质子交换膜燃料电池神经网络控制研究

杨忠君 樊立萍 宗学军 袁德成

(沈阳化工大学信息工程学院,辽宁 沈阳 110142)

质子交换膜燃料电池神经网络控制研究

杨忠君 樊立萍 宗学军 袁德成

(沈阳化工大学信息工程学院,辽宁 沈阳 110142)

近年来,质子交换膜燃料电池(PEMFC)以其环保特性受到越来越多的关注。在正确操作下,维护燃料电池系统的良好运行非常重要。研究建立了质子交换膜燃料电池的动态模型,并设计了质子交换膜燃料电池神经网络(NN)控制器。仿真结果表明,所提出的神经网络控制器鲁棒性强,其构成的闭环控制系统静动态性能良好,达到了恒功率输出的要求。

质子交换膜燃料电池 动态模型 神经网络控制 恒功率输出 闭环控制 控制系统

0 引言

目前,世界正面临着能源危机以及重大环境问题。可再生生物能源被视为一个缓解当前全球变暖危机的主要方法[1]。近年来,燃料电池技术蓬勃发展,质子交换膜燃料电池(proton exchange membrane fuel cell, PEMFC)由于其效率高受到广泛关注。在未来的发电领域,PEMFC是一个很有前途的技术[2-3]。

在过去10年间,PEMFC技术已经取得了显著改善。然而,稳定性、可靠性和成本仍然是目前燃料电池技术亟待解决的问题。因此,要使一套燃料电池系统在经受快速的负荷变化时仍能维持正常的运行状态,就需要良好的控制系统。由于燃料电池的复杂性和动态非线性的特点,使得设计一个好的控制系统非常困难。

人工神经网络(neural network,NN)可以提供比普通的闭环控制(PID)更好的静动态性能[4]。本文设计了质子交换膜燃料电池神经网络控制系统。该系统能够有效地抵抗负载扰动和提供恒功率输出,仿真分析验证了其可行性。

1 PEM燃料电池模型

燃料电池是一种直接把燃料的化学能转化为电能的静态装置,并伴随有热量和水等副产品。只要燃料和氧化剂供给充足,就会持续发生化学反应。在燃料电池的阳极,氢气(H2)分子被还原成流向阴极的氢质子H+和电子e-。在阴极,氢质子H+和电子e-遇到氧气形成了水和热能,而电子e-在阳极和阴极之间形成电势[5-7],反应过程如下所示:

单体电池的输出电压由下式给出:

式中:ENernst为反向电压的热力学电势；Vact为阳极和阴极之间的激活电压降；Vohmic为和通过固态电解质的质子及通过内部电阻的电子的传导性有关的电阻压降；Vcon为由于反应气体的集中或者大量传输产生的压降；Vfc为开路电压。

单体燃料电池的输出功率为:

图1 PEM燃料电池的动态模型Fig.1 Dynamic model of PEMFC

2 神经网络控制器的设计

人工神经元网络(artificial neural networks,ANN)是系统辨识的强有力工具,能够随着外部环境的变化进行自我学习和自适应,并且能够逼近任意精度的函数。神经元是神经网络的基本计算单元,具有非线性和模拟性。通过多层感知器形成一个强大的学习模型,能够很容易地逼近硬件或者软件,而且有着很强的计算能力和广泛的应用领域[9-10]。

一个两层感知器的结构包括输入层、隐含层和输出层,由于隐含层和两相邻层之间具有不同权重系数,感知器有着很强的实现逻辑决策的能力,因此能够广泛用于模式识别、逻辑决策和其他更多领域。两层人工神经元网络如图2所示。

图2 两层人工神经元网络图Fig.2 The two-layer ANN

使用Quasi-Newton Levemberg-Marquardt训练法来训练神经网络。

计算过程具体如下。

①初始化内部连接权重和节点的随机偏差。

②计算隐含层输出。

③计算输出层输出。

④计算每个输出节点的δk。

⑥学习输出层权重。

式中:学习常数0＜η＜1,动量常数0＜α＜1。且:

⑦学习隐含层权重。

⑧重复步骤①～⑦,直到误差e小于一个规定的值ε。

在训练过程中,随着训练时间的增长,误差将逐渐达到最小。当所有的有效输入都被训练完成时,一个学习周期即结束。

闭环神经网络控制系统结构如图3所示。

图3 闭环神经网络控制系统Fig.3 Closed-loop NN control system

在许多场合都需要恒功率输出,因此燃料电池的恒功率控制也是很有必要的。为了达到这个目的,设计了基于以上神经网络结构的闭环PEM燃料电池神经网络控制系统。

3 仿真结果

为了验证设计的神经网络控制器的有效性,通过Matlab仿真平台进行了仿真运行试验。在仿真模型中,使用的PEM燃料电池模型的主要参数如表1所示。

表1 PEMFC的主要参数Tab.1 Main parameters of PEMFC

通过调节氧气的流量来控制燃料电池的输出功率。功率的参考设定值为0.5 W。在0～25 s,输出功率跟随设定值并逐渐达到稳态。负载在第25 s时由5 Ω变为6 Ω,系统功率输出达到下一个稳态。为了消除负载变化的影响,根据负载情况使用自动作选择器来选取适合的量化参数。

仿真结果如图4、图5所示。

图4 PEMFC的不受控仿真结果Fig.4 Simulation results of uncontrolled PEMFC

图5 PEMFC的神经网络闭环控制仿真结果Fig.5 Simulation results of NN closed-loop control of PEMFC

由图4和图5可以看出,神经网络闭环控制可以更有效地抵抗负载对电压的扰动,并保证功率的恒定输出。由图5还可看出,稳定跟踪误差e接近于零,神经网络控制器能够很好地跟踪设定功率。

4 结束语

本文设计了一套高效的单体燃料电池动态模型,并通过采取闭环神经网络控制,获得了不错的系统特性。系统能有效地保持恒功率输出,并能跟踪设定功率的变化。仿真研究证明,神经网络控制器是一种学习性和鲁棒性均很强的有力工具。

[1] Logn B E.Scaling up microbial fuel cells and other bioelectrochemical systems[J].Applied Microbiology and Biotechnology,2010,85(6): 1665-1671.

[2] Pukrushpan J,Stefanopoulou A,Peng H.Control of fuel cell breathing[J]. IEEE Control Systems,2004,24(2):30-46.

[3] Kunusch C,Puleston P F,Mayosky M A,et al.Sliding mode strategy for PEM fuel cells stacks breathing control using a super-twisting algorithm[J].IEEE Transactions on Control Systems Technology, 2009,17(1):167-174.

[4] Hatti M,Tioursi M,Nouibat W.Neural network approach for semiempirical modelling of PEM fuel-cell[C]∥IEEE International Symposium,2006:1858-1863.

[5] Moreira M V,Silva G E.A practical model for evaluating the performance of proton exchange membrane fuel cells[J].Renewable Energy,2009,34(7):1734-1741.

[6] Rezazadeh A,Sedighizadeh M,Karimi M.Proton exchange membrane fuel cell control using a predictive control based on neural network[J]. International Journal of Computer and Electrical Engineering,2010, 2(1):81-85.

[7] Youssef M E,Nadi K E,Khalil M H.Lumped model for proton exchange membrane fuel cell(PEMFC)[J].International Journal of Electrochemical Science,2010,5(2):267-277.

[8] Rezazadeh A,Askarzadeh A.Adaptive inverse control of proton exchange membrane fuel cell using RBF neural network[J]. Electrochem,2011,6(8):3105-3117.

[9] Lippmann R P.An introduction to computing with neural nets[J].IEEE Acoustics,Speech and Signal Processing Magazine,1987,4(2):4-22.

[10] El-Sharkh M Y,Rahman A,Alam M,et al.A dynamic model for a stand-alone PEM fuel cell power plant for residential applications[J]. Journal of Power Sources,2004,138(1-2):199-204.

Study on the Neural Network Control for Proton Exchange Membrane Fuel Cell

In recent years,proton exchange membrane fuel cell(PEMFC)has been attracted more and more attention because of its environmental characteristics.Maintaining good operation of fuel cell system under correct operating conditions is important.Through researching,the dynamic model of PEMFC has been established,and the neural network(NN)control system of PEMFC that satisfies requirement of constant power output has been designed.The results of simulation show that the robustness of the proposed NN controller is very good,and the static and dynamic characristics of the closed-loop NN control system is superior.

Proton exchange membrane fuel cell(PEMFC) Dynamic model Neural network control Constant power output Closed-loop control Control system

TM911+.4；TP183

A

国家863计划基金资助项目(编号:2008AA042902);

国家自然科学基金资助项目(编号:61143007、60874057);

辽宁省教育厅基金资助项目(编号:L2012151)。

杨忠君(1979-),男,现为东北大学电力电子与电气传动专业在读博士研究生,讲师;主要从事复杂工业过程动态优化控制及故障诊断的研究。