燃料电池机车温度系统建模和控制

以质子交换膜燃料电池为动力源的燃料电池机车是机车发展的一个新方向,温度是保证系统性能和可靠性的重要条件之一。建立了燃料电池机车温度系统的动态模型,其中包含电堆、旁路阀、散热片等部件及其阻力模型;通过调节散热器空气流速和循环泵冷却液流速,实现电堆入口温度保持在设定温度及电堆出入口温度差<10o C的控制目标;温度控制器分别采用了PI控制器和带积分的状态反馈控制器。仿真实验验证了PI控制和带积分的状态反馈控制不仅都能达到满意效果,二者的温度误差<0.1o C,由于带积分的状态反馈控制考虑了输入和输出之间的耦合关系,其控制性能明显优于PI控制。     

基于ABC-SVM固体氧化物燃料电池电堆建模与仿真

为了更好地满足工程上对SOFC (solid oxide fuel cell)性能预测和控制方案设计要求,提出利用人工蜂群算法(ABC)优化支持向量机(SVM)来建立SOFC电堆模型。通过利用ABC算法优化SVM参数(核函数值宽度和惩罚因子),采用优化后的参数作为SVM的初始参数建立模型,与SVM、GA-SVM和PSO-SVM模型进行对比。实验结果表明:ABC-SVM模型平均平方误差小,说明该算法可以很好的预测在不同氢气流速下SOFC的电压/电流特性曲线。该模型对SOFC预测和控制方案设计有一定价值。     

熔盐燃料电池电堆动态特性的建模和分析

根据物质、动量和能量守恒，建立了10kW级顺流型熔融碳酸盐燃料电池（MCFC）电堆的数学模型，给出了模型的边界条件。将MCFC电堆的波状板考虑到模型中，求解模型得到气压以及各部分温度的分布。给出并求解了MCFC的电气特性模型，分析了电堆沿气流方向的特性；电堆在电流密度阶跃变化下的动态响应。与试验数据的比较表明，模型能正确反映电堆真实的内部特性。     

质子交换膜燃料电池电堆温度的非线性控制

基于质子交换膜燃料电池电堆的能量守恒，建立了在大范围的负载扰动下电池电堆温度的非线性模型。利用状态反馈线性化的输出对干扰基本解耦的新方法进行模型线性化，再依据最优控制理论设计了保证电堆温度恒定的非线性控制器。通过实验和仿真结果表明该控制器能够获得较好的控制效果。     

基于神经网络辨识的熔融碳酸盐燃料电池建模

针对熔融碳酸盐燃料电池（MCFC）电堆系统难以建模以及已建立的模型过于复杂，难以满足工程上对MCFC系统控制设计特别是实时控制需要的情况，绕开MCFC的内部复杂性，提出利用神经网络可能逼近任意复杂非线性函数的性能，将神经网络辨识方法应用到MCFC这种高度非线性系统的建模中。以燃料气和氧化剂气体的流速的输入量，MCFC电堆温度响应为输出量，根据输入输出数据用神经网络辨识建立MCFC电堆系统的温度模型，给出了辨识系统的结构及改进BP算法。仿真结果证明了这种方法的可行性，所建立的模型精度较高，使得设计MCFC的实时控制器成为可能。     

车用燃料电池技术分析

近年来,随着科研技术人员对新能源汽车的不断研发,车用燃料电池技术也同时不断地更新换代,其目的就是提高车用燃料电池的质量,减少传统汽车燃料消耗所带来的环境污染。该文首先对广泛使用的几种车用电池在技术、优缺点方面进行了分析、比较。其次科学地分析了氢燃料电池的直排流通模式、死端模式,以及基于清洁能源的典型车用燃料系统——氢燃料电池氢气供应系统的工作原理和各项性能。通过对比,证明氢燃料电池氢气供应系统的安全性、可靠性及其在目前车用燃料电池方向上具有独特优势。最后该文对未来燃料电池的发展进行了展望。     

进气相对湿度对变载工况下PEMFC电堆性能的影响

为了探究进气相对湿度对质子交换膜燃料电池电堆变载工况性能的影响,设计了一个动态循环工况,包括电流密度从0.10到0.35 A/cm²、从0.10到1.00 A/cm²的2种阶跃工况和电流密度分别为0.10、0.35、1.00 A/cm²的稳定工况,进行了相对湿度分别为20%、30%、50%、70%、80%的5组试验.结果表明：恒流状态时,电堆在不同电流密度下对相对湿度的敏感性不同,在大电流密度下相对湿度对电堆性能影响较大;变载过程中,电堆电压出现下冲和过冲现象,加载过程的电压下冲量与变载幅度和相对湿度有关,电堆单电池电压一致性变差,电压一致性与进气相对湿度有关.     

基于贝叶斯正则化BP神经网络的PEMFC电堆建模

质子交换膜燃料电池(proton exchange membrane fuel cell, PEMFC)电堆具有输入输出关系复杂、非线性强等特点,获得精确的电堆模型是PEMFC系统优化控制的基础。文章针对PEMFC电堆特点,提出一种改进BP(back propagation)神经网络的PEMFC电堆建模方法。利用BP神经网络良好的非线性拟合特性,采用贝叶斯正则化算法改进BP神经网络,较好地解决了传统BP神经网络存在的高训练精度、低预测精度的过拟合问题。仿真结果表明,经过训练后的电堆模型,在精度和稳定性上具有一定的优势,即使在训练样本数量减少的情况下,依然可以保持良好的泛化能力和较高的稳定性。