【技术实现步骤摘要】
本专利技术属于燃料电池，涉及一种风冷金属板燃料电池综合性能预测及优化方法。
技术介绍
1、燃料电池可以将氢气和氧气的化学能通过电化学反应直接转换成电能，是一种环境友好的高效发电体系。其中，金属双极板质子交换膜燃料电池由于其便携、结构简单、良好的导电导热性和发电成本低等特点在无人机、备用电源和便携式电源等领域广泛应用。
2、在金属双极板质子交换膜燃料电池使用过程中，对燃料电池的综合性能进行准确预测和优化是提升金属双极板质子交换膜燃料电池安全运行、商业化和规模化推广使用的关键环节之一。
3、目前用于预测方法主要包括模型驱动、数据驱动和融合算法。然而由于质子交换膜燃料电池内部机理十分复杂，很难建立燃料电池准确的预测模型，且模型预测需要大量的计算，无法满足实际应用需求。数据驱动的预测方法一般采用统计技术，但预测精度较低，花费时间较长。而近年来发展的bp神经网络(back-propagation feed-forwardnetwork)能够通过自身训练学习某种规律，并在给定输入时得到接近期望输出的结果，非常适合用于解决质子交换膜燃料电池复杂系统的性能预测问题。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种风冷金属板燃料电池综合性能预测及优化方法，利用bp神经网络实现对电池综合性能指标的预测，通过神经网络模型获得不同输入变量与eva之间的映射函数作为求解最大值的目标函数，然后利用遗传算法求解不同环境温度下的最优操作参数组合和电池综合性能(eva)最大值，减少
2、为达到上述目的，本专利技术提供如下技术方案：
3、一种风冷金属板燃料电池综合性能预测及优化方法，具体包括以下步骤：
4、s1：数据准备：选择一个风冷金属板燃料电池进行基于正交试验工况设计的数值仿真试验，获取不同环境温度下的操作参数样本数据，并对样本数据进行预处理得到数据集，然后按70％、15％、15％的比例划分训练数据集、验证数据集和测试数据集；
5、s2：构建基于bp神经网络的燃料电池综合性能预测模型，确定预测模型的输入变量和输出变量，确定网络拓扑结构和其他超参数；
6、s3：采用lm(levenberg-marquardt)算法训练预测模型；
7、s4：利用网络性能评价参数(mse和r)验证模型的各个数据集预测精度；
8、s5：采用遗传算法进行燃料电池综合性能评价指标(eva)最大值寻优，即最佳操作参数组合和eva最优值求解。
9、进一步，步骤s1中，采用min-max方法对样本数据进行预处理，使各变量均缩放到相同范围：
10、
11、其中，x*为修正数据，x为原始数据，xmin为变量在取值范围内的最小值，xmax为变量在取值范围内的最大值。
12、进一步，步骤s2中，预测模型的输入变量包括：电池运行工况变量和试验操作变量；其中，电池运行工况变量包括环境温度和电流密度，试验操作变量包括阳极操作压力、阴极操作压力、氢气化学计量比及阴极入口相对湿度；
13、预测模型的输出变量为电池综合性能评价指标(eva)。
14、进一步，步骤s2中，构建的基于bp神经网络的燃料电池综合性能预测模型的计算表达式为：
15、
16、其中，eva是电池综合性能评价指标，代表神经元输出；xj为输入信号；wj为权重；b为偏差；为神经元激活函数(传递函数)。
17、进一步，步骤s3中，采用lm算法训练预测模型，具体包括以下步骤：
18、s31：设置bp神经网络隐藏层的层数为一层，优先通过增加节点数来获得较小的网络误差；将6个输入变量对应输入层的6个神经元，预测目标是电池综合性能评价指标对应输出层的1个神经元；
19、s32：利用节点数估算经验公式划分隐藏层节点数范围大致在4～12，公式如下：
20、kolmogorov定理：l＝2×n+1
21、
22、l＝log2n
23、
24、
25、其中，l为隐藏层的节点数，m为输出层的节点数，n为输入层的节点数，a为1～10之间的常数；
26、s33：利用试错法通过均方误差mse(mean square error,mse)和相关系数r(regression)确定具体神经元个数，通过对比隐藏层不同节点数的网络训练效果进而确定最终的网络拓扑结构；最终确定模型的网络拓扑结构为6-10-1；mse和r由以下公式求得：
27、
28、
29、其中，n为数据量，yi为eva实际值，为eva平均值，f为网络预测值，为网络预测平均值；
30、s34：选择tangent sigmoid函数作为隐藏层传递函数，purelin函数作为输出层传递函数；
31、s35：选用lm(levenberg-marquardt)算法对预测模型进行训练；
32、s36：设置预测模型学习率为0.01，模型最大迭代次数为1000次，训练过程中最小梯度下降数量为10；
33、s37：进行预测模型的网络训练，观察验证集mse随迭代步数增加后的变化情况，最终得到模型训练最优迭代步数为21。
34、进一步，步骤s4中，利用网络性能评价参数(mse和r)对预测模型的各个数据集预测精度进行分析；对目标值和预测值的相关性通过绘制回归线来描述神经网络对应数据的拟合情况。
35、进一步，步骤s5具体包括以下步骤：
36、s51：将预测模型所确定的不同因素变量与eva之间的映射函数作为求解最大值的目标函数，也称适应度函数，记作fun；并且基于电池实际运行工况，对6个输入变量的取值范围进行确定，同时保证阳极操作压力大于阴极操作压力；其输入约束条件为：
37、maxfun
38、0≤tw≤30
39、0.2≤i≤0.5
40、1≤pa≤1.5,1≤pc≤1.5
41、0≤rh≤100
42、1≤ξa,in≤2.5
43、pa＞pc
44、其中，tw表示环境温度，i表示电流密度，pa表示阳极操作压力，pc表示阴极操作压力，rh表示阴极入口相对湿度，ξa,in表示氢气化学计量比；
45、s52：确定遗传算法相关参数，包括种群规模、变异概率、适应度函数值偏差、交叉比例和最大迭代次数；实际运行遗传算法最大值寻优时分为不同子系统进行求解，将输入约束条件简单修改，设环境温度为定值，其他变量约束条件不变，并基于ga函数进行寻优计算；
46、s53：获得不同环境温度下最优参数组合和eva最大值寻优。
47、本专利技术的有益效果在于：本专利技术利用神经网络建立燃料电池综合预测模型，获取不同因素变量与eva之本文档来自技高网...
【技术保护点】
1.一种风冷金属板燃料电池综合性能预测及优化方法，其特征在于，该方法具体包括以下步骤：
2.根据权利要求1所述的风冷金属板燃料电池综合性能预测及优化方法，其特征在于，步骤S1中，采用Min-Max方法对样本数据进行预处理，使各变量均缩放到相同范围：
3.根据权利要求1所述的风冷金属板燃料电池综合性能预测及优化方法，其特征在于，步骤S2中，预测模型的输入变量包括：电池运行工况变量和试验操作变量；其中，电池运行工况变量包括环境温度和电流密度，试验操作变量包括阳极操作压力、阴极操作压力、氢气化学计量比及阴极入口相对湿度；
4.根据权利要求3所述的风冷金属板燃料电池综合性能预测及优化方法，其特征在于，步骤S2中，构建的基于BP神经网络的燃料电池综合性能预测模型的计算表达式为：
5.根据权利要求4所述的风冷金属板燃料电池综合性能预测及优化方法，其特征在于，步骤S3中，采用LM算法训练预测模型，具体包括以下步骤：
6.根据权利要求1所述的风冷金属板燃料电池综合性能预测及优化方法，其特征在于，步骤S4中，利用网络性能评价参数对预测模型
7.根据权利要求5所述的风冷金属板燃料电池综合性能预测及优化方法，其特征在于，步骤S5具体包括以下步骤：
...【技术特征摘要】
1.一种风冷金属板燃料电池综合性能预测及优化方法，其特征在于，该方法具体包括以下步骤：
2.根据权利要求1所述的风冷金属板燃料电池综合性能预测及优化方法，其特征在于，步骤s1中，采用min-max方法对样本数据进行预处理，使各变量均缩放到相同范围：
3.根据权利要求1所述的风冷金属板燃料电池综合性能预测及优化方法，其特征在于，步骤s2中，预测模型的输入变量包括：电池运行工况变量和试验操作变量；其中，电池运行工况变量包括环境温度和电流密度，试验操作变量包括阳极操作压力、阴极操作压力、氢气化学计量比及阴极入口相对湿度；
4.根据权利要求3所述的风冷金属板燃料电池综合性能...
【专利技术属性】
技术研发人员：张财志，刘澎，曹秀娟，蔡浪，余幸子，曾韬，
申请(专利权)人：重庆大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。