[发明专利]一种基于粒子滤波的氢燃料电池模型参数在线辨识方法

权利要求书

1.一种基于粒子滤波的氢燃料电池模型参数在线辨识方法，其特征在于，包括以下步骤：

第一步，基于待估计参数的先验知识，确定粒子数并进行初始化得到初始粒子集；

第二步，基于燃料电池的极化曲线模型，根据当前时刻的电堆电流和温度输入，对第一步的各粒子进行递推，得到当前步粒子集的预测；

第三步，利用系统输出的电堆电压量测值计算各粒子的似然概率密度函数，根据该函数值对各粒子的权重进行计算，将各粒子加权和作为当前步的参数后验估计值，并根据各粒子权重对粒子进行重采样。

2.根据权利要求1所述的一种基于粒子滤波的氢燃料电池模型参数在线辨识方法，其特征在于：所述第二步的具体实现步骤如下：

建立燃料电池极化曲线模型的具体表达式：

V_FC＝N_cell(E_Nernst+V_act+V_ohmic+V_con)

E_Nernst＝1.229-0.85×10^-3(T-298.15)+4.3085×10^-5T[ln(P_H2)+0.5ln(P_O2)]

V_act＝ξ₁+ξ₂T+ξ₃Tln(CO₂)+ξ₄Tln(I)

V_ohmic＝-Ir

其中，V_FC为燃料电池输出电压，E_Nernst为能斯特势能，V_act为反应活化损失，V_ohmic为欧姆损失，V_con为浓差损失，N_cell为电堆中单片电池的片数，T为电堆温度，P_H2和P_O2分别为进入电堆的氢气和氧气压强，I为电堆电流，I_max为最大电流，r为电堆内阻；ξ₁、ξ₂、ξ₃、ξ₄、r、B、I_max为未知的待辨识参数；

令x＝[x₍₁₎,x₍₂₎,x₍₃₎,x₍₄₎,x₍₅₎,x₍₆₎,x₍₇₎]^T＝[ξ₁,ξ₂,ξ₃,ξ₄,r,B,I_max]^T，y＝V_FC，其中x和y分别为模型状态和输出，x_(i)表示向量x中的第i个元素，则将模型写为离散状态空间方程的形式：

其中，方程组中第一个方程为系统方程，第二个为量测方程；x_k代表第k步的x值，x_k,(i)代表x_k的第i个元素，w_k和v_k分别为过程噪声和测量噪声，满足其中和均为已知概率密度函数；

利用所建立的燃料电池极化曲线模型(1)，计算第k+1步的各粒子预测值如下：

其中，N为粒子总数，代表第k步的第i个粒子，的减号上标代表该值为先验估计，即在量测更新前的估计值，满足每个粒子每一次计算上式都按照其分布随机取值，保证了粒子的多样性。经过预测得到第k+1步各粒子的先验估计

3.根据权利要求2所述的一种基于粒子滤波的氢燃料电池模型参数在线辨识，其特征在于：所述第三步的具体实现步骤为：

首先根据当前时刻电堆输出电压值y_k+1计算每个粒子的似然概率密度用以衡量粒子值的正确程度：

其中，p_vk+1表示v_k+1的概率密度函数；

对每个粒子的似然概率密度进行归一化，得到各粒子的权重

进行归一化之后保证了各粒子的权重之和为1；

将各粒子按权重进行加权求和得到最终估计值：

上式计算得到的记为当前步对参数的辨识值；

最后，对粒子集进行重采样并赋予新权重；根据各粒子权重的不同，按概率复制权重大的粒子，舍去权重小的粒子，避免粒子迅速退化，得到当前步，即第k+1步的粒子集每一个粒子都通过以下步骤产生：在[0,1]区间的均匀分布上随机产生一个数a，从j＝1开始累加直到累加和大于a，即满足且则令新粒子等于第l个先验粒子并将所有新粒子的权重设置为