一种改进粒子群优化模糊PID燃料电池温度控制方法与流程

本发明属于燃料电池热管理技术领域，特别涉及一种改进粒子群优化模糊pid燃料电池温度控制方法。

背景技术：

随着能源危机和环境污染问题越来越严重，开发高效、低污染的能源技术已成世界各国的重大课题之一。燃料电池作为一种高效、清洁的能源转换装置，受到了汽车界普遍重视。其中质子交换膜燃料电池(pemfc)具有工作温度低、启动速度快、发电效率高、技术成熟等优点，越来越受到广泛的关注。

温度对燃料电池系统性能及可靠性有重要的影响。电堆温度升高，会提高电化学反应活性，提高膜的导电率，有利于提高电池的性能；然而pemfc的电解质膜耐温有限，而且考虑膜的含水性问题，因而工作温度不宜过高。对于燃料电池而言，最理想的情况是电堆内部温度完全一致，这样有利于改善电堆性能和延长电堆寿命。但是燃料电池化学反应产生的热要由低温介质带出电堆，因此电堆内部必须有一定的温度差，这样多余的热量才能够由电堆内转移到冷却介质并带出电堆。通过控制冷却介质流量，从而把电堆温度控制在一定的范围之内。

目前应用最广泛的还是经典pid控制，传统的pid控制器的三个参数kp，ki，kd是固定不变的，参数整定方法较为繁琐，系统控制较为困难；模糊控制拥有良好的控制性能，但是模糊pid控制器也有缺点，量化和比例因子确定、隶属度函数选择和模糊规则表的制定对控制效果具有重要影响，却只能依赖于专家经验和工程经验获得，无法避免特殊条件造成的干扰，自适应能力和控制效果不理想。

技术实现要素：

为了解决现有技术中的问题，本发明提供一种改进粒子群优化模糊pid燃料电池温度控制方法，该方法实现对质子交换膜燃料电池温度的有效控制。

为实现上述目的，本发明采用的技术方案为：

一种改进粒子群优化模糊pid燃料电池温度控制方法，包括以下步骤：

s1，根据质子交换膜燃料电池系统中电堆、水泵、换热器的物理特性，基于matlab/simulink仿真平台，搭建燃料电池的动态模型，得到燃料电池的温度变化；

s2，根据步骤s1建立的燃料电池的动态模型设计模糊pid温度控制器，利用模糊pid温度控制器对期望温度值和实际温度值的误差、误差变化率进行控制得到模糊pid温度控制器的参数调整；

s3，采用改进粒子群算法对模糊pid温度控制器中的量化因子和比例因子进行优化；

s4，将优化后的量化因子和比例因子赋值给模糊pid温度控制器。

所述步骤s2中，选用燃料电池期望温度值ts(t)和实际温度值t(t)的误差e(t)＝ts(t)-t(t)及其误差变化率作为pid温度控制器的输入变量，将模糊pid温度控制器的参数调整量δkp，δki，δkd作为输出量，其中：δkp，δki，δkd分别是比例积分p、积分i和微分d对应的三个参数kp，ki，kd的变化量。

所述步骤s3中，采用改进粒子群算法对模糊pid温度控制器的比例因子ke，和pid控制中比例、积分和微分的量化因子kup、kui及kud五个参数进行优化，优化过程包括以下步骤：

s301，初始化粒子群算法参数，设在一个d维搜索空间中，初始化一个种群大小为ns的粒子群，在每个量化因子参数的搜索空间lowi,highi分别为搜索空间的上下限，初始化群体每个粒子i的位置xi和速度vi；

s302，构建相应的目标函数：

式中，fobj，i为目标函数值；tp,ts和t∞分别表示峰值时间、调节时间和系统稳定所需时间；t(tp)表示对子系统温度控制过程中峰值时刻tp的温度；t(ts)表示对子系统温度控制过程中达到调节时间时的温度；t(t∞)表示系统趋于稳定后的温度；根据自动控制原理，若t(tp)>t(t∞)，且lim[t(tp)-t(t∞)]＝0，则说明控制系统的超调量是朝着不断减小的方向发展，若t(tp)<t(t∞)，则系统相应无超调量；表示温度响应到达并保持在最终温度值±5％内所需要的最短时间；

s303，输入系统控制参数，即用于寻优的粒子种群大小ns、整个寻优过程的最大迭代步数nc、问题的维数n，n为待寻优的量化因子数，即维数与量化因子数一致，以及目标函数允许的最大容忍度ε0和参数μ，ζ，f，cr的值；

s304，在搜索空间内利用混沌理论模型，对每个粒子位置xi进行初始化，计算相应的目标函数fobj,i，并把当前粒子的位置作为粒子个体历史最优位置pi，相应的目标函数值作为个体最优目标函数值pbesti，重复上述过程，获得每个粒子个体最优位置，并记录相应的目标函数，在此基础上，横向比较每个粒子最优位置，找出整个种群的最优位置pg及对应目标函数gbest，同时令迭代次数t＝0；

s305，判断迭代是否收敛，若迭代过程中满足以下两个条件之一，则迭代收敛，输出最优量化因子参数组合；

(i)总群的历史最优位置pg的目标函数值gbest小于最大容忍误差ε0，即gbest<ε0；

(ii)迭代次数t大于给定的最大迭代步数nt，即t>nt；

s306，更新每个粒子的位置xi，即更新每个粒子所携带的量化因子参数信息，在计算过程中，若新的位置超出给定的搜索空间则将该位置强制设为搜索空间的上下限，即lowi和highi；

s307，评价每个粒子的位置，并计算相应的目标函数值fobj，i；判断当前每个粒子位置的目标函数值是否优于相应个体历史最优位置的目标函数值pbesti，如果fobj，i<pbesti，则更新个体群历史最优位置信息，即更新个体最优量化因子参数组合；

s308，计算突变矢量pi,mut和靶矢量pi,tar然后比较靶矢量，即突变产生的量化因子参数组合，目标函数值与受体粒子i的最优位置的目标函数值pbesti，若fobj(pi,tar)<pbesti，其中：fobj(pi,tar)为靶矢量的目标函数值，pbesti为最优位置的目标函数值，则更新受体粒子i的历史最优位置的信息；否则，若fobj(pi,tar)≥pbesti时，保持不变；

s309，判断每个粒子的历史最优位置pg的目标函数值pbesti是否优于整个总群的最优位置的目标函数值gbest，若pbesti<gbest，则更新整个总群的最优位置信息，执行步骤s305。

所述s303中，n＝5。

所述步骤s4包括以下步骤，

s401，配置模糊pid温度控制器，将优化后的量化因子和比例因子赋值给模糊pid温度控制器，模糊pid温度控制器的输入包括两个，一个是pemfc电堆设定温度ts(t)和实际温度值t(t)的误差e(t)＝ts(t)-t(t)，另一个是误差变化率

s402，当电堆的实际温度高于设定温度时，需要增加冷却水流量以便带走热量达到降温的目的，反之，当电堆的实际温度低于设定温度时，则需要降低冷却水流量；

s403，将pid温度控制器的输入输出划分7个模糊集：nb(负大)，nm(负中)，ns(负小)，ze(零)，ps(正小)，pm(正中)，pb(正大)，对隶属度函数采用高斯型函数模糊化变量，其隶属度函数f(χ；c,σ)表示为：

其中：χ为变量，c为对应的横坐标用于确定曲线的中心，σ为标准差；

以及三角型隶属度函数f(χ,a,b,c)表示为：

其中：a,c为三角形函数在横坐标上的值，b为三角形函数的顶点。

与现有技术相比，本发明具有以下有益效果：

(1)本发明把改进粒子群算法同模糊pid控制结合起来进行优化，弥补了现有模糊pid控制方法参数选取过分依赖专家经验和工程经验的缺点，满足现代无人直升机姿态控制的需要，提高了控制性能；

(2)采用改进粒子群优化模糊pid控制燃料电池温度，不仅减少了系统响应时间而且提高了系统的鲁棒性。

附图说明

图1为质子交换膜燃料电池热管理系统结构框图；

图2是本发明中粒子群优化模糊pid控制器的基本原理图；

图3是本发明中粒子群优化模糊pid控制程序流程图；

图4是本发明中一具体实施方式中偏差e(t)、偏差变化率的隶属度定义曲线；

图5是本发明中一具体实施方式中模糊控制器测试信号曲线；

图6是本发明中一具体实施方式中负载变化时被控温度动态过程示意图。

具体实施方式

下面结合实施例对本发明作更进一步的说明。

如图1所示，质子交换膜燃料电池具体热管理结构框图，图1中：tst,in为冷却水进口温度；tst为冷却水出口温度，即电堆温度t(t)；wcl为冷却水流量大小。

一种改进粒子群优化模糊pid燃料电池温度控制方法，包括以下步骤：

s1，根据质子交换膜燃料电池系统中电堆、水泵、换热器的物理特性，基于matlab/simulink仿真平台，搭建燃料电池的动态模型，得到燃料电池的温度变化；

s2，根据步骤s1建立的燃料电池的动态模型设计模糊pid温度控制器，利用模糊pid温度控制器对期望温度值和实际温度值的误差、误差变化率进行控制得到模糊pid温度控制器的参数调整；

所述步骤s2中，选用燃料电池期望温度值ts(t)和实际温度值t(t)的误差e(t)＝ts(t)-t(t)及其误差变化率作为pid温度控制器的输入变量，将模糊pid温度控制器的参数调整量δkp，δki，δkd作为输出量，其中：δkp，δki，δkd分别是比例积分p、积分i和微分d对应的三个参数kp，ki，kd的变化量。

s3，采用改进粒子群算法对模糊pid温度控制器中的量化因子和比例因子进行优化；

所述步骤s3中，采用改进粒子群算法对模糊pid温度控制器的比例因子ke，和pid控制中比例、积分和微分的量化因子kup、kui及kud五个参数进行优化，优化过程包括以下步骤：

s301，初始化粒子群算法参数，设在一个d维搜索空间中，初始化一个种群大小为ns的粒子群，在每个量化因子参数的搜索空间lowi,highi分别为搜索空间的上下限，初始化群体每个粒子i的位置xi和速度vi；

s302，构建相应的目标函数：

式中，fobj，i为目标函数值；tp,ts和t∞分别表示峰值时间、调节时间和系统稳定所需时间；t(tp)表示对子系统温度控制过程中峰值时刻tp的温度；t(ts)表示对子系统温度控制过程中达到调节时间时的温度；t(t∞)表示系统趋于稳定后的温度；根据自动控制原理，若t(tp)>t(t∞)，且lim[t(tp)-t(t∞)]＝0，则说明控制系统的超调量是朝着不断减小的方向发展，若t(tp)<t(t∞)，则系统相应无超调量；表示温度响应到达并保持在最终温度值±5％内所需要的最短时间；

s303，输入系统控制参数，即用于寻优的粒子种群大小ns、整个寻优过程的最大迭代步数nc、问题的维数n，n为待寻优的量化因子数，即维数与量化因子数一致，具体地，n＝5，以及目标函数允许的最大容忍度ε0和参数μ，ζ，f，cr的值。

s304，在搜索空间内利用混沌理论模型，对每个粒子位置xi进行初始化，计算相应的目标函数fobj,i，并把当前粒子的位置作为粒子个体历史最优位置pi，相应的目标函数值作为个体最优目标函数值pbesti，重复上述过程，获得每个粒子个体最优位置，并记录相应的目标函数，在此基础上，横向比较每个粒子最优位置，找出整个种群的最优位置pg及对应目标函数gbest，同时令迭代次数t＝0；

s305，判断迭代是否收敛，若迭代过程中满足以下两个条件之一，则迭代收敛，输出最优量化因子参数组合；

(i)总群的历史最优位置pg的目标函数值gbest小于最大容忍误差ε0，即gbest<ε0；

(ii)迭代次数t大于给定的最大迭代步数nt，即t>nt；

s306，更新每个粒子的位置xi，即更新每个粒子所携带的量化因子参数信息，在计算过程中，若新的位置超出给定的搜索空间则将该位置强制设为搜索空间的上下限，即lowi和highi；

s307，评价每个粒子的位置，并计算相应的目标函数值fobj，i；判断当前每个粒子位置的目标函数值是否优于相应个体历史最优位置的目标函数值pbesti，如果fobj，i<pbesti，则更新个体群历史最优位置信息，即更新个体最优量化因子参数组合；

s308，计算突变矢量pi,mut和靶矢量pi,tar然后比较靶矢量，即突变产生的量化因子参数组合，目标函数值与受体粒子i的最优位置的目标函数值pbesti，若fobj(pi,tar)<pbesti，其中：fobj(pi,tar)为靶矢量的目标函数值，pbesti为最优位置的目标函数值，则更新受体粒子i的历史最优位置的信息；否则，若fobj(pi,tar)≥pbesti时，保持不变；

s309，判断每个粒子的历史最优位置pg的目标函数值pbesti是否优于整个总群的最优位置的目标函数值gbest，若pbesti<gbest，则更新整个总群的最优位置信息，执行步骤s305。

s4，将优化后的量化因子和比例因子赋值给模糊pid温度控制器，粒子群优化模糊pid控制器的基本原理图如图2所示；具体流程图想见图3，所述步骤s4包括以下步骤，

401，配置模糊pid温度控制器，将优化后的量化因子和比例因子赋值给模糊pid温度控制器，模糊pid温度控制器的输入包括两个，一个是pemfc电堆设定温度ts(t)和实际温度值t(t)的误差e(t)＝ts(t)-t(t)，另一个是误差变化率

402，然后根据模糊规则进行模糊决策得到模糊控制量,进而通过加权平均法重心法对其进行反模糊化,得到适合被控对象的精确控制量。具体地讲，当电堆的实际温度高于设定温度时，需要增加冷却水流量以便带走热量达到降温的目的，反之，当电堆的实际温度低于设定温度时，则需要降低冷却水流量；

403，将pid温度控制器的输入输出划分7个模糊集：nb(负大)，nm(负中)，ns(负小)，ze(零)，ps(正小)，pm(正中)，pb(正大)，对隶属度函数采用高斯型函数模糊化变量，其隶属度函数f(χ；c,σ)表示为：

其中：χ为变量，c为对应的横坐标用于确定曲线的中心，σ为标准差；

以及三角型隶属度函数f(χ,a,b,c)表示为：

其中：a,c为三角形函数在横坐标上的值，b为三角形函数的顶点，对应于各个输入输出变量的隶属度函数曲线如图4所示。

步骤7，图5给出了电堆在工作范围内的负载电流测试信号，主要由上升和下降两种阶跃信号表示。所得到的改进粒子群优化模糊pid的控制效果和无优化的模糊pid控制的比较图，如图6所示。由此可见，在改进后的控制器作用下，温度响应更快，稳定性更好。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。