一种基于自适应时空分布模型的SOEC电压预测控制方法

技术领域

本发明涉及高温固体氧化物电解制氢领域，尤其是高温固体氧化物电解制氢系统电堆温度预测方法，具体是涉及一种基于自适应时空模型的SOEC(固体氧化物电池)电压预测控制方法。

背景技术

高温固体氧化物电解制氢系统的核心部件是固体氧化物电解堆，其运行在高温环境下，相比于电流，温度响应存在明显的滞后。然而，由于电压受到温度的影响，因此电压响应也存在明显的滞后性，不易控制。其次，由于SOEC电堆在运行过程中发生衰减，因此电压随着时间的推移会逐渐升高，导致工况发生偏移。

目前对SOEC的电压控制研究较少，尤其在考虑其受温度影响的滞后性、衰减等问题上。

本申请人经过长期潜心的研究，旨在提供了一种基于自适应时空模型的SOEC电压预测控制方法，该方法首先是，基于时空LS-SVM(最小二乘支持向量机)方法构建SOEC电压时空预测模型，考虑其沿着流道方向的分布；其次是，构建基于SOEC电压时空预测模型的电压预测控制器，考虑温度安全约束，提前对电压进行预测控制；最后是，基于梯度下降法，在SOEC衰减过程中，对SOEC电压时空预测模型进行在线校正，保证预测控制器的控制性能。

发明内容

本发明的目的在于提供一种基于自适应时空分布模型的SOEC电压预测控制方法，适用电压滞后性预测控制，并且采用梯度下降法构建一个可快速计算的在线模型参数校正方法来自动修正模型，保证SOEC在衰减过程中的模型预测精度。

为实现上述目的，本发明提供一种基于自适应时空模型的SOEC电压预测控制方法，包括下列步骤：

建立步骤：基于Aspen ACM软件建立考虑电堆衰减机制的SOEC分布式动态模型；

构建和获取步骤：基于时空LS-SVM构建电压时空预测模型，采用PSO(粒子群优化算法)来获取最优的初始化模型参数；

构建和控制步骤：基于重构的电压时空预测模型，使用MPC(模型预测控制)方法构建电压预测控制器，对SOEC电压进行分布控制；

获取和在线校正步骤：基于修正后的ACM模型获取电压衰减的分布式数据，采用梯度下降法在线对电压时空预测模型的模型参数进行在线校正。

在上述基于自适应时空模型的SOEC电压预测控制方法中，构建的所述SOEC分布式动态模型，包括SOEC电化学衰减模型和传质传热模型，以预设的激励信号为激励输入u(t)，仿真获取所述激励输入下SOEC电堆沿着流道方向上的电压分布数据V(x,t)；

所述V(x,t)表示沿着流道方向位置为x的点在时间点t的电压，定义N为流道方向采样位置数，L表示时间采样点数，从而SOEC分布式动态模型输出V(x,t)得到维度为L×N的电压输出矩阵。

在上述的基于自适应时空模型的SOEC电压预测控制方法中，构建的所述SOEC电化学衰减模型包括：

电解电压：

V(x,t)＝Er(x,t)+η

其中，V(x,t)表示x位置t时刻的电解电压，Er(x,t)表示可逆电压，η

可逆电压Er(x,t)：

其中，E

在上述的基于自适应时空模型的SOEC电压预测控制方法中，

阴极过电势η

η

其中，η

阴极浓度过电势η

其中，

考虑电堆阴极Ni(镍)颗粒粗化导致的衰减，计算阴极活化过电势η

其中，η

初始阴极活化过电势η

其中，J

衰减至t时刻的Ni颗粒半径r

其中，C表示与温度无关的一个常数，X

阴极欧姆过电势η

其中，d

在上述的基于自适应时空模型的SOEC电压预测控制方法中，

阳极过电势η

η

其中，η

阳极浓度过电势η

其中，

考虑阳极LSM(镧锶锰)-YSZ颗粒粗化以及COS(氧化铬垢)和LZO(锆酸镧)层导致的衰减，计算阳极活化过电势η

其中，η

初始阳极活化过电势η

其中，J

阳极欧姆过电势η

其中，d

COS和LZO层在衰减过程中厚度变化：

其中，K

在上述的基于自适应时空模型的SOEC电压预测控制方法中，考虑电解质中的YSZ晶体结构发生变化导致的衰减，计算电解质过电势η

其中，d

其中，σ

在上述的基于自适应时空模型的SOEC电压预测控制方法中，构建的SOEC传质传热模型包括：

阴极质量守恒方程：

其中，u

阴极热量守恒方程：

其中，T

阳极质量守恒方程：

其中，u

阳极热量守恒方程：

其中，T

电池中间固体热量守恒方程：

其中，λ

电池连接体热量守恒方程：

其中，λ

在上述的基于自适应时空模型的SOEC电压预测控制方法中，采用时空LS-SVM方法构建电压时空预测模型具体包括：

采用时空LS-SVM方法对原时序模型进行建模：

其中，y(x,t)表示模型的预测变量，ω(t)表示权重系数，

采用拉格朗日乘子算法求解上述优化问题，得到：

其中，1

其中，σ表示核函数系数，其数值的选择对模型预测精度有很大的影响。

采用传统LS-SVM方法对时间系数、偏置项进行辨识，建立其与激励输入之间的数学模型，具体包括：

反映时间动态特性的ɑ(x

其中，β

同上，得到偏置b(t)的时间序列辨识模型：

其中，z

将辨识后的

采用PSO算法寻求最优的初始时空LS-SVM模型参数，包括正则化因子γ和RBF核函数系数σ。

在上述的基于自适应时空模型的SOEC电压预测控制方法中，采用MPC方法构建的电压预测控制器，具体包括：

建立代价函数为：

其中，V

通过迭代计算的方式，优化函数目标J得到最优控制序列(u

在上述的基于自适应时空模型的SOEC电压预测控制方法中，在SOEC衰减过程中采用梯度下降法对正则化因子γ和RBF核函数系数σ进行在线校正，预防模型失真，具体包括：

建立关于正则化因子γ和RBF核函数系数σ的优化目标函数：

其中，J(γ,σ)表示时空LS-SVM模型的代价函数，

采用梯度下降法对正则化因子γ和RBF核函数系数σ进行局部优化，其迭代更新方程如下：

其中，k表示迭代次数，η表示学习率，γ

本发明与现有技术相比，具有如下优点和有益效果：

本发明采用时空LS-VSM方法建立了SOEC电压时空预测模型，与目前大部分研究相比，该方法不仅能够预测电堆内部沿着流道方向的电压分布，还可以通过简单的梯度下降方法对由于电堆衰减导致的模型失真情况进行在线校正，保证控制器的控制性能。

附图说明

图1为本发明的基于自适应时空分布模型的SOEC电压预测控制方法构建图；

图2为基于本发明的自适应时空分布模型的SOEC电压预测控制原理图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本申请所描述的实施例可以与其它实施例相结合。

请参阅图1，本实施例提供了提供了一种基于自适应时空模型的SOEC电压预测控制方法，具体包括：步骤S1:基于Aspen ACM软件建立考虑电堆衰减机制的SOEC分布式动态模型；

SOEC分布式动态模型包括电化学衰减模型和传质传热模型。以预设的激励信号为激励输入u(t)，仿真获取所述激励输入下SOEC电堆沿着流道方向上的电压分布数据V(x,t)；

所述V(x,t)表示沿着流道方向位置为x的点在时间点t的电压，定义N为流道方向采样位置数，L表示时间采样点数，从而SOEC分布式动态模型输出V(x,t)得到维度为L×N的电压输出矩阵；

优选的，SOEC分布式动态模型具体建模步骤包括以下步骤：

步骤S101、构建SOEC电化学衰减模型：

电解电压：

V(x,t)＝Er(x,t)+η

其中，V(x,t)表示x位置t时刻的电解电压，Er(x,t)表示可逆电压，η

可逆电压Er(x,t)：

其中，E

阴极过电势η

η

其中，η

阴极浓度过电势η

其中，

考虑电堆阴极Ni颗粒粗化导致的衰减，计算阴极活化过电势η

其中，η

初始阴极活化过电势η

其中，J

衰减至t时刻的Ni颗粒半径r

其中，C表示与温度无关的一个常数，XNi和XYSZ分别表示Ni和YSZ的权重分数，AYSZ表示YSZ的表面积，

阴极欧姆过电势η

其中，d

阳极过电势η

η

其中，η

阳极浓度过电势η

其中，

考虑阳极LSM-YSZ颗粒粗化以及COS和LZO层导致的衰减，计算阳极活化过电势η

其中，η

初始阳极活化过电势η

其中，J

阳极欧姆过电势η

其中，d

氧化铬(COS)和氧化镧(LZO)层在衰减过程中厚度变化：

其中，K

考虑电解质中的YSZ晶体结构发生变化导致的衰减，计算电解质过电势η

其中，d

其中，σ

步骤S102、构建的SOEC传质传热模型包括：

阴极质量守恒方程：

其中，u

阴极热量守恒方程：

其中，T

阳极质量守恒方程：

其中，u

其中，T

电池中间固体热量守恒方程：

其中，λ

电池连接体热量守恒方程：

其中，λ

步骤S2:基于时空LS-SVM方法构建电压时空预测模型，采用PSO算法来获取最优的初始化模型参数；

优选的，SOEC电压时空预测模型构建步骤包括：

步骤S201、构建电压时空预测模型，包括：

采用时空LS-SVM方法对原时序模型进行建模：

其中，y(x,t)表示模型的预测变量，ω(t)表示权重系数，

采用拉格朗日乘子算法求解上述优化问题，得到：

其中，1

其中，σ表示核函数系数，其数值的选择对模型预测精度有很大的影响。

采用普通LS-SVM方法对时间系数、偏置项进行辨识，建立其与激励输入之间的数学模型，具体包括：

反映时间动态特性的ɑ(x

其中，β

同上，得到偏置b(t)的时间序列辨识模型：

其中，z

将辨识后的

步骤S202、采用PSO算法初始化电压时空预测模型参数，包括：

采用PSO算法寻求最优的初始LS-SVM的模型参数，包括正则化因子γ和RBF核函数系数σ。

步骤S3:构建基于电压时空预测模型的电压预测控制器，包括

建立代价函数为：

其中，V

优选的，通过迭代计算的方式，优化函数目标J得到最优控制序列(u

步骤S4:基于修正后的ACM模型获取电压衰减的分布式数据，采用梯度下降法在线对电压预测时空模型的模型参数进行在线校正，其迭代更新方程如下：

其中，k表示迭代次数，η表示学习率，γ

如图2所示，一个基于自适应时空模型的SOEC电压预测控制方案的实施应用，具体步骤包括：

步骤S1、设置电解功率P

步骤S2、获取SOEC高温制氢系统运行装置的实时数据，包括电解电压V

步骤S3、使用基于电压时空预测模型的电压预测控制器，对SOEC电压进行预测控制。

建立的模型预测控制方法具体包括：

建立代价函数为：

其中，V

优选的，通过迭代计算的方式，优化函数目标J得到最优控制序列(u

步骤S4、一定时间段后，基于梯度下降法对电压时空预测模型进行在线校正，具体包括：

采用梯度下降法对正则化因子γ和RBF核函数系数σ进行局部优化，其迭代更新方程如下：

其中，k表示迭代次数，η表示学习率，γ

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。以上结合附图实施例对本发明进行了详细说明，本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而，实施例中的某些细节不应构成对本发明的限定，本发明将以所附权利要求书界定的范围作为本发明的保护范围。