[发明专利]一种质子交换膜燃料电池估测方法及计算机可读介质

权利要求书

1.一种质子交换膜燃料电池估测方法，其特征在于，包括以下步骤：

步骤1：获取多个时刻的能斯特电压、多个时刻的激活电压、多个时刻的电极和膜电阻引起的欧姆压降、多个时刻的浓度电压损失，计算每个时刻的质子交换膜燃料电池的堆叠电压，输入多个时刻的质子交换膜燃料电池的测量堆叠电压；

步骤2：构建堆叠电压优化目标，选取第一半经验因子、第二半经验因子、第三半经验因子、第四半经验因子、膜的恒定电阻、质子交换膜内含水量、常数因子作为决策变量，构建参数的约束条件；

步骤3：结合堆叠电压优化目标、参数的约束条件，将第一半经验因子、第二半经验因子、第三半经验因子、第四半经验因子、膜的恒定电阻、质子交换膜内含水量、常数因子作为待求解变量，通过改进红狐优化算法进行求解，得到优化后的第一半经验因子、优化后的第二半经验因子、优化后的第三半经验因子、优化后的第四半经验因子、优化后的膜的恒定电阻、优化后的质子交换膜内含水量、优化后的常数因子，进一步实现质子交换膜燃料电池的优化设置；

步骤3所述通过用改进红狐优化算法进行求解，包括：

步骤3.1：初始化红狐搜索算法；

步骤3.2：搜寻猎物栖息地，采用融入混沌优化算法的小波精英学习策略进行全局搜索；

步骤3.3：遍历栖息地，结合螺线公式、改进后的阿基米德螺线公式在猎物栖息地内搜索猎物的准确位置；

步骤3.4：根据红狐个体的适应度进行繁殖更新，采用新型回溯更新策略对被放逐红狐的位置进行更新；

步骤3.5：重复步骤3.2—步骤3.4，直至达到最大迭代次数，并输出优化后的第一半经验因子、优化后的第二半经验因子、优化后的第三半经验因子、优化后的第四半经验因子、优化后的膜的恒定电阻、优化后的质子交换膜内含水量、优化后的常数因子；

所述初始化红狐搜索算法，具体如下：

根据参数的约束条件设置红狐的活动空间；

将第一半经验因子的上限、第二半经验因子的下限、第三半经验因子的下限、第四三半经验因子的下限、膜的恒定电阻的下限、质子交换膜内含水量的下限、常数因子的下限逐维存入中，

具体如下：为第一半经验因子的下限，为第二半经验因子的下限，为第三半经验因子的下限，为第四半经验因子的下限，为膜恒定电阻的下限，为质子交换膜内水含量的下限，为常数因子下限；

将第一半经验因子的上限、第二半经验因子的上限、第三半经验因子的上限、第四三半经验因子的上限、膜的恒定电阻的上限、质子交换膜内含水量的上限、常数因子的上限逐维存入中，具体如下：

为第一半经验因子的上限，为第二半经验因子的上限，为第三半经验因子的下上限，为第四半经验因子的上限，为膜恒定电阻的上限，为质子交换膜内水含量的上限，为常数因子上限；

设置最大迭代次数为、种群内红狐数量为、观察角度为、天气因子为、行动判断因子为、路线判断因子为、进化判断因子为、进化个体数量为、形状控制因子为；

根据步骤2所述质子交换膜燃料电池优化模型中决策变量的数量确定红狐的搜索维度为；

其中，为之间的随机数，为之间的随机数，为区间之间的常数，、和为之间的常数，为区间之间的常数；

在红狐的活动区间内随机生成红狐种群，设置当前迭代次数；

其中,初始化红狐种群的定义如下：

其中，表示第次迭代过程中第个个体解向量的第一半经验因子，表示第次迭代过程中第个个体解向量的第二半经验因子，表示第次迭代过程中第个个体解向量的第三半经验因子，表示第次迭代过程中第个个体解向量的第四半经验因子，表示第次迭代过程中第个个体解向量的质子交换膜内含水量，表示第次迭代过程中第个个体解向量的质子交换膜恒定电阻，表示第次迭代过程中第个个体解向量的燃料电池常数因子；

且满足：

其中，为解的维度，表示红狐活动空间中第维解向量参数的下限，表示红狐活动空间中第维解向量参数的上限；

所述搜寻猎物栖息地，采用融入混沌优化算法的小波精英学习策略进行全局搜索，具体如下：

根据步骤2所述的质子交换膜燃料电池的电压误差模型的目标函数计算种群内所有红狐个体的适应度，并依据适应度的大小对红狐个体进行排序，挑选出最优红狐个体；

采用融入混沌优化算法的小波精英学习策略驱动其余个体向最优个体移动，具体如下：

其中，为Morlet小波，为全局搜索因子，为SPM混沌映射，表示第次迭代过程中第个更新前的个体，表示第次迭代过程中更新前的全局最优解，为符号函数，为红狐活动空间的下限，为红狐活动空间的上限，表示第次迭代过程中第个更新后的个体；

其中，为区间之间的随机数；

其中，为取随机数函数，为与之间的欧氏距离，计算公式如下：

其中，为质子交换膜燃料电池模型参数个数；

其中，表示混沌因子，为区间之间的随机数，为取余函数，表示第t次迭代过程中第个更新前的个体，和为区间之间的常数；表示第t次迭代过程中第个更新前的个体，

根据步骤2所述的质子交换膜燃料电池的电压误差模型重新计算更新后的红狐适应度，判断更新后的红狐适应度是否优于历史最优个体，若满足保持更新后的位置不变并替换历史最优个体；

所述遍历栖息地，结合螺线公式、改进后的阿基米德螺线公式在猎物栖息地内搜索猎物的准确位置，具体如下：

对每只红狐设置伪装因子以模拟红狐在接近猎物时被注意到的可能性，其中伪装因子为区间之间的随机数；

判断伪装因子是否满足，若不满足则留在原地进行伪装；

其中，为区间之间的常数；

若满足则设置路线影响因子与局部放缩因子；

其中，路线影响因子为区间之间的随机数，局部放缩因子为区间之间的随机数；

判断满足红狐个体的路线影响因子是否满足，若满足则依照螺线公式更新红狐种群；其中，和为区间之间的常数；

所述螺线公式，具体如下：

其中，表示第一搜索角度，表示第二搜索角度，表示第三搜索角度，表示第四搜索角度，表示第五搜索角度，表示第六搜索角度，表示第七搜索角度，均为之间的随机数，为局部放缩因子，表示第次迭代过程中第个个体解向量的第一半经验因子，表示第次迭代过程中第个个体解向量的第二半经验因子，表示第次迭代过程中第个个体解向量的第三半经验因子，表示第次迭代过程中第个个体解向量的第四半经验因子，表示第次迭代过程中第个个体解向量的质子交换膜内含水量，表示第次迭代过程中第个个体解向量的质子交换膜恒定电阻，表示第次迭代过程中第个个体解向量的燃料电池常数因子，表示第次迭代过程中第个个体螺线更新后解向量的第一半经验因子，表示第次迭代过程中第个个体螺线更新后解向量的第二半经验因子，表示第次迭代过程中第个个体螺线更新后解向量的第三半经验因子，表示第次迭代过程中第个个体螺线更新后解向量的第四半经验因子，表示第次迭代过程中第个个体螺线更新后解向量的质子交换膜内含水量，表示第次迭代过程中第个个体螺线更新后解向量的质子交换膜恒定电阻，表示第次迭代过程中第个个体螺线更新后解向量的燃料电池常数因子；

为红狐的视野半径，计算公式如下：

其中，为观察角度，为天气因子，为局部放缩因子；

若不满足路线影响因子，则采用改进后的阿基米德螺线公式更新红狐种群，为区间之间的常数；

所述改进后的阿基米德螺线公式，具体如下：

其中，为表示第次迭代过程中更新后的第个个体，s表示调节因子，为对数螺旋形状常数，为区间中的随机数，T表示最大迭代次数，表示第次迭代过程中第个更新前的个体，表示第次迭代过程中更新前的全局最优解；

调节因子的计算公式为：

其中，为四舍五入函数；

重新计算红狐种群适应度，依据适应度对红狐进行重新排序，并选出最优的两只红狐个体；

所述根据红狐个体的适应度进行繁殖更新，采用新型回溯更新策略对被放逐红狐的位置进行更新，具体如下：

根据红狐个体的适应度选择个最差个体放逐至栖息地之外或直接猎杀，具体如下：

设置进化因子，其中为之间的随机数；

判断是否满足，若满足，则将个最差个体猎杀，同时最优的两只红狐会在栖息地内繁殖出等量的红狐个体替代被猎杀的红狐，随机分布在当前栖息地内；其中，为区间之间的常数；

当前栖息地中心点计算公式如下：

其中，为第次迭代过程中适应度排序为前2的红狐个体；

所述栖息地的直径计算公式如下：

若不满足，则将个最差红狐个体逐出栖息地，被逐出栖息地的红狐会结合狩猎经验重新寻找新的猎物栖息地；

即采用新型回溯更新策略对被放逐红狐的位置进行更新，更新公式如下：

其中，为红狐的初始位置，为SPM混沌映射，为第次迭代过程中进化后的第个红狐个体，为幂函数分布值；为区间之间的常数，T表示最大迭代次数；

计算所有红狐个体的适应度并排序，令。