燃料电池阳极状态监测方法

摘要

本申请涉及一种燃料电池阳极状态监测方法。包括构建具有盲端阳极的阳极侧的非线性动态模型，并定义非线性动态模型的状态变量。基于非线性动态模型构建无迹卡尔曼滤波观测器。通过检测获得电池参数、吹扫阀动作信号以及阳极流道压力参数。根据电池参数、吹扫阀动作信号以及阳极流道压力参数，利用无迹卡尔曼滤波观测器计算燃料电池阳极状态变量估计值。上述燃料电池阳极状态监测方法，同时考虑了湿度传感器和电磁阀的特性以及外围传感器的特性。此外，使用无迹卡尔曼滤波的方法进行状态估计，可以实现实时估计，并实现较好的动态估计效果。此种方法仅需要测量电池参数、吹扫阀动作信号以及阳极流道压力参数，降低了系统测量工作量。

权利要求

1.一种燃料电池阳极状态监测方法，其特征在于，包括：

S10，构建具有盲端阳极的阳极侧的非线性动态模型，并定义所述非线性动态模型的状态变量；

S20，基于所述非线性动态模型构建无迹卡尔曼滤波观测器；

S30，获取电池参数、吹扫阀动作信号以及阳极流道压力参数；

S40，将所述电池参数、所述吹扫阀动作信号以及所述阳极流道压力参数输入至所述无迹卡尔曼滤波观测器，计算得出所述燃料电池阳极状态变量的估计值；

构建所述非线性动态模型的物理模型的状态空间描述为：

其中，Wpv为吹扫阀打开时通过的气体流量； 为通过减压阀的氢气流量；λm为膜的含水量； 分别为阴极侧催化剂层和膜界面处氧气，水蒸气和氮气的分压； 分别为阳极侧催化剂层和膜界面处氧气，水蒸气和氮气的分压；R为通用气体常数；Tcell为电池温度；Van为阳极流道体积；Mh2，Mh2o和Mn2分别为氢气，水蒸气和氮气的摩尔质量；N为电堆中串联的燃料电池数量；F为法拉第常数； 和分别为阳极流道中氢气，水蒸气和氮气的质量分数；kleak为电堆的氢气泄漏系数；kph2，kpo2和kpn2分别为氢气，氧气和氮气穿过膜的渗透系数；Acell为单节电池的有效面积；Lm为膜的厚度；Dw表示扩散系数；ρm为膜的密度； 为阴极侧膜的含水量； 为阳极侧膜的含水量；

nd为电渗阻力系数；ke为液态水的蒸发速率； 为阳极流道体积中的液态水质量；psat为水蒸气饱和压力；ε为比孔隙率；ρlw为液态水密度；γpt为每单位催化剂层体积的电化学表面积；Vgdl为两个气体扩散层的体积； k＝an或ca，分别为从阳极或阴极侧流道腔室流出的气体流速； 和 分别为两侧流道的高度和长度； 为两侧流道的气体动态粘度； 为两侧流道的液态水动态粘度； 为气体扩散层的水蒸气压力；τRH为相对湿度传感器的时间常数；

所述非线性动态模型的输出量与初始状态估计值的关系式为：y1＝x1+x2+x3

y2＝x5

y3＝Vcell

其中，y1为阳极流道出口处压力传感器测得的阳极流道整体压力，x5、y2均为由温度传感器和相对湿度传感器测得的信号计算出的阳极流道水蒸气压力，Vcell为电压传感器测得的电池电压， 为阳极侧输出端口的混合气体速度，x1为阳极流道中的氢气分压，x2为阳极流道中的水蒸气分压，x3为阳极流道中的氮气分压；

所述状态变量和所述输出量的单步预测表示为：

其中，Q为过程噪声协方差矩阵； 和 为标准差矩阵点的权重，定义如下：

其中，β为系数；

利用所述单步预测结果，进行测量更新，以获得所述燃料电池阳极状态变量估计值；所述测量更新用以下等式来表示：其中，C为测量噪声协方差矩阵。

2.根据权利要求1所述的燃料电池阳极状态监测方法，其特征在于，所述电池电压满足：其中，V0为标准压力下的能斯特电压，p0为常数，Rcell为电池阻抗，αc≈1，为阴极转移系数， 为参考氧气摩尔浓度， 为参考交换电流密度。

3.一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至2中任一项所述的燃料电池阳极状态监测方法的步骤。

4.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至2中任一项所述的燃料电池阳极状态监测方法的步骤。

说明书

燃料电池阳极状态监测方法

技术领域

[0001] 本申请涉及燃料电池领域，特别是涉及一种燃料电池阳极状态监测方法。

背景技术

[0002] 质子交换膜燃料电池作为动力源，具有高效率，低噪音和短冷启动时间等优点，是汽车应用中的首选。在盲端阳极的质子交换膜系统中，阳极侧氮气和液态水的积聚不可避免，影响了系统效率和燃料电池耐久性。为了排出阳极流道中积聚的水和氮气，通常在盲端阳极的出口处安装电磁阀，即吹扫阀(PV)。吹扫策略影响着内部质量传递和碳腐蚀，必须进行优化。而优化吹扫策略的前提条件是已知阳极侧的内部状态。因此，针对具有盲端阳极的车载质子交换膜系统，需要开发用于实时观察阳极侧内部状态的算法，以提高系统效率，延迟性能下降，保持较低的总体成本。

[0003] 当前的燃料电池内部状态观测算法可分为三类：基于模型和外围信号，基于使用直流(DC)转换器注入电流激励，以及数据驱动算法。然而，基于模型的方法严重依赖于物理模型的准确度；基于高频电阻的方法需要良好的硬件和信号处理技术；基于数据的方法依赖于算法结构，并需要大量的数据进行训练。

发明内容

[0004] 基于此，本申请提供一种燃料电池阳极状态监测方法，以在获取燃料电池阳极状态观测变量估计值的基础上，降低系统测量工作量。

[0005] 一种燃料电池阳极状态监测方法，包括：

[0006] S10，构建具有盲端阳极的阳极侧的非线性动态模型，并定义所述非线性动态模型的状态变量；

[0007] S20，基于所述非线性动态模型构建无迹卡尔曼滤波观测器；

[0008] S30，获取电池参数、吹扫阀动作信号以及阳极流道压力参数；

[0009] S40，将所述电池参数、所述吹扫阀动作信号以及所述阳极流道压力参数输入至所述无迹卡尔曼滤波观测器，计算得出所述燃料电池阳极状态变量的估计值。

[0010] 在其中一个实施例中，所述S10，构建具有盲端阳极的阳极侧的非线性动态模型，并定义所述非线性动态模型的状态变量的步骤包括：

[0011] 根据物理模型和经验参数，构建所述非线性动态模型；所述状态变量包括阳极流道中的氢气分压、阳极流道中的水蒸气分压、阳极流道中的氮气分压、气体扩散层中的平均液态水饱和度以及阳极流道水蒸气压力。

[0012] 在其中一个实施例中，所述物理模型的状态空间描述为：

[0013]

[0014]

[0015]

[0016]

[0017]

[0018] 其中，Wpv为吹扫阀打开时通过的气体流量； 为通过减压阀的氢气流量；λm为膜的含水量； 分别为阴极侧催化剂层和膜界面处氧气，水蒸气和氮气的分压； 分别为阳极侧催化剂层和膜界面处氧气，水蒸气和氮气的
分压；R为通用气体常数；Tcell为电池温度；Van为阳极流道体积；Mh2，Mh2o和Mn2分别为氢气，水蒸气和氮气的摩尔质量；N为电堆中串联的燃料电池数量；F为法拉第常数； 和分别为阳极流道中氢气，水蒸气和氮气的质量分数；kleak为电堆的氢气泄漏系数；kph2，kpo2和kpn2分别为氢气，氧气和氮气穿过膜的渗透系数；Acell为单节电池的有效面积；Lm为膜的厚度；Dw表示扩散系数；ρm为膜的密度； 为阴极侧膜的含水量； 为阳极侧膜的含水量；nd为电渗阻力系数；ke为液态水的蒸发速率； 为阳极流道体积中的液态水质量；psatpt
为水蒸气饱和压力；ε为比孔隙率；ρlw为液态水密度；γ 为每单位催化剂层体积的电化学表面积；Vgdl为两个气体扩散层的体积； k＝an或ca，分别为从阳极或阴极侧流道腔室流出的气体流速； 和 分别为两侧流道的高度和长度； 为两侧流道的气体动态粘度； 为两侧流道的液态水动态粘度； 为气体扩散层的水蒸气压力；τRH为相对湿度传感器的时间常数。

[0019] 在其中一个实施例中，所述S40，将所述电池参数、所述吹扫阀动作信号以及所述阳极流道压力参数输入至所述无迹卡尔曼滤波观测器，计算得出所述燃料电池阳极状态变量的估计值的步骤包括：

[0020] 根据所述电池参数、所述吹扫阀动作信号以及所述阳极流道压力参数，获取所述非线性动态模型的输出量；

[0021] 根据所述非线性动态模型的输出量，计算所述燃料电池阳极状态变量估计值。

[0022] 在其中一个实施例中，所述根据所述非线性动态模型的输出量，计算所述燃料电池阳极状态变量估计值的步骤包括：

[0023] 根据所述非线性动态模型的输出量，获取初始状态估计值；

[0024] 根据所述初始状态估计值，利用协方差矩阵，计算所述燃料电池阳极状态变量估计值。

[0025] 在其中一个实施例中，所述非线性动态模型的输出量与所述初始状态估计值的关系式为y1＝x1+x2+x3

[0026] y2＝x5

[0027] y3＝Vcell

[0028]

[0029] 其中，y1为阳极流道出口处压力传感器测得的阳极流道整体压力，x5、y2均为由温度传感器和相对湿度传感器测得的信号计算出的阳极流道水蒸气压力，Vcell为电压传感器测得的电池电压， 为阳极侧输出端口的混合气体速度，x1为阳极流道中的氢气分压，x2为阳极流道中的水蒸气分压，x3为阳极流道中的氮气分压。

[0030] 在其中一个实施例中，所述电池电压满足：

[0031]

[0032] 其中，V0为标准压力下的能斯特电压，p0为常数，Rcell为电池阻抗，αc≈1，为阴极转移系数， 为参考氧气摩尔浓度， 为参考交换电流密度。

[0033] 在其中一个实施例中，所述根据所述初始状态估计值，利用协方差矩阵，计算所述燃料电池阳极状态变量估计值的步骤包括：

[0034] 利用所述协方差矩阵，对所述初始状态估计值进行多次迭代计算；

[0035] 每一个所述迭代计算，定义所述状态变量的标准差矩阵点，以获得第一矩阵；

[0036] 将所述第一矩阵中的标准差矩阵点输入状态方程，以获得一组新的标准差矩阵点；

[0037] 利用所述新的标准差矩阵点，对所述状态变量和所述输出量进行单步预测，所述状态变量和所述输出量的单步预测表示为：

[0038]

[0039] 其中，Q为过程噪声协方差矩阵； 和 为标准差矩阵点的权重，定义如下：

[0040]

[0041] 其中，β为系数；

[0042] 利用所述单步预测结果，进行测量更新，以获得所述燃料电池阳极状态变量估计值；所述测量更新用以下等式来表示：

[0043]

[0044] 其中，C为测量噪声协方差矩阵。

[0045] 一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中任一项所述的燃料电池阳极状态监测方法的步骤。

[0046] 一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述实施例中任一项所述的燃料电池阳极状态监测方法的步骤。

[0047] 上述燃料电池阳极状态监测方法，构建具有盲端阳极的阳极侧的非线性动态模型，并定义所述非线性动态模型的状态变量、输入量和输出量。基于所述非线性动态模型构建无迹卡尔曼滤波观测器。通过检测获得电池参数、吹扫阀动作信号以及阳极流道压力参数。根据所述电池参数、所述吹扫阀动作信号以及所述阳极流道压力参数，利用所述无迹卡尔曼滤波观测器计算所述燃料电池阳极状态变量估计值。上述燃料电池阳极状态监测方法，同时考虑了湿度传感器和电磁阀的特性以及外围传感器的特性。此外，使用无迹卡尔曼滤波的方法进行状态估计，可以实现实时估计，并实现较好的动态估计效果。此种方法仅需要测量电池参数、吹扫阀动作信号以及阳极流道压力参数，降低了系统测量工作量。

附图说明

[0048] 图1为本申请一个实施例提供的燃料电池阳极状态监测方法流程示意图；

[0049] 图2为本申请一个实施例提供的具有盲端阳极的质子交换膜燃料电池(PEMFC)的示意图；

[0050] 图3为本申请一个实施例提供的无迹卡尔曼滤波观测器结构图。

具体实施方式

[0051] 为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图对本申请的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似改进，因此本申请不受下面公开的具体实施的限制。

[0052] 需要说明的是，当元件被称为“设置于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。

[0053] 除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

[0054] 请参见图1，本申请提供一种燃料电池阳极状态监测方法。所述燃料电池阳极状态监测方法包括：

[0055] S10，构建具有盲端阳极的阳极侧的非线性动态模型，并定义所述非线性动态模型的状态变量。步骤S10中，所述盲端阳极主要由稳压阀、进排气歧管、电堆氢气容腔、尾排阀等组成。请参见图2，为本申请一个实施例提供的具有盲端阳极的质子交换膜燃料电池(PEMFC)的示意图。在一个可选的实施例中，可以根据物理模型和经验参数，构建所述非线性动态模型。所述状态变量包括阳极流道中的氢气分压、阳极流道中的水蒸气分压、阳极流道中的氮气分压、气体扩散层中的平均液态水饱和度以及阳极流道水蒸气压力。所述非线性动态模型是将物理模型和经验参数相结合的混合模型。在所述非线性动态模型中，考虑了膜电极组件上的传质过程和阳极流道体积内的充排过程。同时考虑了湿度传感器和电磁阀的特性以及外围传感器的特性。所述非线性动态模型还定义了输入量和输出量。所述输入量包括吹扫阀的吹扫信号和电池电流。所述输出量包括所述阳极流道的整体压力，阳极流道中的水蒸气压力，电池电压和阳极侧输出端口的混合气体速度。

[0056] S20，基于所述非线性动态模型构建无迹卡尔曼滤波观测器。步骤S20中，所述无迹卡尔曼滤波观测器需要两个输入信号(电堆电流和吹扫阀动作信号)，四个测量信号(电堆温度，阳极压力，阳极输出的相对湿度和电堆电压)，并可以输出四个内部状态(氢气，氮气，水蒸气分压和气体扩散层中的平均液态水饱和度)。

[0057] S30，获取电池参数、吹扫阀动作信号以及阳极流道压力参数。步骤S30中，所述电池参数包括电池温度、电池电流以及电池电压。所述阳极流道压力参数包括阳极流道的整体压力和以及阳极流道水蒸气压力。根据所述电池参数、所述吹扫阀动作信号以及所述阳极流道压力参数，可以确定所述输入量和所述输出量。

[0058] S40，将所述电池参数、所述吹扫阀动作信号以及所述阳极流道压力参数输入至所述无迹卡尔曼滤波观测器，计算得出所述燃料电池阳极状态变量的估计值。步骤S40中，利用所述无迹卡尔曼滤波器计算所述阳极模型的状态变量估计值，观测了气体扩散层的平均液态水饱和度，氢气、氮气、水蒸气的分压。

[0059] 本实施例中，上述燃料电池阳极状态监测方法，构建具有盲端阳极的阳极侧的非线性动态模型，并定义所述非线性动态模型的状态变量、输入量和输出量。基于所述非线性动态模型构建无迹卡尔曼滤波观测器。通过检测获得电池参数、吹扫阀动作信号以及阳极流道压力参数。根据所述电池参数、所述吹扫阀动作信号以及所述阳极流道压力参数，利用所述无迹卡尔曼滤波观测器计算所述燃料电池阳极状态变量估计值。上述燃料电池阳极状态监测方法，同时考虑了湿度传感器和电磁阀的特性以及外围传感器的特性。此外，使用无迹卡尔曼滤波的方法进行状态估计，可以实现实时估计，并实现较好的动态估计效果。此种方法仅需要测量电池参数、吹扫阀动作信号以及阳极流道压力参数，降低了系统测量工作量。

[0060] 在其中一个实施例中，所述状态变量为

[0061]

[0062] 其中，所述 为阳极流道中的氢气分压，所述 为阳极流道中的水蒸气分压，所述 为阳极流道中的氮气分压，所述savg为阳极和阴极气体扩散层中的平均液态水饱和度，所述 为由温度传感器和相对湿度传感器测得的信号计算出的阳极流道水蒸气压力。

[0063] 在其中一个实施例中，所述输入量为

[0064] [u1 u2]T＝[φ Icell]T

[0065] 其中，所述φ为吹扫阀的吹扫信号(φ＝1表示吹扫阀打开，而φ＝0表示吹扫阀关闭)，所述Icell为电池电流。

[0066] 所述输出量为：

[0067]

[0068] 其中，所述pan为阳极流道出口处压力传感器测得的阳极流道整体压力，所述为由测量信号计算出的水蒸气压力(与x5相同)，所述Vcell为电压传感器测得的电池电压，所述 为阳极侧输出端口的混合气体速度。

[0069] 所述阳物理模型的状态空间描述为：

[0070]

[0071]

[0072]

[0073]

[0074]

[0075] 其中，Wpv为吹扫阀打开时通过的气体流量； 为通过减压阀的氢气流量；λm为膜的含水量； 分别为阴极侧催化剂层和膜界面处氧气，水蒸气和氮气的分压； 分别为阳极侧催化剂层和膜界面处氧气，水蒸气和氮气
的分压；R为通用气体常数；Tcell为电池温度；Van为阳极流道体积；Mh2，Mh2o和Mn2分别为氢气，水蒸气和氮气的摩尔质量；N为电堆中串联的燃料电池数量；F为法拉第常数； 和分别为阳极流道中氢气，水蒸气和氮气的质量分数；kleak为电堆的氢气泄漏系数；kph2，kpo2和kpn2分别为氢气，氧气和氮气穿过膜的渗透系数；Acell为单节电池的有效面积；Lm为膜的厚度；Dw表示扩散系数；ρm为膜的密度； 为阴极侧膜的含水量； 为阳极侧膜的含水量；nd为电渗阻力系数；ke为液态水的蒸发速率； 为阳极流道体积中的液态水质量；psat为水蒸气饱和压力；ε为比孔隙率；ρlw为液态水密度；γpt为每单位催化剂层体积的电化学表面积；Vgdl为两个气体扩散层的体积； k＝an或ca，分别为从阳极或阴极侧流道腔室流出的气体流速； 和 分别为两侧流道的高度和长度； 为两侧流道的气体动态粘度； 为两侧流道的液态水动态粘度； 为气体扩散层的水蒸气压力；τRH为相对湿度传感器的时间常数。

[0076] 在其中一个实施例中，所述非线性动态模型的输出量与所述初始状态估计值的关系式为y1＝x1+x2+x3

[0077] y2＝x5

[0078] y3＝Vcell

[0079]

[0080] 其中，y1为阳极流道出口处压力传感器测得的阳极流道整体压力，x5、y2均为由温度传感器和相对湿度传感器测得的信号计算出的阳极流道水蒸气压力，Vcell为电压传感器测得的电池电压， 为阳极侧输出端口的混合气体速度，x1为阳极流道中的氢气分压，x2为阳极流道中的水蒸气分压，x3为阳极流道中的氮气分压。

[0081] 在其中一个实施例中，所述电池电压满足：

[0082]

[0083] 其中，V0为标准压力下的能斯特电压，p0为常数，Rcell为电池阻抗，αc≈1，为阴极转移系数， 为参考氧气摩尔浓度， 为参考交换电流密度。

[0084] 在其中一个实施例中，盲端阳极输出端口的混合气体为0。对于非盲端阳极的结构：

[0085]

[0086] 在其中一个实施例中，对上述燃料电池阳极侧的动态非线性模型进行简化：

[0087] 上述模型，包括五个内部状态：

[0088]

[0089] 根据

[0090] y2＝x5

[0091] 考虑测量噪声，x5可以基于输出信号y2和一阶滤波算法

[0092]

[0093] 其中，X5(s)是x5(t)(x5估计值)的拉普拉斯变换，Y2(s)是y2(t)的拉普拉斯变换，τ5是一阶滤波的时间常数。s是拉普拉斯变换中的复变量。将X5(s)的表达式代入状态方程中的最后一项：

[0094]

[0095] 可以得到

[0096]

[0097] 其中，X2(s)是x2(t)(x2估计值)的拉普拉斯变换。因此，状态观测方程可以被简化为三个内部状态，三个输出的降阶问题，可以按照如下的离散格式重写：

[0098]

[0099] 其中，xr＝[x1x3x4]T∈R3是简化的状态向量， 是简化的输出向量，υ是过程噪声，n是测量噪声，Δt是离散时间，f()和F()是非线性状态方程，H()是输出方程。非线性方程f()和F()可以表示为：

[0100]

[0101]

[0102] 系数ki，i＝1-25，方程fi，i＝1-2，以及重要变量的表达式如下

[0103] k3＝kph2Acell/LmMh2N，k4＝2kpo2Acell/LmMh2N，k9＝keερlw，
Wpv＝f2(x1+x2+x3)，

[0104] 其中，Dn2，Dh2和Do2分别是气体扩散层中氮气，氢气和氧气的扩散系数； 和分别是氮气在阳极侧和阴极侧气道与气体扩散层界面处的对流传质系数(m s-1)； 和分别为阳极侧氢气的对流传质系数和阴极侧氧气对流传质系数； 为阳极通道的等效截面积。阴极侧氧气分压 阴极侧氮气分压 水蒸气的饱和压力(psat)和阴极侧出口气体速度 被看作已知变量，可以通过基于阴极侧的非线性算法估计，或使用其他参数计算。

[0105] 请参见图3，为本申请一个实施例提供的无迹卡尔曼滤波观测器结构图。在其中一个实施例中，所述S40，将所述电池参数、所述吹扫阀动作信号以及所述阳极流道压力参数输入至所述无迹卡尔曼滤波观测器，计算得出所述燃料电池阳极状态变量的估计值的步骤包括：

[0106] 根据所述电池参数、所述吹扫阀动作信号以及所述阳极流道压力参数，获取所述非线性动态模型的输出量。根据所述非线性动态模型的输出量，计算所述燃料电池阳极状态变量估计值。所述根据所述非线性动态模型的输出量，计算所述燃料电池阳极状态变量估计值的步骤可以为，根据所述非线性动态模型的输出量，获取初始状态估计值。根据所述初始状态估计值，利用协方差矩阵，计算所述燃料电池阳极状态变量估计值。所述根据所述初始状态估计值，利用协方差矩阵，计算所述燃料电池阳极状态变量估计值的步骤可以为，利用所述协方差矩阵，对所述初始状态估计值进行多次迭代计算。每一个所述迭代计算，定义所述状态变量的标准差矩阵点，以获得第一矩阵。将所述第一矩阵中的标准差矩阵点输入状态方程，以获得一组新的标准差矩阵点。利用所述新的标准差矩阵点，对所述状态变量和所述输出量进行单步预测。

[0107] 具体的，所述初始状态估计 和协方差矩阵 可以表示如下:

[0108]

[0109] 随后，对于每一次迭代(k＝1，2)定义了状态变量的sigma点，得到了以下矩阵：

[0110]

[0111] 其中，所述 所述L＝3为系统维度，所述λ＝α2(L+k)-L，所述α，к为可调参数。

[0112] 将这些sigma点输入状态方程，在当前步骤中生成一组新的sigma点：

[0113]

[0114] 所述状态变量和所述输出量的单步预测表示为：

[0115]

[0116] 其中，Q为过程噪声协方差矩阵； 和 为标准差矩阵点的权重，定义如下：

[0117]

[0118] 其中，β为系数；

[0119] 利用所述单步预测结果，进行测量更新，以获得所述燃料电池阳极状态变量估计值；所述测量更新用以下等式来表示：

[0120]

[0121] 其中，C为测量噪声协方差矩阵。

[0122] 综上，本申请提出了一种燃料电池阳极状态监测方法。所述燃料电池阳极状态监测方法包括：构建具有盲端阳极的质子交换膜系统阳极侧的非线性动态模型。并定义所述阳极模型的状态变量、输入量和输出量。所述状态变量包括阳极流道中的氢气分压、水蒸气分压、氮气分压，阳极和阴极气体扩散层中的平均液态水饱和度和阳极流道水蒸气压力。所述输入量包括吹扫阀的吹扫信号和电池电流。所述输出量包括所述阳极流道的整体压力，阳极流道中的水蒸气压力，电池电压和阳极侧输出端口的混合气体速度。基于所述阳极非线性动态模型，构建了基于无迹卡尔曼滤波算法的状态观测器。无迹卡尔曼滤波观测器需要两个输入信号(电堆电流和吹扫阀动作信号)，四个测量信号(电堆温度，阳极压力，阳极输出的相对湿度和电堆电压)，并输出四个内部状态(氢气，氮气，水蒸气分压和气体扩散层中的平均液态水饱和度)。获取所述燃料电池的电堆温度，电堆电流，吹扫行为，电堆电压，阳极流道的整体压力，以及阳极流道水蒸气压力；根据所述电池温度，电池电流，吹扫行为，电池电压，阳极流道的整体压力，以及阳极流道水蒸气压力，利用所述无迹卡尔曼滤波器计算所述阳极模型的状态变量的估计值；观测了气体扩散层的平均液态水饱和度，氢气、氮气、水蒸气的分压。本申请实施例中，动态模型考虑了膜电极组件上的传质过程和阳极流道体积内的充排过程。同时考虑了湿度传感器和电磁阀的特性以及外围传感器的特性。此外，使用无迹卡尔曼滤波的方法进行状态估计，可以实现实时估计，并实现较好的动态估计效果。同时，假设相对湿度传感器的动态特性与低通滤波器相似。局部水蒸气分压可以由测得温度传感器和相对湿度传感器测得的信号计算重构。将四状态观测问题简化为三状态观测问题。这种方法仅需要测量电堆电压、电堆电流、电堆温度、阳极输出的相对湿度和阳极压力等参数，降低了系统测量工作量。

[0123] 一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中任一项所述的燃料电池阳极状态监测方法的步骤。

[0124] 一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述实施例中任一项所述的燃料电池阳极状态监测方法的步骤。

[0125] 以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

[0126] 以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。