WO2018056639A2 - 인공지능형 연료전지 시스템 - Google Patents

인공지능형 연료전지 시스템 Download PDF

Info

Publication number
WO2018056639A2
WO2018056639A2 PCT/KR2017/010088 KR2017010088W WO2018056639A2 WO 2018056639 A2 WO2018056639 A2 WO 2018056639A2 KR 2017010088 W KR2017010088 W KR 2017010088W WO 2018056639 A2 WO2018056639 A2 WO 2018056639A2
Authority
WO
WIPO (PCT)
Prior art keywords
fuel cell
state
data
cell stack
unit
Prior art date
Application number
PCT/KR2017/010088
Other languages
English (en)
French (fr)
Other versions
WO2018056639A3 (ko
Inventor
공창선
양재춘
Original Assignee
주식회사 엘지화학
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 주식회사 엘지화학 filed Critical 주식회사 엘지화학
Priority to JP2019500363A priority Critical patent/JP6907300B2/ja
Priority to EP17853353.5A priority patent/EP3486987B1/en
Priority to US16/067,000 priority patent/US10901038B2/en
Priority to CN201780059408.8A priority patent/CN109792063B/zh
Publication of WO2018056639A2 publication Critical patent/WO2018056639A2/ko
Publication of WO2018056639A3 publication Critical patent/WO2018056639A3/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M8/00—Fuel cells; Manufacture thereof
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H01M8/04305—Modeling, demonstration models of fuel cells, e.g. for training purposes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
    • B60L3/0053—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to fuel cells
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/30—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling fuel cells
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M8/00—Fuel cells; Manufacture thereof
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M8/00—Fuel cells; Manufacture thereof
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M8/00—Fuel cells; Manufacture thereof
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
    • H01M8/0432—Temperature; Ambient temperature
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M8/00—Fuel cells; Manufacture thereof
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
    • H01M8/0438—Pressure; Ambient pressure; Flow
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M8/00—Fuel cells; Manufacture thereof
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
    • H01M8/04492—Humidity; Ambient humidity; Water content
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M8/00—Fuel cells; Manufacture thereof
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
    • H01M8/04537—Electric variables
    • H01M8/04544—Voltage
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M8/00—Fuel cells; Manufacture thereof
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
    • H01M8/04537—Electric variables
    • H01M8/04574—Current
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M8/00—Fuel cells; Manufacture thereof
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
    • H01M8/04664—Failure or abnormal function
    • H01M8/04679—Failure or abnormal function of fuel cell stacks
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M8/00—Fuel cells; Manufacture thereof
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H01M8/04992—Processes for controlling fuel cells or fuel cell systems characterised by the implementation of mathematical or computational algorithms, e.g. feedback control loops, fuzzy logic, neural networks or artificial intelligence
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/46—Control modes by self learning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/50—Control modes by future state prediction
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/40—Application of hydrogen technology to transportation, e.g. using fuel cells

Definitions

  • the present invention relates to an AI fuel cell system, and more particularly, to generate and analyze a model for predicting and controlling performance of a fuel cell by learning and analyzing data collected at predetermined time intervals using machine learning and time series analysis. By comparing the generated model with the measured data, the state of performance change over time of the fuel cell stack is classified into a temporary, short-term deterioration state and a long-term and irreversible deterioration state, respectively. Accordingly, the present invention relates to an AI fuel cell system that generates a control signal for changing an operating condition of a fuel cell stack.
  • a fuel cell is a power generation device that converts chemical energy directly into electrical energy by electrochemically reacting hydrogen and oxygen as fuel. Therefore, fuel cells are not subject to thermodynamic limitations such as heat engines due to their power generation characteristics, and because they do not use fossil fuels such as coal and petroleum, there is little concern about environmental pollution and noise.
  • operation under unoptimized conditions may cause temporary deterioration of performance due to flooding due to water generation in the fuel cell, drying of the electrolyte membrane, insufficient flow rate of the reactor, and deterioration of the fuel cell system if the condition persists. And accelerated reduction in durability, it is necessary to quickly detect an abnormal state of the fuel cell and predictive control of performance.
  • an object of the present invention is to provide an AI fuel cell system that generates a control signal for changing an operating condition of a fuel cell stack.
  • a fuel cell stack is a combination of a plurality of unit cells for generating electrical energy by an electrochemical reaction, each unit cell constituting the fuel cell stack, the reaction gas and Sensor data for measuring the temperature, pressure, humidity, flow rate of the coolant, and current and voltage data in real time during fuel cell operation. Collect data measured through the sensor at regular intervals and learn about the collected data. And generating a model for predicting and controlling the performance of the fuel cell through the analysis, and comparing the generated model with the measured data in real time to diagnose the state of the fuel cell stack, and to control the operation conditions of the fuel cell stack.
  • the operating condition of the fuel cell stack is changed according to the artificial intelligence unit generating the signal and the generated control signal It may comprise a control unit.
  • the artificial intelligence unit is a data collection unit for collecting data about the temperature, pressure, humidity, flow rate, current, voltage measured in real time through the sensor unit, collected at regular time intervals
  • Data learning and model generation unit that learns data using machine learning and time series analysis, analyzes it, and generates models for predicting and controlling the performance of the fuel cell, and compares the generated model with the measured data.
  • Performance prediction and diagnostics to change the operating conditions of the first state is a temporary, short-term performance degradation state
  • the second state may include a long term, irreversible degradation state.
  • the control method of an AI fuel cell system includes data on temperature, pressure, humidity, and flow rate of each unit cell, reactant gas, and cooling water constituting the fuel cell stack, and current during operation of the fuel cell. Measuring the voltage data in real time, collecting the measured data at regular time intervals, and generating a model for predicting and controlling the performance of the fuel cell through learning and analyzing the collected data; Diagnosing the state of the fuel cell stack by comparing the measured data, generating a control signal for changing an operating condition of the fuel cell stack according to the diagnosed state, and driving the fuel cell stack according to the generated control signal. And changing the condition.
  • the step of generating a model for performance prediction and control learning by using a time series analysis through machine learning and time series trend analysis of the data collected at regular time intervals machine learning algorithm And generating a model for predicting and controlling the performance of the fuel cell, and diagnosing the state of the fuel cell stack, comparing the generated model with the measured data at a time of the fuel cell stack. And diagnosing the performance change state according to the first state and the second state, respectively, wherein the first state is a temporary and short-term deterioration state, and the second state may include a long-term and irreversible deterioration state. have.
  • the AI fuel cell system generates a fuel cell performance prediction model and a control model by machine learning and time series trend analysis of fuel cell data collected at predetermined time intervals through a machine learning unit and a time series analyzer. Can be.
  • the intelligent fuel cell system can diagnose whether the current state of the fuel cell stack is normal or abnormal by performing machine learning and time series analysis through a machine learning unit and a time series analyzer. .
  • the AI fuel cell system is a temporary, short-term performance degradation state and a long-term, irreversible performance degradation state of the fuel cell stack through time series trend analysis using a trend line Each can be diagnosed separately.
  • the intelligent fuel cell system calculates the difference between the predicted value and the measured value of the predictive model generated through the machine learning algorithm and time series analysis as a variance value, and continuously feeds back the variance value to the fuel cell. Since the performance prediction model can be calibrated, it is possible to more accurately diagnose the state of performance change over time of the fuel cell stack, and optimize the fuel cell operating conditions according to the state diagnosis.
  • FIG. 1 is a block diagram showing the configuration of an AI fuel cell system according to an embodiment of the present invention.
  • FIG. 2 is a view schematically illustrating a configuration of a sensor unit installed in a fuel cell stack according to an embodiment of the present invention.
  • Figure 3 is a block diagram showing the configuration of the artificial intelligence unit according to an embodiment of the present invention.
  • FIG. 4 is a diagram illustrating a structure of data collected and measured by a sensor unit according to an exemplary embodiment of the present invention.
  • FIG. 5 is a flowchart illustrating a control method of an AI fuel cell system according to an exemplary embodiment of the present invention.
  • FIG. 6 is a flowchart illustrating a method of calibrating a fuel cell performance prediction model and a control model through a machine learning unit according to an embodiment of the present invention.
  • FIG. 7 is a graph showing a short-term performance degradation state and a long-term performance degradation state through trend analysis of current density time series data according to an embodiment of the present invention.
  • a fuel cell stack is a combination of a plurality of unit cells for generating electrical energy by an electrochemical reaction, each unit cell constituting the fuel cell stack, the reaction gas and Sensor data for measuring the temperature, pressure, humidity, flow rate of the coolant, and current and voltage data in real time during fuel cell operation. Collect data measured through the sensor at regular intervals and learn about the collected data. And generating a model for predicting and controlling the performance of the fuel cell through the analysis, and comparing the generated model with the measured data in real time to diagnose the state of the fuel cell stack, and to control the operation conditions of the fuel cell stack.
  • the operating condition of the fuel cell stack is changed according to the artificial intelligence unit generating the signal and the generated control signal It may comprise a control unit.
  • the artificial intelligence unit is a data collection unit for collecting data about the temperature, pressure, humidity, flow rate, current, voltage measured in real time through the sensor unit, collected at regular time intervals
  • Data learning and model generation unit that learns data using machine learning and time series analysis, analyzes it, and generates models for predicting and controlling the performance of the fuel cell, and compares the generated model with the measured data.
  • Performance prediction and diagnostics to change the operating conditions of the first state is a temporary, short-term performance degradation state
  • the second state may include a long term, irreversible degradation state.
  • the data learning and model generator generates a model for the prediction of the performance of the data collected at regular time intervals through a machine learning algorithm, the performance prediction and diagnostics from the generated model
  • the machine learning unit uses the machine learning unit to diagnose the state of the fuel cell stack by comparing the predicted value of the measured value and the measured value of the measured data and time series trend analysis using the predicted value and measured values
  • the performance prediction and diagnosis unit is performed.
  • a time series analyzer for diagnosing the state of performance change over time of the fuel cell stack into a first state and a second state, respectively, wherein the first state is a temporary and short-term deterioration state, and the second state is a long-term, non-ratio state. It may include a reverse performance state.
  • the machine learning unit corrects the predictive model generated by feeding back a variance, which is a difference between the predicted value and the measured value, and causes the performance prediction and diagnosis unit to correct the predicted model. By using it can be diagnosed the performance change state of the fuel cell stack over time.
  • the control method of an AI fuel cell system includes data on temperature, pressure, humidity, and flow rate of each unit cell, reactant gas, and cooling water constituting the fuel cell stack, and current during operation of the fuel cell. Measuring the voltage data in real time, collecting the measured data at regular time intervals, and generating a model for predicting and controlling the performance of the fuel cell through learning and analyzing the collected data; Diagnosing the state of the fuel cell stack by comparing the measured data, generating a control signal for changing an operating condition of the fuel cell stack according to the diagnosed state, and driving the fuel cell stack according to the generated control signal. And changing the condition.
  • the step of generating a model for performance prediction and control learning by using a time series analysis through machine learning and time series trend analysis of the data collected at regular time intervals machine learning algorithm And generating a model for predicting and controlling the performance of the fuel cell, and diagnosing the state of the fuel cell stack, comparing the generated model with the measured data at a time of the fuel cell stack. And diagnosing the performance change state according to the first state and the second state, respectively, wherein the first state is a temporary and short-term deterioration state, and the second state may include a long-term and irreversible deterioration state. have.
  • the degraded state and the second state may include a long term, irreversible degraded state.
  • a computer-readable recording medium having recorded thereon a program for executing the above method on a computer may be provided.
  • any part of the specification is to “include” any component, this means that it may further include other components, except to exclude other components unless otherwise stated.
  • the terms “... unit”, “module”, etc. described in the specification mean a unit for processing at least one function or operation, which may be implemented in hardware or software or a combination of hardware and software. .
  • a part of the specification is “connected” to another part, this includes not only “directly connected”, but also “connected with other elements in the middle”.
  • FIG. 1 is a block diagram showing the configuration of an artificial fuel cell system 1000 according to an embodiment of the present invention
  • Figure 2 is a sensor unit 200 installed in the fuel cell stack 100 according to an embodiment of the present invention. It is a figure which shows the structure of) schematically.
  • the AI fuel cell system 1000 may include a fuel cell stack 100, a sensor unit 200, an artificial intelligence unit 300, and a controller 400.
  • Equation 2 Is the prediction term for the t + h time interval, Is a constant term, Is the function term of Y at time t, Is the predictive model term of Y at time t, Denotes a prediction error term.
  • the machine learning unit 342 corrects the generated prediction model by feeding back a variance which is a difference between the predicted value and the measured value, and the performance prediction and diagnosis unit 360 ) Can diagnose the state of performance change over time of the fuel cell stack 100 using the corrected prediction model.
  • the machine learning unit 342 calculates the difference between the predicted value of the predictive model generated through the machine learning algorithm and time series analysis and the measured value measured by the sensor unit 200 as a variance value, and continuously feeds back the variance value.
  • the fuel cell prediction model can be calibrated. That is, since the performance prediction and diagnosis unit 360 diagnoses the state of performance change over time of the fuel cell stack 100 according to the corrected fuel cell prediction model, it is possible to diagnose the state of the fuel cell more accurately.
  • the performance prediction and diagnosis unit 360 is configured to determine the fuel cell stack according to the fuel cell prediction and control model generated according to the learning and analysis of the machine learning unit 342 and the time series analyzer 344. Diagnose the condition.
  • the performance prediction and diagnosis unit 360 compares the predicted values of the generated fuel cell prediction model with the measured values measured in real time to determine whether the current state of the fuel cell stack is in a steady state, drying the electrolyte membrane, and reacting. It can be distinguished from an abnormal state such as a lack of gas flow rate.
  • the performance prediction and diagnosis unit 360 analyzes the time-series trend analysis of the time-series analysis unit 344 to determine the state of change in performance of the fuel cell stack 100 over time in a temporary, short-term deterioration state and a long-term, irreversible deterioration state. Each state can be diagnosed separately.
  • the performance prediction and diagnosis unit 360 may generate a control signal for changing an operating condition of the fuel cell stack 100 according to the diagnosed state of the fuel cell stack 100.
  • the artificial intelligence unit 300 may diagnose whether the current fuel cell stack 100 is in a long-term, irreversible deterioration state or a temporary, reversible deterioration state through the state diagnosis of the fuel cell stack 100. have. If the artificial intelligence unit 300 is diagnosed as a reversible deterioration state, it is possible to determine whether the state of the fuel cell stack 100 is flooding, drying of the electrolyte membrane, or insufficient flow rate of the reactor gas, and providing a temporary performance. In order to recover the degradation, a control signal for changing a fuel cell operating condition may be generated and transmitted to the controller 400. That is, the control unit 400 changes the operating conditions according to the control signal generated by the artificial intelligence unit 300 to improve the performance of the fuel cell stack 100 in a state of flooding, drying of the electrolyte membrane, and insufficient flow rate of the reactor gas. You can recover.
  • the sensor unit 200 may measure data about temperature, pressure, humidity, and flow rate of each unit cell, reaction gas, and cooling water in various positions including the inlet and the outlet of the fuel cell stack 100 in real time.
  • changes in current, voltage data and current and voltage data during fuel cell operation can be measured in real time.
  • the data collection unit 320 may collect the measured data at time intervals including some or all of the fuel cell operating time from 1 second to minutes, hours, days, months, and years.
  • the data learning and model generation unit 340 learns and analyzes the collected data using time series analysis through machine learning and time series trend analysis through a machine learning algorithm and analyzes a model for predicting and controlling the performance of a fuel cell. Can be generated.
  • the AI fuel cell system 1000 includes a unit of a unit cell, a reaction gas, and cooling water constituting the fuel cell stack 100 for a predetermined time interval hi through the data collection unit 320.
  • Data about temperature, pressure, humidity, and flow rate and current and voltage data during fuel cell operation may be collected (S100), and a fuel cell performance prediction model and a control model may be generated using the collected data (S200).
  • the fuel cell performance prediction model and the control model may be generated using machine learning and time series analysis using the collected data.
  • a linear model may be used as shown in FIG. 7, but a second, third, or exponential function model may be applied according to the deterioration type of the fuel cell.
  • the above-described information about the AI fuel cell system 1000 may be applied. Therefore, with regard to the control method of the AI fuel cell system 1000, the description of the same content as the above-described AI fuel cell system 1000 has been omitted.
  • Computer readable media can be any available media that can be accessed by a computer and includes both volatile and nonvolatile media, removable and non-removable media.
  • Computer readable media may include all computer storage media.
  • Computer storage media includes both volatile and nonvolatile, removable and non-removable media implemented in any method or technology for storage of information such as computer readable instructions, data structures, program modules or other data.

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Fuel Cell (AREA)

Abstract

본 발명의 일 실시예에 따른 인공지능형 연료전지 시스템은, 전기화학 반응으로 전기 에너지를 생성시키기 위한 복수개의 단위 전지들이 결합된 연료전지 스택, 연료전지 스택을 구성하는 각각의 단위 전지, 반응 기체 및 냉각수의 온도, 압력, 습도, 유량에 관한 데이터 및 연료전지 운전 중 전류, 전압 데이터를 실시간으로 측정하기 위한 센서부, 센서부를 통하여 측정된 데이터를 일정 시간 간격으로 수집하고, 수집된 데이터에 대한 학습 및 분석을 통하여 연료전지의 성능 예측 및 제어를 위한 모델을 생성하고, 생성된 모델과 실시간으로 측정된 데이터를 비교하여 연료전지 스택의 상태를 진단하고, 연료전지 스택의 운전 조건을 변경하기 위한 제어 신호를 생성하는 인공지능부 및 생성된 제어 신호에 따라서 연료전지 스택의 운전 조건을 변경시키는 제어부를 포함할 수 있다.

Description

인공지능형 연료전지 시스템
본 발명은 인공지능형 연료전지 시스템에 관한 것으로서, 더욱 상세하게는 일정 시간 간격으로 수집된 데이터를 기계 학습 및 시계열 분석을 이용하여 학습하고 분석하여 연료전지의 성능 예측 및 제어를 위한 모델을 생성하고, 생성된 모델과 측정된 데이터를 비교하여 연료전지 스택의 시간에 따른 성능변화 상태를 일시적, 단기적 성능저하 상태와 장기적, 비가역적 성능저하 상태로 각각 구별하여 진단하고, 진단된 연료전지 스택의 상태에 따라서 연료전지 스택의 운전 조건을 변경하기 위한 제어 신호를 생성하는 인공지능형 연료 전지 시스템에 관한 것이다.
본 명세서는 2016년 9월 26일에 한국특허청에 제출된 한국 특허 출원 제 10-2016-0123125호의 출원일의 이익을 주장하며, 그 내용 전부는 본 발명에 포함된다.
연료전지(Fuel cell)는 수소와 산소를 연료로 전기화학적으로 반응시켜 화학 에너지를 직접 전기 에너지로 변환시키는 발전 장치이다. 따라서, 연료전지는 발전 특성상 열기관과 같은 열역학적인 제한을 받지 않으며, 석탄, 석유 등의 화석 연료를 사용하지 않으므로 환경 오염, 소음 등이 발생할 염려가 적어서 차세대 에너지원으로 각광받고 있다.
그러나, 연료전지 운전 중 발생하는 전류-전압, 전류-전력간의 비선형적, 비가역적 상관관계가 만드는 복잡성은 성능의 정확한 예측과 최적운전을 위한 제어를 어렵게 하고 있다. 특히, 연료전지의 운전을 위한 종래의 모델 기반 제어 시스템은 최적화되지 않은 운전조건하에서 발생하는 일시적 성능저하와 장기운전에 의한 열화 및 내구성 감소에 따른 성능저하를 동시에 고려하지 않고 있으며, 그 차이를 구분하지 않는 문제점이 존재하였다.
즉, 최적화되지 않은 조건하에서의 운전은 연료전지 내부의 물 생성에 따른 플러딩(Flooding), 전해질막의 건조, 반응기체 유량 부족 등에 의해 일시적인 성능의 저하를 유발하고, 그 상태가 지속될 경우 연료전지 시스템의 열화 및 내구성 감소를 가속화시키기 때문에, 신속하게 연료전지의 이상 상태를 감지하고, 성능의 예측제어가 필요하다.
또한, 연료전지의 내구성 향상을 위해서, 일시적이고 회복가능한 성능저하의 진단과 함께 장기적 성능감소 정도를 고려한 운전조건의 최적화 및 그 제어 알고리즘이 요구된다.
본 발명은 상기와 같은 문제점을 해결하기 위해 창안된 것으로, 일정 시간 간격으로 수집된 데이터를 기계 학습 및 시계열 분석을 이용하여 학습하고, 분석하여 연료전지의 성능 예측 및 제어를 위한 모델을 생성하고, 생성된 모델과 측정된 데이터를 비교하여 연료전지 스택의 시간에 따른 성능변화 상태를 일시적, 단기적 성능저하 상태와 장기적, 비가역적 성능저하 상태로 각각 구별하여 진단하고, 진단된 연료전지 스택의 상태에 따라서 연료전지 스택의 운전 조건을 변경하기 위한 제어 신호를 생성하는 인공지능형 연료 전지 시스템을 제공하는데 그 목적이 있다.
본 발명의 일 실시예에 따른 인공지능형 연료전지 시스템은, 전기화학 반응으로 전기 에너지를 생성시키기 위한 복수개의 단위 전지들이 결합된 연료전지 스택, 연료전지 스택을 구성하는 각각의 단위 전지, 반응 기체 및 냉각수의 온도, 압력, 습도, 유량에 관한 데이터 및 연료전지 운전 중 전류, 전압 데이터를 실시간으로 측정하기 위한 센서부, 센서부를 통하여 측정된 데이터를 일정 시간 간격으로 수집하고, 수집된 데이터에 대한 학습 및 분석을 통하여 연료전지의 성능 예측 및 제어를 위한 모델을 생성하고, 생성된 모델과 실시간으로 측정된 데이터를 비교하여 연료전지 스택의 상태를 진단하고, 연료전지 스택의 운전 조건을 변경하기 위한 제어 신호를 생성하는 인공지능부 및 생성된 제어 신호에 따라서 연료전지 스택의 운전 조건을 변경시키는 제어부를 포함할 수 있다.
또한, 본 발명의 일 실시예에 따른 인공지능부는 센서부를 통하여 실시간 측정된 온도, 압력, 습도, 유량, 전류, 전압에 관한 데이터를 일정 시간 간격으로 수집하는 데이터 수집부, 일정 시간 간격으로 수집된 데이터를 기계 학습 및 시계열 분석을 이용하여 학습하고, 분석하여 연료전지의 성능 예측 및 제어를 위한 모델을 생성하는 데이터 학습 및 모델 생성부 및 생성된 모델과 측정된 데이터를 비교하여 연료전지 스택의 시간에 따른 성능변화 상태를 제 1 상태와 제 2 상태로 각각 구별하여 진단하고, 진단된 연료전지 스택의 상태에 따라서 연료전지 스택의 운전 조건을 변경하기 위한 제어 신호를 생성하여 제어부로 하여금 연료전지 스택의 운전 조건을 변경하게 하는 성능예측 및 진단부를 포함하며, 제 1 상태는 일시적, 단기적 성능저하 상태이고, 제 2 상태는 장기적, 비가역적 성능저하 상태를 포함할 수 있다.
또한, 본 발명의 일 실시예에 따른 데이터 학습 및 모델 생성부는, 일정 시간 간격으로 수집된 데이터를 기계 학습 알고리즘을 통해 성능의 예측을 위한 모델을 생성하고, 성능예측 및 진단부로 하여금 생성된 모델로부터의 예측값과 측정된 데이터의 측정값을 비교하여 연료전지 스택의 상태를 진단하게 하는 기계 학습부 및 예측값 및 측정값들을 이용하여 시간 추이 패턴을 분석하는 시계열 추세 분석을 수행하여, 성능예측 및 진단부로 하여금 연료전지 스택의 시간에 따른 성능변화 상태를 제 1 상태와 제 2 상태로 각각 구별하여 진단하는 시계열 분석부를 포함하며, 제 1 상태는 일시적, 단기적 성능저하 상태이고, 제 2 상태는 장기적, 비가역적 성능저하 상태를 포함할 수 있다.
또한, 본 발명의 일 실시예에 따른 기계 학습부는, 예측값과 측정값의 차이인 분산값(variance)을 피드백(feedback) 하여 생성된 예측 모델을 보정하고, 성능예측 및 진단부로 하여금 보정된 예측 모델을 이용하여 연료전지 스택의 시간에 따른 성능변화 상태를 진단하게 할 수 있다.
본 발명의 일 실시예에 따른 인공지능형 연료전지 시스템의 제어 방법은, 연료전지 스택을 구성하는 각각의 단위 전지, 반응 기체 및 냉각수의 온도, 압력, 습도, 유량에 관한 데이터 및 연료전지 운전 중 전류, 전압 데이터를 실시간 측정하는 단계, 측정된 데이터를 일정 시간 간격으로 수집하고, 수집된 데이터에 대한 학습 및 분석을 통하여 연료전지의 성능 예측 및 제어를 위한 모델을 생성하는 단계, 생성된 모델과 실시간으로 측정된 데이터를 비교하여 연료전지 스택의 상태를 진단하는 단계, 진단된 상태에 따라서 연료전지 스택의 운전 조건을 변경하기 위한 제어 신호를 생성하는 단계 및 생성된 제어 신호에 따라서 연료전지 스택의 운전 조건을 변경하는 단계를 포함할 수 있다.
또한, 본 발명의 일 실시예에 따른 성능 예측 및 제어를 위한 모델을 생성하는 단계는, 일정 시간 간격으로 수집된 데이터를 기계 학습 알고리즘을 통한 기계 학습 및 시계열 추세 분석을 통한 시계열 분석을 이용하여 학습하고, 분석하여, 연료전지의 성능 예측 및 제어를 위한 모델을 생성하는 단계를 포함하고, 연료전지 스택의 상태를 진단하는 단계는, 생성된 모델과 측정된 데이터를 비교하여 연료전지 스택의 시간에 따른 성능변화 상태를 제 1 상태와 제 2 상태로 각각 구별하여 진단하는 단계를 포함하고, 제 1 상태는 일시적, 단기적 성능저하 상태이고, 제 2 상태는 장기적, 비가역적 성능저하 상태를 포함할 수 있다.
또한, 본 발명의 일 실시예에 따른 인공지능형 연료전지 시스템의 제어 방법에 있어서, 생성된 모델의 예측값과 실기간 측정된 측정값의 차이인 분산값(variance)을 피드백(feedback) 하여 생성된 예측 모델을 보정하는 단계 및 보정된 예측 모델을 이용하여 연료전지 스택의 시간에 따른 성능변화 상태를 제 1 상태와 제 2 상태로 각각 구별하여 진단하는 단계를 더 포함하고, 제 1 상태는 일시적, 단기적 성능저하 상태이고, 제 2 상태는 장기적, 비가역적 성능저하 상태를 포함할 수 있다.
한편, 본 발명의 일 실시예로써, 전술한 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체가 제공될 수 있다.
본 발명의 일 실시예에 따른 인공지능형 연료전지 시스템은 기계 학습부 및 시계열 분석부를 통하여 일정 시간 간격으로 수집된 연료전지 데이터를 기계 학습, 시계열 추세 분석함으로써 연료전지 성능 예측 모델 및 제어 모델을 생성할 수 있다.
또한, 본 발명의 일 실시예에 따른 인공지능형 연료전지 시스템은 기계 학습부 및 시계열 분석부를 통한 기계 학습 및 시계열 분석을 함으로써, 현재 연료전지 스택의 상태가 정상 상태인지 비정상 상태인지를 진단할 수 있다.
또한, 본 발명의 일 실시예에 따른 인공지능형 연료전지 시스템은 추세선을 이용한 시계열 추세 분석을 통하여 연료전지 스택의 시간에 따른 성능저하 상태를 일시적, 단기적 성능저하 상태와 장기적, 비가역적 성능저하 상태로 각각 구별하여 진단할 수 있다.
또한, 본 발명의 일 실시예에 따른 인공지능형 연료전지 시스템은 기계 학습 알고리즘 및 시계열 분석을 통하여 생성된 예측 모델의 예측값과 측정값의 차이를 분산값으로 계산하고, 분산값을 계속 피드백함으로써 연료전지 성능 예측 모델을 보정할 수 있으므로, 연료전지 스택의 시간에 따른 성능변화 상태를 좀 더 정확하게 진단할 수 있고, 상태 진단에 따른 연료전지 운전 조건을 최적화 할 수 있다.
도 1은 본 발명의 일 실시예에 따른 인공지능형 연료전지 시스템의 구성을 나타낸 블록도이다.
도 2는 본 발명의 일 실시예에 따른 연료전지 스택에 설치된 센서부의 구성을 개략적으로 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른 인공지능부의 구성을 나타낸 블록도이다.
도 4는 본 발명의 일 실시예에 따른 센서부로부터 측정되어 수집된 데이터의 구조를 행렬로 나타낸 도면이다.
도 5는 본 발명의 일 실시예에 따른 인공지능형 연료전지 시스템의 제어방법을 나타낸 순서도이다.
도 6은 본 발명의 일 실시예에 따른 기계 학습부를 통한 연료전지 성능 예측모델 및 제어모델을 보정하는 방법을 나타낸 순서도이다.
도 7은 본 발명의 일 실시예에 따른 전류밀도 시계열 데이터의 추세 분석을 통해서 단기적 성능저하 상태와 장기적 성능저하 상태를 나타낸 그래프이다.
본 발명의 일 실시예에 따른 인공지능형 연료전지 시스템은, 전기화학 반응으로 전기 에너지를 생성시키기 위한 복수개의 단위 전지들이 결합된 연료전지 스택, 연료전지 스택을 구성하는 각각의 단위 전지, 반응 기체 및 냉각수의 온도, 압력, 습도, 유량에 관한 데이터 및 연료전지 운전 중 전류, 전압 데이터를 실시간으로 측정하기 위한 센서부, 센서부를 통하여 측정된 데이터를 일정 시간 간격으로 수집하고, 수집된 데이터에 대한 학습 및 분석을 통하여 연료전지의 성능 예측 및 제어를 위한 모델을 생성하고, 생성된 모델과 실시간으로 측정된 데이터를 비교하여 연료전지 스택의 상태를 진단하고, 연료전지 스택의 운전 조건을 변경하기 위한 제어 신호를 생성하는 인공지능부 및 생성된 제어 신호에 따라서 연료전지 스택의 운전 조건을 변경시키는 제어부를 포함할 수 있다.
또한, 본 발명의 일 실시예에 따른 인공지능부는 센서부를 통하여 실시간 측정된 온도, 압력, 습도, 유량, 전류, 전압에 관한 데이터를 일정 시간 간격으로 수집하는 데이터 수집부, 일정 시간 간격으로 수집된 데이터를 기계 학습 및 시계열 분석을 이용하여 학습하고, 분석하여 연료전지의 성능 예측 및 제어를 위한 모델을 생성하는 데이터 학습 및 모델 생성부 및 생성된 모델과 측정된 데이터를 비교하여 연료전지 스택의 시간에 따른 성능변화 상태를 제 1 상태와 제 2 상태로 각각 구별하여 진단하고, 진단된 연료전지 스택의 상태에 따라서 연료전지 스택의 운전 조건을 변경하기 위한 제어 신호를 생성하여 제어부로 하여금 연료전지 스택의 운전 조건을 변경하게 하는 성능예측 및 진단부를 포함하며, 제 1 상태는 일시적, 단기적 성능저하 상태이고, 제 2 상태는 장기적, 비가역적 성능저하 상태를 포함할 수 있다.
또한, 본 발명의 일 실시예에 따른 데이터 학습 및 모델 생성부는, 일정 시간 간격으로 수집된 데이터를 기계 학습 알고리즘을 통해 성능의 예측을 위한 모델을 생성하고, 성능예측 및 진단부로 하여금 생성된 모델로부터의 예측값과 측정된 데이터의 측정값을 비교하여 연료전지 스택의 상태를 진단하게 하는 기계 학습부 및 예측값 및 측정값들을 이용하여 시간 추이 패턴을 분석하는 시계열 추세 분석을 수행하여, 성능예측 및 진단부로 하여금 연료전지 스택의 시간에 따른 성능변화 상태를 제 1 상태와 제 2 상태로 각각 구별하여 진단하는 시계열 분석부를 포함하며, 제 1 상태는 일시적, 단기적 성능저하 상태이고, 제 2 상태는 장기적, 비가역적 성능저하 상태를 포함할 수 있다.
또한, 본 발명의 일 실시예에 따른 기계 학습부는, 예측값과 측정값의 차이인 분산값(variance)을 피드백(feedback) 하여 생성된 예측 모델을 보정하고, 성능예측 및 진단부로 하여금 보정된 예측 모델을 이용하여 연료전지 스택의 시간에 따른 성능변화 상태를 진단하게 할 수 있다.
본 발명의 일 실시예에 따른 인공지능형 연료전지 시스템의 제어 방법은, 연료전지 스택을 구성하는 각각의 단위 전지, 반응 기체 및 냉각수의 온도, 압력, 습도, 유량에 관한 데이터 및 연료전지 운전 중 전류, 전압 데이터를 실시간 측정하는 단계, 측정된 데이터를 일정 시간 간격으로 수집하고, 수집된 데이터에 대한 학습 및 분석을 통하여 연료전지의 성능 예측 및 제어를 위한 모델을 생성하는 단계, 생성된 모델과 실시간으로 측정된 데이터를 비교하여 연료전지 스택의 상태를 진단하는 단계, 진단된 상태에 따라서 연료전지 스택의 운전 조건을 변경하기 위한 제어 신호를 생성하는 단계 및 생성된 제어 신호에 따라서 연료전지 스택의 운전 조건을 변경하는 단계를 포함할 수 있다.
또한, 본 발명의 일 실시예에 따른 성능 예측 및 제어를 위한 모델을 생성하는 단계는, 일정 시간 간격으로 수집된 데이터를 기계 학습 알고리즘을 통한 기계 학습 및 시계열 추세 분석을 통한 시계열 분석을 이용하여 학습하고, 분석하여, 연료전지의 성능 예측 및 제어를 위한 모델을 생성하는 단계를 포함하고, 연료전지 스택의 상태를 진단하는 단계는, 생성된 모델과 측정된 데이터를 비교하여 연료전지 스택의 시간에 따른 성능변화 상태를 제 1 상태와 제 2 상태로 각각 구별하여 진단하는 단계를 포함하고, 제 1 상태는 일시적, 단기적 성능저하 상태이고, 제 2 상태는 장기적, 비가역적 성능저하 상태를 포함할 수 있다.
또한, 본 발명의 일 실시예에 따른 인공지능형 연료전지 시스템의 제어 방법에 있어서, 생성된 모델의 예측값과 실기간 측정된 측정값의 차이인 분산값(variance)을 피드백(feedback) 하여 생성된 예측 모델을 보정하는 단계 및 보정된 예측 모델을 이용하여 연료전지 스택의 시간에 따른 성능변화 상태를 제 1 상태와 제 2 상태로 각각 구별하여 진단하는 단계를 더 포함하고, 제 1 상태는 일시적, 단기적 성능저하 상태이고, 제 2 상태는 장기적, 비가역적 성능저하 상태를 포함할 수 있다.
한편, 본 발명의 일 실시예로써, 전술한 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체가 제공될 수 있다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.
본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 명세서 전체에서 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, "그 중간에 다른 소자를 사이에 두고" 연결되어 있는 경우도 포함한다.
이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 인공지능형 연료전지 시스템(1000)의 구성을 나타낸 블록도이고, 도 2는 본 발명의 일 실시예에 따른 연료전지 스택(100)에 설치된 센서부(200)의 구성을 개략적으로 나타낸 도면이다.
도 1을 참조하면, 인공지능형 연료전지 시스템(1000)은 연료전지 스택(100), 센서부(200), 인공지능부(300) 및 제어부(400)를 포함할 수 있다.
본 발명의 일 실시예에 따른 연료전지 스택(100)은 전기화학 반응으로 전기 에너지를 생성시키기 위한 복수개의 단위 전지들이 결합된 장치로, 복수개의 단위 전지들이 적층하여 형성됨으로써 자동차와 같은 장치에 필요한 전력을 공급할 수 있다. 여기에서, 단위 전지는 전기화학 반응으로 전기 에너지를 생성하면서 물과 열을 부산물로 생산하며, 애노드 분리판, 캐소드 분리판, 개스킷 등을 포함할 수 있다.
본 발명의 일 실시예에 따른 센서부(200)는 연료전지 스택(100)을 구성하는 각각의 단위 전지, 반응 기체 및 냉각수의 온도, 압력, 습도, 유량에 관한 데이터 및 연료전지 운전 중 전류, 전압 데이터를 실시간으로 측정할 수 있다.
도 2를 참조하면, 센서부(200)는 연료전지 스택(100)에 공급되는 반응 기체(연료), 냉각수 및 각각의 단위 전지의 온도, 압력, 습도, 유량 등에 관한 데이터를 연료전지 스택의 입구 및 출구를 포함하는 여러 위치에서 실시간으로 측정할 수 있다. 예를 들어, 단위 전지의 양극, 음극에서 또는 연료전지 스택의 각각의 단위 전지마다 또는 연료전지 스택 전체에 대해서 온도, 압력, 습도, 유량 등에 관한 데이터를 측정할 수 있다.
또한, 센서부(200)는 연료전지 스택(100)의 운전 중 발생하는 전류(밀도), 전압 데이터 또는 전류, 전압 데이터의 변화도 각각의 단위 전지마다 또는 연료전지 스택 전체에 대하여 실시간으로 측정할 수 있다.
본 발명의 일 실시예에 따른 인공지능부(300)는 센서부(200)를 통하여 측정된 데이터를 일정 시간 간격으로 수집하고, 수집된 데이터에 대한 학습 및 분석을 통하여 연료전지의 성능 예측 및 제어를 위한 모델을 생성할 수 있다. 예를 들어, 인공지능부(300)는 센서부(200)를 통하여 측정된 각각의 단위 전지, 반응 기체 및 냉각수의 온도, 압력, 습도, 유량에 관한 데이터 및 연료전지 운전 중 전류, 전압 데이터를 일정 시간 간격으로 수집할 수 있고, 수집된 모든 데이터는 시계열 데이터의 형태로 저장될 수 있다. 여기에서 일정 시간 간격은 1초 단위부터 분, 시, 일, 월, 년 단위까지 연료전지 운전 시간 일부 또는 전부를 포함할 수 있다.
또한, 인공지능부(300)는 수집된 데이터를 기계 학습 및 시계열 분석 등의 방법을 사용하여 학습 및 분석함으로써, 연료전지의 성능 예측 및 제어를 위한 모델을 생성할 수 있고, 생성된 성능 예측 및 제어를 위한 모델을 실시간 측정된 데이터와 비교하여 연료전지 스택(100)의 상태를 진단하고, 연료전지 스택(100)의 운전 조건을 변경하기 위한 제어 신호를 생성할 수 있다.
즉, 연료전지의 성능(I-V)에 영향을 주는 실시간 운전 데이터는 복잡성과 상호 의존성을 포함하기 때문에, 이를 예측할 수 있는 성능 예측 및 제어를 위한 모델의 생성을 위해서는 다수의 상관관계를 설명할 수 있는 기계 학습 기반 모델링이 적용될 수 있다.
또한, 운전 시간이 길어질수록 연료전지의 열화에 의한 성능저하가 발생할 수 있으며, 이는 일시적인 성능저하 현상과 구별되어야 하므로, 단일 기계 학습 알고리즘의 적용을 통해서는 일시적, 단기적 성능저하 상태와 장기적, 비가역적 성능저하 상태를 구별하기 어려울 수 있다. 즉, 일시적인 성능저하 현상과 장기적 성능저하 현상을 구별하기 위해서는 시계열 분석을 통한 시계열 데이터의 패턴 분석을 기계 학습 알고리즘과 복합적으로 사용함으로써, 연료전지 스택(100)의 상태를 정확하게 진단하여, 진단 상태에 따른 최적화된 제어 신호를 생성할 수 있다.
도 3은 본 발명의 일 실시예에 따른 인공지능부(300)의 구성을 나타낸 블록도이다.
도 3을 참조하면, 인공지능부(300)는 데이터 수집부(320), 데이터 학습 및 모델 생성부(340), 성능 예측 및 진단부(360)를 포함할 수 있고, 데이터 학습 및 모델 생성부(340)는 기계 학습부(342) 및 시계열 분석부(344)를 포함할 수 있다.
본 발명의 일 실시예에 따른 데이터 수집부(320)는 센서부(200)를 통하여 실시간 측정된 각각의 단위 전지, 반응 기체 및 냉각수의 온도, 압력, 습도, 유량에 관한 데이터 및 연료전지 운전 중 전류, 전압 데이터를 일정 시간 간격으로 수집할 수 있다. 데이터 수집부(320)는 시계열 분석을 위해서 측정된 모든 데이터를 시계열 데이터의 형태로 시간대별로 저장할 수 있고, 1초 단위부터 년 단위까지 데이터 저장 시간 간격을 조절할 수 있고, 연료전지 운전시간 일부 또는 전부를 포함할 수 있다.
데이터 학습 및 모델 생성부(340)는 일정 시간 간격으로 수집된 데이터를 이용하여, 연료전지의 성능 예측 및 제어를 위한 모델을 생성할 수 있는데, 기계 학습부(342)는 다변수 상관관계를 통한 기계 학습을 통하여 성능예측 및 제어를 위한 모델링을 가능하게 하며, 시계열 분석부(344)는 시계열 데이터의 패턴분석을 통하여 연료전지의 상태를 시계열 추세 분석함으로써, 연료전지 스택(100)의 시간에 따른 성능예측 및 제어를 위한 모델을 생성할 수 있다.
즉, 본 발명의 일 실시예에 따른 기계 학습부(342)는 일정 시간 간격으로 수집된 데이터를 기계 학습 알고리즘을 통해 성능의 예측을 위한 모델을 생성하고, 성능예측 및 진단부(360)로 하여금 생성된 모델로부터의 예측값과 측정된 데이터의 측정값을 비교하여 연료전지 스택(100)의 상태를 진단하게 할 수 있다.
예를 들어, 기계 학습부(342)는 일정 시간 간격으로 수집된 온도, 압력, 습도, 유량에 관한 데이터 및 연료전지 운전 중 전류, 전압 데이터를 행렬 구조로서 데이터 구조를 생성하고, 여러 가지 기계 학습 알고리즘을 적용하여 성능 예측 모델을 생성할 수 있다. 또한, 기계 학습부(342)는 성능예측 및 진단부(360)로 하여금 성능 예측 모델에서의 예측값과 센서부(200)를 통하여 실시간 측정된 측정값들을 비교하여, 예측값과 측정값의 차이로서 연료 전지 스택의 상태가 정상 상태인지 또는 플러딩(flooding), 전해질막의 건조, 반응기체 유량 부족 등의 비정상 상태인지를 판단하게끔 할 수 있다.
또한, 기계 학습부(342)는 진단된 연료 전지 스택(100)의 상태가 정상 상태인지 또는 비정상 상태인지에 따른 운전 조건 변화에 대한 판단, 즉 제어부(400)를 제어하는 제어 신호를 유지시킬지 또는 변화시킬지에 대한 판단을 제공할 수 있다.
본 발명의 일 실시예에 따른 시계열 분석부(344)는 예측값 및 측정값들을 이용하여 시간 추이 패턴을 분석하는 시계열 추세 분석을 수행하여, 성능예측 및 진단부(360)로 하여금 연료전지 스택(100)의 시간에 따른 성능변화 상태를 일시적, 단기적 성능저하 상태와 열화에 의한 장기적, 비가역적 성능저하 상태의 두 가지 다른 상태로 구별하여 진단하게끔 할 수 있다.
예를 들어, 시계열 분석부(344)는 기계 학습부(342)를 통해서 생성된 성능 예측 모델의 예측값 및 센서부(200)를 통해서 측정된 측정값들을 이용하여 시간 추이 패턴 분석을 수행함으로써, 성능예측 및 진단부(360)로 하여금 시계열적으로 연료전지 스택(100)에서 일시적으로 성능저하가 나타나는 단기적 성능저하 상태 구간과 열화에 의한 비가역적 성능저하가 발생하는 장기적 성능저하 상태 구간을 구별하게끔 할 수 있다. 여기에서 일시적, 단기적 성능저하 상태 구간은 일시적으로는 성능저하가 나타나지만, 제어를 통한 운전 조건의 변경 후 소정의 시간이 흐른 뒤에는 정상 상태로 성능이 회복될 수 있는 구간으로 가역적인 성능저하가 나타나는 구간을 의미할 수 있다.
도 4는 본 발명의 일 실시예에 따른 센서부(200)로부터 측정되어 수집된 데이터의 구조를 행렬로 나타낸 도면이다.
도 4를 참조하면, 행렬 T의 각 열들(t1, t2, …)은 시간열을 나타내고, 행렬 X의 각 열은 센서부(200)에 의해 시간대별로 측정된 연료전지 스택(100)의 여러 지점의 온도, 압력, 유량, 습도 등의 데이터를 나타낸다. 또한, 행렬 X의 한 열은 각 시간대별로 측정된 전류(밀도)의 시계열 데이터를 포함할 수 있다. 행렬 Y는 각 시간대별로 측정된 셀전압(V), 전류밀도(I), 출력밀도(power density) 중 어느 한 변수의 시간대별 측정을 나타낸다.
또한, 행렬 X와 Y로 구성된 데이터 구조(510)는 기계 학습 알고리즘을 통해 예측 모델을 만들기 위한 데이터 구조를 나타낸다. 즉, 행렬 X와 Y로 구성된 데이터 구조(510)는 X→Y, Y=f(X)를 만들기 위한 데이터 구조를 나타낼 수 있다. 예측 모델 Y=f(X)는 적용되는 기계 학습 알고리즘에 따라서
Figure PCTKR2017010088-appb-I000001
와 같은 선형 회귀모델을 포함하여 다양한 형태를 가질 수 있다.
기계 학습 예측모델은 다음의 [수학식 1]과 같이 나타낼 수 있다.
[수학식 1]
Y=f(X)
상기 [수학식 1]에서, X 는 R(반응기체 유량), T(온도), P(압력), H(습도), I(전류(밀도))의 데이터이고, Y는 I(전류(밀도)), V(전압), W(출력(밀도))의 데이터이다.
또한, 행렬 X와 Y 및 T로 구성된 데이터 구조(530)는 시계열 분석(time series analysis)을 위한 데이터 구조를 나타내며, (T,X,Y) 또는 (T,X) 또는 (T,Y)로 구성될 수 있다.
시계열 모델은 다음의 [수학식 2]와 같이 나타낼 수 있다.
[수학식 2]
Figure PCTKR2017010088-appb-I000002
상기 [수학식 2]에서,
Figure PCTKR2017010088-appb-I000003
는 t+h 시간 간격 동안의 예측항,
Figure PCTKR2017010088-appb-I000004
는 상수항,
Figure PCTKR2017010088-appb-I000005
는 시간 t에서의 Y의 함수항,
Figure PCTKR2017010088-appb-I000006
는 시간 t에서의 Y의 예측모델항,
Figure PCTKR2017010088-appb-I000007
는 예측오차항을 나타낸다.
또한, 본 발명의 일 실시예에 따른 기계 학습부(342)는 예측값과 측정값의 차이인 분산값(variance)을 피드백(feedback) 하여 생성된 예측 모델을 보정하고, 성능예측 및 진단부(360)로 하여금 보정된 예측 모델을 이용하여 연료전지 스택(100)의 시간에 따른 성능변화 상태를 진단하게 할 수 있다.
즉, 기계 학습부(342)는 기계 학습 알고리즘 및 시계열 분석을 통하여 생성된 예측 모델의 예측값과 센서부(200)를 통해서 측정한 측정값의 차이를 분산값으로 계산하고, 분산값을 계속 피드백함으로써 연료전지 예측 모델을 보정할 수 있다. 즉, 성능예측 및 진단부(360)가 보정된 연료전지 예측 모델에 따라서 연료전지 스택(100)의 시간에 따른 성능변화 상태를 진단하게 되므로, 좀 더 정확하게 연료전지의 상태를 진단할 수 있다.
본 발명의 일 실시예에 따른 성능예측 및 진단부(360)는 기계 학습부(342) 및 시계열 분석부(344)의 학습, 분석에 따라서 생성된 연료전지 예측 및 제어 모델에 따라서 연료전지 스택의 상태를 진단할 수 있다.
예를 들어, 성능예측 및 진단부(360)는 생성된 연료전지 예측 모델의 예측값과 실시간 측정된 측정값들을 비교하여 연료전지 스택의 현재 상태가 정상 상태인지 플러딩(flooding), 전해질막의 건조, 반응기체 유량의 부족 상태와 같은 비정상 상태인지 구별할 수 있다.
또한, 성능예측 및 진단부(360)는 시계열 분석부(344)의 시계열 추세 분석을 통하여 연료전지 스택(100)의 시간에 따른 성능 변화 상태를 일시적, 단기적 성능저하 상태와 장기적, 비가역적 성능저하 상태로 각각 구별하여 진단할 수 있다.
또한, 성능예측 및 진단부(360)는 진단된 연료전지 스택(100)의 상태에 따라서 연료전지 스택(100)의 운전 조건을 변경하기 위한 제어 신호를 생성할 수 있다.
본 발명의 일 실시예에 따른 제어부(400)는 인공지능부(300)가 생성한 제어 신호에 따라서 연료전지 스택(100)의 운전 조건을 변경시킬 수 있다.
예를 들어, 인공지능부(300)는 연료전지 스택(100)의 상태 진단을 통하여, 현재 연료 전지 스택(100)이 장기적, 비가역적 성능저하 상태인지 또는 일시적, 가역적 성능저하 상태인지 진단할 수 있다. 만약, 인공지능부(300)가 가역적인 성능저하 상태로 진단하였다면, 연료전지 스택(100)의 상태가 플러딩(flooding), 전해질막의 건조, 반응기체 유량의 부족 상태인지 판단할 수 있고, 일시적인 성능 저하를 회복하기 위하여 연료전지 운전 조건을 변경하기 위한 제어신호를 생성하여 제어부(400)로 전송할 수 있다. 즉, 제어부(400)는 인공지능부(300)가 생성한 제어신호에 따라서 운전 조건을 변경함으로써 플러딩(flooding), 전해질막의 건조, 반응기체 유량의 부족 상태인 연료전지 스택(100)의 성능을 회복시킬 수 있다.
도 5는 본 발명의 일 실시예에 따른 인공지능형 연료전지 시스템(1000)의 제어방법을 나타낸 순서도이다.
도 5를 참조하면, 센서부(200)는 연료전지 스택(100)을 구성하는 각각의 단위 전지, 반응 기체 및 냉각수의 온도, 압력, 습도, 유량에 관한 데이터 및 연료전지 운전 중 전류, 전압 데이터를 실시간 측정할 수 있고(S10), 데이터 수집부(320)는 측정된 데이터를 일정 시간 간격으로 수집할 수 있고, 데이터 학습 및 모델 생성부(340)는 수집된 데이터에 대한 학습 및 분석을 통하여 연료전지의 성능 예측 및 제어를 위한 모델을 생성할 수 있다(S20).
예를 들어, 센서부(200)는 연료전지 스택(100)의 입구 및 출구를 포함하는 여러 위치에서 각각의 단위 전지, 반응 기체 및 냉각수의 온도, 압력, 습도, 유량에 관한 데이터를 실시간 측정할 수 있고, 연료전지 운전 중의 전류, 전압 데이터 및 전류, 전압 데이터의 변화도 실시간 측정할 수 있다. 또한, 데이터 수집부(320)는 측정된 데이터를 1초 단위부터 분, 시, 일, 월, 년 단위까지 연료전지 운전 시간 일부 또는 전부를 포함한 시간 간격으로 수집할 수 있다. 데이터 학습 및 모델 생성부(340)는 수집된 데이터에 대하여 기계 학습 알고리즘을 통한 기계 학습 및 시계열 추세 분석을 통한 시계열 분석을 이용하여 학습하고, 분석하여, 연료전지의 성능 예측 및 제어를 위한 모델을 생성할 수 있다.
성능 예측 및 진단부(360)는 데이터 학습 및 모델 생성부(340)를 통하여 생성된 예측 모델과 실시간으로 측정된 데이터를 비교하여 연료전지 스택(100)의 상태를 진단할 수 있고(S30), 진단된 상태에 따라서 연료전지 스택의 운전 조건을 변경하기 위한 제어 신호를 생성할 수 있다(S40). 제어부(400)는 생성된 제어 신호에 따라서 연료전지 스택(100)의 운전 조건을 변경할 수 있다(S50).
예를 들어, 성능 예측 및 진단부(360)는 생성된 연료전지 성능 예측 모델의 예측값과 실시간 측정된 측정값들을 비교하여 연료전지 스택의 현재 상태가 정상 상태인지 또는 비정상 상태인지 구별할 수 있다. 또한, 성능 예측 및 진단부(360)는 시계열 분석부(344)의 시계열 추세 분석을 통하여 연료전지 스택의 시간에 따른 성능 변화 상태를 일시적, 단기적 성능저하 상태와 장기적, 비가역적 성능저하 상태로 각각 구별하여 진단할 수 있다. 또한, 성능 예측 및 진단부(360)는 연료전지 스택(100)의 현재 상태 또는 시간에 따른 성능 변화 상태에 따라서 제어 신호를 생성하고, 제어부(400)는 제어 신호에 따라서 연료전지 스택(100)의 운전 조건을 변경할 수 있다.
도 6은 본 발명의 일 실시예에 따른 기계 학습부(342)를 통한 연료전지 성능 예측모델 및 제어모델을 보정하는 방법을 나타낸 순서도이다.
도 6을 참조하면, 인공지능형 연료전지 시스템(1000)은 데이터 수집부(320)를 통해서 일정 시간 간격(hi) 동안의 연료전지 스택(100)을 구성하는 각각의 단위 전지, 반응 기체 및 냉각수의 온도, 압력, 습도, 유량에 관한 데이터 및 연료전지 운전 중 전류, 전압 데이터를 수집하고(S100), 수집된 데이터를 이용하여 연료전지 성능 예측 모델 및 제어 모델을 생성할 수 있다(S200). 여기에서 연료전지 성능 예측 모델 및 제어 모델은 수집된 데이터를 이용한 기계 학습 및 시계열 분석을 이용하여 생성될 수 있다.
인공지능형 연료전지 시스템(1000)은 생성된 연료전지 성능 예측 모델에서 전류, 전압, 출력 밀도 등의 예측값들을 산출할 수 있고(S300), 센서부(200)를 통하여 실제 측정되는 측정값을 획득할 수 있다(S400). 기계 학습부(342)는 산출한 예측값과 실제로 측정되는 측정값들을 비교하여, 그 차이인 분산값(variance)을 계산할 수 있고(S500), 분산값을 피드백(feedback) 하여 생성된 예측 모델을 보정할 수 있다(S600).
도 7은 본 발명의 일 실시예에 따른 전류밀도 시계열 데이터의 추세 분석을 통해서 단기적 성능저하 상태와 장기적 성능저하 상태를 나타낸 그래프이다.
도 7을 참조하면, 연료전지의 정전압 운전 시 출력전류밀도는 단기적으로 작은 범위 내에서 변동을 가질 수 있지만, 이는 가역적으로 회복될 수 있으며, 장기 운전에 따른 연료전지 각 부품의 열화에 의한 비가역적 성능 저하와 구별될 수 있다.
즉, 도 7의 시계열 추세 분석을 통하여 연료전지의 전류밀도의 시간에 따른 추세선을 분석하면, 가역적으로 성능 회복이 가능한 일시적, 단기적 성능저하 구간과 연료전지 부품 열화에 따른 장기적, 비가역적 성능저하 구간을 각각 구별할 수 있다. 즉, 시계열 초기의 추세(trend)는 일정 시간 경과 후에 미리 설정한 일정 기준 이상의 변이를 가져오고, 이에 따른 추세를 따를 수 있다. 따라서, 연료전지의 성능저하의 예측 및 진단을 위해서는 복수 개의 추세 모델을 구성할 수 있다.
시계열 데이터의 추세 모델은 도 7에 도시된 바와 같이 선형 모델을 사용할 수도 있으나, 연료전지의 열화 형태에 따라서 2차, 3차 또는 지수함수 모델을 적용할 수 있다.
본 발명의 일 실시예에 따른 인공지능형 연료전지 시스템(1000)의 제어 방법에 관련하여서는 전술한 인공지능형 연료전지 시스템(1000)에 대한 내용이 적용될 수 있다. 따라서, 인공지능형 연료전지 시스템(1000)의 제어 방법과 관련하여, 전술한 인공지능형 연료전지 시스템(1000)에 대한 내용과 동일한 내용에 대하여는 설명을 생략하였다.
본 발명의 일 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (8)

  1. 인공지능형 연료전지 시스템에 있어서,
    전기화학 반응으로 전기 에너지를 생성시키기 위한 복수개의 단위 전지들이 결합된 연료전지 스택;
    상기 연료전지 스택을 구성하는 각각의 단위 전지, 반응 기체 및 냉각수의 온도, 압력, 습도, 유량에 관한 데이터 및 연료전지 운전 중 전류, 전압 데이터를 실시간으로 측정하기 위한 센서부;
    상기 센서부를 통하여 측정된 상기 데이터를 일정 시간 간격으로 수집하고, 상기 수집된 데이터에 대한 학습 및 분석을 통하여 연료전지의 성능 예측 및 제어를 위한 모델을 생성하고, 상기 생성된 모델과 실시간으로 측정된 데이터를 비교하여 상기 연료전지 스택의 상태를 진단하고, 상기 연료전지 스택의 운전 조건을 변경하기 위한 제어 신호를 생성하는 인공지능부; 및
    상기 생성된 제어 신호에 따라서 상기 연료전지 스택의 운전 조건을 변경시키는 제어부를 포함하는 인공지능형 연료전지 시스템.
  2. 제 1 항에 있어서,
    상기 인공지능부는
    상기 센서부를 통하여 실시간 측정된 온도, 압력, 습도, 유량, 전류, 전압에 관한 데이터를 일정 시간 간격으로 수집하는 데이터 수집부;
    상기 일정 시간 간격으로 수집된 데이터를 기계 학습 및 시계열 분석을 이용하여 학습하고, 분석하여 상기 연료전지의 성능 예측 및 제어를 위한 모델을 생성하는 데이터 학습 및 모델 생성부; 및
    상기 생성된 모델과 측정된 데이터를 비교하여 상기 연료전지 스택의 시간에 따른 성능변화 상태를 제 1 상태와 제 2 상태로 각각 구별하여 진단하고, 상기 진단된 연료전지 스택의 상태에 따라서 상기 연료전지 스택의 운전 조건을 변경하기 위한 제어 신호를 생성하여 상기 제어부로 하여금 상기 연료전지 스택의 운전 조건을 변경하게 하는 성능예측 및 진단부를 포함하며,
    상기 제 1 상태는 일시적, 단기적 성능저하 상태이고, 제 2 상태는 장기적, 비가역적 성능저하 상태인 인공지능형 연료전지 시스템.
  3. 제 2 항에 있어서,
    상기 데이터 학습 및 모델 생성부는
    상기 일정 시간 간격으로 수집된 데이터를 기계 학습 알고리즘을 통해 성능의 예측을 위한 모델을 생성하고, 상기 성능예측 및 진단부로 하여금 상기 생성된 모델로부터의 예측값과 측정된 데이터의 측정값을 비교하여 연료전지 스택의 상태를 진단하게 하는 기계 학습부; 및
    상기 예측값 및 측정값들을 이용하여 시간 추이 패턴을 분석하는 시계열 추세 분석을 수행하여, 상기 성능예측 및 진단부로 하여금 상기 연료전지 스택의 시간에 따른 성능변화 상태를 제 1 상태와 제 2 상태로 각각 구별하여 진단하는 시계열 분석부를 포함하며,
    상기 제 1 상태는 일시적, 단기적 성능저하 상태이고, 제 2 상태는 장기적, 비가역적 성능저하 상태인 인공지능형 연료전지 시스템.
  4. 제 3 항에 있어서,
    상기 기계 학습부는
    상기 예측값과 측정값의 차이인 분산값(variance)을 피드백(feedback) 하여 생성된 예측 모델을 보정하고, 상기 성능예측 및 진단부로 하여금 상기 보정된 예측 모델을 이용하여 상기 연료전지 스택의 시간에 따른 성능변화 상태를 진단하게 하는 인공지능형 연료전지 시스템.
  5. 인공지능형 연료전지 시스템의 제어 방법에 있어서,
    연료전지 스택을 구성하는 각각의 단위 전지, 반응 기체 및 냉각수의 온도, 압력, 습도, 유량에 관한 데이터 및 연료전지 운전 중 전류, 전압 데이터를 실시간 측정하는 단계;
    상기 측정된 데이터를 일정 시간 간격으로 수집하고, 상기 수집된 데이터에 대한 학습 및 분석을 통하여 연료전지의 성능 예측 및 제어를 위한 모델을 생성하는 단계;
    상기 생성된 모델과 실시간으로 측정된 데이터를 비교하여 상기 연료전지 스택의 상태를 진단하는 단계;
    상기 진단된 상태에 따라서 상기 연료전지 스택의 운전 조건을 변경하기 위한 제어 신호를 생성하는 단계; 및
    상기 생성된 제어 신호에 따라서 상기 연료전지 스택의 운전 조건을 변경하는 단계를 포함하는 인공지능형 연료전지 시스템의 제어 방법.
  6. 제 5 항에 있어서,
    상기 성능 예측 및 제어를 위한 모델을 생성하는 단계는,
    상기 일정 시간 간격으로 수집된 데이터를 기계 학습 알고리즘을 통한 기계 학습 및 시계열 추세 분석을 통한 시계열 분석을 이용하여 학습하고, 분석하여, 상기 연료전지의 성능 예측 및 제어를 위한 모델을 생성하는 단계를 포함하고,
    상기 연료전지 스택의 상태를 진단하는 단계는,
    상기 생성된 모델과 측정된 데이터를 비교하여 상기 연료전지 스택의 시간에 따른 성능변화 상태를 제 1 상태와 제 2 상태로 각각 구별하여 진단하는 단계를 포함하고,
    상기 제 1 상태는 일시적, 단기적 성능저하 상태이고, 제 2 상태는 장기적, 비가역적 성능저하 상태인 인공지능형 연료전지 시스템의 제어 방법.
  7. 제 6 항에 있어서,
    상기 생성된 모델의 예측값과 실기간 측정된 측정값의 차이인 분산값(variance)을 피드백(feedback) 하여 생성된 예측 모델을 보정하는 단계; 및
    상기 보정된 예측 모델을 이용하여 상기 연료전지 스택의 시간에 따른 성능변화 상태를 제 1 상태와 제 2 상태로 각각 구별하여 진단하는 단계를 더 포함하고,
    상기 제 1 상태는 일시적, 단기적 성능저하 상태이고, 제 2 상태는 장기적, 비가역적 성능저하 상태인 인공지능형 연료전지 시스템의 제어 방법.
  8. 제 5 항 내지 제 7 항 중 어느 한 항의 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.
PCT/KR2017/010088 2016-09-26 2017-09-14 인공지능형 연료전지 시스템 WO2018056639A2 (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2019500363A JP6907300B2 (ja) 2016-09-26 2017-09-14 人工知能型燃料電池システム
EP17853353.5A EP3486987B1 (en) 2016-09-26 2017-09-14 Artificially intelligent fuel cell system
US16/067,000 US10901038B2 (en) 2016-09-26 2017-09-14 Artificial intelligent fuel cell system
CN201780059408.8A CN109792063B (zh) 2016-09-26 2017-09-14 人工智能燃料电池***

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2016-0123125 2016-09-26
KR1020160123125A KR102042077B1 (ko) 2016-09-26 2016-09-26 인공지능형 연료전지 시스템

Publications (2)

Publication Number Publication Date
WO2018056639A2 true WO2018056639A2 (ko) 2018-03-29
WO2018056639A3 WO2018056639A3 (ko) 2018-05-11

Family

ID=61690525

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2017/010088 WO2018056639A2 (ko) 2016-09-26 2017-09-14 인공지능형 연료전지 시스템

Country Status (6)

Country Link
US (1) US10901038B2 (ko)
EP (1) EP3486987B1 (ko)
JP (1) JP6907300B2 (ko)
KR (1) KR102042077B1 (ko)
CN (1) CN109792063B (ko)
WO (1) WO2018056639A2 (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108710099A (zh) * 2018-05-24 2018-10-26 广州供电局有限公司 电容式电压互感器监测告警方法和***
CN108960428A (zh) * 2018-06-22 2018-12-07 北京易华录信息技术股份有限公司 一种基于人工智能技术的路网运行知识库构建方法
CN109978252A (zh) * 2019-03-22 2019-07-05 山东科技大学 一种大功率集成燃料电池***运行状态预测评估方法
WO2020124116A1 (de) * 2018-12-20 2020-06-25 Avl List Gmbh Betriebsvorrichtung, brennstoffzellensystem, kraftfahrzeug und verfahren zum betreiben eines brennstoffzellensystems
CN112363060A (zh) * 2020-11-11 2021-02-12 集美大学 固体氧化物燃料电池电压预测方法、终端设备及存储介质
CN114094150A (zh) * 2020-06-29 2022-02-25 中国科学院大连化学物理研究所 一种基于机器学习的液流电池电堆最优操作条件预测方法

Families Citing this family (60)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11508980B2 (en) * 2017-01-06 2022-11-22 Cummins Enterprise Llc Systems and methods for distributed fault management in fuel cell systems
EP3514737A1 (en) * 2018-01-19 2019-07-24 Siemens Aktiengesellschaft System and method for detecting and forecasting the behavior of a system
WO2020069517A2 (en) * 2018-09-30 2020-04-02 Strong Force Intellectual Capital, Llc Intelligent transportation systems
US11029294B2 (en) 2019-04-05 2021-06-08 Honeywell International Inc. Method and apparatus for measuring humidity using an electrochemical gas sensor
US11507861B2 (en) * 2019-05-06 2022-11-22 Sweetsense, Inc. Machine learning techniques for improved water conservation and management
KR102046536B1 (ko) * 2019-08-01 2019-11-19 서울대학교산학협력단 연료전지 열관리 시스템의 고장 진단 방법
CN112751063B (zh) * 2019-10-31 2022-07-22 长城汽车股份有限公司 燃料电池的控制方法与装置、电池管理***和车辆
CN110828866B (zh) * 2019-11-15 2023-01-31 上海电气集团股份有限公司 车载燃料电池的冷却循环***及其控制方法
KR102216849B1 (ko) * 2019-12-05 2021-02-18 (주)프라즈마 사이언스 연료 전지를 효율적으로 운용하는 제어 시스템
KR102216850B1 (ko) * 2019-12-05 2021-02-18 (주)프라즈마 사이언스 인공지능 기반의 연료 전지 관리 시스템
KR102152219B1 (ko) * 2019-12-05 2020-09-04 (주)프라즈마 사이언스 운전중 출력전류 지령치에 작은 전류 사인파를 혼합하여 이에 따른 출력전압 변동을 이용한 자가 진단에 따라 운전 모드를 제어하는 연료 전지 시스템
KR102216851B1 (ko) * 2019-12-05 2021-02-18 (주)프라즈마 사이언스 Mbop를 제어하는 연료 전지 시스템
KR102219860B1 (ko) * 2019-12-05 2021-02-24 (주)프라즈마 사이언스 자가 진단 모드를 구현하는 연료전지 시스템
KR102152020B1 (ko) * 2019-12-05 2020-09-10 (주)프라즈마 사이언스 전류 차단에 기반한 자가 진단에 따라 운전 모드를 제어하는 연료 전지 시스템
JP7314822B2 (ja) * 2020-02-06 2023-07-26 トヨタ自動車株式会社 バッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラム
US11394774B2 (en) * 2020-02-10 2022-07-19 Subash Sundaresan System and method of certification for incremental training of machine learning models at edge devices in a peer to peer network
DE102020202878A1 (de) 2020-03-06 2021-09-09 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zu einer Betriebsüberwachung zumindest einer Brennstoffzellenvorrichtung und Brennstoffzellenvorrichtung
JP7293156B2 (ja) * 2020-03-13 2023-06-19 株式会社東芝 情報処理装置、情報処理方法およびプログラム
JP2021158017A (ja) * 2020-03-27 2021-10-07 東京瓦斯株式会社 燃料電池コージェネレーションシステムの制御装置
KR102191146B1 (ko) * 2020-04-14 2020-12-15 (주)프라즈마 사이언스 직/병렬 dc-dc 컨버터 장치 및 연료전지 시스템
US20210383200A1 (en) * 2020-06-05 2021-12-09 PassiveLogic, Inc. Neural Network Methods for Defining System Topology
JP7441121B2 (ja) * 2020-06-05 2024-02-29 本田技研工業株式会社 電力調整システム、電力調整方法、及びプログラム
DE102020208502A1 (de) * 2020-07-07 2022-01-13 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Betrieb eines Brennstoffzellensystems
KR102169040B1 (ko) * 2020-07-14 2020-10-22 지엘홀딩스 주식회사 인공 지능이 탑재된 연료 전지 제어 시스템 및 이를 이용한 제어 방법
CN111816897A (zh) * 2020-07-22 2020-10-23 上海骥翀氢能科技有限公司 一种燃料电池电堆性能检测方法
DE102020210082B4 (de) 2020-08-10 2024-03-28 Robert Bosch Gesellschaft mit beschränkter Haftung Vorrichtung und computerimplementiertes Verfahren zum Betreiben eines Brennstoffzellensystems
DE102020210081A1 (de) 2020-08-10 2022-02-10 Robert Bosch Gesellschaft mit beschränkter Haftung Vorrichtung und computerimplementiertes Verfahren zum Betreiben eines Brennstoffzellensystems
US20220057451A1 (en) * 2020-08-21 2022-02-24 Carnegie Mellon University System and method for estimation of battery state and health
KR102190845B1 (ko) * 2020-08-21 2020-12-14 주식회사 아이씨티솔루션스 Ai기반 건물 전력부하 예측을 통한 연료전지 발전시스템 운전제어방법
KR102216852B1 (ko) * 2020-08-31 2021-02-18 (주)프라즈마 사이언스 인공지능 기반의 연료 전지 시스템
KR102219863B1 (ko) * 2020-08-31 2021-02-24 (주)프라즈마 사이언스 이더넷 망을 이용하는 연료 전지 시스템
KR102216853B1 (ko) * 2020-08-31 2021-02-18 (주)프라즈마 사이언스 플랜트의 운전 방식을 설정하는 연료 전지 시스템
KR102219866B1 (ko) * 2020-08-31 2021-02-24 (주)프라즈마 사이언스 출력전압에 기반하여 자가 진단을 수행하는 연료전지 시스템
JP7389727B2 (ja) 2020-09-07 2023-11-30 東京瓦斯株式会社 故障診断装置、故障診断システム、及び故障診断プログラム
JP7404196B2 (ja) 2020-09-07 2023-12-25 東京瓦斯株式会社 故障診断装置、故障診断システム、及び故障診断プログラム
JP7404197B2 (ja) 2020-09-07 2023-12-25 東京瓦斯株式会社 故障診断装置、故障診断システム、及び故障診断プログラム
DE102020124076A1 (de) 2020-09-16 2022-03-17 Audi Aktiengesellschaft Temperatursteuervorrichtung mit Sensorplausibilisierung
CN112615030B (zh) * 2020-12-10 2022-04-01 全球能源互联网研究院有限公司 一种固定式发电用燃料电池机组控制***及控制方法
JP7472773B2 (ja) 2020-12-18 2024-04-23 トヨタ自動車株式会社 燃料電池の出力電圧予測システムおよび予測方法
AT524724A1 (de) * 2021-02-08 2022-08-15 Avl List Gmbh Testverfahren für ein virtuelles Testen einer Brennstoffzelle
CN113002367B (zh) * 2021-02-22 2023-03-21 深兰科技（上海）有限公司 车载燃料电池***的控制方法及相关装置
CN113064013A (zh) * 2021-03-31 2021-07-02 广东电网有限责任公司 一种避雷器状态监测方法、装置及***
DE102021203576A1 (de) 2021-04-12 2022-10-13 Robert Bosch Gesellschaft mit beschränkter Haftung Kombinationsvorrichtung und Verfahren zum Betrieb einer Kombinationsvorrichtung
CN112993345B (zh) * 2021-04-21 2022-05-03 北京氢澜科技有限公司 基于人工智能的燃料电池控制***及控制方法
DE102021120586A1 (de) * 2021-08-09 2023-02-09 Bayerische Motoren Werke Aktiengesellschaft Verfahren und Vorrichtung zur Detektion einer beeinträchtigten Brennstoffzelle
KR20230057894A (ko) * 2021-10-22 2023-05-02 주식회사 엘지에너지솔루션 배터리 팩 내의 이상 징후 셀 검출 장치 및 방법
DE102021212618A1 (de) * 2021-11-09 2023-05-11 Rolls-Royce Solutions GmbH Verfahren zur Diagnose eines Brennstoffzellensystems, Systemsteuervorrichtung zur Durchführung eines solchen Verfahrens und Brennstoffzellensystem mit einer solchen Systemsteuervorrichtung
CN114267844B (zh) * 2021-11-09 2024-02-27 深圳市氢瑞燃料电池科技有限公司 一种燃料电池极板生产的***与方法
DE102021214924A1 (de) 2021-12-22 2023-06-22 Robert Bosch Gesellschaft mit beschränkter Haftung Diagnoseverfahren und Diagnosesystem zur Diagnose einer fehlerhaften Brennstoffzelle
WO2023126704A1 (ja) * 2021-12-28 2023-07-06 ロベルト·ボッシュ·ゲゼルシャフト·ミト•ベシュレンクテル·ハフツング データ処理装置、データ収集システム及び方法
EP4227141A1 (en) * 2022-02-09 2023-08-16 Volvo Truck Corporation A method for determining ageing of a fuel cell system
WO2023159364A1 (zh) * 2022-02-22 2023-08-31 苏州潜寻新能源科技有限公司 一种固体氧化物燃料电池***的智能控制方法
DE102022106806B4 (de) 2022-03-23 2023-11-23 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Verfahren, System und Computerprogrammprodukt für das Thermomanagement bei einer Traktionsbatterie
DE102022203504A1 (de) * 2022-04-07 2023-10-12 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zur Überwachung eines Brennstoffzellensystems und ein Brennstoffzellensystem
DE102022206797A1 (de) 2022-07-04 2024-01-04 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zur Ermittlung zumindest einer Zellenkenngröße eines Zellensystems, ein Zellensystem und ein Computerprogramm
WO2024136347A1 (ko) * 2022-12-19 2024-06-27 주식회사 엘지에너지솔루션 배터리 상태 예측 장치 및 그것의 동작 방법
KR102575043B1 (ko) * 2023-02-07 2023-09-07 주식회사 시너지 고효율 연료전지 시스템 및 그 제어 방법
KR102568359B1 (ko) * 2023-02-07 2023-08-21 주식회사 시너지 연료전지 출력제어 시스템 및 방법
CN116111147B (zh) * 2023-04-13 2023-06-30 北京新研创能科技有限公司 一种用于氢燃料电池的温度管理方法及***
CN117517993B (zh) * 2023-11-02 2024-05-17 安徽智途科技有限公司 基于电芯性能评估的车辆电池能量智能管理方法及***

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2516274B2 (ja) 1990-07-27 1996-07-24 株式会社日立製作所 燃料電池発電プラント
AU2001254540A1 (en) * 2000-04-11 2001-10-23 Recherche 2000 Inc. Method and apparatus for acquisition, monitoring, display and diagnosis of operational parameters of electrolysers
WO2002018879A1 (en) * 2000-08-25 2002-03-07 Battelle Memorial Institute Method and apparatus to predict the remaining service life of an operating system
JP2004165058A (ja) * 2002-11-14 2004-06-10 Nissan Motor Co Ltd 燃料電池システムの制御装置
JP4352688B2 (ja) 2002-11-27 2009-10-28 トヨタ自動車株式会社 燃料電池の診断装置および診断方法
CN100468239C (zh) * 2004-04-05 2009-03-11 上海神力科技有限公司 可对燃料电池发电***运行进行监测与控制的计算机***
US7558655B2 (en) 2004-09-10 2009-07-07 Ford Global Technologies, Llc Prognostic method and system for hybrid and electric vehicle components
JP5135665B2 (ja) * 2005-01-19 2013-02-06 日産自動車株式会社 燃料電池システム
WO2006133562A1 (en) * 2005-06-16 2006-12-21 Recherche 2000 Inc. Method and system for electrolyzer diagnosis based on curve fitting analysis and efficiency optimization
JP4922597B2 (ja) * 2005-10-27 2012-04-25 株式会社日立製作所 燃料電池システムの診断方法および診断装置
JP5305119B2 (ja) * 2006-05-09 2013-10-02 横河電機株式会社 燃料電池発電監視システム
WO2008079215A1 (en) * 2006-12-20 2008-07-03 Bloom Energy Corporation Model based real-time optimization of fuel cell clusters
JP2008305647A (ja) * 2007-06-06 2008-12-18 Toshiba Fuel Cell Power Systems Corp 燃料電池発電システム
JP5120769B2 (ja) * 2007-07-13 2013-01-16 トヨタ自動車株式会社 燃料電池システム
JP2009081117A (ja) * 2007-09-27 2009-04-16 Nissan Motor Co Ltd 電流密度分布センサ及びその製造方法並びに燃料電池システム
US8577822B2 (en) * 2008-09-25 2013-11-05 University Of Iowa Research Foundation Data-driven approach to modeling sensors wherein optimal time delays are determined for a first set of predictors and stored as a second set of predictors
CN201374016Y (zh) * 2009-03-24 2009-12-30 昆明理工大学 质子交换膜燃料电池的智能综合优化监测与控制器
JP2012074229A (ja) * 2010-09-28 2012-04-12 Toyota Motor Corp 燃料電池システム、燃料電池セルの劣化判定方法、および、燃料電池システムの制御方法
DE102013213982A1 (de) * 2013-07-17 2015-03-12 Bayer Materialscience Ag Verfahren und System zur Überwachung der Funktionsfähigkeit von Elektrolysezellen
KR101601443B1 (ko) * 2014-07-02 2016-03-22 현대자동차주식회사 연료전지 시스템의 운전 제어 방법
KR101592720B1 (ko) * 2014-07-02 2016-02-19 현대자동차주식회사 연료전지 시스템의 운전 제어 방법
WO2016059203A1 (en) * 2014-10-17 2016-04-21 Stiftelsen Sintef Control of an electrochemical device with integrated diagnostics, prognostics and lifetime management

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108710099A (zh) * 2018-05-24 2018-10-26 广州供电局有限公司 电容式电压互感器监测告警方法和***
CN108960428A (zh) * 2018-06-22 2018-12-07 北京易华录信息技术股份有限公司 一种基于人工智能技术的路网运行知识库构建方法
WO2020124116A1 (de) * 2018-12-20 2020-06-25 Avl List Gmbh Betriebsvorrichtung, brennstoffzellensystem, kraftfahrzeug und verfahren zum betreiben eines brennstoffzellensystems
AT522011A2 (de) * 2018-12-20 2020-07-15 Avl List Gmbh Betriebsvorrichtung, Brennstoffzellensystem, Kraftfahrzeug und Verfahren zum Betreiben eines Brennstoffzellensystems
AT522011A3 (de) * 2018-12-20 2021-03-15 Avl List Gmbh Betriebsvorrichtung, Brennstoffzellensystem, Kraftfahrzeug und Verfahren zum Betreiben eines Brennstoffzellensystems
CN109978252A (zh) * 2019-03-22 2019-07-05 山东科技大学 一种大功率集成燃料电池***运行状态预测评估方法
CN109978252B (zh) * 2019-03-22 2023-08-15 广东云韬氢能科技有限公司 一种大功率集成燃料电池***运行状态预测评估方法
CN114094150A (zh) * 2020-06-29 2022-02-25 中国科学院大连化学物理研究所 一种基于机器学习的液流电池电堆最优操作条件预测方法
CN114094150B (zh) * 2020-06-29 2023-11-17 中国科学院大连化学物理研究所 一种基于机器学习的液流电池电堆最优操作条件预测方法
CN112363060A (zh) * 2020-11-11 2021-02-12 集美大学 固体氧化物燃料电池电压预测方法、终端设备及存储介质
CN112363060B (zh) * 2020-11-11 2024-05-03 集美大学 固体氧化物燃料电池电压预测方法、终端设备及存储介质

Also Published As

Publication number Publication date
WO2018056639A3 (ko) 2018-05-11
CN109792063B (zh) 2022-03-22
KR102042077B1 (ko) 2019-11-07
KR20180033766A (ko) 2018-04-04
JP2019521491A (ja) 2019-07-25
EP3486987B1 (en) 2021-06-30
EP3486987A2 (en) 2019-05-22
US20190018067A1 (en) 2019-01-17
CN109792063A (zh) 2019-05-21
US10901038B2 (en) 2021-01-26
EP3486987A4 (en) 2019-08-14
JP6907300B2 (ja) 2021-07-21

Similar Documents

Publication Publication Date Title
WO2018056639A2 (ko) 인공지능형 연료전지 시스템
WO2022034983A1 (ko) 신경망 기반의 배터리 셀 불량 및 화재 사전 진단 방법 및 장치
EP1408384B1 (en) An arrangement for controlling operation of a physical system, like for instance fuel cells in electric vehicles
CN107180983B (zh) 一种固体氧化物燃料电池电堆故障诊断方法和***
Costamagna et al. A classification approach for model-based fault diagnosis in power generation systems based on solid oxide fuel cells
WO2013083872A1 (en) Method and arrangement for indicating solid oxide cell operating conditions
WO2021015501A1 (ko) 배터리 저항 진단 장치 및 방법
WO2022164127A1 (ko) 디지털트윈 장치 및 디지털트윈 기반의 배터리 온도감시방법
CN100585928C (zh) 燃料电池状态监视设备与方法
CN111260875A (zh) 阀控式铅酸电池火灾预警方法、***及故障电池定位装置
WO2022035149A1 (ko) 배터리 이상 진단 장치 및 방법
KR20170126623A (ko) 멀티변수를 기반으로 한 태양광 발전설비의 효율성 진단시스템
KR102216850B1 (ko) 인공지능 기반의 연료 전지 관리 시스템
KR102068009B1 (ko) 연료전지 공기 공급 장치의 고장 진단 방법
Yang et al. Fault diagnosis of SOFC system based on single cell voltage analysis
WO2013083873A1 (en) Method and arrangement for diagnosis of solid oxide cells operating conditions
KR20120096614A (ko) 연료전지용 수소 공급 시스템의 고장 진단 방법
CN114050293B (zh) 一种固体氧化物燃料电池***的工况辨识方法
KR102319706B1 (ko) 연료전지 스택을 센서로 이용하는 연료전지 시스템용 이상 진단 장치 및 그것의 이상 진단 방법
KR102169040B1 (ko) 인공 지능이 탑재된 연료 전지 제어 시스템 및 이를 이용한 제어 방법
Sun et al. Fault diagnosis method for proton exchange membrane fuel cell system based on digital twin and unsupervised domain adaptive learning
WO2017074153A1 (ko) 연료전지 시스템 및 이의 제어방법
CN112231982B (zh) 一种基于分布式软测量模型的光伏电板故障检测方法
KR102216851B1 (ko) Mbop를 제어하는 연료 전지 시스템
WO2024144017A1 (ko) 임피던스 기반 배터리 불량 진단 장치 및 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17853353

Country of ref document: EP

Kind code of ref document: A2

ENP Entry into the national phase

Ref document number: 2019500363

Country of ref document: JP

Kind code of ref document: A

ENP Entry into the national phase

Ref document number: 2017853353

Country of ref document: EP

Effective date: 20190214

NENP Non-entry into the national phase

Ref country code: DE