專利名稱：一種氫能反應(yīng)堆的建模方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種自動控制與信息技術(shù)領(lǐng)域的方法，具體地，涉及一種利用基于敏感度分析的動態(tài)神經(jīng)網(wǎng)絡(luò)對氫能反應(yīng)堆進行建模的方法，屬于先進制造技術(shù)領(lǐng)域。
背景技術(shù)：
氫能反應(yīng)堆是一種利用氫能發(fā)電的新型燃料電池裝置，近年來已經(jīng)被應(yīng)用于新能源汽車、便攜式電源、熱電聯(lián)供系統(tǒng)等多種行業(yè)和領(lǐng)域。隨著氫能反應(yīng)堆的商業(yè)化應(yīng)用，對其模型的要求也逐漸增強，建立合理高效的氫能反應(yīng)堆模型具有重要的理論與應(yīng)用價值。氫能反應(yīng)堆模型就是通過某種建模方法獲得的，能夠定量描述氫能反應(yīng)堆各變量之間相互影響的抽象數(shù)學(xué)關(guān)系。氫能反應(yīng)堆是一種典型的多變量復(fù)雜非線性系統(tǒng)，涉及傳質(zhì)、傳熱和電化學(xué)反應(yīng)過程，機理建模具有較大難度；此外，由于其具有時變、強耦合、高度非線性等特性，利用經(jīng)驗方法建模難以取得令人滿意的效果。因此，如何利用新型建模方法建立氫能反應(yīng)堆模型，成為氫能反應(yīng)堆模型研究中的熱點之一。之前氫能反應(yīng)堆模型研究主要分為兩方面，一是機理模型的研究，二是經(jīng)驗?zāi)Ｐ偷难芯?。前者一般建立在比較合理的理論假設(shè)基礎(chǔ)上，運用基本的傳遞和電化學(xué)反應(yīng)方程來描述氫能反應(yīng)堆特性；后者相對比較簡單，僅通過設(shè)定某些參數(shù)來擬合輸入、輸出數(shù)據(jù)以反映氫能反應(yīng)堆的性能。雖然上述建模方法能夠解決氫能反應(yīng)堆的建模問題，但是還存在以下不足(1)機理模型的建立較為復(fù)雜，其計算量大、耗時多、實時性差，不適宜實際工業(yè)現(xiàn)場應(yīng)用；(2)經(jīng)驗?zāi)Ｐ偷慕⑹苋藶橛绊戄^多，模型優(yōu)化不夠充分；(3)由于氫能反應(yīng)堆性能具有時變特性，且上述兩類結(jié)構(gòu)及參數(shù)固定的模型均不具備在線優(yōu)化能力，故不能充分滿足氫能反應(yīng)堆的建模要求。

發(fā)明內(nèi)容
本發(fā)明的目的在于通過提供一種氫能反應(yīng)堆的建模方法，構(gòu)建氫能反應(yīng)堆動態(tài)神經(jīng)網(wǎng)絡(luò)模型，并使其具有在線優(yōu)化的能力，實現(xiàn)氫能反應(yīng)堆模型的優(yōu)化，解決氫能反應(yīng)堆建模過程中存在的問題。本發(fā)明是采用以下技術(shù)手段實現(xiàn)的利用基于敏感度分析的動態(tài)神經(jīng)網(wǎng)絡(luò)對氫能反應(yīng)堆進行建模的方法包含如下步驟1. 1 設(shè)計氫能反應(yīng)堆動態(tài)神經(jīng)網(wǎng)絡(luò)模型，選取能夠表征氫能反應(yīng)堆工作狀態(tài)的參數(shù)(反應(yīng)堆溫度、氫氣入口壓力、空氣入口壓力、氫氣入口流量、空氣入口流量、增濕罐溫度、電流密度)為模型輸入；選取能夠體現(xiàn)氫能反應(yīng)堆性能的參數(shù)(反應(yīng)堆輸出電壓)為模型輸出。1. 2 采集步驟1. 1中所指定的構(gòu)建氫能反應(yīng)堆動態(tài)神經(jīng)網(wǎng)絡(luò)模型所需的輸入、輸出共8項數(shù)據(jù)，采集每項數(shù)據(jù)的具體要求如下①反應(yīng)堆溫度，考慮氫能反應(yīng)堆實際工況，以10°C為數(shù)據(jù)采集步長；
②氫氣入口壓力，考慮氫能反應(yīng)堆實際工況，以IOltfa為數(shù)據(jù)采集步長；③空氣入口壓力，考慮氫能反應(yīng)堆實際工況，以lOltfa為數(shù)據(jù)采集步長；④氫氣入口流量，考慮氫能反應(yīng)堆實際工況，以5L/min為數(shù)據(jù)采集步長；⑤空氣入口流量，考慮氫能反應(yīng)堆實際工況，以5L/min為數(shù)據(jù)采集步長；⑥增濕罐溫度，考慮氫能反應(yīng)堆實際工況，以10°C為數(shù)據(jù)采集步長；⑦電流密度，考慮氫能反應(yīng)堆實際工況，利用變密度法進行數(shù)據(jù)采集，即在低電流密度(O 100mA/cm2)時，以10mA/cm2為數(shù)據(jù)采集步長，在中電流密度(100 500mA/cm2) 時，以50mA/cm2為數(shù)據(jù)采集步長，在高電流密度(> 500mA/cm2)時，以lOOmA/cm2為數(shù)據(jù)采集步長；⑧反應(yīng)堆輸出電壓，當(dāng)上述7項采集數(shù)據(jù)為相應(yīng)值時，采集反應(yīng)堆輸出電壓。1. 3 對步驟1. 2中所采集的氫能反應(yīng)堆數(shù)據(jù)進行篩選與處理。篩選依次包含兩個步驟①剔除超出氫能反應(yīng)堆工作范圍的數(shù)據(jù)；②剔除超出三倍數(shù)據(jù)樣本標準差的數(shù)據(jù)。 處理依次包含兩個步驟①提取數(shù)據(jù)的特征值；②對數(shù)據(jù)進行歸一化。首先，判斷步驟1.2中所采集的數(shù)據(jù)是否符合氫能反應(yīng)堆的實際工作范圍，若不符合則直接剔除該數(shù)據(jù)以及與其同時采集的其他數(shù)據(jù)。其次，利用“三倍標準差法”判斷數(shù)據(jù)中是否存在異常數(shù)據(jù)，若存在則剔除該數(shù)據(jù)以及與其同時采集的其他數(shù)據(jù)。設(shè)在同一狀態(tài)下對同一輸入(或輸出量)量Xi共采集到L 個數(shù)據(jù)，計算此項數(shù)據(jù)的樣本均值:^^yXxi(O,/=1,2,L 7(1)
L 1=\數(shù)據(jù)偏差為以.(/) = X1(I)-^, 1 = 1,2,1,1,按照Bessel公式計算出標準偏差⑵若某一數(shù)據(jù)偏差滿足Di(I) I ^30^1 = 1,2, L, L(3)則認為此數(shù)據(jù)為異常數(shù)據(jù)。再次，重新計算樣本均值^；，作為本次建模數(shù)據(jù)的特征值。最后，利用“最大最小法”對篩選后的數(shù)據(jù)按類進行歸一化，公式為X「:_X(4)
^max ^min其中，Xin為歸一化后的數(shù)據(jù)。篩選與處理后的數(shù)據(jù)作為氫能反應(yīng)堆動態(tài)神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練與驗證數(shù)據(jù)。1. 4 采用基于敏感度分析的動態(tài)神經(jīng)網(wǎng)絡(luò)構(gòu)建上述氫能反應(yīng)堆模型，按照步驟 (1)所述確定模型輸入與輸出，利用步驟1. 2,1. 3中所得數(shù)據(jù)對其進行訓(xùn)練與驗證；此氫能反應(yīng)堆動態(tài)神經(jīng)網(wǎng)絡(luò)模型基于誤差逆?zhèn)鞑ニ惴?gòu)建，網(wǎng)絡(luò)結(jié)構(gòu)具體分為輸入層、隱含層、 輸出層?；诿舾卸确治龅膭討B(tài)神經(jīng)網(wǎng)絡(luò)模型示意圖如圖2所示。初始化氫能反應(yīng)堆動態(tài)神經(jīng)網(wǎng)絡(luò)模型此動態(tài)神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)為I-J-K，跟據(jù)模型輸入、輸出個數(shù)及隱含層神經(jīng)元數(shù)目經(jīng)驗公式J = 21+1，可知I = 7、J = 15、K = 1，即輸入層有7個神經(jīng)元，隱含層有15個神經(jīng)元，輸出層有1個神經(jīng)元；對其中的聯(lián)接權(quán)值、閥值隨機賦值；此動態(tài)神經(jīng)網(wǎng)絡(luò)模型的輸入χ為[Xl，x2, L，x7]，實際輸出為y，期望輸出為yd ； 設(shè)第t時刻動態(tài)神經(jīng)網(wǎng)絡(luò)模型輸入為[Xl(t)，x2(t)，L，x7(t)]，其各部分的計算功能為輸入層，該層由7個神經(jīng)元組成/,(1)(0 = X1(IlO^it) = /,⑴⑴，i = 1,2,L ,7(5)其中，，O,(”⑴分別為輸入層第i個神經(jīng)元的輸入、輸出；隱含層，該層初始由15個神經(jīng)元組成
權(quán)利要求
1. 一種氫能反應(yīng)堆的建模方法，其特征在于，包含以下步驟1.1 設(shè)計氫能反應(yīng)堆動態(tài)神經(jīng)網(wǎng)絡(luò)模型，選取能夠表征氫能反應(yīng)堆工作狀態(tài)的參數(shù)為模型輸入；選取能夠體現(xiàn)氫能反應(yīng)堆性能的參數(shù)為模型輸出；1. 2 針對氫能反應(yīng)堆動態(tài)神經(jīng)網(wǎng)絡(luò)建模中的數(shù)據(jù)采集環(huán)節(jié)，利用變密度采樣法采集步驟(1)中所確定模型輸入、輸出數(shù)據(jù)；1.3:針對氫能反應(yīng)堆動態(tài)神經(jīng)網(wǎng)絡(luò)建模中的數(shù)據(jù)篩選與處理環(huán)節(jié)，首先，判斷步驟 1. 2所采集的數(shù)據(jù)是否符合氫能反應(yīng)堆的實際工作范圍，若不符合則直接剔除該數(shù)據(jù)以及與其同時采集的其他數(shù)據(jù)；其次，利用判斷數(shù)據(jù)中是否存在異常數(shù)據(jù)，即若數(shù)據(jù)偏差大于 3倍數(shù)據(jù)樣本標準差則認為該數(shù)據(jù)為異常數(shù)據(jù)，應(yīng)剔除該數(shù)據(jù)以及與其同時采集的其他數(shù)據(jù)；再次，計算剔除異常數(shù)據(jù)后每項輸入數(shù)據(jù)的均值，作為本次建模數(shù)據(jù)的特征值；最后， 對氫能反應(yīng)堆數(shù)據(jù)按項進行歸一化處理；1. 4 采用基于敏感度分析的動態(tài)神經(jīng)網(wǎng)絡(luò)構(gòu)建氫能反應(yīng)堆模型，按照步驟1. 1所述確定動態(tài)神經(jīng)網(wǎng)絡(luò)模型輸入與輸出，利用步驟1. 3中所得數(shù)據(jù)進行動態(tài)神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練與驗證；此氫能反應(yīng)堆動態(tài)神經(jīng)網(wǎng)絡(luò)模型基于誤差逆?zhèn)鞑ニ惴?gòu)建，在訓(xùn)練一定批次后計算每一個隱含層神經(jīng)元的敏感度，然后判斷其是否在預(yù)先設(shè)定的合理敏感度區(qū)間上，若低于區(qū)間下限或高于區(qū)間上限則相應(yīng)選擇刪除或分裂對應(yīng)隱含層神經(jīng)元，繼續(xù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)直至達到預(yù)期性能要求，至此完成氫能反應(yīng)堆動態(tài)神經(jīng)網(wǎng)絡(luò)模型的建立； 1.5 對步驟1. 2所述的氫能反應(yīng)堆輸入、輸出進行實時數(shù)據(jù)采集，采集數(shù)據(jù)不少于之前的建模數(shù)據(jù)，使新數(shù)據(jù)不少于之前的建模數(shù)據(jù)；然后按照步驟1. 3所述對其進行篩選與處理，若新數(shù)據(jù)的特征值中有數(shù)項大于或小于之前數(shù)據(jù)對應(yīng)特征值，則認為前后建模數(shù)據(jù)存在明顯差異，即氫能反應(yīng)堆處于不同的性能狀態(tài)下，需要利用新數(shù)據(jù)對氫能反應(yīng)堆動態(tài)神經(jīng)網(wǎng)絡(luò)模型進行在線優(yōu)化，在線優(yōu)化的具體實施方法同步驟1. 4 ；反之，則不對氫能反應(yīng)堆動態(tài)神經(jīng)網(wǎng)絡(luò)模型實施在線優(yōu)化。
2.根據(jù)權(quán)利要求1所述的一種氫能反應(yīng)堆的建模方法，其特征在于，所述的選取能夠表征氫能反應(yīng)堆工作狀態(tài)的參數(shù)包括反應(yīng)堆溫度、氫氣入口壓力、空氣入口壓力、氫氣入口流量、空氣入口流量、增濕罐溫度、電流密度。
3.根據(jù)權(quán)利要求1所述的一種氫能反應(yīng)堆的建模方法，其特征在于，所述的合理敏感度區(qū)間為5% 50%，5%為區(qū)間下限，50%為區(qū)間上限。
4.根據(jù)權(quán)利要求1所述的一種氫能反應(yīng)堆的建模方法，其特征在于，所述的采集數(shù)據(jù)不少于之前的建模數(shù)據(jù)的120%。
5.根據(jù)權(quán)利要求1所述的一種氫能反應(yīng)堆的建模方法，其特征在于，所述的步驟1.5中新數(shù)據(jù)的特征值中的數(shù)項為四相，大于或小于之前數(shù)據(jù)對應(yīng)特征值為150%或50%。
6.根據(jù)權(quán)利要求1所述的一種氫能反應(yīng)堆的建模方法，其特征在于步驟1.2中采用變密度采樣法對步驟1. 1中指定的氫能反應(yīng)堆模型輸入、輸出進行數(shù)據(jù)采集；步驟1. 3中的數(shù)據(jù)篩選階段，通過考慮氫能反應(yīng)堆實際工作范圍直接判斷所采集的數(shù)據(jù)是否異常；步驟 1. 3中通過計算氫能反應(yīng)堆建模數(shù)據(jù)的特征值確定數(shù)據(jù)特征，作為模型仿真過程中是否對氫能反應(yīng)堆動態(tài)神經(jīng)網(wǎng)絡(luò)模型進行在線優(yōu)化的判斷依據(jù)。
7.根據(jù)權(quán)利要求1所述的一種氫能反應(yīng)堆的建模方法，其特征在于所述的步驟1.4 中所述氫能反應(yīng)堆動態(tài)神經(jīng)網(wǎng)絡(luò)模型的建立，通過對隱含層神經(jīng)元進行敏感度分析判斷其存在的合理性，刪除或分裂不合理的隱含層神經(jīng)元以實現(xiàn)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)動態(tài)優(yōu)化，然后繼續(xù)訓(xùn)練氫能反應(yīng)堆動態(tài)神經(jīng)網(wǎng)絡(luò)模型直至網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)均符合預(yù)期性能指標的要求。
8.根據(jù)權(quán)利要求1所述的一種氫能反應(yīng)堆的建模方法，其特征在于所述的步驟1. 5 在步驟1. 4的基礎(chǔ)上，通過分析新數(shù)據(jù)特征值與之前建模數(shù)據(jù)特征值的區(qū)別，判斷氫能反應(yīng)堆是否處于不同的性能狀態(tài)下，進而選擇是否利用新數(shù)據(jù)對已建立的氫能反應(yīng)堆動態(tài)神經(jīng)網(wǎng)絡(luò)模型進行在線優(yōu)化。
全文摘要
本發(fā)明公開了一種氫能反應(yīng)堆的建模方法。首先確定表征氫能反應(yīng)堆工作狀態(tài)及性能的參數(shù)作為模型輸入、輸出，按照輸入、輸出要求采集氫能反應(yīng)堆數(shù)據(jù)；其次在氫能反應(yīng)堆數(shù)據(jù)的基礎(chǔ)上，利用基于敏感度分析的動態(tài)神經(jīng)網(wǎng)絡(luò)建模技術(shù)建立氫能反應(yīng)堆動態(tài)神經(jīng)網(wǎng)絡(luò)模型；最后在模型仿真時通過氫能反應(yīng)堆性能評價，決定是否對氫能反應(yīng)堆動態(tài)神經(jīng)網(wǎng)絡(luò)模型進行在線優(yōu)化。利用本發(fā)明所述方法，能夠建立氫能反應(yīng)堆動態(tài)神經(jīng)網(wǎng)絡(luò)模型并自動對其進行在線優(yōu)化，準確地表示氫能反應(yīng)堆具體參數(shù)間的相互影響、模擬其不同性能狀態(tài)下的工作情況，為氫能反應(yīng)堆的控制與性能優(yōu)化奠定基礎(chǔ)。
文檔編號G06F17/50GK102508972SQ20111035327
公開日2012年6月20日 申請日期2011年11月9日 優(yōu)先權(quán)日2011年11月9日
發(fā)明者曹政才, 朱群雄, 李博, 王永吉 申請人:北京化工大學(xué)