[发明专利]质子交换膜燃料电池模型优化处理方法

说明书

技术领域

本发明涉及燃料电池，特别涉及质子交换膜燃料电池模型智能优化处理方法。

背景技术

质子交换膜燃料电池具有工作温度低、工作压力低、启动速度快、输出功率高、无污染物排放和对负载变化响应快等特性而受到广泛研究，被认为是未来电动汽车、固定发电站等的首选清洁能源。但是，质子交换膜燃料电池系统是一个复杂的非线性、多变量、强耦合的动态系统，其设计和性能验证较为复杂，数学模型是质子交换膜燃料电池研究的快捷工具。因而建立准确的数学模型对质子交换膜燃料电池的理论研究和工程应用具有重要意义。

质子交换膜燃料电池建模的主要方法包括两类：一类是机械建模，这类建模方法通过微分方程或基于电化学反应原理对燃料电池的热管理、水管理和电池内部的电化学特性进行建模；另一类是半经验建模，这类建模方法首先根据燃料电池的反应机理建立模型结构，然后利用电池工作时的表征特性对模型结构中的未知参数进行估计。半经验建模是一类简单、高效的建模方法，已成为研究者们对燃料电池进行建模和性能分析的重要工具，但是模型中未知参数的取值模型的准确性具有重要的影响。半经验建模方法本质上是一个系统辨识问题，可以将模型中未知参数的取值问题转化为优化问题，并采用优化技术进行求解，可采用的优化技术主要有两类：一类是传统的优化方法，具有代表性的有数学规划法、梯度下降法，这些方法在求解变量个数少时性能较好，但严重依赖于问题初始解的选择，且对于具有多变量、非线性、多局部极值点的工程优化问题而言，其效果不够理想；另一类是基于智能优化的方法，具有代表性的方法有遗传算法、粒子群优化算法、模拟退火算法等，但是，这些智能优化算法存在容易陷入局部极值的缺陷。尽管如此，智能优化方法具有对初始解不敏感、能处理复杂问题等特性，已受到研究者们的重视，

差分进化是一种具有简单性、并行性和鲁棒性强的智能优化技术，适合解决质子交换膜燃料电池的参数优化问题。目前，在差分进化领域存在一些性能相对其它智能优化技术较好的方法，如SDE、CoDE，但是它们存在优化性能不够理想、收敛速度慢等缺陷，在求解复杂的工程优化问题时性能不佳。

发明内容

鉴于现有技术的以上缺点，本发明的目的是提供一种质子交换膜燃料电池模型优化处理方法，用于各种型号质子交换膜燃料电池的建模。

本发明为解决其技术问题，所采用的技术方案是，质子交换膜燃料电池模型优化处理方法，其特征在于，包括以下步骤：

a、以下式作为质子交换膜燃料电池模型的原型：

V=n(E_Nernst-V_act-V_ohmic-V_con)

其中，V为电池输出电压，n为电池芯个数，E_Nernst为电池热力势电压，V_act为活化极化电动势，V_ohmic为欧姆过电势，V_con为浓差极化过电势；

上式中：

ENernst=1.229-0.85×10-3×(T-298.15)+4.3085×10-5×T]]>