[发明专利]一种固体氧化物燃料电池性能推理与优化方法

说明书

一种固体氧化物燃料电池性能推理与优化方法，所述方法包括步骤：对固体氧化物燃料电池进行物理化学机理建模并得到数学模型；将所述数学模型中未确定的系数设置为未知系数；使用粒子群优化算法对所述未知系数进行优化；将所述未知系数优化后的所述数学模型转换为状态空间表达式；对固体氧化物燃料电池实际运行数据中的变量进行格兰杰因果检验，并得到实际运行情况下变量的格兰杰因果性关系矩阵；根据所述状态空间表达式与所述格兰杰因果性关系矩阵判断所述数学模型是否符合所述固体氧化物燃料电池实际运行情况并评估优化效果。本申请综合准确性与效率考量，整合了数据驱动方法与机理模型方法的优势，同时一定程度上避免了二者的缺点。

技术领域

本发明属于高温燃料电池技术领域，具体涉及一种固体氧化物燃料电池性能推理与优化方法。

背景技术

故障诊断分析和寿命预测被认为是维护SOFC系统正常运行与高效输出的必须手段，近年来国内外的学者对许多SOFC系统故障检测与诊断方法进行了研究。这些工作的方法可以分为两大类:基于数据驱动的故障诊断方法和基于机理模型的故障诊断方法。

基于机理模型的故障诊断方法，一般情况下机理模型由已知的物理化学原理推导得出：计算实际SOFC行为与预期健康行为之间的瞬时距离，然后通过残差分析对故障进行检测。由于此过程越来越复杂，通过系统的物理化学原理在实际中很难精确计算获取相关变量的值，从而使得基于机理模型的故障诊断方法很难在模型无法保证客观精确的前提下拥有足够的精度。与已有的基于机理模型的方法相比，基于数据驱动的方法仅依靠历史记录的数据集，利用实体过程中的信息。基于数据驱动的故障诊断方法在生产过程监控和故障诊断方面蓬勃发展，并开始在行业中应用，以保证系统持续稳定的运行。

基于上述内容，催生出两种主流的故障诊断与寿命预测方法：一类是以模型为基础，使用已知的物理化学模型作为判断依据来进行预测；另一类则是以数据为基础，对收集的真实实验数据进行分析以期获得更多信息。

数据驱动方法具有准确客观的特点，因为数据来源自实际系统试验，数据中包含了确切的系统特征信息，但是数据驱动方法对于系统控制而言具有迟滞性，不能够在故障发生之前进行预测并规避；同时数据驱动方法需要对实际实验数据进行分析而后得到结论，而实际实验物质成本和时间成本均极大，不可能通过大量的实验获得足够多的系统信息，所以需要物理化学原理的支撑，这样就要借助机理模型方法。机理模型方法具有数据驱动方法所不能比拟的时效性，可以在故障发生之前就通过计算和模型推测出接下来会发生的故障内容，而这一点无比重要。但是同样机理模型方法也具有缺点，即当前的物理化学知识的发展并不能完美地解释如此复杂系统之中发生的全部客观过程，仅仅能够用目前所了解的部分来建立模型，这样会导致模型与事实系统的不统一，而导致预测失误甚至是导致重大事故。

发明内容

鉴于上述问题，本发明提供克服上述问题或者至少部分地解决上述问题的一种固体氧化物燃料电池性能推理与优化方法。

为解决上述技术问题，本发明提供了一种固体氧化物燃料电池性能推理与优化方法，所述方法包括步骤：

对固体氧化物燃料电池进行物理化学机理建模并得到数学模型；

将所述数学模型中未确定的系数设置为未知系数；

使用粒子群优化算法对所述未知系数进行优化；

将所述未知系数优化后的所述数学模型转换为状态空间表达式；

对固体氧化物燃料电池实际运行数据中的变量进行格兰杰因果检验，并得到实际运行情况下变量的格兰杰因果性关系矩阵；

根据所述状态空间表达式与所述格兰杰因果性关系矩阵判断所述数学模型是否符合所述固体氧化物燃料电池实际运行情况并评估优化效果。

优选地，所述对固体氧化物燃料电池进行物理化学机理建模并得到数学模型包括步骤：