首页 / 专利库 / 电池与电池 / 电化学发生器 / 燃料电池 / 质子交换膜燃料电池 / 具有自适应遗传策略RNA-GA的燃料电池优化建模方法

具有自适应遗传策略RNA-GA的燃料电池优化建模方法

阅读:709发布:2020-05-11

专利汇可以提供具有自适应遗传策略RNA-GA的燃料电池优化建模方法专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种具有自适应遗传策略RNA‑GA的 燃料 电池 优化建模方法。1)通过现场操作或实验来获得 质子交换膜 燃料电池 的输入 电流 和 输出 电压 的 采样 数据;2)将燃料电池模型的估计输出与实际输出的采样数据的误差平方和作为RNA‑GA寻优搜索时的目标函数;3)设定 算法 运行参数;4)运行所述的RNA‑GA对燃料电池模型中的未知参数进行估计,通过最小化目标函数,得到模型中未知参数的估计值,将未知参数的估计值代入燃料电池模型中,形成数学模型。本方法运用自适应遗传策略来决策执行交叉或者变异操作,从而有效保持种群多样性,加快算法朝全局最优解的收敛速度,所得到的燃料电池模型参数可靠,也适用于其他复杂化学反应过程的优化建模。,下面是具有自适应遗传策略RNA-GA的燃料电池优化建模方法专利的具体信息内容。

1.一种具有自适应遗传策略RNA-GA的燃料电池优化建模方法,其特征在于,包括如下步骤:
1)通过现场操作或实验来获得燃料电池电流输入和电压输出的采样数据;对于每一组燃料电池的电流输入采样数据,将燃料电池模型的电压估计输出与燃料电池的电压实际输出的误差平方和作为RNA-GA寻优搜索时的目标函数;
2)设定算法运行参数,包括:种群规模N,最大进化代数MaxGen,被估计参数的取值范围,每个未知参数编码长度l;
3)设定算法的终止准则为:算法运行代数达到最大进化代数;
4)通过具有自适应遗传策略的RNA-GA,对燃料电池模型中的未知参数进行估计,通过最小化目标函数,获得燃料电池模型中未知参数的估计值,将此估计值代入燃料电池模型中,获得燃料电池的数学模型,用于估计燃料电池的输出电压
所述的具有自适应遗传策略的RNA-GA,对燃料电池模型中的未知参数进行估计步骤:
4.1)随机产成N个长度为L=n×l的个体,组成初始种群,其中n为燃料电池模型中未知参数的个数,对种群中的每个体采用RNA编码方式,并将A、U、G、C四种基转换成0、1、2、3的四进制编码;
4.2)计算种群中个体的适应度值,并随机选取两个个体作为父体,同时按照自适应遗传策略来决策是执行交叉操作还是变异操作,产生新的子代个体;
4.3)重复步骤4.2),直至产生的子代个体数为3N/2;
4.4)使用比例选择策略选择N个个体构成新的种群;
4.5)如果满足设定的终止准则,则算法结束,否则,重复步骤4.2)至步骤4.4);
所述4.2)中按照自适应遗传策略来决策是执行交叉操作还是变异操作,产生新的子代个体的具体操作过程如下:
(a)构建一个相似程度的评价函数SC(x,y),评价函数形式为:
评价函数中x和y是随机任选的两个四进制编码的染色体串,xpk和ypk为两个染色体串中的第p个子串的第k个编码值,⊙是同或操作;每一代的进化过程中,计算随机选择的x和y这两个个体间的评价函数;同时随机选择PopSize组父代个体,计算初始种群的平均相似系数SCinitial;
t
(b)计算第t代种群的相似系数SC(t)=SCinitial×(β),
(c)如果满足SC(x,y)2.根据权利要求1所述的具有自适应遗传策略RNA-GA的燃料电池优化建模方法,其特征在于,所述4.2)中的交叉操作方法为:
(A)在第t代进化过程中,如果满足SC(x,y)(B)在两个个体的编码序列中各随机选取一段作为子序列,两段子序列的碱基数相等,交换两个子序列,从而生成两个新的个体。
3.根据权利要求2所述的具有自适应遗传策略RNA-GA的燃料电池优化建模方法,其特征在于,所述4.2)中的变异操作方法为:
(A)在变异操作中,对满足SC(x,y)≥SC(t)的两个个体,计算二者的适应度值大小,将适应度值较大的个体作为反密码子变异操作的父体;在此父体中,按照编码参数个数将父体分成n个子序列,在每一个子序列中随机选取一定数目的连续碱基构成密码子,按照Waston-Crick互补原则,生成与密码子互补的碱基序列,即反密码子,并将反密码子进行倒位操作来代替密码子的位置,以形成一个新的子代;
(B)对满足SC(x,y)≥SC(t)的两个个体,选取适应度值较小的个体作为稀有碱基变异操作的父体;统计父体中四种碱基的个数,将使用频率最高的碱基用出现频率最低的碱基替代来产生新的子代个体。

说明书全文

具有自适应遗传策略RNA-GA的燃料电池优化建模方法

技术领域

[0001] 本发明涉及智能优化建模方法,尤其涉及一种具有自适应遗传策略RNA-GA的燃料电池优化建模方法。

背景技术

[0002] 燃料电池是21世纪对人类社会产生重大影响的高新技术之一,其中质子交换膜燃料电池(PEMFC)因其环保、高效低排等优点受到广泛关注。PEMFC是非线性、多输入、强耦合的复杂系统,研究其建模问题对燃料电池的理论研究和工程应用具有重要的意义。要建立可靠的模型,首先解决的是模型中的参数估计问题。参数估计问题本质上属于优化问题,研究者们采用了一些传统的优化方法,例如Levenberg-Marquardt(L-M),Gauss-Newton等方法来解决这一问题。但是这些确定性的优化算法在搜索的过程中或易于陷入局部极小点,或难以取得满意的效果。遗传算法(GA)是模拟生物在自然环境中的遗传和进化过程而形成的全局优化搜索方法,能解决传统优化方法难以解决的复杂优化问题,能在复杂的搜索空间内进行有效的搜索,并具有很强的鲁棒性与适应性。但是,传统的遗传算法易于出现早熟收敛、局部搜索能差等缺点。
[0003] 本发明基于RNA生物特性和进化计算思想,提出新的智能优化建模方法,建立质子交换膜燃料电池的高精度模型,通过实例来研究智能优化建模方法的有效性。发明内容:
[0004] 本发明的目的在于针对现有技术的不足,提供一种具有自适应遗传策略RNA-GA的燃料电池优化建模方法。
[0005] 具有自适应遗传策略RNA-GA的燃料电池优化建模方法,包括如下步骤:
[0006] 1)通过现场操作或实验来获得燃料电池的电流输入和电压输出的采样数据;对于每一组燃料电池的电流输入采样数据,将燃料电池模型的电压估计输出与燃料电池的电压实际输出的误差平方和作为RNA-GA寻优搜索时的目标函数;
[0007] 2)设定算法运行参数,包括:种群规模N,最大进化代数MaxGen,被估计参数的取值范围,每个未知参数编码长度l;
[0008] 3)设定算法的终止准则为:算法运行代数达到最大进化代数;
[0009] 4)通过具有自适应遗传策略的RNA-GA,对燃料电池模型中的未知参数进行估计,通过最小化目标函数,获得燃料电池模型中未知参数的估计值,将此估计值代入燃料电池模型中,获得燃料电池的数学模型,用于估计燃料电池的输出电压
[0010] 上述步骤可采用如下具体实现方式:
[0011] 所述的具有自适应遗传策略的RNA-GA,对燃料电池模型中的未知参数进行估计步骤:
[0012] 4.1)随机产成N个长度为L=n×l的个体,组成初始种群,其中n为燃料电池模型中未知参数的个数,对种群中的每个体采用RNA编码方式,将A、U、G、C四种基转换成0、1、2、3的四进制编码(为表述方便,下面仍采用碱基表示相应的编码);
[0013] 4.2)计算种群中个体的适应度值,并随机选取两个个体作为父体,同时按照自适应遗传策略来决策是执行交叉操作还是变异操作,产生新的子代个体;
[0014] 4.3)重复步骤4.2),直至产生的子代个体数为3N/2;
[0015] 4.4)使用比例选择策略选择N个个体构成新的种群;
[0016] 4.5)如果满足设定的终止准则,则算法结束,否则,重复步骤4.2)至步骤4.4)。
[0017] 所述4.2)中按照自适应遗传策略来决策是执行交叉操作还是变异操作,产生新的子代个体的具体操作过程如下:
[0018] (a)构建一个相似程度的评价函数SC(x ,y) ,评价函数形式为:评价函数中x和y是随机任选的两个四进制编码染的色体串,xpk和
ypk为两个染色体串中的第p个子串的第k个编码值,⊙是同或操作;每一代的进化过程中,计算随机选择的x和y这两个个体间的评价函数;同时计算初始种群的平均相似系数SCinitial;
[0019] (b)计算第t代种群的相似系数SC(t)=SCinitial×(βt),
[0020] (c)如果满足SC(x,y)
[0021] (d)重复步骤(a)至步骤(c),直至产生3N/2个子代个体。
[0022] 所述4.2)中的交叉操作方法为:
[0023] (A)在第t代进化过程中,如果满足SC(x,y)
[0024] (B)在两个个体的编码序列中各随机选取一段作为子序列,两段子序列的碱基数相等,交换两个子序列,从而生成两个新的个体。
[0025] 所述4.2)中的变异操作方法为:
[0026] (A)在变异操作中,对满足SC(x,y)≥SC(t)的两个个体,计算二者的适应度值大小,将适应度值较大的个体作为反密码子变异操作的父体;在此父体中,按照编码参数个数将父体分成n个子序列,在每一个子序列中随机选取一定数目的连续碱基构成密码子,按照Waston-Crick互补原则,生成与密码子互补的碱基序列,即反密码子,并将反密码子进行倒位操作来代替密码子的位置,以形成一个新的子代;
[0027] (B)对满足SC(x,y)≥SC(t)的两个个体,选取适应度值较小的个体作为稀有碱基变异操作的父体;统计父体中四种碱基的个数,将使用频率最高的碱基用出现频率最低的碱基替代来产生新的子代个体。
[0028] 本发明将RNA计算和遗传算法结合,采用RNA编码方法,引入按种群中两个个体间相似程度来决策采用交叉操作或者变异操作,从而有效的增加种群的多样性,保留原有种群的优秀基因,改善算法的全局搜索能力,避免早熟收敛。本发明作为一种智能优化算法,成功的用于质子交换膜燃料电池的模型参数估计中,具有很好的应用前景。附图说明
[0029] 图1是本发明中具有自适应遗传策略的RNA-GA的流程图
[0030] 图2是本发明中反密码子变异操作示意图;
[0031] 图3是本发明中稀有碱基变异操作示意图;
[0032] 图4(a)是本发明中辨识组数据下质子交换膜燃料电池i-V曲线;
[0033] 图4(b)是本发明中验证组数据下质子交换膜燃料电池i-V曲线。

具体实施方式

[0034] 以下将本发明方法用于质子交换膜燃料电池模型参数估计中,详细描述如下:
[0035] 实施例
[0036] 质子交换膜燃料电池是利用电解的逆反应来发电的电化学装置。
[0037] 2个电极发生的电化学反应方程如下:
[0038] 阳极:H2→2H++2e-
[0039] 阴极
[0040] 电池总反应:
[0041] 反应产物是直流电能、液态水和反应生成热。
[0042] 本实例应用对象模型采用J.C.Amphlett提出的单电池电压V-I模型,单电池的输出电压基本表达式为:
[0043] Vcell=ENernst-Vact-Vohmic-Vcon   (1)
[0044] 式中Vcell为电池的路端电压(V),Enernst,Vact,Vohmic和Vcon分别为为电池热力学电压、活化极化电动势、欧姆电压降和浓差过电压(V)。
[0045]
[0046]
[0047] Vohmic=i(RM+RC)   (4)
[0048]
[0049] 其中T为电池环境的绝对温度(K); 和 分别为氢气和气的分压(atm);ξk(k=1,2,3,4)为活化极化电动势系数;i为负载电流(A); 为阴极膜和反应气体界面的氧气浓度(mol cm-3);RM为质子膜的等效膜阻抗;RC为欧姆电压降的燃料电池内电阻;b为浓差极化过电势系数(V),I表示电池实际电流密度(A cm-2);Imax表示在最大燃料供应条件下的电池最大电流密度(A cm-2)。
[0050] 根据Henry定律,可知阴极催化剂界面溶解氧气浓度为:
[0051]
[0052] 等效膜阻抗RM可由欧姆定律得到,即:
[0053]
[0054] 式中l为质子交换膜的膜厚度(cm),A是膜的活化面积,Nafion系列质子交换膜的电阻率ρM(Ωcm)可由下式表示,即
[0055]
[0056] 其中,λ为质子交换膜的含水量,是一个可调参数,反映气体湿度状态,通常取值范围在10~23之间。
[0057] 饱和水蒸气压力 可以表示为温度T的函数:
[0058]
[0059] 在PEMFC阳极进气为氢气,阴极进气为空气时,有:
[0060]
[0061]
[0062]
[0063] 其中 为槽中氮气压力, 和 分别为阳极和阴极槽中氧气和氢气分压。Pa和Pc分别为阳极和阴极入口处压力(atm),RHa和RHc分别为阳极和阴极相对蒸汽湿度。
[0064] n个串联电池所组成的电池组,其输出电压Vs可以通过下式计算:
[0065] Vs=n×Vcell   (13)
[0066] 在PEFMC的模型中,需要估计的参数有ξ1,ξ2,ξ3,ξ4,λ,Rc,b共七个。
[0067] 如图1所示,基于具有自适应遗传策略的RNA-GA对质子交换膜燃料电池建模步骤如1)~4)所示:
[0068] 1).通过现场实验测定60组燃料电池的电流输入和电压输出的采样数据,按照四种工况(工况1:3/5bar,353.15K;工况2:1/1bar,343.15K;工况3:2.5/3bar,353.15K;工况4:1.5/1.5bar,353.15K)将数据分成四组。选取工况1和工况2的30组数据作为参数估计的训练样本,利用工况3和工况4的数据来验证模型的准确性。对于60组燃料电池的电流输入采样数据,将燃料电池模型的电压估计输出与燃料电池的电压实际输出的误差平方和作为RNA-GA寻优搜索时的目标函数,优化目标函数具体为: 其中M为样本
容量,Vs为第i个样本的模型输出值,Vsm为实验数据。这个优化指标作为RNA-GA寻优搜索时的目标函数;
[0069] 燃料电池的外在特性采样数据为论文:莫志军,朱新坚,曹广益,Parameter optimization for a PEMFC model with a hybrid genetic algorithm.International Journal of Energy Research 2006;卷30.页:585-597中的采样数据。
[0070] 2).设定算法运行的最大进化代数MaxGen=1000,种群规模N=60,每个参数编码长度l=20,同时按表1预设被估计参数的取值范围;
[0071] 表1.模型参数的取值范围:
[0072]
[0073] 3).设定算法的终止准则:算法运行代数达到最大进化代数;
[0074] 4).采用具有自适应遗传策略的RNA-GA,对质子交换膜燃料电池中的未知参数ξ1,ξ2,ξ3,ξ4,λ,Rc,b进行估计,通过最小化目标函数,得到燃料电池模型中未知参数的估计值,将未知参数的估计值代入到燃料电池模型中,形成质子交换膜燃料电池模型的数学模型,用于估计燃料电池的输出电压。
[0075] 上述的采用具有自适应遗传策略的RNA-GA对质子交换膜燃料电池模型中的未知参数(ξ1,ξ2,ξ3,ξ4,λ,Rc,b)进行估计步骤如下:
[0076] 4.1)随机生成包含60个具有不同RNA序列的个体,组成初始种群。每一个RNA序列代表一组待估计的未知参数的可能解。在本例中,每个待估计参数均采用四进制{0,1,2,3}编码为长度l=20的RNA子序列,种群中每个个体的编码长度L=n×l=7×20=140,其中n为燃料电池模型中未知参数的个数,此处取7;
[0077] 4.2)将种群中的每一个RNA序列解码为质子交换膜燃料电池模型的一组待估计的未知参数,并计算这组参数所对应的目标函数值,以及相应的适应度值;
[0078] 4.3)随机选取两个个体作为父体,同时按照自适应遗传策略来决策是执行交叉操作还是变异操作,产生新的子代个体;
[0079] 4.4)重复步骤4.3),直至产生的子代个体数为3N/2;
[0080] 4.5)使用比例选择策略选择N个个体构成新的种群;
[0081] 4.6)如果满足终止准则,则算法结束,否则,重复步骤4.2)至步骤4.5)。
[0082] 上述自适应遗传策略操作步骤:
[0083] (a)构建一个相似程度的评价函数SC(x ,y) ,评价函数形式为:评价函数中x和y是随机任选的两个四进制编码染色体串,xpk和ypk
为两个染色体串中第p个子串的第k个编码值,⊙是同或操作(0⊙0=1,0⊙1=0,1⊙0=0,1⊙1=1)。每一代的进化过程中,在种群中随机选择两个个体x和y,计算两个个体间相似程度的评价函数。同时随机选择PopSize组父代个体,计算初始种群的平均相似系数,计算公式为
[0084] (b)计算第t代种群的相似系数SC(t)=SCinitial×(βt),
[0085] (c)如果满足SC(x,y)
[0086] (d)重复步骤(a)至步骤(c),直至产生3N/2个子代个体。
[0087] 上述4.5)中进行选择操作的具体方法为:
[0088] 在每一代进化过程中,通过交叉和变异操作后,在由3N/2个个体所构成的种群中,按照比例选择操作复制种群,直至产生含有N个不同RNA序列的新种群。
[0089] 上述进行交叉操作的具体方法为:
[0090] (A)在第t代进化过程中,如果满足SC(x,y)
[0091] (B)在两个个体的编码序列中各随机选取一段作为子序列,两段子序列的碱基数相等,交换两个子序列,从而生成两个新的个体。
[0092] 上述进行变异操作的具体方法为:
[0093] (A)在变异操作中,对满足SC(x,y)≥SC(t)的两个个体,计算二者的适应度值大小,将适应度值较大的个体作为反密码子变异操作的父体。在此父体中,按照编码参数个数将父体分成n个子序列,在每一个子序列中随机选取一定数目的连续碱基构成密码子,按照Waston-Crick互补原则,生成与密码子互补的碱基序列,即反密码子,并将反密码子进行倒位操作来代替密码子的位置,以形成一个新的子代;
[0094] (B)对满足SC(x,y)≥SC(t)的两个个体,选取适应度值较小的个体作为稀有碱基变异操作的父体。统计父体中4个碱基的个数,将使用频率最高的碱基用出现频率最低的碱基替代以产生新的子代个体。
[0095] 根据上述方法,得到质子交换膜燃料电池模型中的参数估计值如下:
[0096] 表3:本建模方法参数优化结果:
[0097]
[0098] 将上述估计参数代入质子交换膜燃料电池模型中,得到相应的数学模型。针对辨识组和验证组,模型计算出的电堆电压和电流密度与实际PEMFC电堆实验中采集得到的电堆电压和电流密度拟合曲线分别如图4(a)和图4(b)所示。结果显示,具有自适应遗传策略的RNA-GA可用于质子交换膜燃料电池模型的参数估计,所得到的模型能准确的反映系统特性。通过该模型可以预测燃料电池的输出电压,作为电池设计和性能分析的参考或者用于调整后级电力电子装置的工作状态和相关特性。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈