固体氧化物燃料电池系统仿真分析与控制

doi:10.3976/j.issn.1002-4026.2016.01.001

山东科学 ›› 2016, Vol. 29 ›› Issue (1): 1-6.doi: 10.3976/j.issn.1002-4026.2016.01.001

• 海洋科技与装备 • 下一篇

固体氧化物燃料电池系统仿真分析与控制

刘东彦，张颖颖，吴丙伟，张颖，胡云川

山东省科学院海洋仪器仪表研究所，山东青岛 266001

收稿日期:2015-11-27 出版日期:2016-02-20 发布日期:2016-02-20
作者简介:刘东彦（1983-），女，助理研究员，研究方向为复杂系统建模与控制。Email：ldynuaa2008@163.com
基金资助:
山东省重大科技专项(2015ZDXX0602A02)

Simulation analysis and control of solid oxide fuel cell system

LIU Dongyan, ZHANG Yingying, WU Bingwei, ZHANG Ying, HU yunchuan

Institute of Oceanographic Instrumentation, Shandong Academy of Sciences,Qingdao 266001, China

Received:2015-11-27 Online:2016-02-20 Published:2016-02-20

摘要/Abstract

摘要：

固体氧化物燃料电池（SOFC）系统是一个非线性、多变量和强耦合的系统，很难用传统的建模方法来建立。本文基于BP神经网络的方法，利用MATLAB/Simulink平台构建SOFC系统模型，并在该模型的基础上增加PID控制，实现了闭环控制系统的分析。实验结果表明，该模型预测精度高，由预测模型得出的温度数据与实际数据的绝对误差为0.011%，增加的PID控制算法具有很强的抗干扰能力。

关键词: 热管理, 固体氧化物燃料电池, BP神经网络, PID控制

Abstract:

Solid oxide fuel cell (SOFC) system is a nonlinear, multivariable and strong coupling system, so its model is very difficult to be constructed with traditional modeling method. We establish a SOFC system model with BP neural network and MATLAB/Simulink platform.We further increase PID control based on the model and closed loop control system analysis. Experimental results show that the model has high prediction accuracy, and the relative error between temperature data from the model and actual data is 0.011%.The increased PID control algorithm has stronger antiinterference capability.

Key words: thermal management, PID control, solid oxide fuel cell, BP neural network

中图分类号:

TM 911.4

刘东彦，张颖颖，吴丙伟，张颖，胡云川. 固体氧化物燃料电池系统仿真分析与控制[J]. 山东科学, 2016, 29(1): 1-6.

LIU Dongyan, ZHANG Yingying, WU Bingwei, ZHANG Ying, HU yunchuan. Simulation analysis and control of solid oxide fuel cell system[J]. SHANDONG SCIENCE, 2016, 29(1): 1-6.

参考文献

［1］肖国林,陈虹,段宗武.燃料电池技术在潜艇和海洋工程中的应用前景探讨［J］.舰船科学技术,2009,31(12):102-104.
［2］SHIH N C, WENG B J, LEE J Y,et al. Development of a 20 kW generic hybrid fuel cell power system for small ships and underwater vehicles ［J］. International Journal of Hydrogen Energy, 2014, 39（25）: 13894-13901.
［3］XIE Y Y, DING H P, XUE X J. Multiphysicochemical modeling of direct methane fueled solid oxide fuel cells ［J］. Journal of Power Sources, 2013, 241: 718-727.
［4］蔡年生.UUV动力电池现状及发展趋势［J］.鱼雷技术,2010,18(2):81-87.
［5］蒋建华.平板式固体氧化物燃料电池系统的动态建模与控制［D］.武汉：华中科技大学,2013.
［6］李曦，付晓薇，曹广益，等.基于模糊辨识的燃料电池建模［J］，武汉科技大学学报:自然科学版，2004，27（3）：260-263.
［7］ ZHANG L, LI X, JIANG J H, et al. Dynamic modeling and analysis of a 5kW solid oxide fuel cell system from the perspectives of cooperative control of thermal safety and high efficiency ［J］.International Journal of Hydrogen Energy, 2015, 40（1）: 456-476.
［8］曹红亮.固体氧化物燃料电池发电系统的动态建模与控制［D］.武汉:华中科技大学，2012.
［9］BARELLI L, BIDINI G, GALLORINI F, et al. Design optimization of a SOFCbased CHP system through dynamic analysis ［J］. International Journal of Hydrogen Energy, 2013, 38(1): 354-369.
［10］GEORGIS D, JOGWAR S S , ALMANSOORI A S, et al. Design and control of energy integrated SOFC systems for in situ hydrogen production and power generation ［J］. Computers& Chemical Engineering, 2011, 35（9）: 1691-1704.
［11］侯媛彬,汪梅 ,王立琦.系统辨识及其MATLAB仿真［M］.北京：科学出版社.2004：186-188.
［12］SINGHAL S C ,KENDALL K.高温固体氧化物燃料电池：原理、设计和应用［M］.北京:科学出版社,2007:47-49.

[1]	李小峰，于慧彬. 基于BP神经网络的船舶航向智能PID控制研究[J]. 山东科学, 2018, 31(4): 8-14.
[2]	郑威, 杨英，惠力, 鲁成杰，赵彬，杨立. 基于BP神经网络模型的ADCP倾斜条件下的修正算法研究[J]. 山东科学, 2018, 31(3): 1-7.
[3]	郭祥洋，鲁守银，高鹏，刘存根，胡涛. 基于模糊-PID控制的水冲洗机器人液压伺服控制系统[J]. 山东科学, 2016, 29(4): 99-105.
[4]	张颖，张颖颖，范萍萍，侯广利. 基于BP算法的海洋装备应用的SOFC系统温度模型的研究[J]. 山东科学, 2015, 28(2): 6-10.
[5]	秦鉴，何世伟. 基于BP神经网络的全社会集装化货物运量预测[J]. 山东科学, 2015, 28(2): 70-74.
[6]	刘霏，谷文静，王公堂，万洪林. 基于BP神经网络的虹膜图像质量分类方法[J]. 山东科学, 2015, 28(2): 108-112.
[7]	李连伟，刘展，胡利民，王振杰. 基于BP神经网络的黄河口海水入侵程度评价研究[J]. J4, 2014, 27(2): 1-7.
[8]	丁硕，常晓恒，巫庆辉，杨友林. 数值优化改进的BP神经网络逼近性能对比研究[J]. J4, 2014, 27(1): 68-72.
[9]	朱世伟，鞠镁隆，于俊凤，魏墨济，王蕾. 基于模糊神经网络的数字资源服务绩效评价研究[J]. J4, 2013, 26(6): 51-56.
[10]	孙晓红,杜龙安,刘弘,张晓伟. 基于PSO的BP网络在3D动漫造型评价中的应用[J]. J4, 2012, 25(5): 67-72.
[11]	周磊. 基于粗糙集和支持向量机的股指期货预测模型研究[J]. J4, 2010, 23(5): 66-70.
[12]	姜军伟, 赛英. 基于模糊神经网络的企业绩效评价方法研究[J]. J4, 2010, 23(1): 36-40.

固体氧化物燃料电池系统仿真分析与控制

Simulation analysis and control of solid oxide fuel cell system

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 12

Metrics

本文评价

推荐阅读 0