一种基于知识和数据联合驱动的多电堆固体氧化物燃料电池系统建模方法

本发明属于多电堆固体氧化物燃料电池领域，更具体地，涉及一种基于知识和数据联合驱动的多电堆固体氧化物燃料电池系统建模方法。

背景技术：

1、伴随着科技创新和社会发展的进步，无论是生活需求或是生产制造，对于能源的需求不断增加。在这样的需求条件下，化石能源日益枯竭、环境污染日益严重的情况下，迫切需要一种清洁可再生能源利用方式。固体氧化物燃料电池(solid oxide fuel cell,sofc)以其具有高效、低排放、低噪声等优点，成为一种前景广阔的绿色发电系统。sofc电堆由多个电池片串联组装而成，为确保电堆的可靠性，电池片的数量一般不宜过多，因此单个sofc电堆的功率通常控制在1kw以内。为了适应不同场景的功率需求，选择将多个sofc电堆进行串联或并联，形成多电堆sofc系统。然而，多电堆sofc系统在实际场景中的测试、系统性能优化以及系统集成设计等方面，面临着高运行成本、集成复杂性和安全隐患等问题。

2、为解决以上问题，高精度机理模型成为深入研究的有力工具，可有效减少实验成本并节约时间。然而，随着电堆数量的增加，机理模型的计算负担也显著上升，时效性不够。

3、对于多电堆sofc系统，现有的系统建模方法主要分为知识驱动和数据驱动两种，知识驱动方法依赖于物理或数学知识，通过深入分析系统的原理和运行机制构建数学模型。通常以机理模型或知识规则的形式呈现，尽管具有深度解析对象内部运行机理和方式的优点，但在面对复杂问题的强非线性情况下，往往难以平衡模型计算的准确率和效率。另一方面，数据驱动方法以大量系统观测数据为基础，依赖统计分析和人工智能理论工具，通过分析数据之间的关系构建经验模型，这种方法摒弃了对研究对象内部机理的严格分析，面对机制复杂的应用场景，具有较高的计算效率和可靠性。然而，这些模型内部的参数缺乏明确的物理可解释性，模型性能也受数据质量和规模的不确定性和不稳定性影响，可能导致不准确的预测结果。

4、因此，如何在构建多电堆sofc系统模型时同时满足较高的准确率和实时性的问题，是目前亟待的问题。

技术实现思路

1、针对现有技术的缺陷和改进需求，本发明提供了一种基于知识和数据联合驱动的多电堆固体氧化物燃料电池系统建模方法，其目的在于解决现有采用单一的机理模型来构建电池系统模型时难以同时满足较高的准确率和实时性的问题。

2、为实现上述目的，按照本发明的一个方面，提供了一种基于知识和数据联合驱动的多电堆固体氧化物燃料电池系统建模方法，包括：

3、构建多电堆固体氧化物燃料电池系统中每个电堆的数据驱动差异预测模型以及用于电池系统各电堆共享的知识驱动机理模型，所述知识驱动机理模型以及各电堆的数据驱动差异预测模型构成所述多电堆固体氧化物燃料电池系统的系统模型；

4、其中，所述知识驱动机理模型的输入为电堆模组输入量；每个电堆的数据驱动差异预测模型为机器学习模型，其输入为该电堆的输入与所述知识驱动机理模型的输入之间的差值，输出为该差值对应的输出偏差；根据电池系统各电堆的连接结构，该电堆的输入为电堆模组输入量，或者该电堆的输入为与该电堆连接的上游各电堆的所述输出偏差与所述知识驱动机理模型的输出之间的加和；所述系统模型的输出为后续无电堆连接的各电堆的输出总和，后续无电堆连接的各电堆的输出为对应电堆的数据驱动差异预测模型的输出偏差与知识驱动机理模型的输出之间的加和。

5、进一步，每个电堆的数据驱动差异预测模型的构建方式为：

6、采用多电堆固体氧化物燃料电池系统机理模型，获取各电堆在不同功率工况下的输入及其对应的输出，并选择一个功率工况作为基准功率工况，计算各电堆其它功率工况相对基准功率工况的输入偏差和输出偏差；

7、将每个电堆的每对输入偏差和输出偏差构成一个训练样本，构建得到训练样本集，采用该训练样本集训练得到数据驱动差异预测模型，用作每个电堆的数据驱动差异预测模型。

8、进一步，各电堆的输入所包含的输入特征量包括：

9、阴极气体摩尔流速、空气温度、空气压强、氧气摩尔分数、氮气摩尔分数、阳极气体摩尔流速、燃料温度、燃料压强、水蒸气摩尔分数、氢气摩尔分数、甲烷摩尔分数、一氧化碳摩尔分数、二氧化碳摩尔分数和电流设定值。

10、进一步，各电堆的输出所包含的输出特征量包括：

11、阴极气体摩尔流速、空气温度、空气压强、氧气摩尔分数、氮气摩尔分数、阳极气体摩尔流速、燃料温度、燃料压强、水蒸气摩尔分数、氢气摩尔分数、甲烷摩尔分数、一氧化碳摩尔分数、二氧化碳摩尔分数、电堆平均温度、温度梯度、电堆输出电压和电堆输出电流。

12、进一步，所述数据驱动差异预测模型为bp神经网络模型。

13、进一步，通过加权求和的方式实现所述加和的操作。

14、进一步，采用网格搜索和交叉验证的方式，确定每个电堆对应的执行所述加权求和所需的权重取值。

15、本发明还提供一种由如上所述的基于知识和数据联合驱动的多电堆固体氧化物燃料电池系统建模方法所构建得到的多电堆固体氧化物燃料电池系统的系统模型的应用，用于所述多电堆固体氧化物燃料电池系统的实际测试、性能优化或者系统集成设计。

16、本发明还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如上所述的一种基于知识和数据联合驱动的多电堆固体氧化物燃料电池系统建模方法。

17、总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：

18、(1)本发明提出待构建的多电堆固体氧化物燃料电池系统的模型中仅采用一个知识驱动机理模型，也就是对需要建模的系统，将各电堆相同的共性机理模型作为共享的知识驱动模型，相比现有的每个电堆均配置一个机理模型相比，简化了系统模型中机理模型的规模，进一步，为每个电堆配置一个数据驱动差异预测模型，由于数据驱动差异预测模型的计算量和存储量均比知识驱动机理模型小，因此由知识驱动机理模型以及各电堆的数据驱动差异预测模型所构成的多电堆固体氧化物燃料电池系统的系统模型，相比现有的多电堆固体氧化物燃料电池系统机理模型，是一个等效的简化的模型。本发明解决了现有采用单一的机理模型来构建电池系统模型难以同时满足较高的准确率和实时性的问题，将知识-数据联合驱动，充分利用二者的互补特性，在实际应用中实现效率和性能的有效提升。

19、(2)本发明在训练数据驱动差异预测模型时，训练样本取自电池系统各个电堆的输入输出数据，由此训练出的预测模型可以用于各个电堆。

技术特征：

1.一种基于知识和数据联合驱动的多电堆固体氧化物燃料电池系统建模方法，其特征在于，包括：

2.根据权利要求1所述的多电堆固体氧化物燃料电池系统建模方法，其特征在于，每个电堆的数据驱动差异预测模型的构建方式为：

3.根据权利要求1所述的多电堆固体氧化物燃料电池系统建模方法，其特征在于，各电堆的输入所包含的输入特征量包括：

4.根据权利要求3所述的多电堆固体氧化物燃料电池系统建模方法，其特征在于，各电堆的输出所包含的输出特征量包括：

5.根据权利要求1所述的多电堆固体氧化物燃料电池系统建模方法，其特征在于，所述数据驱动差异预测模型为bp神经网络模型。

6.根据权利要求1所述的多电堆固体氧化物燃料电池系统建模方法，其特征在于，通过加权求和的方式实现所述加和的操作。

7.根据权利要求6所述的多电堆固体氧化物燃料电池系统建模方法，其特征在于，采用网格搜索和交叉验证的方式，确定每个电堆对应的执行所述加权求和所需的权重取值。

8.一种由如权利要求1至7任一项所述的基于知识和数据联合驱动的多电堆固体氧化物燃料电池系统建模方法所构建得到的多电堆固体氧化物燃料电池系统的系统模型的应用，其特征在于，用于所述多电堆固体氧化物燃料电池系统的实际测试、性能优化或者系统集成设计。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如权利要求1至7任一项所述的一种基于知识和数据联合驱动的多电堆固体氧化物燃料电池系统建模方法。

技术总结本发明属于多电堆固体氧化物燃料电池领域，具体涉及一种基于知识和数据联合驱动的多电堆固体氧化物燃料电池系统建模方法，包括：构建每个电堆的数据驱动差异预测模型以及用于各电堆共享的知识驱动机理模型，机理模型以及各电堆预测模型构成电池系统模型；机理模型的输入为电堆模组输入量；每个电堆的预测模型输入为该电堆的输入与电堆模组输入量之间的差值，输出为该差值对应的输出偏差；根据各电堆的连接结构，该电堆的输入为电堆模组输入量或为与该电堆连接的上游各电堆输出偏差与机理模型输出之间的加和；系统模型的输出为后续无电堆连接的各电堆输出总和。本发明能解决采用单一机理模型构建系统模型难以同时满足较高的准确率和实时性的问题。技术研发人员：蒋建华,吴世君,秦宏川,张冰涛,周仁杰,孙亚婷,王子晨受保护的技术使用者：华中科技大学技术研发日：技术公布日：2024/9/9