基于径向基神经网络的质子交换膜燃料电池智能参数辨识

摘要

在质子交换膜燃料电池(Proton Exchange Membrane Fuel Cell, PEMFC)中，准确地辨识未知参数对于建立可靠而精确的模型至关重要.然而，PEMFC参数辨识难以被常规的数值分析方法解决，这是一个涉及多个变量且有强耦合的非线性问题.此外，噪声对数据的影响、收集数据的不足以及电池记录数据的丢失都会增加获取精确参数的难度.针对以上问题，本文提出一种基于径向基函数(Radial Basis Function, RBF)神经网络联合启发式算法的参数识别策略.先对RBF进行训练，并利用RBF对数据进行降噪与预测处理，以解决噪声对数据的影响、收集数据的不足以及电池数据丢失的情况；再利用启发式算法对PEMFC模型参数进行辨识.结果表明，经过RBF处理后可以显著降低异常情况对参数辨识的影响，极大程度提高启发式算法参数辨识的准确性，其中V-I拟合精度达到99.56%.

关键词

质子交换膜燃料电池 / 智能参数辨识 / 径向基神经网络 / 启发式算法 / 降噪处理 / 预测处理