基于多维数据驱动模型和高分辨率电流测量技术的研究:燃料电池性能一致性的探讨

《Fuel》:Study on fuel cell performance consistency with multi-dimensional data-driven model and high-resolution current measurement

【字体: 大 中 小 】 时间:2026年04月11日 来源:Fuel 7.5

编辑推荐:

  质子交换膜燃料电池堆内部电流分布预测研究提出多维度数据驱动模型,通过自建高分辨率分段测量装置获取商业规模燃料电池堆在不同工况下的内部电流分布数据,构建人工神经网络模型并验证其预测精度(绝对误差低于4.92%),优化模型结构后实现高效在线故障诊断和控制策略优化,提升燃料电池堆性能与寿命。

  
Cong Yin|Mengting Lai|Haiyu Yang|Kaixin Huang|Yuqin Luo|Hao Tang
中国电子科技大学自动化工程学院,成都611731

摘要

对于具有较大有效面积的商业质子交换膜燃料电池(PEMFC)堆栈而言,内部反应电流的一致性对堆栈的性能、耐用性和能源效率至关重要。然而,在运行的燃料电池系统中通常难以获得内部电流分布数据,而集成额外的原位传感设备进行电流监测会显著增加系统的复杂性和成本。因此,提出了一种新的多维数据驱动模型,以高效预测商业尺寸堆栈的内部电流分布。首先通过自建的高分辨率分段电池在不同的运行条件下测量内部电流分布,并将测量结果用于模型的训练和验证。所提出的模型能够很好地再现不同运行条件下的堆栈内部电流分布,其绝对百分比误差低于4.92%。通过优化模型结构,该模型可以应用于运行中的燃料电池系统,进行在线故障诊断和控制策略优化,从而可能提高堆栈的性能和寿命。

引言

近年来,质子交换膜燃料电池(PEMFC)由于其零排放、高能源效率和紧凑的系统结构而在能源应用中引起了广泛关注[1]、[2]、[3]。汽车用PEMFC堆栈通常设计有较大的活性面积,以满足高功率需求[4]、[5]、[6]。在每个单独电池的活性区域内,反应物浓度、温度和水分含量的分布显著影响反应电流的一致性。因此,探索单个电池内二维电流分布的一致性对于优化燃料电池能源系统的设计和控制策略至关重要。
在实验研究中,已经进行了大量研究,使用分段测量技术来测量局部性能分布[7]、[8]、[9]、[10]、[11]、[12]、[13]、[14]、[15]。Xia等人研究了基于25平方厘米分段PEMFC的三蛇形流场的反应物匮乏时电流分布的变化[12]。Meng和Yang等人利用印刷电路板(PCB)技术研究了50平方厘米活性面积(矩阵:4×8)的PEMFC在不同关键运行参数和各种流场设计下的性能[8]、[9]、[13]。Miao等人使用PCB分段装置将108平方厘米的PEMFC分成27段(矩阵:3×9),以分析温度分布和电流分布的一致性[10]。Peng等人研究了250平方厘米活性面积(矩阵:9×16)的PEMFC中的非均匀电流密度分布[11]。Zhou等人使用PCB技术将320平方厘米的PEMFC分成40段(矩阵:5×8),以研究电压损失分布的解耦[15]。尽管在内部电流分布测量方面取得了这些研究进展,但集成额外的仪器来监测电流分布会显著增加燃料电池系统的复杂性和成本。
目前,预测PEMFC堆栈内性能分布的方法大致可以分为两类:模型驱动方法和数据驱动方法。模型驱动方法基于燃料电池系统的物理和电化学机制开发,包括传输过程、反应动力学和内部参数相互作用。在数值研究中,基于计算流体动力学(CFD)的模型被广泛用于研究PEMFC堆栈内的性能分布[16]。Yin等人开发了一个三维多物理模型,用于分析PEMFC堆栈的内部参数,如电流、温度和相对湿度[17]。Chen等人开发了一个动态PEMFC模型,用于研究流道和多孔电极中的两相水流过程[18]。多物理CFD模型可以模拟给定PEMFC堆栈的详细内部性能,但需要大量的计算工作才能获得收敛结果,这对在线模型预测构成了巨大挑战[19]、[20]。因此,尽管模型驱动模型可以提供详细的物理洞察,但它们往往数学上复杂且计算密集,这可能限制了它们在实时系统分析和控制中的适用性。
随着人工智能和深度学习技术的快速发展,数据驱动方法近年来受到了越来越多的关注。这些方法依赖于历史实验或运行数据来学习运行条件和系统响应之间的复杂非线性关系,从而无需详细的物理建模即可实现准确预测。因此,当有高分辨率的实验数据时,数据驱动方法为预测PEMFC堆栈中的复杂内部性能分布提供了有效的替代方案[21]。Li等人利用深度信念网络(DBN)在短时间内预测了平均电流密度和最大功率;然而,预测平均电流密度的绝对误差上限为0.159 A/cm2[5]。Han等人预测并分析了纯氧PEMFC的性能,发现人工神经网络(ANN)模型在不同运行条件下的极化曲线预测性能优于支持向量机(SVM)模型[22]。Cho等人开发了一个结合模型预测控制(MPC)的ANN模型,以优化不同电流负载下的PEMFC系统运行[23]。Bicer等人提出了一种智能电网集成PEMFC的ANN方法,可以同时预测燃料电池的电压和电流[24]。Park等人提出了一个ANN模型,用于预测具有25平方厘米活性面积并分成25段的小型PEMFC的电流分布[25]。所报道的模型主要关注整体燃料电池性能预测,其中很少有模型能够预测PEMFC堆栈内部的电流分布。
上述研究使用了各种实验方法或数值模拟来研究PEMFC的内部性能。然而,只有少数已发表的研究解决了高效预测商业尺寸PEMFC堆栈内部电流分布这一关键挑战,以便潜在的在线应用。在这项工作中,提出了一种多维人工神经网络(ANN)模型,以准确高效地预测商业尺寸PEMFC堆栈的内部电流分布。本工作的贡献和创新点如下:
本研究基于对一个活性面积为406平方厘米的6电池PEMFC堆栈进行的实验研究,该堆栈被分成396段。
(1) 通过使用自建的高分辨率分段测量设备在各种运行条件下建立了一个可靠的数据集,为模型训练和验证提供了足够的数据。值得注意的是,这个自设计的汽车用PEMFC堆栈具有406平方厘米的活性面积,被分成396段以测量内部电流分布。
(2) 所提出的数据驱动模型将多个运行参数作为输入整合到ANN架构中,能够输出维度为396的多维电流分布,与高分辨率分段测量结果一致。该模型在预测方面表现出高度准确性,并且计算效率高,适用于在线故障诊断和控制策略优化。
本文的其余部分结构如下:第2节描述了自建的燃料电池测试系统和分段PEMFC设备,以及详细的实验程序。第3节介绍了所提出的多维ANN模型。第4节重点讨论了模型结构的优化、在不同运行条件下的性能预测以及相关预测误差的分析。第5节提出了主要结论并概述了未来研究的潜在方向。

部分摘录

燃料电池测试系统

实验是在实验室中使用自建的高功率燃料电池测试系统进行的,如图1(a)所示。该系统主要由信号采集模块、气体供应模块、冷却剂供应模块、电缆、传感器和控制模块组成。信号采集模块用于测量电流、电压、温度和压力信号。具体来说,电流信号采集过程可以描述如下。

多维ANN模型

人工神经网络(ANN)是一种受生物神经系统结构和功能启发的机器学习模型[27]。ANN模型由多个通过边连接在一起的神经元节点组成,如图3(a)所示。节点类似于神经元的细胞体。每个节点将来自上方的输入信号与模型优化的偏置相加,应用激活函数f将结果总和Σ映射到特定范围内,然后将其传输给下方

各种模型结构的影响

对于具有7个输入变量和402个输出变量的ANN模型,隐藏层的数量和神经元的数量在实现最佳性能方面起着关键作用。为了在不同网络架构之间进行公平比较并确定最佳模型结构,采用试错方法对具有不同隐藏层配置的多个ANN模型进行了一系列控制实验。在这些实验中,每个模型都训练了30个周期

结论

在这项工作中,提出了一种多维ANN模型来研究PEMFC堆栈的内部电流分布,并通过在不同运行条件下的高分辨率映射实验进行了验证。主要发现如下:
  • 1.
    将关键运行参数整合到ANN模型中,可以实现高效准确的在线预测多维输出,包括同时预测内部电流和电压分布。
  • 1.
    比较分析

CRediT作者贡献声明

Cong Yin:撰写——原始草稿、资源、方法论、研究、资金获取、概念化。Mengting Lai:撰写——原始草稿、软件、研究、正式分析。Haiyu Yang:撰写——审阅与编辑、资源、研究。Kaixin Huang:软件、方法论、研究、正式分析。Yuqin Luo:资源、研究。Hao Tang:撰写——审阅与编辑、资金获取。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。

致谢

本工作得到了国家自然科学基金(编号:52376169)、吉林省科技计划(编号:20230301017ZD)和四川省科技计划(编号:2024ZDZX0035)的资助。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号