[发明专利]具有自适应遗传策略RNA-GA的燃料电池优化建模方法

说明书

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。

技术领域

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

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、局部搜索能力差等缺点。

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：

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。

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：

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；

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。

上述步骤可采用如下具体实现方式：

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，将A、U、G、C四种碱基转换成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)；

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；