基于改进的GRNN的固体氧化物燃料电池辨识模型研究

作者简介： 吴大中（1958-），男（汉），副教授，

摘要：固体氧化物燃料电池（SOFC）作为一种新的能源形式，日益受到重视.针对SOFC 系统过于复杂，现有的理论电压模型存在明显不足的特点，绕开了SOFC 的内部复杂性，利用经过粒子群算法（PSO）优化的广义回归神经网络（ grnn ） 对SOFC 系统进行辨识建模.以氢气流速为神经网络辨识模型的输入量，电流/电压为输出量，建立SOFC 在不同氢气流速下的电池电流/电压动态响应模型.仿真结果表明所建模型能基本表示出SOFC系统的电流/电压的动态响应，说明利用GRNN建模的有效性，所建模型精度也较高.

关键词：

固体氧化物燃料电池； 广义回归神经网络； 粒子群算法； 辨识建模

中图分类号： TM 911文献标志码： A

固体氧化物燃料电池（SOFC）作为第三代燃料电池，是目前国际上正在积极研发的新型发电技术之一.它是一种将气体或者气化燃料的化学能直接转化成电能和热能的能量转换装置[1].SOFC除了具有一般燃料电池高效率、低污染的优点外，还具有噪音小、无泄漏、无电解质腐蚀、寿命长等优点.SOFC处于高温密闭的环境，不易测量内部状态，试验分析代价很高，而数值模拟和仿真则比较容易实现，因此，数学建模是燃料电池开发的一个重要工具.世界各国研究人员采用电化学、材料学、热力学、流体动力学等相关理论建立了SOFC一些比较完善的数学模型[2-5].但是，这些模型表达式过于复杂，很难用于控制系统的设计，特别是在线控制[6].本文试图绕开SOFC系统的内部复杂性，利用神经网络对SOFC这个非线性系统建模.神经网络建模具有传统方法不具备的很多优点，只要通过过去的经验对历史数据进行训练和学习，网络就能“模拟”并“记忆”输入变量和输出变量之间的关系，处理各种数据，通过“联想”实现预报.广义回归神经网络（GRNN）设计简单、收敛快，结果稳定，并利用粒子群算法（PSO）对其光滑因子进行优化，采用优化后的神经网络对SOFC进行辨识建模.本文仿真得到不同氢气流速下的电流/电压特性，说明所建模型的有效性，为SOFC系统的在线控制研究奠定了一定的基础.

4结论

根据电化学、材料学等建立的SOFC理论模型都比较复杂，很难用于SOFC控制系统的控制设计.所以，本文采用GRNN神经网络，并利用粒子群算法进行优化，建立SOFC系统在三种氢气流速下的电压辨识模型.仿真结果表明，利用GRNN对SOFC建模是可行的，且精度也很高，对SOFC电压特性模型有很好的辨识作用.同时，这种建模思路是易操作的，需要调整的参数少，能很快计算出结果，可推进SOFC的在线控制研究.

参考文献：

[1]AGUIAR P，ADJIMAN C S，BRANDON N P.Anodesupported intermediate temperature direct internal reforming solid oxide fuel cell.I：modelbased steady state performance [J].Journal of Power Sources，2004，138（1/2）：120-136.

[2]ACHENBACH E.Threedimensional and timedependent simulation of a planar SOFC stack [J].Journal of Power Sources，1994，49（1-3）：333-348.

[3]COSTAMAGNA P，SELIMOVIC A，DEL BORGHI M，et al.Electrochemical model of the integrated planar solid oxide fuel cell （IPSOFC） [J].Chemical Engineering Journal，2004，102（1）：61-69.

[4]SUDAPRASERT K，TRAVIS R P，MARTINEZBOTAS R F.A computational fluid dynamics model of a solid oxide fuel cell [J].Proceedings of the Institution of Mechanical Engineers，Part A：Journal of Power and Energy，2005，219（A3）：159-167.

[5]PADULLES J，AULT G W，MCDONALD J R.An integrated SOFC plant dynamic model for power systems simulation [J].Journal of Power Sources，2000，86（1/2）：495-500.

[6]吴小娟，朱新坚，曹广益，等.基于神经网络的固体氧化物燃料电池电堆建模[J].系统仿真学报，2008，20（4）：1068-1071.

[7]史峰，王小川.MATLAB神经网络30个案例分析[M].北京：北京航空航天大学出版社，2010.

[8]黄金杰，夏静，满春涛，等.一种参数优化旋转广义回归神经网络模型[J].电机与控制学报，2009，13（3）：442-447.

[9]曾建潮，介婧，崔志华.微粒群算法[M].北京：科学出版社，2004.

[10]霍海娥，霍海波，杨长生.SOFC的支持向量机（SVM）辨识建模[J].系统仿真学报，2010，22（6）：1557-1560.