【技术实现步骤摘要】
本专利技术涉及燃料电池控制，具体涉及一种基于bp神经网络与自抗扰控制的燃料电池供氧系统控制方法。
技术介绍
1、随着环境污染和石油能源枯竭问题的加剧，寻找替代能源变得日益紧迫。燃料电池通过氢和氧的电化学反应产生电能，被认为是目前最清洁的能源之一。然而，燃料电池的稳定运行需要多个辅助系统的配合，这些系统负责控制氢气压力、冷却水温度、空气压力和流量等关键参数。在这些系统中，供氧系统的空气压力和流量控制对燃料电池的长期稳定运行至关重要。供氧过量会导致能量浪费，而供氧不足则可能导致燃料电池缺氧，甚至损坏电堆。此外，供氧系统中的零部件之间存在耦合作用，对零部件的解耦也是一个需要解决的问题。
2、目前，燃料电池供氧系统的控制方法已经有很多研究。pukrushpan等人提出了一种前馈加pid控制策略来控制氧气比例，这种方法易于实现，但精度较低，容易超调。baroud等人提出了一种模糊pid结合前馈控制的方法来控制目标流量和压力，这种方法提高了控制精度，但过度依赖专家经验。专利“cn116936877a”提出了一种模型预测控制方法来控制电堆的流量和压力，但由于燃料电池系统的非线性和参数不确定性，以及供氧系统中零部件的差异性，这增加了预测模型构建的难度。专利“cn115657746a”提出了一种逻辑控制方法，分步骤调节空压机和节气门，有效降低了空压机和节气门之间的耦合，但响应时间较长。专利“cn118970099a”提出了一种基于模糊ladrc的燃料电池节气门控制及仿真方法，该方法结合了模糊控制和线性误差反馈率，在线调整误差反馈率参数
技术实现思路
1、为了解决现有燃料电池电堆氢气控制技术中存在的精度低、易超调、预测困难且响应慢的问题，本专利技术提供了一种基于bp神经网络与自抗扰控制的燃料电池供氧系统控制方法。
2、本专利技术为实现上述目的所采用的技术方案是：一种基于bp神经网络与自抗扰控制的燃料电池供氧系统控制方法，包括：
3、通过调节燃料电池供氧系统中空压机的转速及背压阀的开度，获得空压机的全map图得到空压机模型，基于理想气体的动态方程构建供给管路、排气管路及背压阀模型得到完整的供氧系统模型；
4、构建自抗扰控制模型，将所述自抗扰控制模型与所述供氧系统模型连接，通过所述自抗扰控制模型控制所述供氧系统模型中空压机的转速和背压阀的开度，来调节进入燃料电池电堆空气的流量和压力；
5、构建bp神经网络，将所述bp神经网络与自抗扰控制模型和供氧系统模型连接，通过所述bp神经网络优化所述自抗扰控制模型内参数，所述参数包括估计值和线性扩张观测器的带宽。
6、根据本专利技术一些实施例的一种基于bp神经网络与自抗扰控制的燃料电池供氧系统控制方法，所述供氧系统模型包括空压机模型、供给管路模型和背压阀模型。
7、根据本专利技术一些实施例的一种基于bp神经网络与自抗扰控制的燃料电池供氧系统控制方法，所述空压机模型中，
8、通过全范围的调节空压机的转速和背压阀的开度，直至测量出空压机发生喘振时的流量，得到所述空压机全map图，对所述空压机全map图进行拟合，得到空气流量，所述空气流量如公式(1)所示：
9、
10、其中，wcp表示空气流量，c1、c2、c3、c4、c5、c6均表示辨识参数，pr表示压比，ncp表示空压机转速；
11、空压机的空气温度如公式(2)所示：
12、
13、其中，tout表示空压机出口的空气温度，tin表示空压机入口的空气温度，ηcp表示空压机效率，pout表示空压机出口压力，pin表示空压机入口压力，γ表示气体在恒定压力下的定压比热除以定容比热的比率。
14、根据本专利技术一些实施例的一种基于bp神经网络与自抗扰控制的燃料电池供氧系统控制方法，所述供给管路模型中，供给管路出口的空气质量流量根据管路出口的压力与阴极压力的差值进行计算，如公式(3)所示：
15、wsm，out＝κsm，out(psm-pca) (3)
16、其中，wsm,out表示供给管路出口的空气质量流量，κsm,out表示为供给管路出口流道系数，psm表示供给管道的压力，pca表示阴极内部气体压力；
17、离开空压机的空气进入供给管路后温度会发生改变，如公式(4)所示：
18、
19、其中，tsm表示空气进入供给管路后温度，vsm表示供给管路的体积，msm表示供给管路中空气的质量，rair表示空气的气体常数；
20、根据能量守恒原理，管路之间的气体质量不变，如公式(5)所示：
21、
22、根据理想状态方程并考虑空气温度的变化，供给管路的压力变化如公式(6)所示：
23、
24、其中，psm表示供给管路的气体压力。
25、根据本专利技术一些实施例的一种基于bp神经网络与自抗扰控制的燃料电池供氧系统控制方法，所述背压阀模型中，排气管路的气体压力如公式(7)所示：
26、
27、其中，prm表示排气管路的气体压力，trm表示排气管路的温度，vrm表示排气管路的体积，wca,out表示阴极出口流量，wrm,out表示排气管路出口的气体质量流量；
28、非线性喷嘴方程来计算背压阀出口气体流量，如公式(8)所示：
29、
30、其中，aeff表示有效面积，cd表示流量系数，pup表示管道气体压力，tup表示供给管路气体温度，rgas表示通用气体常数，fac表示修正系数，
31、有效面积aeff如公式(9)所示：
32、aeff＝a*ratio(posnact) (9)
33、其中，a表示背压阀全开时面积，ratio表示背压阀当前开度下有效面积百分比，posnact表示背压阀实际开度，
34、修正系数fac如公式(10)所示：
35、
36、其中，pr表示背压阀下游压力与上游压力的比值，prcr表示背压阀阻塞临界压比，
37、背压阀阻塞临界压比prcr如公式(11)所示：
38、
39、根据本专利技术一些实施例的一种基于bp神经网络与自抗扰控制的燃料电池供氧系统控制方法，所述自抗扰控制模型包括扩张状态观测器和线性控制器；
40、所述扩张状态观测器采用二阶自抗扰控制器，所述二阶自抗扰控制器被控对象如公式(12)所示：
41、
42、其中，表示被控量，f表示总扰动，b0表示估计值，u表示输入值；
43、所述二阶自抗扰控制器对本文档来自技高网...
【技术保护点】
1.一种基于BP神经网络与自抗扰控制的燃料电池供氧系统控制方法，其特征在于，包括：
2.根据权利要求1所述的一种基于BP神经网络与自抗扰控制的燃料电池供氧系统控制方法，其特征在于，所述供氧系统模型包括空压机模型、供给管路模型和背压阀模型。
3.根据权利要求2所述的一种基于BP神经网络与自抗扰控制的燃料电池供氧系统控制方法，其特征在于，所述空压机模型中，
4.根据权利要求2所述的一种基于BP神经网络与自抗扰控制的燃料电池供氧系统控制方法，其特征在于，所述供给管路模型中，供给管路出口的空气质量流量根据管路出口的压力与阴极压力的差值进行计算，如公式(3)所示：
5.根据权利要求2所述的一种基于BP神经网络与自抗扰控制的燃料电池供氧系统控制方法，其特征在于，所述背压阀模型中，排气管路的气体压力如公式(7)所示：
6.根据权利要求1所述的一种基于BP神经网络与自抗扰控制的燃料电池供氧系统控制方法，其特征在于，所述自抗扰控制模型包括扩张状态观测器和线性控制器；
7.根据权利要求1所述的一种基于BP神经网络与自抗扰控制的燃
8.根据权利要求7所述的一种基于BP神经网络与自抗扰控制的燃料电池供氧系统控制方法，其特征在于，所述BP神经网络输入层的输入包括排气管路出口的气体质量流量、空气流量目标值和误差信号；
9.根据权利要求8所述的一种基于BP神经网络与自抗扰控制的燃料电池供氧系统控制方法，其特征在于，所述输入层的输出如公式(18)所示：
10.根据权利要求9所述的一种基于BP神经网络与自抗扰控制的燃料电池供氧系统控制方法，其特征在于，所述BP神经网络优化所述自抗扰控制模型内参数包括如下步骤：
...【技术特征摘要】
1.一种基于bp神经网络与自抗扰控制的燃料电池供氧系统控制方法，其特征在于，包括：
2.根据权利要求1所述的一种基于bp神经网络与自抗扰控制的燃料电池供氧系统控制方法，其特征在于，所述供氧系统模型包括空压机模型、供给管路模型和背压阀模型。
3.根据权利要求2所述的一种基于bp神经网络与自抗扰控制的燃料电池供氧系统控制方法，其特征在于，所述空压机模型中，
4.根据权利要求2所述的一种基于bp神经网络与自抗扰控制的燃料电池供氧系统控制方法，其特征在于，所述供给管路模型中，供给管路出口的空气质量流量根据管路出口的压力与阴极压力的差值进行计算，如公式(3)所示：
5.根据权利要求2所述的一种基于bp神经网络与自抗扰控制的燃料电池供氧系统控制方法，其特征在于，所述背压阀模型中，排气管路的气体压力如公式(7)所示：
6.根据权利要求1所述的一种基于bp神经网络与自...
【专利技术属性】
技术研发人员：赵振瑞，赵磊，姚荣华，衣景君，段丽萍，徐鸿飞，韩福江，
申请(专利权)人：国创氢能科技有限公司，
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。