一种质子交换膜燃料电池空气供应系统解耦控制方法和控制系统

技术领域

本发明属于燃料电池解耦控制领域，具体涉及质子交换膜燃料电池空气供应系统解耦控制方法和控制系统，更具体涉及空气流量和压强解耦控制。

背景技术

质子交换膜(PEM)燃料电池以其效率高、功率密度大、工作温度低和几乎零排放等优点，在汽车、载人航天、水下潜艇、分布式发电等诸多领域得到了广泛应用。作为燃料电池的重要组成部分，空气供应系统通过空压机和节气门的配合，及时、稳定地为燃料电池电堆提供充足的新鲜空气。空气供应系统的两个输出，空气流量和压强，对燃料电池的健康高效率运行至关重要。然而，作为典型的耦合系统，它的两个输出(空气流量和压强)同时受到两个输入(空压机转速和节气门开度)的影响。一般情况下，空气流量和压强随着空压机转速的增加而增加，但增大节气门角度会导致空气流量增加而压强降低。此外，送风系统具有非线性、时变和迟滞等特点。因此，空气流量和压强的解耦控制尤为困难。总体而言，供气系统的解耦控制主要面临挑战是：一、空气流量与压强之间的强耦合以及系统固有的非线性、时变和滞后性给解耦控制的转速和精度带来困扰；二、控制命令需要足够平滑，以使执行器(空压机和节气门)能够准确响应其控制命令；三、控制方案的计算计算负荷应相对较轻，便于在硬件平台上实现。

目前主流的解耦控制方法都是先进行模型辨识，然后再计算解耦矩阵，从而将送风系统从一个双输入双输出(TITO)系统转换为两个单输入单输出(SISO)系统。上述方法不可避免地需要模型识别和解耦矩阵计算，不仅会导致大量的工作，而且控制器的性能也会受到模型识别精度的显著影响，更重要的是不同系统的模型参数不同降低了方法的可移植性。

发明内容

针对上述问题，本发明提供一种质子交换膜燃料电池空气供应系统解耦控制方法，基于前馈和超螺旋滑模(SSM)的复合控制实现稳定、精确和迅速地完成空气流量和压强的解耦控制，不涉及解耦矩阵避免了现有解耦方法严重依赖模型识别的困境和大量计算，还增加了控制算法的可移植性，抗干扰能力强。

本发明的通过如下技术方案实现：

一种质子交换膜燃料电池空气供应系统解耦控制方法，包括如下步骤：

步骤一、采集不同空压机转速和节气门开度下的空气流量和压强数据；

步骤二、对采集的数据进行线性插值和拟合，建立前馈查找表：

(N

步骤三、使用借助SSM构建的反馈控制器消除前馈误差，反馈控制器为：

其中，

步骤四、利用极值搜索(ES)对反馈控制器参数进行自适应优化，具体为：

其中，

其中，

步骤五、将优化后的参数加载到反馈控制器中。

作为本发明更优的技术方案：所述的扰动频率ω

本发明还有一个目的是提供一种质子交换膜燃料电池空气供应系统解耦控制系统，包括：

采集模块，用于采集硬件平台上的不同空压机转速和节气门开度下的空气流量和压强数据；

前馈控制器，用于对采集的数据进行线性插值和拟合，建立前馈查找表：

(N

反馈控制器，用于消除前馈误差，反馈控制向量为：

其中

(s

其中φ

自适应优化模块，用于对反馈控制器参数进行自适应优化，利用ES实现，具体为：

其中，

其中，μ

本发明还有一个目的是提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述质子交换膜燃料电池空气供应系统解耦控制方法。

本发明还有一个目的是提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述质子交换膜燃料电池空气供应系统解耦控制方法。

有益效果如下：

1、本发明可精确实现空气供应系统空气流量与压强的解耦控制，不需要辨识空气供应系统的模型以及计算解耦矩阵；

2、本发明对空气流量和压强的调节时间均在0.5秒之内；

3、本发明对于不同的空气供应系统可以学习对应的参数，可移植性更强。

附图说明

图1为本发明的控制方法结构图，包括前馈和反馈两个部分，其中(N

图2为空压机转速前馈控制信号N

图3为节气门角度前馈控制信号θ

图4为本发明的ES-ASSM的具体结构示意图。

图5为局部梯度调制的扰动信号的示意图。

图6为用于验证提出控制方法的实验环境。

图7为在参数优化过程中跟踪响应和成本函数迭代过程。

图8为控制向量参数的迭代过程。

图9为情况一中提出方法的空气流量和压强响应，其中(a)流量响应；(b)流量误差；(c)压强响应；(d)压强误差。

图10为情况一中提出方法的控制向量，其中(a)转速控制命令(N)和实际转速(N

图11为情况二中提出方法的空气流量和压强响应，其中(a)流量响应；(b)流量误差；(c)压强响应；(d)压强误差。

图12为情况二中提出方法的控制向量，其中(a)转速控制命令和实际转速；(b)转速反馈控制信号；(c)角度控制指令和实际角度，(d)角度反馈控制信号。

图13为情况一中DMDM的空气流量和压强响应，其中(a)流量响应；(b)流量误差；(c)压强响应；(d)压强误差。

图14为情况二中DMDM的空气流量和压强响应，其中(a)流量响应；(b)流量误差；(c)压强响应；(d)压强误差。

具体实施方式

为进一步说明本发明的技术内容、构造特点，下面给出一个实例，结合附图进行详细阐述。另外，为展示本发明的有效性，在质子交换膜空气供应系统台架上进行了硬件在环实验，其结果充分了所述控制策略的高性能。本发明保护范围不局限于以下所述。

如图1所示，本发明提出的一种基于前馈和SSM的复合控制方法，加入前馈后流量和压强之间的相互干扰被视为扰动，然后由SSM处理，所述控制方法结合了前馈的快速响应和SSM的抗干扰能力的优点，具体是：根据试验台采集的数据建立了两个前馈查找表。然后设计反馈控制器，利用SSM消除前馈误差。此外，由于反馈控制律形式复杂、参数多，人工整定参数困难，因此考虑利用优化算法自适应调整参数。采用ES对SSM的参数进行了自适应优化。利用成本函数衡量控制性能，随后通过梯度下降法减小成本函数以获得更好的跟踪响应。在迭代过程中对SSM控制律中的参数进行优化。

本发明提出控制方法由前馈控制和反馈控制两部分组成。前馈控制具有响应快，稳定可靠等优点，被广泛应用在具有时滞的系统中。因此前馈被考虑用于空气供应系统的时滞特性，考虑到空气供应系统的复杂结构和其涉及到的复杂物理过程对数学建模的影响，采用静态查找表构建前馈控制。不考复杂的物理过程，前馈查找表直接被构造为控制向量关于参考信号的查找表：

(N

其中(W

N

其中h

构造滑模面为

(s

s

注意到

t表示对时间积分

其中

需要采用多元优化算法来完成反馈控制器的参数整定。作为一种典型的无模型方法，ES能够进行多参数优化，将ES引入反馈控制器如图4所示。为了测量控制性能，使用跟踪误差向量构建成本函数(J)。在第m(m≥1)个迭代周期(T＝10s)中，J具有以下形式：

其中B＝(β

u(t){G(s)}＝u(t)*L

其中‘*’表示卷积算子，‘L

其中

因此，扰动信号(a

然后η与sinω

由于积分器

整理(12)可得

对(13)执行拉普拉斯变换和拉普拉斯逆变换产生

其中

其中

综上所述，本发明提出的控制方法借助梯度下降法，对控制器参数进行优化，从而获得更优的控制效果。

本发明提出的高精度自适应优化控制方法如图1所示。在硬件平台收集不同空压机转速和节气门开度下空气流量和压强数据，对采集到的数据进行线性插值和拟合，建立前馈查找表，借助超螺旋滑模设计反馈控制器，以消除前馈误差，引入极值搜索(ES)对反馈控制参数进行自适应优化。

实施例1

在本实施例中，实验环境如图6所示，其中使用空气缓冲罐来模拟阴极。ECU(电子控制单元)向压缩机和节气门发出控制指令，并将传感器采集到的空气流量、气压、压缩机实际转速、节气门实际角度传回PC(上位机)。ES-ASSM的参数如表1所示，其中扰动频率ω

表1

将优化后的参数加载到反馈控制器中，并禁用ES循环以减少计算负载，然后评估本发明提供的控制方法的性能。考虑以下工况：

1)情况一：流量和压强的参考轨迹分别选择为阶跃信号和正弦信号，结果如图9和10所示。

2)情况二：流量和压强的参考轨迹分别选择为正弦信号和阶跃信号，结果如图11和12所示。

从流量和压强响应的角度来看，本发明提供的控制方法很好地实现了解耦控制：

1)流量和压强可以独立地跟踪各自的参考轨迹，无论是阶跃流量、正弦压强情况如图9所示，还是正弦流量、阶跃压强情况如图11所示。

2)流量阶跃时，如图9(c)所示压强波动很小，但当压强阶跃时流量波动明显如图11(a)所示。此外，在跟踪正弦信号时，如图9(c)和图11(a)所示压强跟随参考轨迹的效果明显好于流量。在设计成本函数时，压强误差的权重大于流量误差的权重。

3)所提出的方案在响应转速和跟踪精度方面也表现良好。如图9(a)和图11(c)所示。流量和压强的阶跃响应在0.5s内完成当跟踪正弦信号时，如图9(d)所示压强误差大约限制在1kPa以内，如图11(b)所示流量误差限制在大约2g/s以内。

为了进一步说明本发明控制方法的优越性能，采用对角矩阵解耦方法(DMDM)进行比较的结果如图13和图14所示。与DMDM相比，在情况1中，如图9(a)和图13(a)所示本发明的控制方法流量超调更小，如图9(d)和图13(d)所示压强跟踪误差也更小。在情况2中，如图11(b)和图14(b)所示DMDM的流量的误差更大，同时如图14(c)所示压强存在稳态误差。

此外，还借助均方根误差(RMSE)进行定量分析：

其中t

从表2的两种控制方法对比数据来看，本发明提供的控制方法优于DMDM。

表2

本发明提供的控制方法在保证压强响应优先的前提下，实现了流量与压强的解耦，其结合前馈快速响应和SSM的抗扰动优点，稳定、精确和迅速地完成空气流量和压强的解耦控制；避免了现有解耦方法严重依赖模型识别的困境，并且避免了大量的计算，取得更优秀的控制效果，增加了控制算法的可移植性。