http://www.newenergy.com.cn  2006-3-8 15:38:00  中国燃料电池网

苗青，曹广益，朱新坚
(上海交通大学自动化系燃料电池研究所，上海200030)
摘要:针对直接甲醇燃料电池(DMFC)系统过于复杂，难以数学建模。应用一种改进的RBF神经网络对DMFC系统进行辨识建模。模型以甲醇的浓度和流速为神经网络辨识模型的偷入量，电池电压/电流密度为偷出量，利用1000组实验数据作为训练和测试样本，建立了不同甲醇浓度和流速下电池电压/电流密度动态响应模型。应用仿真对建模的有效性和精度进行了检验，并与BP神经网络辨识的效果进行了对比。仿真结果证明RBF神经网络比BP神经网络收敛得快，建模精度高，从而为设计DMFC实时控制系统莫定了基础。
关键词:直接甲醇燃料电池;神经网络;辨识建模;RBF
文章编号:1004-73lX(2005)02-0284-02中图分类号:TM911;TP183文献标识码:A
引言
    直接甲醇燃料电池(oirect methanol fuel cell，DMFC)是一种将甲醇和氧的化学能通过电极反应直接转换成电能的装置。其具有室温快速启动、可靠性高、燃料补充方便、体积和质量比能量密度高等特点，是一种极有发展前途的清洁能源，在手机电源等微型移动电源方面有广泛的应用前景。90年代后，欧盟、美国能源部以及日本新能源及工业技术发展组织都在资助DMFC的研究开发工作，并已有便携式电源产品投入使用。国内oMFC也是“九五”、“十五”期间重点支持的高新技术，但尚在开发试制演示阶段。
    要实现DMFC系统大规模商业化的一个重要的条件是它必须有较稳定的运行性能和相对较长的寿命。然而，DMFC系统性能和寿命很大程度上取决于系统的甲醇浓度、电池工作温度和氧气压力等因素，一般来说，DMFC系统的性能随电池工作温度和氧气压力的提高而改善，而增大甲醇浓度和流速，阳极反应动力学性能改善，浓差极化被推迟，但甲醇穿透量同时增加，渗漏到阴极的甲醇不仅会与氧气反应，造成燃料损耗，而且会导致阴极上出现混合电位。因此如何确定甲醇在一个合适的浓度和流速范围是提高DMFC系统运行性能和使用寿命的关键。然而，由于DMFC系统是一个多输入多输出的非线性系统，牵涉到复杂的多相、多回路气流循环和水热循环，因此，建模十分困难。而目前已建立的数学模型都是基于物理定律和热力学理论，其建模精度极为有限，而且这些模型表达式过于复杂，难以满足工程上对DMFC系统的实时控制需求。
    因此，本文采用神经网络辨识方法对DMFC进行辨识建模，以甲醇浓度和流速为输入量，DMFC系统的电压/电流密度为输出量，根据实验的输入输出数据建立DMFC系统的电压/电流密度模型。
1 DMFC系统的描述
    根据对DMFC系统的动态特性的分析，DMFC的电压/电流密度模型可描述为:




    调节甲醇浓度稳定变化(0.125-3mol/L)，流速稳定变化(0-2mL/min)，得到所需要的实验数据。由实验数据，在不同的甲醇浓度和流速下，DMFC的电压/电流密度变化曲线如图l所示。

    在低电流密度区，电池放电电压因甲醇浓度和流速增大而下降，而在高电流密度区，甲醇浓度和流速提高导致电池浓差极化推迟，极限电流密度增大，因而其放电性能提高。但在整个电流密度范围内，甲醇浓度为3.0mol/L，流速为182mL/min时与浓度为2.0mol/L，流速为136mL/min时相比，电池的性能不仅没有继续提高反而显著下降。电池开路电压随甲醇浓度和流速增大而下降，表明甲醇进料浓度越高，流速越大，甲醇穿透过电位越大，电池阴极的性能下降越严重。当增大甲醇浓度和流速使阳极性能提高的程度低于阴极性能下降的程度时，电池的放电性能下降。在浓差极化、电极反应动力学和甲醇穿透等因素的共同作用下，电池性能在甲醇浓度为2.0mol/L时，流速为136mL/min时达到最佳。
    在本文，对模型辨识的要求为在不同的甲醇浓度和流速下，能够动态模拟出电池电压/电流密度的变化曲线，完成网络模型的输入矢量到输出矢量的动态映射，这样的辨识模型可以用一个非线性差分方程来描述:
 

2基于RBF神经网络DMFC系统辨识的结构和学习算法




    本文采用文献中Chiu提出的减聚类算法对学习样本聚类，得到RBF径向基函数的中心参数，同时确定径向基函数数目;然后采用梯度下降法对输出权值叭进行调节。

3 RBF神经网络的训练和仿真结果
    本文采用MATLAB中的神经网络工具箱执行RBF神经网络的训练和测试。选用文献中的DMFC系统在T=70℃，Pa=0.lMpa，Pa=0.3Mpa，甲醇浓度(0.125-3mol/L)稳定变化，流速(0-2mL力11in)稳定变化时的1000组电压/电流密度的响应值作为实验数据。同时确定RBF神经网络的隐层神经元个数为52个，在Pentium-II 350MHz计算机上进行训练的时间是50.63秒。期望的均方误差是0.002，在训练结束时实际所得到的均方误差是0.00172。而同样的数据训练带一个隐层、20个隐层神经元的多层前向BP神经网络，在同一计算机上使网络收敛到与上述同样的误差水平，所需的时间是206.76秒。具体辨识结果如图2、3、4所示。由仿真结果可见，采用RBF神经网络模型比BP神经网络模型的训练时间短，建模精度高，神经网络模型基本能够模拟系统的电压/电流密度动态响应，最大误差不超过0.0009A。


 
4结论
    本文采用了一种基于含有广义参数的径向基函数神经网络的野值剔除方法，用于航天靶场外测数据的野值实时剔除。在该方法中，一旦神经网络学习成功，进入野值实时剔除阶段，算法的时间复杂度仅为O(n)量极.仿真计算亦证明该方法运算速度快，准确率高，特别适于实时运算。目前，对这种野值剔除方法的应用研究还处于起步阶段，有待于进一步的探索。