CN115935659A - 一种燃料电池电堆寿命预测方法、***及电子设备 - Google Patents

一种燃料电池电堆寿命预测方法、***及电子设备 Download PDF

Info

Publication number
CN115935659A
CN115935659A CN202211595949.1A CN202211595949A CN115935659A CN 115935659 A CN115935659 A CN 115935659A CN 202211595949 A CN202211595949 A CN 202211595949A CN 115935659 A CN115935659 A CN 115935659A
Authority
CN
China
Prior art keywords
fuel cell
predicted
membrane electrode
model
stack
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211595949.1A
Other languages
English (en)
Inventor
邓豪
刘佳
石伟玉
侯中军
姜贵山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Hydrogen Propulsion Technology Co Ltd
Original Assignee
Shanghai Hydrogen Propulsion Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Hydrogen Propulsion Technology Co Ltd filed Critical Shanghai Hydrogen Propulsion Technology Co Ltd
Priority to CN202211595949.1A priority Critical patent/CN115935659A/zh
Publication of CN115935659A publication Critical patent/CN115935659A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/30—Hydrogen technology
    • Y02E60/50—Fuel cells

Landscapes

  • Fuel Cell (AREA)

Abstract

本申请公开了一种燃料电池电堆寿命预测方法、***及电子设备，通过训练材料衰减模型及性能仿真模型，能够模拟电堆实际运行过程中宏观性能和内部特性的动态更新，从而基于材料衰减模型及性能仿真模型实现对材料/结构和电堆性能衰减的同时预测，相比较传统的寿命预测模型，具有更高的精度和适用性。

Description

一种燃料电池电堆寿命预测方法、***及电子设备
技术领域
本申请涉及燃料电池领域，尤其涉及一种燃料电池电堆寿命预测方法、***及电子设备。
背景技术
目前，燃料电池电堆的耐久性开发主要依赖于工程经验和测试验证，通过电堆长时间耐久运行后的失效分析，提出材料/结构设计和控制策略的优化方向。
基于日益提升的寿命要求，燃料电池产品开发还缺乏正向设计手段，通过测试验证和工程经验开发的迭代周期长、速度慢，无法满足快速推进市场化的需求。
发明内容
有鉴于此，本申请提供一种燃料电池电堆寿命预测方法、***及电子设备，其具体方案如下：
一种燃料电池电堆寿命预测方法，包括：
获得训练完成的材料衰减模型及性能仿真模型，所述材料衰减模型用于确定膜电极材料的衰减数据，所述性能仿真模型用于基于所述膜电极材料的衰减数据确定燃料电池电堆寿命的相关数据；
获得燃料电池电堆的当前状态的关键运行和状态参数，以及膜电极的第一材料和结构特性；
将所述当前状态的关键运行和状态参数以及膜电极的第一材料和结构特性输入至所述材料衰减模型，获得所述膜电极的第二材料和结构特性；
将所述膜电极的第二材料和结构特性输入至所述性能仿真模型，获得所述燃料电池的预测电堆电压、预测阻抗及预测窜漏量；
基于所述燃料电池的预测电堆电压、预测阻抗或预测窜漏量与失效数值的比较，确定所述燃料电池电堆的剩余使用寿命。
进一步的，所述基于所述燃料电池的预测电堆电压、预测阻抗或预测窜漏量与失效数值的比较，确定所述燃料电池电堆的剩余使用寿命，包括：
获得电堆电压失效值；
若确定所述预测电堆电压小于所述电堆电压失效值，则确定所述燃料电池的电堆失效，基于所述燃料电池的电堆失效时间确定所述燃料电池电堆的剩余使用寿命。
进一步的，所述基于所述燃料电池的预测电堆电压、预测阻抗或预测窜漏量与失效数值的比较，确定所述燃料电池电堆的剩余使用寿命，包括：
获得窜漏量失效值；
若确定所述预测窜漏量大于所述窜漏量失效值，则确定所述燃料电池的电堆失效，基于所述燃料电池的电堆失效时间确定所述燃料电池电堆的剩余使用寿命。
进一步的，还包括：
将燃料电池的历史数据中的关键运行和状态参数以及膜电极的材料和结构特性输入至所述材料衰减模型，获得所述膜电极的第三材料和结构特性；
将所述膜电极的第三材料和结构特性输入至所述性能仿真模型，获得所述燃料电池的仿真电堆电压、仿真阻抗及仿真窜漏量；
基于所述仿真电堆电压、仿真阻抗或仿真窜漏量与所述燃料电池的历史数据中的实测值进行比较，基于比较结果调整所述材料衰减模型及所述性能仿真模型的精度。
进一步的，还包括：
搭建材料衰减模型架构及性能仿真模型架构；
基于加速或常规耐久工况、稳态极化工况及敏感性测试工况获得实验数据；
基于所述实验数据分别对所述材料衰减模型架构及性能仿真模型架构进行标定，获得训练完成的材料衰减模型及性能仿真模型。
进一步的，所述燃料电池电堆的当前状态的关键运行和状态参数，至少包括：
不同时刻的平均电压、操作温度、操作压力和阴阳极进出口湿度。
进一步的，所述膜电极的第一材料和结构特性至少包括：
电化学活性面积、铂载量、铂质量分数、催化剂粒径分布、膜厚度和电导率。
一种燃料电池电堆寿命预测***，包括：
第一获得单元，用于获得训练完成的材料衰减模型及性能仿真模型，所述材料衰减模型用于确定膜电极材料的衰减数据，所述性能仿真模型用于基于所述膜电极材料的衰减数据确定燃料电池电堆寿命的相关数据；
第二获得单元，用于获得燃料电池电堆的当前状态的关键运行和状态参数，以及膜电极的第一材料和结构特性；
第一输入单元，用于将所述当前状态的关键运行和状态参数以及膜电极的初始材料和结构特性输入至所述材料衰减模型，获得所述膜电极的第二材料和结构特性；
第二输入单元，用于将所述膜电极的第二材料和结构特性输入至所述性能仿真模型，获得所述燃料电池的预测电堆电压、预测阻抗及预测窜漏量；
确定单元，用于基于所述燃料电池的预测电堆电压、预测阻抗或预测窜漏量与失效数值的比较，确定所述燃料电池电堆的剩余使用寿命。
一种电子设备，包括：
处理器，用于获得训练完成的材料衰减模型及性能仿真模型，所述材料衰减模型用于确定膜电极材料的衰减数据，所述性能仿真模型用于基于所述膜电极材料的衰减数据确定燃料电池电堆寿命的相关数据；获得燃料电池电堆的当前状态的关键运行和状态参数，以及膜电极的第一材料和结构特性；将所述当前状态的关键运行和状态参数以及膜电极的初始材料和结构特性输入至所述材料衰减模型，获得所述膜电极的第二材料和结构特性；将所述膜电极的第二材料和结构特性输入至所述性能仿真模型，获得所述燃料电池的预测电堆电压、预测阻抗及预测窜漏量；基于所述燃料电池的预测电堆电压、预测阻抗或预测窜漏量与失效数值的比较，确定所述燃料电池电堆的剩余使用寿命；
存储器，用于存储所述处理器执行上述处理过程的程序。
一种可读存储介质，用于至少存储一组指令集；
所述指令集用于被调用并至少执行如上任一项所述的燃料电池电堆寿命预测的方法。
从上述技术方案可以看出，本申请公开的燃料电池电堆寿命预测方法、***及电子设备，获得训练完成的材料衰减模型及性能仿真模型，材料衰减模型用于确定膜电极材料的衰减数据，性能仿真模型用于基于膜电极材料的衰减数据确定燃料电池电堆寿命的相关数据；获得燃料电池电堆的当前状态的关键运行和状态参数，以及膜电极的第一材料和结构特性；将当前状态的关键运行和状态参数以及膜电极的初始材料和结构特性输入至材料衰减模型，获得膜电极的第二材料和结构特性；将膜电极的第二材料和结构特性输入至性能仿真模型，获得燃料电池的预测电堆电压、预测阻抗及预测窜漏量；基于燃料电池的预测电堆电压、预测阻抗或预测窜漏量与失效数值的比较，确定燃料电池电堆的剩余使用寿命。本方案通过训练材料衰减模型及性能仿真模型，能够模拟电堆实际运行过程中宏观性能和内部特性的动态更新，从而基于材料衰减模型及性能仿真模型实现对材料/结构和电堆性能衰减的同时预测，相比较传统的寿命预测模型，具有更高的精度和适用性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例公开的一种燃料电池电堆寿命预测方法的流程图；
图2为本申请实施例公开的一种燃料电池电堆寿命预测方法的流程图；
图3为本申请实施例公开的一种燃料电池电堆寿命预测方法的流程图；
图4为本申请实施例公开的一种电流密度和初始平均电压随时间变化的示意图；
图5为本申请实施例公开的一种催化剂衰减实测数据与预测数据对比曲线示意图；
图6为本申请实施例公开的一种怠速功率点实测数据与预测数据对比曲线示意图；
图7为本申请实施例公开的一种额定功率点实测数据与预测数据对比曲线示意图；
图8为本申请实施例公开的一种燃料电池电堆寿命预测***的结构示意图；
图9为本申请实施例公开的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请公开了一种燃料电池电堆寿命预测方法，其流程图如图1所示，包括：
步骤S11、获得训练完成的材料衰减模型及性能仿真模型，材料衰减模型用于确定膜电极材料的衰减数据，性能仿真模型用于基于膜电极材料的衰减数据确定燃料电池电堆寿命的相关数据；
步骤S12、获得燃料电池电堆的当前状态的关键运行和状态参数，以及膜电极的第一材料和结构特性；
步骤S13、将当前状态的关键运行和状态参数以及膜电极的第一材料和结构特性输入至材料衰减模型，获得膜电极的第二材料和结构特性；
步骤S14、将膜电极的第二材料和结构特性输入至性能仿真模型，获得燃料电池的预测电堆电压、预测阻抗及预测窜漏量；
步骤S15、基于燃料电池的预测电堆电压、预测阻抗或预测窜漏量与失效数值的比较，确定燃料电池的剩余使用寿命。
预先训练材料衰减模型及性能仿真模型，材料衰减模型用于确定膜电极的衰减数据，即材料衰减模型为耦合主要衰减机理的催化剂和质子交换膜等的衰减模型；性能仿真模型为考虑实际操作工况、关键材料和结构参数，以及内部多相传输过程和电化学反应的综合模型。
其中，材料衰减模型耦合的主要衰减机理包括：催化剂金属的溶解/沉积、Ostwald熟化、氧化/还原、金属离子的迁移、载体腐蚀、膜机械和化学衰减等。
材料衰减模型的输入为关键运行和状态参数，以及膜电极的材料和结构特性，材料衰减模型的输出为预测的膜电极在运行一段时间后的材料和结构特性，之后将材料衰减模型的输出作为性能仿真模型的输入，从而得到性能仿真模型的输出，即预测的燃料电池的电堆性能和窜漏量，其中，电堆性能可以通过电堆平均电压表示。
在材料衰减模型和性能仿真模型训练完成后，得到待预测的燃料电池的电堆相关数据，即燃料电池电堆的当前状态的关键运行和状态参数，以及膜电极的第一材料和结构特性，其中，第一材料和结构特性即膜电极的初始材料和结构特性。
其中，关键运行和状态参数至少包括：电堆当前时刻的平均电压、操作温度、操作压力和阴阳极进出口湿度等；膜电极的材料和结构特性至少包括：电化学活性面积、铂载量、铂质量分数和催化剂粒径分布、膜厚度和电导率等。
将获得的上述电堆相关数据输入至训练完成的材料衰减模型中，从而得到预测的膜电极的第二材料和结构特性，并进一步将材料衰减模型输出的膜电极的第二材料和结构特性作为性能仿真模型的输入，进行迭代计算，从而得到燃料电池的预测电堆电压、预测阻抗及预测窜漏量。
预先设置失效数值，将材料衰减模型及性能仿真模型最终输出的燃料电池的预测电堆电压、预测阻抗及预测窜漏量与失效数值进行比较，从而确定燃料电池的电堆是否失效，若失效，则电堆的失效时间即为燃料电池的剩余使用寿命，从而完成对燃料电池电堆寿命的预测。
本实施例公开的燃料电池电堆寿命预测方法，获得训练完成的材料衰减模型及性能仿真模型，材料衰减模型用于确定膜电极材料的衰减数据，性能仿真模型用于基于膜电极材料的衰减数据确定燃料电池电堆寿命的相关数据；获得燃料电池电堆的当前状态的关键运行和状态参数，以及膜电极的第一材料和结构特性；将当前状态的关键运行和状态参数以及膜电极的初始材料和结构特性输入至材料衰减模型，获得膜电极的第二材料和结构特性；将膜电极的第二材料和结构特性输入至性能仿真模型，获得燃料电池的预测电堆电压、预测阻抗及预测窜漏量；基于燃料电池的预测电堆电压、预测阻抗或预测窜漏量与失效数值的比较，确定燃料电池电堆的剩余使用寿命。本方案通过训练材料衰减模型及性能仿真模型，能够模拟电堆实际运行过程中宏观性能和内部特性的动态更新，从而实现基于材料衰减模型及性能仿真模型实现对材料/结构和电堆性能衰减的同时预测，相比较传统的寿命预测模型，具有更高的精度和适用性。
本实施例公开了一种燃料电池电堆寿命预测方法，其流程图如图2所示，包括：
步骤S21、获得训练完成的材料衰减模型及性能仿真模型，材料衰减模型用于确定膜电极材料的衰减数据，性能仿真模型用于基于膜电极材料的衰减数据确定燃料电池电堆寿命的相关数据；
步骤S22、获得燃料电池电堆的当前状态的关键运行和状态参数，以及膜电极的第一材料和结构特性；
步骤S23、将当前状态的关键运行和状态参数以及膜电极的第一材料和结构特性输入至材料衰减模型，获得膜电极的第二材料和结构特性；
步骤S24、将膜电极的第二材料和结构特性输入至性能仿真模型，获得燃料电池的预测电堆电压、预测阻抗及预测窜漏量；
步骤S25、获得电堆电压失效值；
步骤S26、若确定预测电堆电压小于电堆电压失效值，则确定燃料电池的电堆失效，基于燃料电池的电堆失效时间确定燃料电池电堆的剩余使用寿命。
预先设置电堆电压失效值，即只要确定性能仿真模型输出的预测电堆电压小于电堆电压失效值，就可确定燃料电池的电堆失效，从而确定燃料电池电堆的剩余使用寿命。
本实施例以固定输出电流下的平均电压作为电堆性能的参数，用来评价电堆是否失效，则预先设置电堆电压失效值。
其中，电堆电压失效值，是指相比于电堆指定功率点的实际初始电压，在设定标准工况下，电堆平均电压下降比例达到设定的阈值，基于该设定的阈值确定电堆电压失效值。
例如：某电堆指定功率点的初始电压为0.7V，且设定当电堆电压下降20％时电堆寿命终止，即设定的阈值为20％，则可确定电堆电压失效值为：
0.7*(1-20％)＝0.56V
即确定电堆电压失效值为0.56V，则当通过材料衰减模型及性能仿真模型最终输出的预测电堆电压低于0.56V时，可直接确定电堆失效；只要最终输出的预测电堆电压高于0.56V，则可直接确定电堆未失效。
进一步的，还可以通过窜漏量确定电堆是否失效，具体的：
获得窜漏量失效值，若确定预测窜漏量大于窜漏量失效值，则确定燃料电池的电堆失效，基于燃料电池的电堆失效时间确定燃料电池电堆的剩余使用寿命。
其中，窜漏量为用于描述燃料电池中质子交换膜健康状态的参数。质子交换膜的主要作用之一是隔绝阳极的氢气和阴极的氧气，使氢气氧化反应和氧气还原反应在各自电极发生，产生电流，保证安全。
当质子交换膜的窜漏量增加时，表明氢气和氧气通过膜的渗透量增加，影响上述反应的发生，从而导致性能下降。当窜漏量增加到一定值时，电堆整体性能下降，甚至出现个别单电池性能急剧下降，导致电堆寿命提前终止。因此，窜漏量的变化是评价电堆寿命的重要指标之一。
因此，预先设置窜漏量失效值，只要通过模型输出的预测窜漏量大于该窜漏量失效值，就可直接确定电堆失效，若预测窜漏量小于该窜漏量失效值，则可确定电堆未失效。
本实施例公开的燃料电池电堆寿命预测方法，获得训练完成的材料衰减模型及性能仿真模型，材料衰减模型用于确定膜电极材料的衰减数据，性能仿真模型用于基于膜电极材料的衰减数据确定燃料电池电堆寿命的相关数据；获得燃料电池电堆的当前状态的关键运行和状态参数，以及膜电极的第一材料和结构特性；将当前状态的关键运行和状态参数以及膜电极的初始材料和结构特性输入至材料衰减模型，获得膜电极的第二材料和结构特性；将膜电极的第二材料和结构特性输入至性能仿真模型，获得燃料电池的预测电堆电压、预测阻抗及预测窜漏量；基于燃料电池的预测电堆电压、预测阻抗或预测窜漏量与失效数值的比较，确定燃料电池电堆的剩余使用寿命。本方案通过训练材料衰减模型及性能仿真模型，能够模拟电堆实际运行过程中宏观性能和内部特性的动态更新，从而实现基于材料衰减模型及性能仿真模型实现对材料/结构和电堆性能衰减的同时预测，相比较传统的寿命预测模型，具有更高的精度和适用性。
本实施例公开了一种燃料电池电堆寿命预测方法，其流程图如图3所示，包括：
步骤S31、搭建材料衰减模型架构及性能仿真模型架构；
步骤S32、基于加速或常规耐久工况、稳态极化工况及敏感性测试工况获得实验数据；
步骤S33、基于实验数据分别对材料衰减模型架构及性能仿真模型架构进行标定，获得训练完成的材料衰减模型及性能仿真模型；
步骤S34、获得燃料电池电堆的当前状态的关键运行和状态参数，以及膜电极的第一材料和结构特性；
步骤S35、将当前状态的关键运行和状态参数以及膜电极的第一材料和结构特性输入至材料衰减模型，获得膜电极的第二材料和结构特性；
步骤S36、将膜电极的第二材料和结构特性输入至性能仿真模型，获得燃料电池的预测电堆电压、预测阻抗及预测窜漏量；
步骤S37、基于燃料电池的预测电堆电压、预测阻抗或预测窜漏量与失效数值的比较，确定燃料电池电堆的剩余使用寿命。
无论是材料衰减模型还是性能仿真模型的获得，都需要首先搭建模型架构，在搭建模型架构完成后，获得实验数据，将实验数据输入至模型架构内进行训练，从而获得训练完成的材料衰减模型及性能仿真模型。
其中实验数据的获得，是基于不同的工况得到的，获得处于不同工况下的数据，基于不同工况下的数据进行模型训练，从而使得最终训练出的模型能够满足不同的工况，如：加速或常规耐久工况、稳态极化和敏感性测试工况等，以保证在通过训练完成的模型进行预测时预测数据的精度。
其中，通过试验数据进行标定并获取材料筛检模型和性能仿真模型中的未知参数，至少包括：初始铂载量、初始电化学活性面积、初始参考面反应电流密度、初始渗氢电流密度、反应活化能、反应传递系数、反应级数、电子电阻以及材料筛检模型中的反应速率常数等。
进一步的，为了保证预测精度，还可以在模型训练完成后，增加验证环节。
具体的，将燃料电池的历史数据中的关键运行和状态参数以及膜电极的材料和结构特性输入至材料衰减模型，获得膜电极的第三材料和结构特性；将膜电极的第三材料和结构特性输入至性能仿真模型，获得燃料电池的仿真电堆电压、仿真阻抗及仿真窜漏量，之后基于仿真电堆电压、仿真阻抗或仿真窜漏量与燃料电池的历史数据中的实测值进行比较，基于比较结果调整材料衰减模型及所述性能仿真模型的精度。
实测值即历史数据中与输入至材料衰减模型的关键运行和状态参数以及膜电极的材料和结构特性对应的实测电堆电压、实测阻抗及实测窜漏量，只有预测值与实测值之间的差异小于某特定阈值时，才能够确定当前的材料衰减模型及性能仿真模型达到了预设精度。
若预测值与实测值之间的差值大于某特定阈值时，则需要基于此对材料衰减模型和性能仿真模型进行调整，以达到降低预测值与实测值之间差值的目的；若预测值与实测值之间的差值小于该特定阈值，则无需对材料衰减模型和性能仿真模型进行调整，可直接通过当前的材料衰减模型和性能仿真模型进行电堆寿命的预测。
其中，预测值与实测值的比较，可以为：仿真电堆电压与实测电堆电压的比较，仿真阻抗与实测阻抗的比较，仿真窜漏量与实测窜漏量的比较，也可以为以上三组数据均进行比较，只有当三组数据中的每组数据之间的差值均小于特定阈值时，才停止对模型的调整。
训练完成的性能仿真模型，可以为：
Figure BDA0003997301830000111
其中，V为电堆平均电压，Erev为可逆电动势，ηHOR为阳极活化损失，ηORR为阴极活化损失，I(Re+Rm)为欧姆损失，I(Rion,an+Rion,ca)为催化层质子传导损失，
Figure BDA0003997301830000112
为阳极传质损失，
Figure BDA0003997301830000113
为阴极传质损失，I为工作电流密度，Re为电池电子电阻，Rm为膜质子电阻，Rion,an为阳极催化层质子电阻，Rion,ca为阴极催化层质子电阻。
另外，影响电压损失的材料/结构特性通过材料衰减模型动态更新，即铂载量、电化学活性面积、膜厚度、阻抗和渗氢电流等通过材料衰减模型动态更新。
进一步的，性能仿真模型可通过如下公式表示：
Figure BDA0003997301830000121
其中，V为电堆平均电压，R和F分别为理想气体常数和法拉第常数；T为温度，I和i分别为工作电流密度和参考电流密度，p为气体分压，E为反应活化能，α和γ分别为反应传递系数和反应级数，Re为电池电子电阻，Rm为膜质子电阻，Rion,an为阳极催化层质子电阻，Rion,ca为阴极催化层质子电阻。
上述公式右侧的六项分别为：可逆电动势、阳极活化损失、阴极活化损失、欧姆损失和催化层质子传导损失、阳极传质损失及阴极传质损失。式中未知的初始铂载量LPt、初始电化学活性面积ECSA、参考面反应电流
Figure BDA0003997301830000122
初始渗氢电流密度
Figure BDA0003997301830000123
反应活化能E、反应传递系数、反应级数γ和电子电阻Re通过该电堆初始实测数据标定或拟合获得。温度、压力、膜电阻、电压通过联合求解温度、气体组分浓度、液压和膜态水守恒方程及Tafel公式，迭代计算得到。
初始铂载量LPt和电化学活性面积ECSA通过催化剂衰减模型动态更新，衰减模型考虑的是：主要衰减机制、求解的控制方程以及设置的源项和边界条件。
模型以初始或动态更新的材料结构参数以及动态更新的耐久工况/性能参数作为输入，耦合主要的材料衰减机制，包括铂Pt的氧化/还原
Figure BDA0003997301830000124
溶解/沉积/Ostwald熟化
Figure BDA0003997301830000125
一氧化碳溶解
Figure BDA0003997301830000131
碳腐蚀造成的铂流失
Figure BDA0003997301830000132
Figure BDA0003997301830000133
等，材料和结构特性变化通过求解相关守恒方程或反应速率方程获得。
求解的衰减控制方程可以包括：PtO覆盖度方程，Pt2+的浓度方程，C#OH覆盖度方程、碳含量方程等。
设置的源项和边界条件可以包括：Pt2+源项、气体扩散层/催化层界面，催化层/膜界面等。
对模型架构进行标定的过程可基于催化剂加速耐久实验数据和电堆实测的初始极化/敏感性数据完成。
在对训练完成的模型进行验证的阶段，标定完成的模型用于预测初始一段时间内的电堆电压衰减和变化，并和电堆实测值进行比较，验证并调校模型参数，直到达到预期精度。在验证过程中，材料衰减模型的输入包括：耐久循环工况下的平均电压、操作温度、操作压力、阴阳极进出口湿度、ECSA、铂载量、铂质量分数和催化剂粒径分布等；性能仿真模型的输入为材料衰减模型的输出，为材料和结构特性，其可以包括：ECSA、铂载量、铂质量分数和催化剂粒径分布等。
在预测阶段，上述训练和标定完成的模型用于电堆电压衰减的预测，上衣时刻模型计算得到的电堆工况和性能参数将作为这一时刻仿真计算的输入，不停迭代，直到触发失效停止点。
其中，在电堆耐久循环工况中，电流密度和初始平均电压随时间的变化如图4所示，动态更新的电压及规定的操作温度、压力和湿度等工况参数用于材料衰减模型的计算。
本实施例可以以实测5000h的电堆前2000h的数据用于模型验证阶段的标定和调试，则如图5-7所示为基于本实施例公开的燃料电池电堆寿命预测方法获得的预测结果。其中，图5所示为催化剂材料衰减实测数据与预测数据对比曲线示意图；图6所示为怠速功率点实测数据与预测数据对比曲线示意图；图7所示为额定功率点实测数据与预测数据对比曲线示意图。
从图中可以确定，经过前2000h的数据训练和验证后，催化剂衰减模型准确地预测了电堆运行5000h后催化剂的衰减状态。以材料衰减模型的动态输出的铂载量和ECSA等特性参数为输入，性能仿真模型输出的怠速功率点100电密和额定功率点1000电密对应的电压，与电堆每200h阶段性测试的电压衰减曲线吻合较好，基于此，可确定，基于本实施例公开的燃料电池电堆寿命预测方法能够准确地预测电堆性能和膜电极材料的衰减规律。
本实施例公开的燃料电池电堆寿命预测方法，获得训练完成的材料衰减模型及性能仿真模型，材料衰减模型用于确定膜电极材料的衰减数据，性能仿真模型用于基于膜电极材料的衰减数据确定燃料电池电堆寿命的相关数据；获得燃料电池电堆的当前状态的关键运行和状态参数，以及膜电极的第一材料和结构特性；将当前状态的关键运行和状态参数以及膜电极的初始材料和结构特性输入至材料衰减模型，获得膜电极的第二材料和结构特性；将膜电极的第二材料和结构特性输入至性能仿真模型，获得燃料电池的预测电堆电压、预测阻抗及预测窜漏量；基于燃料电池的预测电堆电压、预测阻抗或预测窜漏量与失效数值的比较，确定燃料电池电堆的剩余使用寿命。本方案通过训练材料衰减模型及性能仿真模型，能够模拟电堆实际运行过程中宏观性能和内部特性的动态更新，从而实现基于材料衰减模型及性能仿真模型实现对材料/结构和电堆性能衰减的同时预测，相比较传统的寿命预测模型，具有更高的精度和适用性。
本实施例公开了一种燃料电池电堆寿命预测***，其结构示意图如图8所示，包括：
第一获得单元81，第二获得单元82，第一输入单元83，第二输入单元84及确定单元85。
其中，第一获得单元81用于获得训练完成的材料衰减模型及性能仿真模型，材料衰减模型用于确定膜电极材料的衰减数据，性能仿真模型用于基于膜电极材料的衰减数据确定燃料电池电堆寿命的相关数据；
第二获得单元82用于获得燃料电池电堆的当前状态的关键运行和状态参数，以及膜电极的第一材料和结构特性；
第一输入单元83用于将当前状态的关键运行和状态参数以及膜电极的初始材料和结构特性输入至所述材料衰减模型，获得膜电极的第二材料和结构特性；
第二输入单元84用于将膜电极的第二材料和结构特性输入至性能仿真模型，获得燃料电池的预测电堆电压、预测阻抗及预测窜漏量；
确定单元85用于基于燃料电池的预测电堆电压、预测阻抗或预测窜漏量与失效数值的比较，确定燃料电池电堆的剩余使用寿命。
本实施例公开的燃料电池电堆寿命预测***是基于上述实施例公开的燃料电池电堆寿命预测方法实现的，在此不再赘述。
本实施例公开的燃料电池电堆寿命预测***，获得训练完成的材料衰减模型及性能仿真模型，材料衰减模型用于确定膜电极材料的衰减数据，性能仿真模型用于基于膜电极材料的衰减数据确定燃料电池电堆寿命的相关数据；获得燃料电池电堆的当前状态的关键运行和状态参数，以及膜电极的第一材料和结构特性；将当前状态的关键运行和状态参数以及膜电极的初始材料和结构特性输入至材料衰减模型，获得膜电极的第二材料和结构特性；将膜电极的第二材料和结构特性输入至性能仿真模型，获得燃料电池的预测电堆电压、预测阻抗及预测窜漏量；基于燃料电池的预测电堆电压、预测阻抗或预测窜漏量与失效数值的比较，确定燃料电池电堆的剩余使用寿命。本方案通过训练材料衰减模型及性能仿真模型，能够模拟电堆实际运行过程中宏观性能和内部特性的动态更新，从而实现基于材料衰减模型及性能仿真模型实现对材料/结构和电堆性能衰减的同时预测，相比较传统的寿命预测模型，具有更高的精度和适用性。
本实施例公开了一种电子设备，其结构示意图如图9所示，包括：
处理器91及存储器92。
其中，处理器91用于获得训练完成的材料衰减模型及性能仿真模型，材料衰减模型用于确定膜电极材料的衰减数据，性能仿真模型用于基于膜电极材料的衰减数据确定燃料电池电堆寿命的相关数据；获得燃料电池电堆的当前状态的关键运行和状态参数，以及膜电极的第一材料和结构特性；将当前状态的关键运行和状态参数以及膜电极的初始材料和结构特性输入至材料衰减模型，获得膜电极的第二材料和结构特性；将膜电极的第二材料和结构特性输入至性能仿真模型，获得燃料电池的预测电堆电压、预测阻抗及预测窜漏量；基于燃料电池的预测电堆电压、预测阻抗或预测窜漏量与失效数值的比较，确定燃料电池电堆的剩余使用寿命；
存储器92用于存储处理器执行上述处理过程的程序。
本实施例公开的电子设备是基于上述实施例公开的燃料电池电堆寿命预测方法实现的，在此不再赘述。
本实施例公开的电子设备，获得训练完成的材料衰减模型及性能仿真模型，材料衰减模型用于确定膜电极材料的衰减数据，性能仿真模型用于基于膜电极材料的衰减数据确定燃料电池电堆寿命的相关数据；获得燃料电池电堆的当前状态的关键运行和状态参数，以及膜电极的第一材料和结构特性；将当前状态的关键运行和状态参数以及膜电极的初始材料和结构特性输入至材料衰减模型，获得膜电极的第二材料和结构特性；将膜电极的第二材料和结构特性输入至性能仿真模型，获得燃料电池的预测电堆电压、预测阻抗及预测窜漏量；基于燃料电池的预测电堆电压、预测阻抗或预测窜漏量与失效数值的比较，确定燃料电池电堆的剩余使用寿命。本方案通过训练材料衰减模型及性能仿真模型，能够模拟电堆实际运行过程中宏观性能和内部特性的动态更新，从而实现基于材料衰减模型及性能仿真模型实现对材料/结构和电堆性能衰减的同时预测，相比较传统的寿命预测模型，具有更高的精度和适用性。
本申请实施例还提供了一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器加载并执行，实现上述燃料电池电堆寿命预测方法的各步骤，具体实现过程可以参照上述实施例相应部分的描述，本实施例不做赘述。
本申请还提出了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该电子设备执行上述燃料电池电堆寿命预测方法方面或燃料电池电堆寿命预测***方面的各种可选实现方式中所提供方法，具体实现过程可以参照上述相应实施例的描述，不做赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种燃料电池电堆寿命预测方法，其特征在于，包括：
获得训练完成的材料衰减模型及性能仿真模型，所述材料衰减模型用于确定膜电极材料的衰减数据，所述性能仿真模型用于基于所述膜电极材料的衰减数据确定燃料电池电堆寿命的相关数据；
获得燃料电池电堆的当前状态的关键运行和状态参数，以及膜电极的第一材料和结构特性；
将所述当前状态的关键运行和状态参数以及膜电极的第一材料和结构特性输入至所述材料衰减模型，获得所述膜电极的第二材料和结构特性；
将所述膜电极的第二材料和结构特性输入至所述性能仿真模型，获得所述燃料电池的预测电堆电压、预测阻抗及预测窜漏量；
基于所述燃料电池的预测电堆电压、预测阻抗或预测窜漏量与失效数值的比较，确定所述燃料电池电堆的剩余使用寿命。
2.根据权利要求1所述的方法，其特征在于，所述基于所述燃料电池的预测电堆电压、预测阻抗或预测窜漏量与失效数值的比较，确定所述燃料电池电堆的剩余使用寿命，包括：
获得电堆电压失效值；
若确定所述预测电堆电压小于所述电堆电压失效值，则确定所述燃料电池的电堆失效，基于所述燃料电池的电堆失效时间确定所述燃料电池电堆的剩余使用寿命。
3.根据权利要求1所述的方法，其特征在于，所述基于所述燃料电池的预测电堆电压、预测阻抗或预测窜漏量与失效数值的比较，确定所述燃料电池电堆的剩余使用寿命，包括：
获得窜漏量失效值；
若确定所述预测窜漏量大于所述窜漏量失效值，则确定所述燃料电池的电堆失效，基于所述燃料电池的电堆失效时间确定所述燃料电池电堆的剩余使用寿命。
4.根据权利要求1所述的方法，其特征在于，还包括：
将燃料电池的历史数据中的关键运行和状态参数以及膜电极的材料和结构特性输入至所述材料衰减模型，获得所述膜电极的第三材料和结构特性；
将所述膜电极的第三材料和结构特性输入至所述性能仿真模型，获得所述燃料电池的仿真电堆电压、仿真阻抗及仿真窜漏量；
基于所述仿真电堆电压、仿真阻抗或仿真窜漏量与所述燃料电池的历史数据中的实测值进行比较，基于比较结果调整所述材料衰减模型及所述性能仿真模型的精度。
5.根据权利要求1所述的方法，其特征在于，还包括：
搭建材料衰减模型架构及性能仿真模型架构；
基于加速或常规耐久工况、稳态极化工况及敏感性测试工况获得实验数据；
基于所述实验数据分别对所述材料衰减模型架构及性能仿真模型架构进行标定，获得训练完成的材料衰减模型及性能仿真模型。
6.根据权利要求1所述的方法，其特征在于，所述燃料电池电堆的当前状态的关键运行和状态参数，至少包括：
不同时刻的平均电压、操作温度、操作压力和阴阳极进出口湿度。
7.根据权利要求1所述的方法，其特征在于，所述膜电极的第一材料和结构特性至少包括：
电化学活性面积、铂载量、铂质量分数、催化剂粒径分布、膜厚度和电导率。
8.一种燃料电池电堆寿命预测***，其特征在于，包括：
第一获得单元，用于获得训练完成的材料衰减模型及性能仿真模型，所述材料衰减模型用于确定膜电极材料的衰减数据，所述性能仿真模型用于基于所述膜电极材料的衰减数据确定燃料电池电堆寿命的相关数据；
第二获得单元，用于获得燃料电池电堆的当前状态的关键运行和状态参数，以及膜电极的第一材料和结构特性；
第一输入单元，用于将所述当前状态的关键运行和状态参数以及膜电极的初始材料和结构特性输入至所述材料衰减模型，获得所述膜电极的第二材料和结构特性；
第二输入单元，用于将所述膜电极的第二材料和结构特性输入至所述性能仿真模型，获得所述燃料电池的预测电堆电压、预测阻抗及预测窜漏量；
确定单元，用于基于所述燃料电池的预测电堆电压、预测阻抗或预测窜漏量与失效数值的比较，确定所述燃料电池电堆的剩余使用寿命。
9.一种电子设备，其特征在于，包括：
处理器，用于获得训练完成的材料衰减模型及性能仿真模型，所述材料衰减模型用于确定膜电极材料的衰减数据，所述性能仿真模型用于基于所述膜电极材料的衰减数据确定燃料电池电堆寿命的相关数据；获得燃料电池电堆的当前状态的关键运行和状态参数，以及膜电极的第一材料和结构特性；将所述当前状态的关键运行和状态参数以及膜电极的初始材料和结构特性输入至所述材料衰减模型，获得所述膜电极的第二材料和结构特性；将所述膜电极的第二材料和结构特性输入至所述性能仿真模型，获得所述燃料电池的预测电堆电压、预测阻抗及预测窜漏量；基于所述燃料电池的预测电堆电压、预测阻抗或预测窜漏量与失效数值的比较，确定所述燃料电池电堆的剩余使用寿命；
存储器，用于存储所述处理器执行上述处理过程的程序。
10.一种可读存储介质，用于至少存储一组指令集；
所述指令集用于被调用并至少执行如权利要求1-7中任一项所述的燃料电池电堆寿命预测的方法。
CN202211595949.1A 2022-12-13 2022-12-13 一种燃料电池电堆寿命预测方法、***及电子设备 Pending CN115935659A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211595949.1A CN115935659A (zh) 2022-12-13 2022-12-13 一种燃料电池电堆寿命预测方法、***及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211595949.1A CN115935659A (zh) 2022-12-13 2022-12-13 一种燃料电池电堆寿命预测方法、***及电子设备

Publications (1)

Publication Number Publication Date
CN115935659A true CN115935659A (zh) 2023-04-07

Family

ID=86655621

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211595949.1A Pending CN115935659A (zh) 2022-12-13 2022-12-13 一种燃料电池电堆寿命预测方法、***及电子设备

Country Status (1)

Country Link
CN (1) CN115935659A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116879781A (zh) * 2023-06-21 2023-10-13 中国石油大学(华东) 固体氧化物燃料电池电堆电化学性能的寿命预测方法
CN116959634A (zh) * 2023-06-21 2023-10-27 中国石油大学(华东) Sofc电堆结构损伤及电化学性能衰减的寿命预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116879781A (zh) * 2023-06-21 2023-10-13 中国石油大学(华东) 固体氧化物燃料电池电堆电化学性能的寿命预测方法
CN116959634A (zh) * 2023-06-21 2023-10-27 中国石油大学(华东) Sofc电堆结构损伤及电化学性能衰减的寿命预测方法

Similar Documents

Publication Publication Date Title
Zhang et al. Load profile based empirical model for the lifetime prediction of an automotive PEM fuel cell
Zhou et al. Global parameters sensitivity analysis and development of a two-dimensional real-time model of proton-exchange-membrane fuel cells
CN107180983B (zh) 一种固体氧化物燃料电池电堆故障诊断方法和***
US8843355B2 (en) Method of controlling fuel cell using the method of predicting degradation of fuel cell catalyst
US8920995B2 (en) Systems and methods for predicting polarization curves in a fuel cell system
Liu et al. A multi-scale hybrid degradation index for proton exchange membrane fuel cells
CN101493503B (zh) 用电化学阻抗谱表征电池的方法
CN113406505A (zh) 一种燃料电池的剩余寿命预测方法及装置
CN112289385B (zh) 大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法
Chu et al. Investigation of the reversible performance degradation mechanism of the PEMFC stack during long-term durability test
Pei et al. Lifetime prediction method of proton exchange membrane fuel cells based on current degradation law
Chen et al. Whole life cycle performance degradation test and RUL prediction research of fuel cell MEA
CN115935659A (zh) 一种燃料电池电堆寿命预测方法、***及电子设备
Chen et al. Analytical methods for the effect of anode nitrogen concentration on performance and voltage consistency of proton exchange membrane fuel cell stack
Du et al. A fault diagnosis model for proton exchange membrane fuel cell based on impedance identification with differential evolution algorithm
Nguyen et al. Operating strategy optimization by response surface analysis for durable operation of a heavy-duty fuel cell truck
JP2008166189A (ja) 電気化学セルの診断装置及び診断方法
Jacome et al. A review of model-based prognostic for proton exchange membrane fuel cell under automotive load cycling
KR101349022B1 (ko) 연료전지 스택의 촉매 열화 진단 방법
CN114924202A (zh) 一种燃料电池使用寿命的检测方法和检测装置
Wu et al. Methods for estimating the accumulated nitrogen concentration in anode of proton exchange membrane fuel cell stacks based on back propagation neural network
Chen et al. Identification of the parameters of the aluminum-air battery with regard to temperature
Perry et al. Experimental diagnostics and durability testing protocols
Danilov et al. A new technique of estimating anodic and cathodic charge transfer coefficients from SOFC polarization curves
KR102166815B1 (ko) 정치형 고분자 연료전지의 가속화 열화 방법

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination