为研究车用质子交换膜燃料电池的预测和健康管理问题,提出了一种以相对功率损耗率为健康指标、灰狼优化(grey wolf optimizer,GWO)算法与径向基(radial basis function,RBF)神经网络相结合的方法(GWO-RBF),对车用质子交换膜燃料电池的...为研究车用质子交换膜燃料电池的预测和健康管理问题,提出了一种以相对功率损耗率为健康指标、灰狼优化(grey wolf optimizer,GWO)算法与径向基(radial basis function,RBF)神经网络相结合的方法(GWO-RBF),对车用质子交换膜燃料电池的剩余使用寿命进行预测。首先,通过对初始时刻燃料电池极化曲线的分析,构建以相对功率损耗率为健康指标的计算方法,并采用灰色关联度分析方法验证其可行性。然后,应用GWO算法优化的RBF神经网络预测车用质子交换膜燃料电池的剩余使用寿命。最后,采用两组数据集对提出的方法进行了验证分析。结果表明:与其他方法相比,提出的基于GWO-RBF方法的平均绝对百分比误差、均方根误差最小,决定系数最大,相对误差小于1%。可见本文方法能够以较少的数据集、较高的精度预测车用质子交换膜燃料电池的剩余使用寿命。展开更多
文摘为了同时优化质子交换膜燃料电池(proton exchange membrane fuel cells,PEMFC)系统的效率和输出功率,文章首先建立PEMFC系统的机理模型,并分析系统效率和输出功率特性;其次针对传统灰狼算法(grey wolf optimizer,GWO)的初始化种群不均匀和易出现早熟收敛的问题,引入佳点集种群初始化策略和非线性收敛因子策略,并由此提出一种改进多目标灰狼优化算法(multi-objective grey wolf optimizer,MOGWO),有效改善了灰狼算法的搜索精度和收敛性能;然后针对改进多目标灰狼优化算法求得的Pareto最优解集,使用TOPSIS评价法得出逼近理想解的最佳解,确定PEMFC系统的最佳运行条件;最后对所提出的MOGWO算法进行仿真验证,结果表明该算法能够有效提高PEMFC系统在实际运行中的输出功率和系统效率。
文摘为研究车用质子交换膜燃料电池的预测和健康管理问题,提出了一种以相对功率损耗率为健康指标、灰狼优化(grey wolf optimizer,GWO)算法与径向基(radial basis function,RBF)神经网络相结合的方法(GWO-RBF),对车用质子交换膜燃料电池的剩余使用寿命进行预测。首先,通过对初始时刻燃料电池极化曲线的分析,构建以相对功率损耗率为健康指标的计算方法,并采用灰色关联度分析方法验证其可行性。然后,应用GWO算法优化的RBF神经网络预测车用质子交换膜燃料电池的剩余使用寿命。最后,采用两组数据集对提出的方法进行了验证分析。结果表明:与其他方法相比,提出的基于GWO-RBF方法的平均绝对百分比误差、均方根误差最小,决定系数最大,相对误差小于1%。可见本文方法能够以较少的数据集、较高的精度预测车用质子交换膜燃料电池的剩余使用寿命。
