[发明专利]基于自适应扩展卡尔曼滤波的燃料电池剩余寿命预测方法

权利要求书

1.一种基于自适应扩展卡尔曼滤波的燃料电池剩余寿命预测方法，其特征在于，包括以下步骤：

当前时刻的电压估计步骤：通过自适应扩展卡尔曼滤波算法，获取燃料电池当前时刻的平均单片电压估计值；

总衰减速率计算步骤：采集燃料电池在各工况下的时间比例和衰减速率，计算燃料电池的总衰减速率；

环境因子计算步骤：根据所述当前时刻的平均单片电压估计值与当前时刻的平均单片电压实际值，计算环境因子；

剩余使用寿命预测步骤：根据所述当前时刻的平均单片电压估计值、总衰减速率和环境因子，通过剩余使用寿命计算公式，得到燃料电池当前时刻的剩余使用寿命的预测结果。

2.根据权利要求1所述的一种基于自适应扩展卡尔曼滤波的燃料电池剩余寿命预测方法，其特征在于，所述自适应扩展卡尔曼滤波算法的输入包括实际测量值和模型预测值，

所述实际测量值为，通过实时记录燃料电池的电压电流变化，得到的燃料电池在额定电流下的平均单片电压-时间曲线数据；

所述模型预测值为，将燃料电池运行时不同时刻的极化曲线拟合，并载入预先建立的经验模型中，得到的燃料电池平均单片电压计算值。

3.根据权利要求2所述的一种基于自适应扩展卡尔曼滤波的燃料电池剩余寿命预测方法，其特征在于，通过极化曲线表达式拟合所述燃料电池运行时不同时刻的极化曲线，所述极化曲线表达式为：

式中，V为燃料电池输出电压，E为可逆开路电压，i为燃料电池输出电流，i₀为交换电流密度，A是塔菲尔斜率，B为浓差极化常数，i_l是极限电流密度，r是燃料电池总电阻。

4.根据权利要求3所述的一种基于自适应扩展卡尔曼滤波的燃料电池剩余寿命预测方法，其特征在于，所述经验模型的表达式为：

式中，g(x_k，u_k)为当前时刻电压(模型预测值)，r₀为总电阻初始值，α_k为总电阻变化率，i_k为当前时刻的电流值。