[发明专利]一种固体氧化物燃料电池电堆模型构建方法

说明书

本发明涉及一种固体氧化物燃料电池电堆模型构建方法。该方法通过ABC算法极强的数值优化能力来优化SVM参数，建立更加精确有效的SOFC电堆模型。本发明方法建立的人工蜂群算法优化支持向量机模型具有较高的精确性和有效性。

技术领域

本发明涉及一种固体氧化物燃料电池电堆模型构建方法。

背景技术

燃料电池以其高效、洁净和安全利用能源等诸多优点已引起全球各国的高度重视，其中固体氧化物燃料电池(Solid Oxide Fuel Cell,SOFC)因其工作温度高(800～1000℃)、不使用贵金属催化剂、功率密度大、能量转化效率高和对燃料的种类和质量要求较低等优点，已然成为燃料电池技术研究热点和发展方向。

Arriagada等建立了SOFC的人工神经网络(ANN)模型，该模型基于人工神经网络理论，结构简单、精度较高但是需要大量的训练数据。Wu等建立的SOFC的GA-RBF神经网络模型，利用遗传算法优化RBF神经网络的参数，选择优化后的参数使RBF神经网络模型的精度明显提高。Huo等提出SOFC的SVM模型，其性能对比与人工神经网络(ANN)辨识模型有明显的改善，但是误差较大。支持向量机是一种基于结构风险最小化模型的小样本学习方法，它具有更严谨的理论和数学基础，需要更少的样本数目，解决了人工神经网络小样本、非线性、过拟合等缺点。

SVM是现在机器学习研究热点。人工蜂群算法(ABC)是源于蜜蜂采集花蜜行为的智能算法，和传统算法(GA、PSO等)相比更具好的收敛和优化性能且算法简单、参数少、编程简单和全局优化，是一种现在很有潜力的智能算法。

两者结合，通过ABC算法极强的数值优化能力来优化SVM参数，建立更加精确有效的SOFC电堆模型。仿真实验表明，建立的人工蜂群算法优化支持向量机模型具有较高的精确性和有效性。

发明内容

本发明的目的在于提供一种固体氧化物燃料电池电堆模型构建方法，该方法具有较高的精确性和有效性。

为实现上述目的，本发明的技术方案是：一种固体氧化物燃料电池电堆模型构建方法，包括如下步骤：

步骤S1、建立用于电力系统仿真的集成SOFC工厂动态模型，采集不同氢气流速下的固体氧化物燃料电池的电压/电流特性曲线数据，将采集的数据随机分成两组：训练集与测试集比例为3:1，并将采集的数据按照公式：归一化到[0，1]，x_i为采集数据，x_min为采集数据最小值，x_max为采集数据最大值；

步骤S2、设待优化SVM参数的维数为D，确定待优化SVM参数搜索范围区间，设定初始最大迭代次数Nmax、最大限制数limit、蜂群规模NP、蜜源个数N＝NP/2；在待优化SVM参数搜索范围区间内随机生成初始蜜源，设定初始蜜源值；

步骤S3、将蜜源、训练集输入LIBSVM工具箱建立电堆模型，并将测试集输入建立的电堆模型获得输出结果；而后根据适应度值函数公式：计算相应蜜源下的适应度值即蜜源值，并与初始蜜源值比较，选择最优蜜源和蜜源值，其中f(x_i)是电堆模型的输出结果，y_i是输出结果的期望值；