基于神经网络辨识的DMFC电压模型研究

介绍并分析了直接甲醇燃料电池(DMYC)的工作原理及理论电压模型,并针对直接甲醇燃料电池系统过于复杂,理论电压模型存在明显不足的特点,试图绕开DMYC的内部复杂性,基于实验数据,利用神经网络逼近任意复杂非线性函数的能力,将神经网络辨识方法应用到DMYC这种高度非线性系统的建模中去,以1000组电池电压、电流密度实验数据作为训练样本,采用基于LM算法的改进BP神经网络,建立了不同温度下电池电压一电流密度的神经网络辨识模型。仿真结果表明这种方法是可行的,建立的模型精度较高。     

基于在线系统辨识的DMFC模型预测与模糊控制

利用神经网络具有逼近任意复杂非线性函数的能力，以甲醇浓度为神经网络辨识模型的输入量，电池电压／电流密度为输出量．利用1000组实验数据，建立了DMFC电堆的神经网络模型。然后，基于电特性的输入输出关系设计了一个模糊控制器，且利用模糊控制器的输入输出样本训练神经网络。仿真结果表明，所设计的神经网络模糊控制器具有自学习、自适应等优点，达到了在线控制的目的。     

基于广义回归神经网络的SOFC电压模型研究靠

首先介绍并分析了固体氧化物燃料电池(SOFC)的工作原理和理论电压模型.然后,针对SOFC系统过于复杂,理论电压模型存在明显不足的特点,试图绕开SOFC的内部复杂性,利用广义回归神经网络(GRNN)对SOFC系统进行辨识建模.模型以电池工作温度为神经网络辨识模型的输入量,电池电压/电流密度为输出量,利用750组实验数据作为训练样本,建立了SOFC在不同工作温度下的电池电压/电流密度动态响应模型.仿真结果表明了该方法的有效性,所建模型精度也较高.     

基于一种改进的BP神经网络光伏电池建模

由于光伏电池具有高度非线性特性，难以建模，而传统的数学模型难以满足光伏控制系统设计和应用的要求。该文利用神经网络具有逼近任意复杂非线性函数的能力，将神经网络技术应用到光伏阵的建模中，避开了该模块内部的复杂性。模型以太阳能日照、温度以及负载电压作为神经网络辨识模型的输入量，光伏阵输出电流为输出量，采用改进型BP算法，建立了光伏电池的动态响应模型，然后预测了最大功率点。文中给出模型的结构，训练步骤和仿真结果。仿真结果表明，方法可行，建立的模型精度较高，从而为设计光伏实时控制系统奠定了基础。     

粒子群优化RBF神经网络光伏电池建模研究

本文研究神经网络在光伏电池建模优化问题。由于光伏电池具有高度非线性特性,其输出功率受到外界自然因素的影响,使得传统方法不能满足光伏控制系统动态要求。针对上述问题,本文提出一种粒子群优化的神经网络光伏电池建模算法。改进的方法以日照、温度和负载电压作为提出的RBF神经网络模型的输入值,把光伏电池的输出功率作为神经网络的输出,采用RBF神经网络对光伏电池进行建模,同时利用粒子群算法对神经网络参数进行优化,最后建立光伏电池的动态响应模型。仿真实验结果证明,所提模型更好地克服传统方法的缺点,收敛速度快,具有较高的预测精度和适合能力。     

基于神经网络辨识的熔融碳酸盐燃料电池（MCFC）建模

针对熔融碳酸盐燃料电池（MCFC）电堆系统过于复杂,难以建模以及已建立的模型过于复杂,难以满足工程上对MCFC系统控制设计特别是实时控制的需要,该文试图绕开MCFC的内部复杂性,提出利用神经网络具有逼近任意复杂非线性函数的能力,将神经网络辨识方法应用到MCFC这种高度非线性系统的建模。以燃料气和氧化剂气体的流速为输入量,MCFC电堆的温度响应为输出量,根据输入输出数据用神经网络辨识建立MCFC电堆系统的温度模型,给出了辨识系统的结构及改进BP算法。仿真结果证明了这种方法的可行性,建立的模型精度较高,它使得设计MCFC的实时控制器成为可能。     

基于改进型BP网络辨识的燃料电池建模

质子膜燃料电池（PEMFC）工作原理涉及热力学、电化学、流体力学、传质学等理论,形成一个非线性复杂系统,难以建立数学模型.因此,该文利用人工神经网络具有为非线性系统建模的较强的逼近能力以及自学习能力,采用了改进型反向传播网络（BP）方法,建立PEMFC电特性模型;利用150组试验数据作为训练样本,在氢气供给满足的条件下,以空气（或氧气）流速和电池工作温度为模型的输入量,电池的电压、电流密度为输出量,建立了在不同工作温度下的PEMFC电特性模型.表明该方法具有简单、可行、精度高等优点.通过对模型输出曲线仿真的结果分析,对PEMFC控制系统的设计和电池性能的优化提供了基本依据,具有实际意义.     

基于一种FGA–ANFIS技术的DMFC温度建模和控制

为了提高直接甲醇燃料电池(DMFC)的发电性能,采用自适应神经模糊推理技术(FGA-ANFIS)对电池的工作温度进行建模与控制.首先,基于实验的输入输出数据建立了DMFC电堆温度的自适应神经模糊辨识模型,避开了DMFC电堆的内部复杂性.然后,将训练好的网络模型作为DMFC控制系统的参考模型,采用一种改进的模糊遗传算法对神经模糊控制器的参数和模糊规则进行自适应调整.最后,通过仿真.将所提出的算法与非线性PID和传统模糊算法进行比较,结果表明所设计的神经模糊控制器具有较好的性能.     

磁浮列车悬浮系统的神经网络建模研究

磁浮列车的悬浮系统是一个典型的非线性系统，其精确数学模型的建立非常困难。目前使用的系统模型大多是经过简化的近似线性化动力学模型，这样的模型在悬浮系统的研究中只起到方向上的指导作用，在工程实践中获取控制对象的精确模型具有重要的意义。神经网络不仅能够逼近复杂的非线性静态映射关系，同时也可以用于动态系统的特性学习，这里采用神经网络来建立悬浮系统的精确模型。文中简述了磁浮列车悬浮系统的基本结构和原理。讨论了非线性动态系统神经网络建模的一般方法。采用了输出反馈型的多层前向神经网络对悬浮系统进行了建模。并使用悬浮系统的输入输出数据对神经网络模型进行了训练和仿真，验证了该建模方法的可行性。     

基于ANN逆模型补偿的复合控制系统仿真

为对复杂非线性系统进行辨识建模和实施有效控制，分析了基于神经网络的非线性系统逆模型的辨识和控制原理，研究了基于神经网络的非线性系统逆模型补偿的复合控制方法。基于复合控制思想，时常规PID控制器＋前馈神经网络逆模型补偿的复合控制结构方案进行了仿真。仿真结果表明，基于神经网络的非线性系统逆模型补偿的复合控制结构方案是有效的、相对简单的网络结构，可提高逆模型的泛化能力和非线性系统的控制精度。     

基于遗传算法的直接甲醇燃料电池的数学模型及优化设计

微型直接甲醇燃料电池由于具有系统结构简单、体积小、环境友好、燃料比能量高及便于携带与储存等优点,在便携式电源,如手机、笔记本电脑等上展示出良好的应用前景。研究DMFC的数学模型可以深入了解DMFC中物质的传递过程和电化学机理,为寻找DMFC性能的最优化工作条件提供理论依据。主要依据微型直接甲醇燃料电池中物质传递的基本原理及电化学动力学机理,建立微型直接甲醇燃料电池的一维数学模型,利用遗传算法对其进行优化设计。仿真结果显示当阳极甲醇浓度为2.32mol/L,阴极氧气浓度为0.06mol/L,电流密度为545.67mA/cm2,DMFC的功率密度达到最大值为71.5mW/cm2。     

PEMFC的PSO优化LS-SVM动态建模仿真

质子交换膜燃料电池(PEMFC)作为一种电化学反应装置,湿度管理对于它的运行性能十分关键.为了建立相应的动态模型,采用了最小二乘支撑向量机(LS-SVM)算法,并使用微粒群算法(PSO)对LS-SVM模型参数进行了自动优化.这种方法建立的动态数学模型能够以进气湿度和工作电压为输入量预测输出的电流密度.仿真结果显示,模型的预测值和实验数据间的平均平方相对误差小于0.0001,能够达到很好的预测精度.因此,这种优化建模策略可以有效的应用到PEMFC研究中.     

基于启发式动态规划的固体氧化物燃料电池优化控制研究

固体氧化物燃料电池(SOFC)系统是一个非线性系统,现存的建模方法和优化控制算法很难对其进行精确的建模及优化控制;针对此问题,采用基于数据的建模方法,对固体氧化物燃料电池系统进行BP神经网络建模,然后在此基础上,首次采用启发式动态规划(HDP)算法对固体氧化物燃料电池系统中的各种气体分压、输出电压以及温度进行优化控制;Matlab仿真结果表明,基于BP神经网络的HDP优化算法具有收敛速度快、鲁棒性强、控制精度高等优点,并使固体氧化物燃料电池系统在负载变化时很快稳定输出电压,实现了优化控制,减少能耗。     

Capillary-based water removal cathode for an air-breathing micro direct methanol fuel cell

This paper presents a capillary-based water removal cathode for an air-breathing micro direct methanol fuel cell (μDMFC). The mechanism of water removal from the cathode is studied and an array of capillaries with hydrophilic surface is designed on the ribs of the cathode structure. Microfabrication techniques, including double-side lithography and ICP, were used to fabricate the anode and cathode plates of the μDMFC on the same silicon wafer simultaneously. The surface of capillary structure was treated by low temperature oxygen plasma to improve the hydrophilicity. One μDMFC with capillary-based water removal cathode and another regular one without were both assembled and characterized. Measured results show that the μDMFC with water removal cathode achieves a power density of 2.35 mW/cm², 12 % larger than that of the regular one with the value of 2.10 mW/cm². And the maximum current density of the novel μDMFC is 30 mA/cm², 20 % larger than that of the regular one, 25 mA/cm². It is also clearly observed during the μDMFC operation that the water is drawn out from the capillary-based water removal cathode expectantly.     

Modeling of a proton exchange membrane fuel cell based on the hybrid particle swarm optimization with Levenberg–Marquardt neural network

This paper presents a nonlinear modeling approach of a proton exchange membrane fuel cell (PEMFC) based on the hybrid particle swarm optimization with Levenberg–Marquardt algorithm neural network (PSO-LM NN). The PSO algorithm converges rapidly during the initial stages of a global search, while it becomes extremely slow around the global optimum. On the contrary, the LM algorithm can achieve faster convergent speed around the global optimum, while it is prone to being trapped in the local minimum. Therefore the hybrid algorithm with a transition from PSO search to LM training is proposed to train the weights and thresholds of neural network, which aims to exploit the advantage of the both algorithms. An accurate mathematical model is an extremely useful tool for the fuel cell design, and neural network is an excellent optional tool for complex nonlinear dynamic system modeling such as PEMFC. In the paper, firstly a highly reduced PEMFC dynamic physical model is established to generate the data for the PSO-LM NN model training and validation, and then the neural network nonlinear autoregressive model based on the PSO-LM algorithm is applied in modeling PEMFC voltage and temperature model, and finally the validation test result demonstrates that the trained PSO-LM NN model can efficiently approach the dynamic behavior of a PEMFC.