融合磷蝦行為人工蜂群算法的燃料電池優(yōu)化建模方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及優(yōu)化建模方法，尤其涉及一種融合磷蝦行為人工蜂群算法的燃料電池 優(yōu)化建模方法。
【背景技術(shù)】
[0002] 目前，能源需求與環(huán)境保護(hù)之間的矛盾日益突出，成為了關(guān)系國(guó)民經(jīng)濟(jì)和人民生 活能否實(shí)現(xiàn)可持續(xù)發(fā)展的重要問(wèn)題。煤、石油、天然氣等傳統(tǒng)礦物能源面臨儲(chǔ)量銳減、污染 嚴(yán)重、開(kāi)采成本增加等問(wèn)題。開(kāi)發(fā)安全、潔凈、高效的新能源成為了研宄者們關(guān)注的焦點(diǎn)。
[0003] 各種燃料電池中，質(zhì)子交換膜燃料電池質(zhì)子交換膜燃料電池（PEMFC)以氫作為燃 料，因其具有高效安全、環(huán)境友好、工作溫度低、可快速啟動(dòng)、比功率高、操作方便、結(jié)構(gòu)簡(jiǎn)單 等優(yōu)點(diǎn)，已成為燃料電池領(lǐng)域研宄最廣泛，發(fā)展最快的一個(gè)分支。它不僅適用于建設(shè)大型分 布式電站，而且微型質(zhì)子交換膜燃料電池便攜電源和小型質(zhì)子交換膜燃料電池移動(dòng)電源已 達(dá)到產(chǎn)品化程度，具有廣泛的應(yīng)用前景。在未來(lái)以氫作為主要能量載體的氫能時(shí)代，質(zhì)子交 換膜燃料電池?zé)o疑將是最為理想的氫能利用方式之一。
[0004] 建立準(zhǔn)確的數(shù)學(xué)模型對(duì)質(zhì)子交換膜燃料電池的理論研宄和工程應(yīng)用都有重要意 義。質(zhì)子交換膜燃料電池系統(tǒng)是一個(gè)非線性、多變量、嚴(yán)重耦合的系統(tǒng)。目前應(yīng)用最廣的是 Amphlett, J. C，Baumert, R. M，Mann, R. F，Peppley, B. A 和 Roberge, P. R 于 1995 發(fā)表在美國(guó) 期刊名為Journal of the Electrochemical Society上卷142,頁(yè)碼1-15的質(zhì)子交換膜 燃料電池的機(jī)理數(shù)學(xué)模型。該模型中存在一些對(duì)系統(tǒng)性能影響較大的參數(shù)，通常通過(guò)采用 優(yōu)化算法獲得一組參數(shù)估計(jì)值，使模型能更好的反映質(zhì)子交換膜燃料電池系統(tǒng)特性。研宄 者們對(duì)智能優(yōu)化方法在燃料電池建模中的應(yīng)用進(jìn)行了探索研宄，例如模擬退火法、差分進(jìn) 化算法、遺傳算法等。但是上述算法在解決質(zhì)子交換膜燃料電池建模問(wèn)題時(shí)，仍存在尋優(yōu)精 度不高、收斂速度慢等缺點(diǎn)。為此，本發(fā)明受種群內(nèi)其他個(gè)體的引導(dǎo)作用的磷蝦行為啟發(fā)， 提出雇傭蜂相位置改進(jìn)規(guī)則，提出融合磷蝦行為人工蜂群算法的燃料電池優(yōu)化建模方法。 融合磷蝦行為人工蜂群算法在解決質(zhì)子交換膜燃料電池建模問(wèn)題時(shí)具有以下優(yōu)點(diǎn)：1)具 有良好的分工協(xié)作、自組織能力，全局尋優(yōu)精度高，不易陷入局部最優(yōu)解；2)算法簡(jiǎn)單易實(shí) 現(xiàn)，參數(shù)設(shè)置簡(jiǎn)單，適用范圍更廣；3)加強(qiáng)鄰域內(nèi)優(yōu)秀食物源和全局最優(yōu)食物源的引領(lǐng)作 用，顯著增強(qiáng)收斂速度，提高了算法搜索效率與性能。本發(fā)明將所述融合磷蝦行為人工蜂群 算法用于解決質(zhì)子交換膜燃料電池模型參數(shù)估計(jì)問(wèn)題，并取得較理想效果。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的是克服現(xiàn)有技術(shù)的不足，提供一種融合磷蝦行為人工蜂群算法的燃 料電池優(yōu)化建模方法。
[0006] 融合磷蝦行為人工蜂群算法的燃料電池優(yōu)化建模方法包括如下步驟：
[0007] 1)通過(guò)現(xiàn)場(chǎng)操作或者實(shí)驗(yàn)獲得燃料電池的采樣電流輸入和采樣電壓輸出，將采樣 電流輸入作為燃料電池模型的電流輸入，將燃料電池模型的電壓估計(jì)輸出與采樣電壓輸出 的誤差平方和作為目標(biāo)函數(shù)；
[0008] 2)受種群內(nèi)其他個(gè)體的引導(dǎo)作用的磷蝦行為啟發(fā)，提出融合磷蝦行為的雇傭蜂相 位置改進(jìn)規(guī)則，提出融合磷蝦行為人工蜂群算法的燃料電池優(yōu)化建模方法；
[0009] 3)設(shè)定融合磷蝦行為人工蜂群算法的基本參數(shù)，包括種群大小S。、初始雇傭蜂與 觀察蜂的比例ne:no、初始偵查蜂個(gè)數(shù)、搜索空間維數(shù)D、最大重試次數(shù)limit = 100、最大循 環(huán)次數(shù)CycMax = 500和算法終止規(guī)則；
[0010] 4)運(yùn)行融合磷蝦行為人工蜂群算法對(duì)燃料電池模型中未知參數(shù)進(jìn)行估計(jì)，雇傭蜂 相、觀察蜂相、偵查蜂相三相交替循環(huán)進(jìn)行尋優(yōu)空間的搜索，待估計(jì)的未知參數(shù)為：ξ i、ξ 2、 ξ3、l4、b、λ、?其中，ξρ ξ2、ξ3、ξ4為電化學(xué)極化或活化極化電動(dòng)勢(shì)系數(shù)、b為濃差極 化過(guò)電勢(shì)系數(shù)、λ為歐姆電壓降的外電路系數(shù)、R C為歐姆電壓降的燃料電池內(nèi)電阻，通過(guò)目 標(biāo)函數(shù)的最小化，得到燃料電池模型的參數(shù)估計(jì)值，代入燃料電池模型中，形成燃料電池?cái)?shù) 學(xué)模型。
[0011] 所述的算法終止規(guī)則為：融合磷蝦行為人工蜂群算法所尋得的最優(yōu)值小于可接受 誤差或者融合磷蝦行為人工蜂群算法運(yùn)行次數(shù)達(dá)到最大循環(huán)次數(shù)。
[0012] 所述的融合磷蝦行為的雇傭蜂相位置改進(jìn)規(guī)則為：
[0013] 3. 1)計(jì)算鄰域半徑：計(jì)算待改進(jìn)食物源與其他所有食物源的歐氏距離之和sum ; 取鄰域半徑：
【主權(quán)項(xiàng)】
1. 一種融合磷蝦行為人工蜂群算法的燃料電池優(yōu)化建模方法，其特征在于包括如下步 驟： 1) 通過(guò)現(xiàn)場(chǎng)操作或者實(shí)驗(yàn)獲得燃料電池的采樣電流輸入和采樣電壓輸出，將采樣電流 輸入作為燃料電池模型的電流輸入，將燃料電池模型的電壓估計(jì)輸出與采樣電壓輸出的誤 差平方和作為目標(biāo)函數(shù)； 2) 受種群內(nèi)其他個(gè)體的引導(dǎo)作用的磷蝦行為啟發(fā)，提出融合磷蝦行為的雇傭蜂相位置 改進(jìn)規(guī)則，提出融合磷蝦行為人工蜂群算法的燃料電池優(yōu)化建模方法； 3) 設(shè)定融合磷蝦行為人工蜂群算法的基本參數(shù)，包括種群大小S。、初始雇傭蜂與觀察 蜂的比例ne:no、初始偵查蜂個(gè)數(shù)、搜索空間維數(shù)D、最大重試次數(shù)limit= 100、最大循環(huán)次 數(shù)CycMax= 500和算法終止規(guī)則； 4) 運(yùn)行融合磷蝦行為人工蜂群算法對(duì)燃料電池模型中未知參數(shù)進(jìn)行估計(jì)，雇傭蜂相、 觀察蜂相、偵查蜂相三相交替循環(huán)進(jìn)行尋優(yōu)空間的搜索，待估計(jì)的未知參數(shù)為：I、12、 |3、l4、b、A、RC，其中，L、|2、|3、為電化學(xué)極化或活化極化電動(dòng)勢(shì)系數(shù)、b為濃差極 化過(guò)電勢(shì)系數(shù)、A為歐姆電壓降的外電路系數(shù)、RC為歐姆電壓降的燃料電池內(nèi)電阻，通過(guò)目 標(biāo)函數(shù)的最小化，得到燃料電池模型的參數(shù)估計(jì)值，代入燃料電池模型中，形成燃料電池?cái)?shù) 學(xué)模型。
2. 根據(jù)權(quán)利要求1所述的一種融合磷蝦行為人工蜂群算法的燃料電池優(yōu)化建模方法， 其特征在于所述的算法終止規(guī)則為：融合磷蝦行為人工蜂群算法所尋得的最優(yōu)值小于可接 受誤差或者融合磷蝦行為人工蜂群算法運(yùn)行次數(shù)達(dá)到最大循環(huán)次數(shù)。
3. 根據(jù)權(quán)利要求1所述的一種融合磷蝦行為人工蜂群算法的燃料電池優(yōu)化建模方法， 其特征在于所述的融合磷蝦行為的雇傭蜂相位置改進(jìn)規(guī)則為： 3. 1)計(jì)算鄰域半徑：計(jì)算待改進(jìn)食物源與其他所有食物源的歐氏距離之和sum;取鄰 域半徑：
3. 2)對(duì)于歐氏距離小于鄰域半徑，即位于鄰域內(nèi)的食物源，計(jì)算鄰居影響系數(shù)AL，其 公式為：
其中，
，nn為鄰域內(nèi)食物源個(gè)數(shù)；Y為目標(biāo)函數(shù)值，Y_ 為當(dāng)前搜索到的最大目標(biāo)函數(shù)值，Ymin為當(dāng)前搜索到的最小目標(biāo)函數(shù)值，YiS當(dāng)前待改進(jìn)食 物源的目標(biāo)函數(shù)值，Yk為鄰域內(nèi)其他食物源的目標(biāo)函數(shù)值；xk為鄰居食物源位置，Xi為當(dāng)前 待改進(jìn)食物源位置，I|Xk-Xi| |為當(dāng)前待改進(jìn)食物源與鄰居食物源間的歐氏距離；e為0-1 間的一個(gè)隨機(jī)數(shù)； 3. 3)計(jì)算最優(yōu)解的影響系數(shù)AT，其公式為：
其中
1e為0-1間的一個(gè)隨機(jī)數(shù)；xbest為當(dāng)前搜索到具有最小目標(biāo)函 數(shù)值的食物源位置，IIXktXilI為當(dāng)前待改進(jìn)食物源與具有最小目標(biāo)函數(shù)值食物源間的歐 氏距離；cycle為當(dāng)前循環(huán)代數(shù)，CycMax為最大循環(huán)代數(shù)； 3. 4)對(duì)當(dāng)前待改進(jìn)食物源執(zhí)行位置更新公式： Xinew=(AT+AL) (1-?f)+Xi〇ld?f； 其中，為慣性因子，隨循環(huán)代數(shù)增加從0.9至0. 1線性變化；Xi()ld為待改進(jìn)食物源位 置更新前的位置；xinOT為待改進(jìn)食物源位置更新后的位置。
4.根據(jù)權(quán)利要求1所述的一種融合磷蝦行為人工蜂群算法的燃料電池優(yōu)化建模方法， 其特征在于所述的融合磷蝦行為人工蜂群算法對(duì)燃料電池模型中未知參數(shù)進(jìn)行估計(jì)的步 驟為： 4. 1)在參數(shù)尋優(yōu)空間內(nèi)隨機(jī)生成ne行D列的初始種群矩陣，每一行為一個(gè)食物源位 置，意義為一組燃料電池模型未知參數(shù)的可能解，初始化循環(huán)代數(shù)cycle=0,初始化記錄 每個(gè)食物源開(kāi)采失敗次數(shù)記錄矩陣fail為ne行1列的零矩陣； 4. 2)計(jì)算每個(gè)食物源對(duì)應(yīng)的一組參數(shù)的目標(biāo)函數(shù)值； 4. 3)執(zhí)行雇傭蜂相，根據(jù)融合磷蝦行為的雇傭蜂相位置改進(jìn)規(guī)則對(duì)每個(gè)食物源位置進(jìn) 行改進(jìn)。若更新的位置仍在尋優(yōu)搜索空間內(nèi)，則進(jìn)行貪婪選擇； 4. 4)執(zhí)行觀察蜂相，每個(gè)觀察蜂用輪盤(pán)賭的方式選擇一個(gè)食物源進(jìn)行位置改進(jìn)，改進(jìn) 方式為：隨機(jī)選擇該食物源的一個(gè)坐標(biāo)進(jìn)行改進(jìn)，在該食物源與隨機(jī)一個(gè)其他的食物源連 線上產(chǎn)生一個(gè)新位置，若更新的位置仍在尋優(yōu)搜索空間內(nèi)，則進(jìn)行貪婪選擇； 4. 5)執(zhí)行偵查蜂相，對(duì)貪婪選擇失敗次數(shù)大于最大重試次數(shù)limit的食物源，隨機(jī)在 搜索空間內(nèi)產(chǎn)生一個(gè)新位置，并重置失敗次數(shù)； 4.6)記錄各次迭代的最優(yōu)解及其目標(biāo)函數(shù)值； 重復(fù)執(zhí)行算法4. 2)-4. 6)步驟，直到滿足所述算法終止規(guī)則，找到最優(yōu)值記錄表中目 標(biāo)函數(shù)值最小解，所得最優(yōu)值作為燃料電池模型未知參數(shù)的估計(jì)值，將估計(jì)值代入燃料電 池模型中，形成燃料電池的數(shù)學(xué)模型。
【專利摘要】本發(fā)明公開(kāi)了一種融合磷蝦行為人工蜂群算法的燃料電池優(yōu)化建模方法。包括如下步驟：1）通過(guò)現(xiàn)場(chǎng)操作或?qū)嶒?yàn)獲得燃料電池電流輸入和電壓輸出采樣數(shù)據(jù)；2）將燃料電池模型的電壓估計(jì)輸出與實(shí)際電壓輸出的誤差平方和作為目標(biāo)函數(shù)；3）受種群內(nèi)其他個(gè)體的引導(dǎo)作用的磷蝦行為啟發(fā)，提出雇傭蜂相位置改進(jìn)規(guī)則，提出融合磷蝦行為人工蜂群算法的燃料電池優(yōu)化建模方法；4）設(shè)置算法運(yùn)行參數(shù)；5）運(yùn)行融合磷蝦行為人工蜂群算法進(jìn)行燃料電池模型中未知參數(shù)的估計(jì)，通過(guò)目標(biāo)函數(shù)的最小化，得到燃料電池模型的參數(shù)估計(jì)值，代入燃料電池模型中，形成數(shù)學(xué)模型。本發(fā)明建模方法具有尋優(yōu)精度高、收斂速度快的特點(diǎn)，也適用于其他復(fù)雜化學(xué)反應(yīng)過(guò)程的建模。
【IPC分類】G06F17-50
【公開(kāi)號(hào)】CN104778315
【申請(qǐng)?zhí)枴緾N201510147906
【發(fā)明人】張思朋, 王寧
【申請(qǐng)人】浙江大學(xué)
【公開(kāi)日】2015年7月15日
【申請(qǐng)日】2015年3月31日