行的不同时间点的输入向量。
[0057]
在至少一个方法步骤、尤其是该验证步骤54和/或该学习步骤52中，尤其是在机器学习过程44中，卷积神经网络14学习输出基于至少一个输入向量的输出向量。输出向量包含如下至少一个条目：燃料电池16和/或堆的燃料利用率。输入向量包含如下至少一个条目：燃料电池16和/或堆的能斯特电压。
[0058]
在至少一个方法步骤中、尤其是在至少一个查询步骤56中，向卷积神经网络14传送至少一个输入向量，该输入向量包括如下条目：燃料电池装置10、优选地燃料电池16、尤其是堆的至少一个能斯特电压。
[0059]
在至少一个方法步骤中、尤其是在至少一个查询步骤56中，由卷积神经网络14来输出至少一个输出向量，该输出向量包括如下条目：燃料利用率，优选地在可测量相对应的值的每个时间点的燃料利用率，该燃料利用率是通过卷积神经网络14根据该至少一个能斯特电压来被确定的。
[0060]
在至少一个方法步骤、尤其是查询步骤56中，将输入向量传送给卷积神经网络14，尤其是用于处理该输入向量的至少一个输入参数以输出输出向量。输入参数尤其是该输入向量的条目。周期性重复至少一个查询步骤56，用于至少一个燃料电池装置10的运行监控。
[0061]
在至少一个方法步骤、尤其是该查询步骤56中，基于机器学习过程44来确定至少一个燃料利用率、优选地燃料电池装置10的燃料利用率。
[0062]
在至少一个方法步骤中、尤其是在至少一个查询步骤56中，基于机器学习过程44根据至少一个能斯特电压来确定至少一个燃料利用率。
[0063]
在至少一个学习步骤52之后和/或在至少一个验证步骤54之后，执行该至少一个查询步骤56。该至少一个查询步骤56可以由机器学习过程44来处理，以改进该机器学习过程44。
[0064]
在至少一个方法步骤、尤其是该查询步骤56中，通过卷积神经网络14来实时地确定、优选地输出该至少一个燃料利用率、优选地输出向量。
[0065]
在至少一个方法步骤、尤其是调节步骤58中，使用、优选地实时地使用该燃料利用
率用于运行监控，优选地用于控制和/或调节燃料电池装置10、尤其是燃料电池系统50。
[0066]
优选地，在该至少一个查询步骤56之后执行至少一个调节步骤58。
[0067]
优选地，在机器学习过程44之后、尤其是在该学习步骤52之后和/或在该验证步骤54之后，执行该至少一个查询步骤56和/或该至少一个调节步骤58。
[0068]
周期性重复该至少一个调节步骤58，用于该燃料电池装置10的运行监控。至少一个查询步骤56与至少一个调节步骤58耦合地被执行并且尤其是被周期性重复，用于该燃料电池装置10的运行监控。
[0069]
在至少一个方法步骤、尤其是该调节步骤58中，根据输出向量来确定燃料利用率。在至少一个方法步骤、尤其是该调节步骤58中，根据输出向量来确定在燃料电池16中的测量点60处的燃料利用率。
[0070]
在至少一个方法步骤、尤其是该调节步骤58中，可以替代地根据输出向量来使燃料利用率与氧碳比有关，尤其是在流体技术上在重整器单元34上游的测量点46处或者在重整器单元34下游的测量点47处被确定。测量点46和/或测量点47在流体技术上布置在燃料电池16的上游。
[0071]
在至少一个方法步骤、尤其是至少一个调节步骤58中，基于该燃料利用率、尤其是在线地确定的燃料利用率来调节阳极气体再循环、供应给系统的燃料气体流、供应给该系统的堆电流和/或供应给该系统的堆电压。
[0072]
在一个方法步骤中，可以借助于物理定律、例如借助于欧姆定律和/或借助于巴特勒-福尔默（butler-vollmer）方程来确定过电位，尤其是根据燃料电池、尤其是堆的电流、优选地由该燃料电池或者由该堆所产生的电流。在一个方法步骤中，可以借助于质量和/或能量守恒来确定过电位。在一个方法步骤中，可以借助于能斯特方程来确定能斯特电压。在一个方法步骤中，可以借助于燃料电池、优选地堆的能斯特电压和温度来确定燃料利用率。在一个方法步骤中，可以借助于能斯特电压和过电位、尤其是借助于从该能斯特电压中减去该过电位来确定燃料电池的电压，尤其是用于特定工作点。过电位可以依据物理定律根据堆电流、尤其是由堆所产生的电流来被确定。
再多了解一些
本文用于创业者技术爱好者查询，仅供学习研究，如用于商业用途，请联系技术所有人。
