一种燃料电池空气系统仿真模型的建模优化方法

技术领域

本发明涉及燃料电池，尤其涉及一种燃料电池空气系统仿真模型的建模优化方法。

背景技术

燃料电池具有能量转化效率高、环境污染小、低温快速启动等优势，在清洁能源发电和新能源汽车领域都具有非常广阔的应用前景。它是以氢气、氧气为原料，不断的发生电化学反应，进而能够把化学能转化生成电能。但是燃料电池本身是一个非线性、强耦合的复杂动态系统，尤其燃料电池的空气系统涉及众多部件的协调工作，更为复杂。为了对燃料电池空气系统进行深入研究，要建立能准确描述它性能和变化趋势的仿真模型。但是在实际应用的时候，会发现空气系统仿真模型存在计算速度慢、不能有效保护模型的建模过程等诸多弊端。

现有技术中在搭建燃料电池空气系统仿真模型时局限于空气系统仿真模型精度的提升及操作条件的匹配，没有关注如何优化模型，减少模型的仿真计算时间，没有关注模型本身物理方程和建模过程的保护，未有效利用仿真模型的丰富数据，未开发出基于神经网络的代理模型，未将代理模型用于燃料电池空气系统的分析研究中。

发明内容

根据现有技术存在的问题，本发明公开了一种燃料电池空气系统仿真模型的建模优化方法，具体方法包括如下步骤：

建立基于燃料电池电堆模型、空压机模型、节气门模型、中冷器模型的燃料电池空气系统仿真模型；

确定燃料电池空气系统仿真模型的边界，使用该仿真模型采集多工况下的空压机转速、节气门开度、环境温度、环境压力的关键输入数据，采集空压机出口流量、空压机出口压力、空压机出口温度的关键输出数据；；

将采集到的数据作为神经网络的训练样本，对神经网络进行训练；

所述神经网络由长短期记忆网络组成，所述长短期记忆网络通过内部输入门、遗忘门、输出门以及额外的内部单元状态处理复杂的动态关系从而获取燃料电池空气系统仿真模型的长期动态特征，采用tanh激活函数体现燃料电池空气系统仿真模型整体的非线性；

所述神经网络输入层和输出层的节点个数与燃料电池空气系统仿真模型的输入输出维度相同，其中输入层四个节点分别对应空压机转速、节气门开度、环境温度、环境压力，输出层三个节点分别对应空压机出口流量、空压机出口压力和空压机出口温度；

使用燃料电池空气系统仿真模型的关键输入输出数据训练神经网络，建立基于神经网络的代理模型，完成燃料电池空气系统仿真模型的优化过程。

所述神经网络对燃料电池空气系统仿真模型进行降阶处理，建立基于神经网络的代理模型。

所述神经网络的隐藏层层数由训练效果决定，神经网络隐藏层为2层，每层包括6个节点，神经网络训练的均方误差为0.014。

所述神经网络训练样本数据由燃料电池空气系统仿真模型采集得到，采用虚拟手段获得测试数据从而降低测试成本。

在实际工况驱动下，将基于空压机出口流量、空气出口压力、空气出口温度的关键参数的代理模型的仿真结果和燃料电池空气系统仿真模型仿真结果进行对比，平均误差均在4％以内。

所述长短期记忆网络使用三个开关获取长期动态特征，每一个开关在网络中采用门的形式进行控制，门的输出是0-1之间的实数向量，每个门内部采用sigmoid激活函数，用门的输出向量按元素乘以需要控制的向量，从而控制向量的通过。

在实际工况驱动下，原燃料电池空气系统仿真模型的计算耗时为73秒，而代理模型的计算耗时为0.002秒。能够实现模型简化，减少模型的仿真计算时间，提高计算效率。

由于采用了上述技术方案，本发明提供的一种燃料电池空气系统仿真模型的建模优化方法，该方法根据数理关系建立关键零部件模型，搭建包含燃料电池电堆模型、空压机模型、节气门模型、中冷器模型的燃料电池空气系统仿真模型，确定燃料电池空气系统仿真模型的边界，使用仿真模型采集多工况下的空压机转速、节气门开度、环境温度、环境压力等关键输入数据，采集空压机出口流量、空压机出口压力、空压机出口温度等关键输出数据，将以上输入和输出数据作为神经网络训练的样本，建立基于神经网络的代理模型。然后设定实际的运行工况，在实际运行工况驱动下将代理模型的仿真结果和原空气系统仿真模型的结果进行对比，平均误差均在4％以内，并且模型计算耗时大幅降低。通过本发明的燃料电池空气系统仿真模型的建模优化方法，能够实现模型简化，减少模型的仿真计算时间，提高计算效率；能够保护知识产权，隐藏模型的物理方程和建模过程；采用虚拟手段获得丰富的测试工况，对于提高网络训练的精度，降低测试成本有着重要意义。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明中空压机出口流量结果对比图

图2为本发明中空压机出口压力结果对比图

图3为本发明中空压机出口温度结果对比图

图4为本发明中原燃料电池空气系统仿真模型的计算耗时结果图

图5为本发明中燃料电池空气系统代理模型的计算耗时结果图

图6为本发明中神经网络结构图

图7为本发明中神经网络训练结果图

图8为本发明中神经网络训练结果图燃料电池空气系统仿真模型优化方法流程示意图

具体实施方式

为使本发明的技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述：

燃料电池电堆模型包含多个输入物理量和输出物理量，在燃料电池运行时，通过自身的化学反应产生电能，燃料电池的燃料和氧化剂的消耗量和对外输出电量之间是遵循法拉第定律的。针对燃料电池系统级别的仿真，燃料电池电堆模型也需要从系统的层面上去分析建模。将燃料电池单节电池的输出特性和工作机理进行线性回归，得到单电池的模型。重点关注电堆的电压输出特性，根据电堆实际节数，乘以节数的增益，完成燃料电池电堆模型的建模。

燃料电池空气系统包含空压机、中冷器、节气门等关键零部件。

空压机用于空气增压，调节进入电堆的空气流量和压力，有助于提升燃料电池的反应速率。空压机其升压比(p

P

η＝f(dm

空压机转速和流量需要经过折合公式计算，以满足不同工况下空压机输出性能的计算分析，常用的转速和流量修正公式如下：

其中dm

中冷器用于冷却空压机压缩后的高温空气，控制进入电堆的空气温度。中冷器将混合气体侧、冷却液侧模块化处理，可以实现多种形式的换热。根据供应商提供的测试数据，采用NTU建模方式进行中冷器性能标定，拟合出中冷器关键参数和公式，用于分析计算。

节气门主要用来控制空气路出口气体压力，并能够在停机后关闭阴极排气管路，防止空气反向流入电堆。确定节气门阀片直径、阀片的轴直径参数，节气门阀片旋转角度范围为[0,90°]。流经节气门的流量计算公式为:

其中m为质量流量(kg/s)，A为口径面积(m

建立关键零部件模型后，根据系统流程图搭建燃料电池空气系统仿真模型，可预先实现燃料电池空气系统的虚拟运行，分析研究其性能和变化趋势。

确定燃料电池空气系统仿真模型的边界，使用仿真模型采集多工况下的空压机转速、节气门开度、环境温度、环境压力等关键输入数据，采集空压机出口流量、空压机出口压力、空压机出口温度等关键输出数据，将以上输入和输出数据作为神经网络训练的样本，建立基于神经网络的代理模型。利用神经网络完成模型降阶，可实现模型简化，减少模型的仿真计算时间，提高计算效率；能够保护知识产权，隐藏模型的物理方程和建模过程；采用虚拟手段获得丰富的测试工况，对于提高网络训练的精度，降低测试成本有着重要意义。

神经网络属于一类非线性回归量，可以使用足够大的数据集进行训练后捕获函数的输入和输出之间的非线性关系。神经网络由输入层、隐藏层、输出层组成，每层有固定数量的神经元。输入层和输出层的节点个数与系统仿真模型的输入输出维度相同。隐藏层的层数和节点个数，要根据训练效果和需求来决定。

在传统的神经网络模型中，信息传递是从输入层到隐藏层再到输出层，层与层之间是互相连接的，但是每层之间的节点是无连接的。如果要实现对实际问题的预测，提前预判对象的下一个状态，就需要用到循环神经网络，即一个序列当前的输出与前面的输出也有关。具体的表现形式为网络会对前面的信息进行记忆并应用于当前输出的计算中，即隐藏层之间的节点之间互相是连接的，并且隐藏层的输入不仅包括输入层的输出，还包括上一时刻隐藏层的输出。

长短期记忆网络(LSTM)是一种改进后的循环神经网络，增加一个内部单元状态，可以获取模型的长期动态特征，避免循环神经网络中梯度消失问题。在LSTM中使用三个开关获取长期动态特征，第一个开关负责继续保存长期动态特征，第二个开关负责把即时状态输入到长期动态特征中，第三个开关负责把长期动态特征作为当前LSTM的输出。每一个开关在网络中用门的形式实现控制，门的输出是0-1之间的实数向量，每个门内部采用sigmoid激活函数，用门的输出向量按元素乘以需要控制的向量，可控制向量的通过。LSTM利用额外的内部单元状态和门来处理复杂的动态关系。

LSTM的第一个开关为遗忘门，遗忘门的计算公式为：

f

其中w

LSTM的第二个开关为输入门，输入门的计算公式为：

i

其中w

LSTM的第三个开关为输出门，输出门的计算公式为：

o

其中w

LSTM中每个神经元都包含一个激活函数，采用tanh激活函数来体现整体的非线性，根据上一时刻的输出和当前时刻的输入来计算当前输入的单元状态，计算公式为：

c

其中w

在计算得到当前单元状态后，结合上一时刻的单元状态，经遗忘门和输入门的作用，新的单元状态计算公式为：

c

其中f

最终经过输出门和tanh激活函数作用的输出计算公式为：

h

其中o

神经网络架构由改进后的循环神经网络LSTM构成，通过LSTM内部输入门、遗忘门、输出门以及额外的内部单元状态，处理复杂的动态关系，获取模型的长期动态特征，采用tanh激活函数来体现模型整体的非线性。通过建立基于神经网络的代理模型，完成模型降阶，可实现模型简化，减少模型的仿真计算时间，大大提高计算效率；能够保护知识产权，隐藏模型的物理方程和建模过程；采用虚拟手段获得丰富的测试工况，对于提高网络训练的精度，降低测试成本有着重要意义。并且通过仿真模型可以在前期设计阶段实现系统的虚拟运行，分析研究其性能和变化趋势，对设计方案进行验证并指导燃料电池系统开发与应用。

该方法建立基于神经网络的代理模型，能够在保证模型具有较高精度的前提下，实现模型简化，减少模型的仿真计算时间，提高计算效率；能够保护知识产权，隐藏模型的物理方程和建模过程；采用虚拟手段获得丰富的测试工况，对于提高网络训练的精度，降低测试成本有着重要意义。由图1、图2、图3可以看出，原燃料电池空气系统仿真模型和简化后的代理模型，在空压机出口流量、空气出口压力、空气出口温度等关键参数上仿真结果平均误差均在4％以内。由图4、图5可以看出，原燃料电池空气系统仿真模型的计算耗时为73秒，而代理模型的计算耗时仅为0.002秒。综合上述结果可以说明，通过本发明的燃料电池空气系统仿真模型的建模优化方法，基于神经网络建立的代理模型能够在保证模型具有较高精度的前提下，实现模型简化，大幅减少模型的仿真计算时间，提高计算效率。

如图8所示的一种燃料电池空气系统仿真模型的建模优化方法，具体包括如下步骤：

燃料电池的燃料和氧化剂的消耗量和对外输出电量之间是遵循法拉第定律的。针对燃料电池系统级别的仿真，燃料电池电堆模型也需要从系统的层面上去分析建模。将燃料电池单节电池的输出特性和工作机理进行线性回归，得到单电池的模型。重点关注电堆的电压输出特性，根据电堆实际节数，乘以节数的增益，完成燃料电池电堆模型的建模。

空压机其升压比(p

中冷器将混合气体侧、冷却液侧模块化处理，可以实现多种形式的换热。根据供应商提供的测试数据，采用NTU建模方式进行中冷器性能标定，拟合出中冷器关键参数和公式，用于分析计算，完成中冷器的建模。

确定节气门阀片直径、阀片的轴直径参数，节气门阀片旋转角度范围为[0,90°]，利用公式(5)，对流经节气门的流量进行计算，完成节气门的建模。

建立关键零部件模型后，根据系统流程图搭建燃料电池空气系统仿真模型，可预先实现燃料电池空气系统的虚拟运行，分析研究其性能和变化趋势。

确定燃料电池空气系统仿真模型的边界，使用燃料电池空气系统仿真模型采集多工况下的空压机转速、节气门开度、环境温度、环境压力等关键输入数据，采集空压机出口流量、空压机出口压力、空压机出口温度等关键输出数据，将以上输入和输出数据作为神经网络训练的样本。

神经网络结构图见图6，输入层和输出层的节点个数与系统仿真模型的输入输出维度相同，输入层四个节点分别对应空压机转速、节气门开度、环境温度、环境压力。输出层三个节点分别对应空压机出口流量、空压机出口压力、空压机出口温度。隐藏层层数根据训练效果决定，分为2层，每层6个节点。

神经网络类型为LSTM，LSTM是一种改进后的循环神经网络，增加一个内部单元状态，可以获取模型的长期动态特征，避免循环神经网络中梯度消失问题。在LSTM中使用三个开关获取长期动态特征，第一个开关负责继续保存长期动态特征，第二个开关负责把即时状态输入到长期动态特征中，第三个开关负责把长期动态特征作为当前LSTM的输出。每一个开关在网络中用门的形式实现控制，门的输出是0-1之间的实数向量，每个门内部采用sigmoid激活函数，用门的输出向量按元素乘以需要控制的向量，可控制向量的通过。

神经网络每层网络之间采用tanh激活函数来体现模型整体的非线性，通过LSTM内部输入门、遗忘门、输出门以及额外的内部单元状态，利用公式(6)-公式(11)，完成LSTM的分析计算，处理复杂的动态关系，获取模型的长期动态特征。

确定神经网络的类型、架构、激活函数后，用燃料电池空气系统仿真模型的仿真数据训练神经网络，神经网络训练结果图见图7，神经网络训练的均方误差为0.014，说明训练后的神经网络精度较高，可以满足需求。

通过本发明的燃料电池空气系统仿真模型的建模优化方法，在保证模型具有较高精度的前提下，建立基于神经网络的代理模型，能够实现模型简化，减少模型的仿真计算时间，提高计算效率；能够保护知识产权，隐藏模型的物理方程和建模过程；采用虚拟手段获得丰富的测试数据，对于提高网络训练的精度，降低测试成本有着重要意义。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。