一种质子交换膜燃料电池健康状态量化方法

1.本发明属于混合动力能量分配领域，更具体地，涉及一种质子交换膜燃料电池健康状态量化方法。


背景技术：

2.质子交换膜燃料电池(proton exchange membrane fuel cell,pemfc)具有清洁、高效、无污染的特点，在新能源汽车领域得到了广泛的应用，pemfc工作在常温环境，相对于其他燃料电池，其更便于使用，且pemfc体积小、重量轻，噪声较小，很适合用于新能源汽车。
3.目前已有很多学者研究如图1所示的pemfc与锂电池混合的动力系统,研究方向主要集中在能量分配方法，但传统的能量分配策略往往只关注如何协调pemfc与锂电池之间的功率分配，忽略了pemfc和锂电池的自身性能的衰减，没有量化pemfc和锂电池的使用寿命，为了维持混合动力系统的长时间正常工作，在功率分配的过程中对pemfc和锂电池进行健康管控十分必要。并且以往的这些动力传动系统配置旨在让燃料电池组提供大部分功率需求，并将电池仅用作高瞬态功率需求的缓冲装置。不同的功率管理策略通常会导致不同的负载循环，这可能会显著影响燃料电池组的寿命。因此，了解燃料电池组的退化机制并通过将这些机制纳入功率管理系统来提高其耐久性非常重要。质子交换膜燃料电池(pemfc)各种各样的原因下，都有可能导致性能的下降。pemfc的衰减便指的是出现这种情况而导致的结果。在pemfc的衰减中，有一部分性能是可以通过一些补救措施来进行还原的，但是还有一部分性能则是永久性的损失。为了能够尽可能的减少pemfc的衰减，保证pemfc能够拥有较长的使用寿命，对于pemfc健康的研究便越来越火热。同时为了保证pemfc长时间高效率的工作，对于pemfc混合动力系统也提出了较高的要求。如果不能保证pemfc的长寿命运行，那么pemfc在实际使用中便需要频繁地更换电堆，这样不仅不便于pemfc的使用，而且极大地增加了pemfc的使用成本。


技术实现要素：

4.针对现有技术的以上缺陷或改进需求，本发明提供了一种质子交换膜燃料电池健康状态量化方法，其目的在于量化pemfc使用寿命，进而在混动系统功率分配过程中对其进行健康管控。
5.为实现上述目的，按照本发明的一个方面，提供了一种质子交换膜燃料电池健康状态量化方法，包括：
6.s1.构建ecsa衰减模型；所述ecsa衰减模型包括水含量影响子模型、电压影响子模型和催化层气体流道子模型；其中，水含量影响子模型，用于计算质子交换膜燃料电池当前运行状态下水含量对ecsa的影响因子；
7.电压影响子模型，用于计算质子交换膜燃料电池电堆实际输出电压及其变化率对ecsa的影响因子；
8.催化层气体流道子模型，用于根据水含量影响子模型输出的影响因子和电压影响
子模型输出的影响因子乘积，计算质子交换膜燃料电池催化层当前的ecsa；
9.s2.在质子交换膜正常工作状态下，计算电堆内部水含量值并获取当前电堆输出电压及其变化率，将其输入ecsa衰减模型，得到质子交换膜燃料电池当前健康状态。
10.进一步地，水含量影响子模型的建模过程，
11.计算质子交换膜不同气体相对湿度对应的水含量；
12.测量不同水含量下ecsa随时间的变化关系；
13.根据ecsa随时间变化的对数的斜率，获得水含量对ecsa变化的影响因子。
14.进一步地，水含量的计算公式为，
[0015][0016][0017]
λm表示质子交换膜处的水含量，am表示质子交换膜处的相对湿度，p
v,m
表示质子交换膜处的水蒸气分压，p
sat,m
表示质子交换膜处的大气压力。
[0018]
进一步地，催化层气体流道子模型利用计算ecsa；
[0019]smin
为最小铂表面积，n表示质子交换膜燃料电池运行时间，k
total
水含量影响子模型输出的影响因子和电压影响子模型输出的影响因子乘积，s(n)表示ecsa。
[0020]
本发明还提供了一种pemfc与锂电池混合的动力系统健康状态量化方法，包括：
[0021]
采用上述质子交换膜燃料电池健康状态量化方法评估质子交换膜燃料电池健康状态；
[0022]
利用soc评估锂离子健康状态。
[0023]
本发明还提供了一种pemfc与锂电池混合的动力系统能量分配方法，包括：
[0024]
调控电堆输出电压及其变化率，使质子交换膜燃料电池跟随负载需求的同时使得ecsa的衰减率最小；其中，ecsa的衰减率采用上述质子交换膜燃料电池健康状态量化方法计算得到。
[0025]
进一步地，利用神经网络预测控制器调控电堆输出电压及其变化率。
[0026]
优选地，采用以下优化目标调控电堆输出电压及其变化率；
[0027]
j＝q(p
ref-p
fc
)2+r
△
p
fc2
[0028]
其中，p
ref
表示需求功率、p
fc
表示pemfc的实际输出功率、
△
p
fc
表示pemfc的实际输出功率在两个采样时刻之间的变化量、q和r分别表示前后两项的权重大小。
[0029]
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果。
[0030]
(1)本发明的质子交换膜燃料电池健康状态量化方法，同时考虑了水含量和电堆实际输出的电压及其变化率，两种因素交叉耦合共同作用，更准确实时反映了pemfc的健康状态，具有广泛的工程实践意义；采用本发明方法只需要对气体相对湿度和电堆实际输出电压进行测量，即可得到pemfc的健康状态，操作简便。
[0031]
(2)本发明在混合动力系统功率分配的过程中，同时对pemfc的健康状态进行管
控，能够延缓其性能衰减，提高pemfc的运行寿命。
附图说明
[0032]
图1是混合动力系统拓扑结构图；
[0033]
图2是ecsa衰减模型；
[0034]
图3是基于mpc控制器的系统模型；
[0035]
图4是基于nnpc控制器的系统模型；
[0036]
图5质子交换膜在rh＝0.5的情况下，ecsa衰减受到低电流占比影响的情况；
[0037]
图6低电流占比为50％的情况下，ecsa衰减受到质子交换膜rh影响的情况；
[0038]
图7低电流占比为50％的情况下，ecsa衰减速率受到质子交换膜rh影响的情况；
[0039]
图8wltc工况下混合动力系统的需求功率随时间变化的情况；
[0040]
图9cltc-p工况下混合动力系统的需求功率随时间变化的情况；
[0041]
图10epa工况下混合动力系统的需求功率随时间变化的情况；
[0042]
图11nycc工况下混合动力系统的需求功率随时间变化的情况；
[0043]
图12在wltc工况下，设定质子交换膜的rh值分别为0.5、0.6、0.7、0.8和0.9，采用mpc控制算法对混合动力系统进行调控得到pemfc的ecsa随时间变化的情况；
[0044]
图13在cltc-p工况下，设定质子交换膜的rh值分别为0.5、0.6、0.7、0.8和0.9，采用mpc控制算法对混合动力系统进行调控得到pemfc的ecsa随时间变化的情况；
[0045]
图14在epa工况下，设定质子交换膜的rh值分别为0.5、0.6、0.7、0.8和0.9，采用mpc控制算法对混合动力系统进行调控得到pemfc的ecsa随时间变化的情况；
[0046]
图15在nycc工况下，设定质子交换膜的rh值分别为0.5、0.6、0.7、0.8和0.9，采用mpc控制算法对混合动力系统进行调控得到pemfc的ecsa随时间变化的情况；
[0047]
图16在wltc工况下，设定质子交换膜的rh值分别为0.5、0.6、0.7、0.8和0.9，采用nnpc控制算法对混合动力系统进行调控得到pemfc的ecsa随时间变化的情况；
[0048]
图17在cltc-p工况下，设定质子交换膜的rh值分别为0.5、0.6、0.7、0.8和0.9，采用nnpc控制算法对混合动力系统进行调控得到pemfc的ecsa随时间变化的情况；
[0049]
图18在epa工况下，设定质子交换膜的rh值分别为0.5、0.6、0.7、0.8和0.9，采用nnpc控制算法对混合动力系统进行调控得到pemfc的ecsa随时间变化的情况；
[0050]
图19在nycc工况下，设定质子交换膜的rh值分别为0.5、0.6、0.7、0.8和0.9，采用nnpc控制算法对混合动力系统进行调控得到pemfc的ecsa随时间变化的情况；
[0051]
图20在wltc工况下，采用mpc与nnpc控制算法对混合动力系统进行调控得到pemfc的ecsa随时间变化的情况；
[0052]
图21在wltc工况下，采用mpc与nnpc控制算法对混合动力系统进行调控得到锂电池的soc随时间变化的情况；
[0053]
图22在cltc-p工况下，采用mpc与nnpc控制算法对混合动力系统进行调控得到pemfc的ecsa随时间变化的情况；
[0054]
图23在cltc-p工况下，采用mpc与nnpc控制算法对混合动力系统进行调控得到锂电池的soc随时间变化的情况；
[0055]
图24在epa工况下，采用mpc与nnpc控制算法对混合动力系统进行调控得到pemfc
的ecsa随时间变化的情况；
[0056]
图25在epa工况下，采用mpc与nnpc控制算法对混合动力系统进行调控得到锂电池的soc随时间变化的情况；
[0057]
图26在nycc工况下，采用mpc与nnpc控制算法对混合动力系统进行调控得到pemfc的ecsa随时间变化的情况；
[0058]
图27在nycc工况下，采用mpc与nnpc控制算法对混合动力系统进行调控得到锂电池的soc随时间变化的情况；
[0059]
图28在wltc工况下，采用mpc与nnpc控制算法对混合动力系统进行调控，得到pemfc的输出功率随时间变化的情况；
[0060]
图29在cltc-p工况下，采用mpc与nnpc控制算法对混合动力系统进行调控，得到pemfc的输出功率随时间变化的情况；
[0061]
图30在epa工况下，采用mpc与nnpc控制算法对混合动力系统进行调控，得到pemfc的输出功率随时间变化的情况；
[0062]
图31在nycc工况下，采用mpc与nnpc控制算法对混合动力系统进行调控，得到pemfc的输出功率随时间变化的情况。
具体实施方式
[0063]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0064]
当质子交换膜燃料电池中的水含量发生变化时，会直接影响质子交换膜的性能，从而导致质子交换膜燃料电池的输出功率发生变化，同时，水含量的变化又使得ecsa衰减率变化，ecsa发生变化时，也会使得质子交换膜燃料电池的输出功率发生变化。而当质子交换膜燃料电池的输出功率发生变化时，会使得质子交换膜燃料电池内部的由于氢气和氧气发生化学反应得到的水的总量发生改变，导致质子交换膜燃料电池的水含量发生变化。
[0065]
本发明以质子交换膜的水含量与外部负载需求电流为主要关注点，建立图2所示pemfc的ecsa衰减模型。ecsa衰减的模型过程与思想如下：ecsa衰减的模型包括描述水含量影响ecsa衰减的子模型、描述电压影响ecsa衰减的子模型、描述催化层气体流道的子模型。
[0066]
描述水含量影响的ecsa衰减的子模型是通过获取不同的膜水含量λm对ecsa衰减影响的情况而总结的经验模型。膜水含量λm与质子交换膜处的气体相对湿度又相关，于是具体的子模型搭建方法是分别在当质子交换膜处的气体相对湿度为50％与100％的条件下，获取它们对于ecsa衰减的影响，再采用线性插值的方式，得到水含量对ecsa衰减的经验公式。描述水含量影响的ecsa衰减的子模型的输入有包括：进气湿度、气体流速、电流等。描述水含量影响的ecsa衰减的子模型的输出为水含量影响因子。通过该子模型可实现通过控制pemfc水含量在一定的范围来保证pemfc的健康状态，达到对其健康管控的目的。
[0067]
其中膜水含量λm一般不能通过直接测量的方式得到，本发明采用间接计算的方式得到。而采用间接计算则是需要获知通入气体的相对湿度。假设pemfc的阴阳极出口的气体中，初始状态下相对湿度rh＝0.5，设定入口气体的湿度rh为可调节量，则阴阳极的入口水
蒸气分压如式(1)所示：
[0068]
p
v,i
＝rh
×
p
sat,i
，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0069]
p
sat,i
表示在i处的环境大气压力，例如p
sat,m
表示质子交换膜处的大气压力；p
v,i
表示在i处的水蒸气分压，例如：p
v,in
表示入口处的水蒸气分压，p
v,out
表示出口处的水蒸气分压，p
v,m
表示质子交换膜处的水蒸气分压。p
sat,i
可以根据emanuel推荐的经验公式(2)计算，其单位为pa：
[0070][0071]
其中，t表示在i处的温度。假设从阴阳极入口到出口的水蒸气分压呈现出线性递增关系，则阴阳极气体中的水蒸气分压如式(3)所示：
[0072][0073]
p
v,in
表示入口处的水蒸气压力，p
v,out
表示出口处的水蒸气压力，由于从阴阳极的入口到出口的距离比较短，本发明采用pv代替p
v,m
。在得到p
v,m
后，质子交换膜的水含量λm采用经验公式(4)、(5)求得：
[0074][0075][0076]
λm表示质子交换膜处的水含量，am表示质子交换膜处的相对湿度，p
sat,m
表示质子交换膜处的大气压力。
[0077]
由此获得膜水含量λm后，再计算膜水含量λm对对ecsa衰减影响。
[0078]
描述电压影响ecsa衰减的子模型是通过获取不同的电压和电压变化率对ecsa衰减影响的情况而总结的经验模型。
[0079]
描述催化层气体流道的子模型是对催化层物理描述数值化的经验模型，具体包括设定的pt粒子总表面积、输入到该流道的氧气流速、输入到该流道的氢气流速以及可通过催化层的最大电流密度。
[0080]
根据经验公式推导得到，当水含量越小时，ecsa衰减至最小值所消耗的时间越长；当电压越小、电压变化率越小时，ecsa衰减至最小值所消耗的时间越长。因此为了保持混合动力系统中pemfc的健康状态，需要保持较低的水含量与较低的电压及较低的电压变化率。
[0081]
用剩余活性表面积s(n)与初始总活性表面积s0构建关系式，如式(6)所示：
[0082][0083]
k表示影响因子，n表示循环次数，也可用时间/s代替，当湿度为50％时，通过对于实际数据的拟合，得到k＝2.05
×
10-4
min-1
，当湿度为100％时，通过对于实际数据的拟合，得到k＝3.72
×
10-4
min-1
。设当ecsa不断降解时，存在一个最小的s(n)，记为s
min
。将s
min
其定义为最小铂表面积，取值为0.2。这二者之间的关系如式(7)所示：
[0084][0085]ktotal
＝k
sc
×kt
×krh
×kupl
×kdwell
，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0086]
式(7)中，k
total
表示全部影响因素的总降解率，k
sc
是标准电压循环的降解率，k
t
为温度导致的ecsa衰减速率因子，k
rh
为相对湿度导致的ecsa衰减速率因子，k
upl
为上限电压值导致的ecsa衰减速率因子，k
dwell
为电压持续时间导致的ecsa衰减速率因子。可以独立的研究温度、湿度、电压等对pemfc中ecsa降解造成的影响。定义k
upl
、k
dwell
计算公式如式(9)、(10)所示：
[0087]kupl
＝ec×
(upl-0.95)
，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0088]kdwell
＝0.38+0.29
×
t
dwell
，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0089]
式中，c为常数值，取值为0.00152mv-1
，upl表示在采样周期内电压的局部最大值，t
dwell
表示在采用周期内电压维持在电压局部最小值的时长。在本发明只研究相对湿度、电压与pemfc中ecsa降解速率之间的关系，即假设k
sc
＝k
t
＝1。
[0090]
mpc是指模型预测控制，是一种反馈控制算法，使用模型来预测过程的未来输出。mpc是一个多变量控制器，在考虑所有系统变量之间的交互作用的情况下控制输出。mpc主要由对象模块、预测模块、滚动优化模块、反馈矫正模块这四个部分组成。mpc与传统的pid反馈控制不同的是，在每一个时刻下，mpc都会通过预测模块获知未来可能出现的情况，一般采用预测步长来显示mpc预测未来的长度。同时在这些情况中，寻找最优的控制方案，一般采用控制步长来显示mpc寻找最优方案的范围，并且利用滚动模块实现了在每个采样点都能做出最优决策的功能。mpc的机理为：在每一采样时刻，根据当前系统状态及测量信息，基于预测模型对未来状态的预测结果，在线求解一个有限时长的最优控制问题，得到当前时刻和未来时段内的控制行为，并只执行当前时刻的控制行为，在下一个采样时刻，根据前一时刻控制后的系统状态及新的测量信息，重复上述过程。
[0091]
mpc的设计分为四部分：模型模块的搭建、预测模块的搭建、滚动优化模块的搭建以及反馈矫正模块的搭建。在模型模块的搭建中，本文采用了阶跃响应模型，即将阶跃信号输入至已经搭建好的对象模块，并且记录该对象模块的输出信号，由此构成输入与输出一一对应的关系。
[0092]
神经网络预测控制，通过利用神经网络来预测模型的过程输出。神经网络预测控制是用神经网络建模，代替mpc的对象模块部分。本发明将一串随机矩形波信号输入至pemfc系统，并采集系统的输出信号。将输入信号与输出信号一一对应后作为神经网络预测模型的数据集。经过多轮的训练之后，选择了在神经网络训练集上表现出均方误差最小的神经网络预测模型作为控制器的对象模块。
[0093]
设k时刻输入信号的增量为
△
u(k)，输出信号的增量为
△
y(k)，mpc与nnpc的预测步长为p步，控制步长为m步。则每个
△
y(k)都可以由之前n个时刻的
△
u表示，其关系如式(11)所示：
[0094][0095]
在预测模块的搭建中，由于预测步长为p步，那么对于p个时刻而言，每一个时刻的系统输出增量如式(12)所示：
[0096][0097]
其中，ai是系数，i＝1,2,3,...,m。在滚动优化模块中，本文采用二次规划的方式求得最优解。设由mpc控制得到的k+i时刻期望输出为w(k+i)，而系统的当前输出与目标输出分别为y(k)和yr。则期望输出可以由式(13)表示：
[0098]
w(k+i)＝αiy(k)+(1-αi)yr，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0099]
其中，α为系数,i＝1,2,3,...,m。
[0100]
本发明保证pemfc的功率跟随，尽可能减少pemfc的波动，保持锂电池的soc，优化目标函数为j＝q(p
ref-p
fc
)2+r
△
p
fc2
。其中，p
ref
表示需求功率、p
fc
表示pemfc的实际输出功率、
△
p
fc
表示pemfc的实际输出功率在两个采样时刻之间的变化量、q和r分别表示权重大小。本发明的优化方案是寻求优化目标函数的最小值。
[0101]
本发明采用二次规划求解的函数即可由式(14)所示：
[0102][0103]
本发明为了保证pemfc的功率输出，减少pemfc的波动，保持锂电池的soc，优化目标如式(15)所示：
[0104]
j＝q(p
ref-p
fc
)2+r
△
p
fc2
，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)
[0105]
其中，p
ref
表示需求功率、p
fc
表示pemfc的实际输出功率、
△
p
fc
表示pemfc的实际输出功率在两个采样时刻之间的变化量、q和r分别表示前后两项的权重大小。目前需要考虑的约束条件如式(16)所示：
[0106][0107]
在反馈矫正模块的搭建中，k+1时刻的误差e(k+1)可由式(17)所示：
[0108][0109]
y(k+1)表示在k+1时刻的真实值，表示在k+1时刻的预测值。则k+1，k+2，
…
，k+p时刻的补偿值y
cor
可由式(18)所示：
[0110][0111]hi
是修正系数，i＝1,2,3,...,p。则在每一次滚动时，下一时刻的值只需要在此刻的基础上，乘上位移矩阵即可。
[0112]
本发明设计了基于mpc与nnpc的控制器。然后运用这两种控制方案在wltp、cltc-p、epa以及nycc不同工况下仿真结果的横向比较与单独工况下两种控制方案的纵向比较
[0113]
按照图3、4所示的混合动力系统模型结构图，将所提出的考虑健康管控的混合动力能量分配策略应用到matlab的simulink仿真平台上。该小节在搭建好的混合动力系统基础上进行实验验证。在保持质子交换膜rh＝0.5的情况下，改变输入电流中低电流的占比。低电流占比从矩形波电流周期的10％开始，每次实验递增全周期的10％，逐步递增到低电流占比为全周期的90％。记录实验仿真数据并画出图像如图5所示。在保持低电流占空比为50％的情况下，改变质子交换膜的rh。从rh＝0.5开始，每次实验递增0.1，逐步递增到rh＝0.9。记录实验仿真数据并画出图像与衰减速率图像如图6、7所示。
[0114]
从图5中可以发现，在质子交换膜rh＝0.5的条件下，当低位电流占比为10％时，ecsa衰减至0.2大约需要1.8
×
107秒即5千小时，当低位电流占比为30％时，ecsa衰减至0.2大约需要0.9
×
107秒即2.5千小时，当低位电流占比为90％时，ecsa衰减至0.2大约需要0.4
×
107秒即1.1千小时。随着低电流占比的增加，ecsa衰减至最小值所需要花费的时间是显著减少的。这表明，在质子交换膜rh不变的情况下，pemfc输出的低位电流时间越长，对于pemfc越不健康，长时间的低位电流会使pemfc的ecsa显著下降。那么为了保持pemfc的ecsa能够长时间的保持在一个健康的水平，在质子交换膜rh不变的情况下，需要pemfc输出更少的低位电流。这里需要说明的是，pemfc输出低电流时，意味着pemfc同时会输出高电压，而pemfc输出高电流时，意味着pemfc同时会输出低电压。
[0115]
从图6中可以发现，在低位电流占比为50％条件下，当质子交换膜rh＝0.5时，ecsa衰减至0.3大约需要1.3
×
107秒即3.6千小时，当质子交换膜rh＝0.7时，ecsa衰减至0.3大约需要1.0
×
107秒即2.8千小时，当质子交换膜rh＝0.9时，ecsa衰减至0.3大约需要0.7
×
107秒即1.9千小时。随着质子交换膜rh的增加，在同一时刻，ecsa的值越小。这表明，在输出相同电流的情况下，pemfc中质子交换膜的rh越大，对于pemfc越不健康，长时间的高rh会使pemfc的ecsa显著下降。同时从图7中可以发现，ecsa的衰减速率是有一个转折的，在这个转折之前，湿度越大，ecsa的衰减速率越大，在这个转折之后，湿度越大，ecsa的衰减速率反而越小。那么为了保持pemfc的ecsa长时间的保持在一个健康的水平，同时保证pemfc的正常工作，那么在输出电流保持不变的情况下，需要pemfc中质子交换膜在不处于干膜状态下的保持低rh。这里需要说明的是，如果质子交换膜出现干膜状态，那么意味着质子交换膜已不能正常工作。
[0116]
目前常用的城市工况有wltp、cltc-p、epa以及nycc工况，将这些工况下车速等效功率绘制出来便可得到混合动力系统的需求功率随时间变化的情况，结果如图8、9、10和11所示。将汽车瞬时速率转变为发电机瞬时功率后，利用mpc与nnpc对系统进行控制。假设锂电池的最大放电功率是3c，最大充电功率是0.5c，并且除了soc需要保持在soc
min
至soc
max
之间外再无其他限制条件。当pemfc的输出功率大于需求功率时，多余的功率用于锂电池的充电。当pemfc的输出功率小于需要功率时，缺少的功率由锂电池放电进行补充。
[0117]
在wltc、cltc-p、epa以及nycc工况下，设定质子交换膜的rh值分别为0.5、0.6、0.7、0.8和0.9。采用mpc控制算法对混合动力系统进行调控，得到pemfc的ecsa随时间变化的情况如图12、13、14和15所示。在wltc工况下，rh＝0.5时ecsa最终衰减至0.998478，rh＝0.6时ecsa最终衰减至0.998231，rh＝0.7时ecsa最终衰减至0.997982，rh＝0.8时ecsa最终衰减至0.997734，rh＝0.9时ecsa最终衰减至0.997485。可以发现在wltc工况下，采用mpc控制算法，当质子交换膜的rh变大时，经过相同时间的ecsa的值变小。在cltc-p、epa、nycc工
况下，也可以从图中发现与在wltc工况下有相同的变化趋势。故在这四种工况下采用mpc控制方式，ecsa的值会随着rh的慢慢增大而逐渐变小。
[0118]
在wltc、cltc-p、epa以及nycc工况下，设定质子交换膜的rh值分别为0.5、0.6、0.7、0.8和0.9。采用nnpc控制算法对混合动力系统进行调控，得到pemfc的ecsa随时间变化的情况如图16、17、18和19所示。在wltc工况下，rh＝0.5时ecsa最终衰减至0.998559，rh＝0.6时ecsa最终衰减至0.998324，rh＝0.7时ecsa最终衰减至0.998089，rh＝0.8时ecsa最终衰减至0.997853，rh＝0.9时ecsa最终衰减至0.997618。可以发现在wltc工况下，采用mpc控制算法，当质子交换膜的rh变大时，经过相同时间的ecsa的值变小。在cltc-p、epa、nycc工况下，也可以从图中发现与在wltc工况下有相同的变化趋势。故在这四种工况下采用nnpc控制方式，ecsa的值会随着rh的慢慢增大而逐渐变小。
[0119]
在质子交换膜rh＝0.5的条件下，设定工况为wltc、cltc-p、epa和nycc。采用mpc与nnpc控制算法对混合动力系统进行调控，得到pemfc的ecsa随时间变化的情况以及锂电池的soc随时间变化的情况如图20、21、22、23、24、25、26和27所示。在wltc工况下，使用nnpc调控，ecsa最终衰减至0.998559，soc波动的均方误差为7.84
×
10-6
，使用mpc调控，ecsa最终衰减至0.998478，soc波动的均方误差为4.26
×
10-6
。在cltc-p工况下，使用nnpc调控，ecsa最终衰减至0.998271，soc波动的均方误差为0.71
×
10-6
，使用mpc调控，ecsa最终衰减至0.998171，soc波动的均方误差为1.82
×
10-6
。在epa工况下，使用nnpc调控，ecsa最终衰减至0.998821，soc波动的均方误差为3.20
×
10-7
，使用mpc调控，ecsa最终衰减至0.998759，soc波动的均方误差为6.18
×
10-7
。在nycc工况下，使用nnpc调控，ecsa最终衰减至0.999325，soc波动的均方误差为6.50
×
10-8
，使用mpc调控，ecsa最终衰减至0.999285，soc波动的均方误差为8.17
×
10-8
。可以发现nnpc相比较于mpc，不仅可以更好地缓解ecsa的衰减，而且在多数情况下可以更好地减轻锂电池的soc波动。
[0120]
在质子交换膜rh＝0.5的条件下，设定工况为wltc、cltc-p、epa和nycc。采用mpc与nnpc控制算法对混合动力系统进行调控，得到pemfc的输出功率随时间变化的情况如图28、29、30和31所示。从图中可以发现，mpc与nnpc都可以及时地对系统进行调节，具有很好的调节能力与较强的鲁棒性。
[0121]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。