本发明公开了一种氢储能电站质子交换膜燃料电池故障诊断方法及装置。本发明的方法包括：1）周期性采集所有处于运行状态的质子交换膜燃料电池电堆的电压和电流数据并上传云端储存；2）在同一采样周期内，基于电压和电流数据，在云端使用混沌粒子群算法并行对所有电堆进行燃料电池输出特性模型参数辨识，并进行存储；3）在同一采样周期内，将辨识出的燃料电池输出特性模型参数作为T‑S模糊模型的输入量，采用优化算法辨识隶属度函数参数并输入到T‑S模糊模型；4）分析比较T‑S模糊模型输出量的变化趋势，记录当质子交换膜燃料电池发生故障时的特征。本发明可有效提高燃料电池故障诊断的准确率，实现对燃料电池故障点精确定位。
1.氢储能电站质子交换膜燃料电池故障诊断方法，其特征在于，包括步骤：
1）周期性采集所有处于运行状态的质子交换膜燃料电池电堆的电压和电流数据并上传云端储存；
2）在同一采样周期内，基于电压和电流数据，在云端使用混沌粒子群算法并行对所有电堆进行燃料电池输出特性模型参数辨识，并进行存储；
3）在同一采样周期内，将辨识出的燃料电池输出特性模型参数作为一维T‑S模糊模型的输入量，采用优化算法辨识隶属度函数参数并输入到一维T‑S模糊模型；
4）分析比较一维T‑S模糊模型输出量的变化趋势，记录当质子交换膜燃料电池发生故障时的特征，作为历史知识库，作为后续质子交换膜燃料电池故障诊断的参考依据；
步骤2）中，在云端使用混沌粒子群算法并行对所有电堆进行参数辨识的具体步骤为：
31）算法寻优的目的是使目标函数更小，目标优化函数具体定义如下：，
其中，RMSE是均方根误差，N是电堆中电池单体的数量，Vcell是电堆的输出电压，Vi是燃料电池输出特性模型的输出电压；
32）定义种群大小、迭代次数和输入参数维度，其中种群大小与电堆的数量正相关；
34）基于SkewTent映射创建混沌序列，并与参数上下限融合，产生初始种群，增加全局最优解的寻优概率；
35）基于Logistic映射创建混沌扰动序列，并与每个粒子个体的初始位置相融合得到扰动增量；
36）计算每个粒子的适应度值，更新粒子的历史个体最优位置和群体最优位置；
37）更新粒子的速度和位置，计算位置X相对应的适应度值并记为f，对粒子更新后的位置X′施加扰动增量，计算位置X′相对应的适应度值并记为f′，比较f和f′的大小，若ff′，则粒子的最终位置更新为X′；
38）对速度和位置进行超界处理，超出上限的参数则设置为边界上限，超出下限的参数设置为边界下限；
39）判断迭代次数是否满足要求或者误差是否满足要求，若满足要求，则终止算法并输出参数和最终的适应度值；如不满足，继续重复执行上述36）38）步骤，直到满足迭代终止~条件。
2.根据权利要求1所述的氢储能电站质子交换膜燃料电池故障诊断方法，其特征在于，所述步骤2）中，按如下方法建立燃料电池输出特性模型，燃料电池输出特性模型包含单个电池电压模型、阳极供气模型和阴极供气模型，基于以下的假设条件建立燃料电池输出特性模型：
22）所有的气体都属于理想气体，符合理想气体相关反应方程；
23）燃料电池内部温度变化缓慢，内部温度保持一致；
24）忽略水在气态状态下对燃料电池发电系统的影响；
3.根据权利要求1所述的氢储能电站质子交换膜燃料电池故障诊断方法，其特征在于，所述步骤3）中，将辨识出的燃料电池输出特性模型参数归一化后作为一维T‑S模糊模型的输入量，其模糊参考子集的数量为L个，采用优化算法辨识隶属度函数参数并输入到模糊模型，属于各个一维T‑S模糊模型输入的模糊参考子集k的隶属度函数uBn,k为：，
其中，B代表辨识出的燃料电池输出特性模型参数，Bn是燃料电池输出特性模型参数对应具体的值，n是辨识出的参数数量；mBn,k和 是隶属度函数待定参数；
根据T‑S模糊模型的推理规则，输入为L个模糊参考子集时，输出的模糊参考子集也为L个，其输出为：；
其中，uoutput,m表示输出的隶属度函数，m是一维T‑S模糊模型输出的模糊参考子集；
41）优化算法的目标函数为模糊模型的输出output，算法优化的目的是寻找最优的参数使目标函数最大化；
42）输入参数归一化，参数范围限制在(0,1)，每个参数保留两位有效数字；
44）判断迭代次数是否满足要求或者误差是否满足要求，若满足，则终止算法并输出优化参数和对应的目标函数值；若不满足，则继续执行43），直至满足迭代终止要求。
4.根据权利要求3所述的氢储能电站质子交换膜燃料电池故障诊断方法，其特征在于，所述步骤4）中，分析比较模糊模型输出量的变化趋势，模糊模型输出量的变化趋势表示为：，
其中，output(t)是在某一时刻t模糊模型的输出量，T是采样周期，output(t+T)是间隔一个采样周期的模糊模型的输出量， 是输出量的变化量；
当燃料电池发生故障时，模糊模型输出量的变化趋势异常，这些异常情况分别对应燃料电池不同的故障状态，在云端对这些异常状态进行记录作为历史知识库，在以后的工作周期内，当模糊模型输出量变化异常时，查询历史知识库进行匹配，进行精确的燃料电池故障诊断并进行精确的燃料电池故障定位；如果故障可逆，则自动下发指令给燃料电池电堆控制器，调整运行参数以使燃料电池恢复正常的工作状态；如果故障不可逆，则及时下发停机指令，避免对燃料电池本身造成进一步的损害。
5.氢储能电站质子交换膜燃料电池故障诊断装置，其特征在于，包括：电压和电流数据采集单元：周期性采集所有处于运行状态的质子交换膜燃料电池电堆的电压和电流数据并上传云端储存；
质子交换膜燃料电池模型参数辨识单元：在同一采样周期内，基于电压和电流数据，在云端使用混沌粒子群算法并行对所有电堆进行燃料电池输出特性模型参数辨识，并进行存储；
一维T‑S模糊模型构建单元：在同一采样周期内，将辨识出的燃料电池输出特性模型参数作为一维T‑S模糊模型的输入量，采用优化算法辨识隶属度函数参数并输入到一维T‑S模糊模型；
燃料电池故障诊断单元：分析比较一维T‑S模糊模型输出量的变化趋势，记录当质子交换膜燃料电池发生故障时的特征，作为历史知识库，作为后续质子交换膜燃料电池故障诊断的参考依据；
所述的质子交换膜燃料电池模型参数辨识单元中，在云端使用混沌粒子群算法并行对所有电堆进行参数辨识的具体步骤为：
31）算法寻优的目的是使目标函数更小，目标优化函数具体定义如下：，
其中，RMSE是均方根误差，N是电堆中电池单体的数量，Vcell是电堆的输出电压，Vi是燃料电池输出特性模型的输出电压；
32）定义种群大小、迭代次数和输入参数维度，其中种群大小与电堆的数量正相关；
34）基于SkewTent映射创建混沌序列，并与参数上下限融合，产生初始种群，增加全局最优解的寻优概率；
35）基于Logistic映射创建混沌扰动序列，并与每个粒子个体的初始位置相融合得到扰动增量；
36）计算每个粒子的适应度值，更新粒子的历史个体最优位置和群体最优位置；
37）更新粒子的速度和位置，计算位置X相对应的适应度值并记为f，对粒子更新后的位置X′施加扰动增量，计算位置X′相对应的适应度值并记为f′，比较f和f′的大小，若ff′，则粒子的最终位置更新为X′；
38）对速度和位置进行超界处理，超出上限的参数则设置为边界上限，超出下限的参数设置为边界下限；
39）判断迭代次数是否满足要求或者误差是否满足要求，若满足要求，则终止算法并输出参数和最终的适应度值；如不满足，继续重复执行上述36）38）步骤，直到满足迭代终止~条件。
6.根据权利要求5所述的氢储能电站质子交换膜燃料电池故障诊断装置，其特征在于，所述质子交换膜燃料电池模型参数辨识单元中，按如下方法建立燃料电池输出特性模型，燃料电池输出特性模型包含电压模型、阳极供气模型和阴极供气模型，基于以下的假设条件建立燃料电池输出特性模型：
22）所有的气体都属于理想气体，符合理想气体相关反应方程；
23）燃料电池内部温度变化缓慢，内部温度保持一致；
24）忽略水在气态状态下对燃料电池发电系统的影响；
7.根据权利要求5所述的氢储能电站质子交换膜燃料电池故障诊断装置，其特征在于，所述一维T‑S模糊模型构建单元中，将辨识出的燃料电池输出特性模型参数归一化后作为一维T‑S模糊模型的输入量，其模糊参考子集的数量为L个，采用优化算法辨识隶属度函数参数并输入到模糊模型，属于各个一维T‑S模糊模型输入的模糊参考子集k的隶属度函数uBn,k为：，
其中，B代表辨识出的燃料电池输出特性模型参数，Bn是燃料电池输出特性模型参数对应具体的值，n是辨识出的参数数量；mBn,k和 是隶属度函数待定参数；
根据T‑S模糊模型的推理规则，输入为L个模糊参考子集时，输出的模糊参考子集也为L个，其输出为：；
其中，uoutput,m表示输出的隶属度函数，m是一维T‑S模糊模型输出的模糊参考子集；
41）优化算法的目标函数为模糊模型的输出output，算法优化的目的是寻找最优的参数使目标函数最大化；
42）输入参数归一化，参数范围限制在(0,1)，每个参数保留两位有效数字；
44）判断迭代次数是否达到最大迭代次数或者误差是否满足要求，若满足，则终止算法并输出优化参数和对应的目标函数值；若不满足，则继续执行43），直至满足迭代终止要求。
8.根据权利要求7所述的氢储能电站质子交换膜燃料电池故障诊断装置，其特征在于，所述燃料电池故障诊断单元中，分析比较模糊模型输出量的变化趋势，模糊模型输出量的变化趋势表示为：，
其中，output(t)是在某一时刻t模糊模型的输出量，T是采样周期，output(t+T)是间隔一个采样周期的模糊模型的输出量， 是输出量的变化量；
当燃料电池发生故障时，模糊模型输出量的变化趋势异常，这些异常情况分别对应燃料电池不同的故障状态，在云端对这些异常状态进行记录作为历史知识库，在以后的工作周期内，当模糊模型输出量变化异常时，查询历史知识库进行匹配，进行精确的燃料电池故障诊断并进行精确的燃料电池故障定位；如果故障可逆，则自动下发指令给燃料电池电堆控制器，调整运行参数以使燃料电池恢复正常的工作状态；如果故障不可逆，则及时下发停机指令，避免对燃料电池本身造成进一步的损害。
氢储能电站质子交换膜燃料电池故障诊断方法及装置
技术领域
[0001] 本发明属于氢能与燃料电池领域，涉及燃料电池的故障诊断，尤其是一种基于云计算的氢储能电站质子交换膜燃料电池电池故障诊断方法及装置。
背景技术
[0002] 氢储能电站是实现低成本、大规模、长周期储能的一种重要方式，因而日益得到人们的重视。在氢储能电站中，通常包括电转氢装置、储氢装置和氢转电装置，而燃料电池是将氢能转换为电能的核心装置。
[0003] 质子交换膜燃料电池是目前应用最为广泛的燃料电池技术，具有工作效率高、无污染、运行噪音低等优点，在航空航天、电动汽车领域已经有了广泛的应用。相比于传统应用，应用于氢储能电站的质子交换膜燃料电池有两个突出的不同：首先是容量大，储能用质子交换膜电池需要达到MW级容量；其次是电堆数量多，单一电堆的容量通常难以满足电站需求，需要一定数量的电堆级联。
[0004] 这两个突出的特点给燃料电池的运维带来很大的挑战，如果无法快速辨识出故障电堆并进行更换，将会造成储能电站停运甚至带来一定的安全隐患。因此，亟待研发相关策略，实现对氢储能电站中质子交换膜燃料电池故障的快速诊断。
发明内容
[0005] 为提高氢储能电站中质子交换膜燃料电池单电池和电堆的故障诊断效率，实现储能电站的多终端智能化控制，本发明提供一种基于云计算的氢储能电站质子交换膜燃料电池电池故障诊断方法及装置，以有效提高燃料电池故障诊断的准确率，实现对燃料电池故障点精确定位，并通过云计算（云平台）实现对大量电站的统一管理，数据共享，降低就地的计算负担。
[0006] 为此，本发明采用的一种技术方案如下：氢储能电站质子交换膜燃料电池故障诊断方法，其包括步骤：
[0007] 1）周期性采集所有处于运行状态的质子交换膜燃料电池电堆的电压和电流数据并上传云端储存；
[0008] 2）在同一采样周期内，基于电压和电流数据，在云端使用混沌粒子群算法并行对所有电堆进行燃料电池输出特性模型参数辨识，并进行存储；
[0009] 3）在同一采样周期内，将辨识出的燃料电池输出特性模型参数作为一维T‑S模糊模型的输入量，采用优化算法辨识隶属度函数参数并输入到一维T‑S模糊模型；
[0010] 4）分析比较一维T‑S模糊模型输出量的变化趋势，记录当质子交换膜燃料电池发生故障时的特征，作为历史知识库，作为后续质子交换膜燃料电池故障诊断的参考依据。
[0011] 作为上述技术方案的补充，所述步骤2）中，按如下方法建立燃料电池输出特性模型，燃料电池输出特性模型包含电压模型、阳极供气模型和阴极供气模型，基于以下的假设条件建立燃料电池输出特性模型：
[0012] 21）所有进入阴极及阳极的气体都经过充分的加湿；
[0013] 22）所有的气体都属于理想气体，符合理想气体相关反应方程；
[0014] 23）燃料电池内部温度变化缓慢，内部温度保持一致；
[0015] 24）忽略水在气态状态下对燃料电池发电系统的影响；
[0016] 25）遵循压力平衡和物料守恒的基本原则。
[0017] 作为上述技术方案的补充，步骤2）中，在云端使用混沌粒子群算法并行对所有电堆进行参数辨识的具体步骤为：
[0018] 31）算法寻优的目的是使目标函数更小，目标优化函数具体定义如下：
[0019] ，
[0020] 其中，RMSE是均方根误差，N是电堆中电池单体的数量，Vcell是电堆的输出电压，Vi是燃料电池输出特性模型的输出电压；
[0021] 32）定义种群大小、迭代次数和输入参数维度，其中种群大小与电堆的数量正相关；
[0022] 33）基于历史数据经验给定需要辨识参数的上下限；
[0023] 34）基于SkewTent映射创建混沌序列，并与参数上下限融合，产生初始种群，增加全局最优解的寻优概率；
[0024] 35）基于Logistic映射创建混沌扰动序列，并与每个粒子个体的初始位置相融合得到扰动增量；
[0025] 36）计算每个粒子的适应度值，更新粒子的历史个体最优位置和群体最优位置；
[0026] 37）更新粒子的速度和位置，计算位置X相对应的适应度值并记为f，对粒子更新后的位置X′施加扰动增量，计算位置X′相对应的适应度值并记为f′，比较f和f′的大小，[0027] 若ff′，则粒子的最终位置更新为X′；
[0028] 38）对速度和位置进行超界处理，超出上限的参数则设置为边界上限，超出下限的参数设置为边界下限；
[0029] 39）判断迭代次数是否满足要求或者误差是否满足要求，若满足要求，则终止算法并输出参数和最终的适应度值；如不满足，继续重复执行上述36）38）步骤，直到满足迭代~终止条件。
[0030] 作为上述技术方案的补充，所述步骤3）中，将辨识出的燃料电池输出特性模型参数归一化后作为一维T‑S模糊模型的输入量，其模糊参考子集的数量为L个，采用优化算法辨识隶属度函数参数并输入到模糊模型，属于各个一维T‑S模糊模型输入的模糊参考子集k的隶属度函数uBn,k为：
[0031] ，
[0032] 其中，B代表辨识出的燃料电池输出特性模型参数，Bn是燃料电池输出特性模型参数对应具体的值，n是辨识出的参数数量；mBn,k和sBn,k是隶属度函数待定参数；
[0033] 根据T‑S模糊模型的推理规则，输入为L个模糊参考子集时，输出的模糊参考子集也为L个，其输出为：
[0034] ；
[0035] 其中，uoutput,m表示输出的隶属度函数，m是一维T‑S模糊模型输出的模糊参考子集；
[0036] 所述的采用优化算法辨识隶属度函数参数，其步骤为：
[0037] 41）优化算法的目标函数为模糊模型的输出output，算法优化的目的是寻找最优的参数使目标函数最大化；
[0038] 42）输入参数归一化，参数范围限制在(0,1)，每个参数保留两位有效数字；
[0039] 43）采用优化算法对隶属度函数的参数进行辨识；
[0040] 44）判断迭代次数是否满足要求或者误差是否满足要求，若满足，则终止算法并输出优化参数和对应的目标函数值；若不满足，则继续执行43），直至满足迭代终止要求。
[0041] 作为上述技术方案的补充，所述步骤4）中，分析比较模糊模型输出量的变化趋势，模糊模型输出量的变化趋势表示为：
[0042] ，
[0043] 其中，output(t)是在某一时刻t模糊模型的输出量，T是采样周期，output(t+T)是间隔一个采样周期的模糊模型的输出量，Doutput是输出量的变化量；
[0044] 当燃料电池发生故障时，模糊模型输出量的变化趋势异常，这些异常情况分别对应燃料电池不同的故障状态，在云端对这些异常状态进行记录作为历史知识库，在以后的工作周期内，当模糊模型输出量变化异常时，查询历史知识库进行匹配，进行精确的燃料电池故障诊断并进行精确的燃料电池故障定位；如果故障可逆，则自动下发指令给燃料电池电堆控制器，调整运行参数以使燃料电池恢复正常的工作状态；如果故障不可逆，则及时下发停机指令，避免对燃料电池本身造成进一步的损害。故障诊断的次数越多，则历史知识库积累的数据更多，诊断的准确率也能更高。
[0045] 本发明采用的另一种技术方案为：氢储能电站质子交换膜燃料电池故障诊断装置，其包括：
[0046] 电压和电流数据采集单元：周期性采集所有处于运行状态的质子交换膜燃料电池电堆的电压和电流数据并上传云端储存；
[0047] 质子交换膜燃料电池模型参数辨识单元：在同一采样周期内，基于电压和电流数据，在云端使用混沌粒子群算法并行对所有电堆进行燃料电池输出特性模型参数辨识，并进行存储；
[0048] 一维T‑S模糊模型构建单元：在同一采样周期内，将辨识出的燃料电池输出特性模型参数作为一维T‑S模糊模型的输入量，采用优化算法辨识隶属度函数参数并输入到一维T‑S模糊模型；
[0049] 燃料电池故障诊断单元：分析比较一维T‑S模糊模型输出量的变化趋势，记录当质子交换膜燃料电池发生故障时的特征，作为历史知识库，作为后续质子交换膜燃料电池故障诊断的参考依据。
[0050] 本发明具有的有益效果是：仅仅通过检测质子交换膜燃料电池的工作电压和电流，无需额外的附加装置，就可以对燃料电池电堆整体进行精确的故障诊断和故障点定位。当故障可逆时，云端自动下发指令给燃料电池电堆控制器，调整运行参数以使燃料电池恢复正常的工作状态。如果故障不可逆，则及时下发停机指令，避免对燃料电池本身造成进一步的损害。故障诊断的次数越多，则历史知识库积累的数据更多，诊断的准确率也能更高。
通过云计算（云平台）可以实现对大量电站的统一管理，数据共享，也降低了就地的计算负担。
附图说明
[0051] 图1为本发明具体实施方式中氢储能电站结构示意图；
[0052] 图2为本发明诊断方法的流程图；
[0053] 图3为本发明并行辨识模型参数的流程图；
[0054] 图4为本发明对电压、电流数据进行参数辨识的结果图；
[0055] 图5为本发明对电压、电流数据进行参数辨识的结果图；
[0056] 图6为本发明蚁群算法辨识隶属度函数参数的流程图；
[0057] 图7为本发明故障诊断的流程图；
[0058] 图8为本发明实施例1中某个电堆某一段时间内的处于水淹故障下的output的变化曲线图；
[0059] 图9为本发明实施例1中某个电堆某一段时间内的处于膜干故障下的output的变化曲线图；
[0060] 图10为本发明实施例2中某个电堆某一段时间内的处于水淹故障下的output的变化曲线图；
[0061] 图11为本发明实施例2中某个电堆某一段时间内的处于膜干故障下的output的变化曲线图。
具体实施方式
[0062] 下面将结合本发明实施例中的附图，对本实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是对本发明一部分实例，而不是全部的实例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0063] 实施例1
[0064] 本实施例提供一种基于云计算的氢储能电站质子交换膜燃料电池故障诊断方法。
[0065] 氢储能电站结构如图1所示，由云平台、氢储能装置、PEMFC发电系统、控制与保护系统（简称控制系统）、逆变器等部分组成。由于氢储能电站的输出功率比较大，也为了方便管理，被分为若干个电池堆，电堆通过串并联耦合形成PEMFC发电系统，其与逆变器连接，实现直交流转换与并网功率控制。控制与保护系统实现氢储能电站、质子交换膜燃料电池与电网互动与保护，也是本发明故障诊断方法实现场所，故障诊断方法流程如图2所示，步骤如下：
[0066] 1）周期性采集所有处于运行状态的质子交换膜燃料电池电堆的电压和电流数据并上传云端储存；
[0067] 2）在同一采样周期内，基于电压和电流数据，在云端使用混沌粒子群算法并行对所有电堆进行燃料电池输出特性模型参数辨识，并进行存储；
[0068] 3）在同一采样周期内，将辨识出的燃料电池输出特性模型参数作为一维T‑S模糊模型的输入量，采用优化算法辨识隶属度函数参数并输入到一维T‑S模糊模型；
[0069] 4）分析比较一维T‑S模糊模型输出量的变化趋势，记录当质子交换膜燃料电池发生故障时的特征，作为历史知识库，作为后续质子交换膜燃料电池故障诊断的参考依据。
[0070] 首先在云端基于质子交换膜燃料电池的相关特性及电化学反应建立燃料电池输出特性模型，燃料电池输出特性模型包括单个电池电压模型、阳极供气模型和阴极供气模型。
[0071] 基于以下的假设条件建立燃料电池输出特性模型：
[0072] 21）所有进入阴极及阳极的气体都经过充分的加湿；
[0073] 22）所有的气体都属于理想气体，符合理想气体相关反应方程；
[0074] 23）燃料电池内部温度变化缓慢（在3℃范围内波动），内部温度保持一致；
[0075] 24）忽略水在气态状态下对燃料电池发电系统的影响；
[0076] 25）遵循压力平衡和物料守恒的基本原则。
[0077] 单个电池电压模型包括用以表述燃料电池理论最大输出电压的能斯特电压模型、用以描述在电化学反应中由于传质引起的反应物浓度变化而产生的浓度过电压模型、用以描述质子以水合氢离子的形式穿过质子交换膜和电子通过外电路所遇到的阻碍作用的欧姆极化过电压模型、由电极电化学延迟造成的活化极化过电压模型。
[0078] 单个电池电压模型具体为：
[0079] ，
[0080] 其中，Vcell是燃料电池的输出电压，Enernst是燃料电池的开路电压，Vact是活化极化过电压，Vohm是欧姆极化过电压，Vcon是浓差极化过电压。
[0081] 所述的能斯特电压模型具体为：
[0082] ，
[0083] 其中，∆G为吉布斯自由能，F为法拉第常数，R为普适气体常数，∆S为熵变，Tref为参考温度，PH2和PO2分别为阳极中氢气与阴极中氧气的压力，T表示电堆温度。
[0084] 所述的浓度过电压模型具体为：
[0085] ，
[0086] 其中，imax为最大电流密度，i为实际电堆电流密度，B为方程系数，其值的大小与燃料电池本身的性质有关，是燃料电池输出特性模型中需要辨识的参数。
[0087] 所述的欧姆极化过电压模型具体为：
[0088] ，
[0089] ，
[0090] 其中，I表示电堆输出电流，rm为质子交换膜的电阻率，lm为质子交换膜的厚度，A为质子交换膜的有效活化面积，RC为电子流动阻抗，l是质子交换膜的含水量，是燃料电池输出特性模型中需要辨识的参数。
[0091] 所述的活化极化过电压模型具体为：
[0092] ，
[0093] 其中， 、 、 、 是公式中对应的系数，是燃料电池输出特性模型中需要辨识的参数；T为电堆运行的温度，I为电堆输出电流，CO2为氧气的溶解浓度，其值由亨利定律可得：
[0094] ，
[0095] 其中，PO2为氧气分压；
[0096] ，
[0097] 所述的阳极供气模型具体为：
[0098] ，
[0099] 其中，mH2,an和mw,an分别为阳极流场中的氢气与水蒸气质量；WH2,an,in和Wv,an,in分别为流入阳极流场的氢气与水蒸气的流量；WH2,an,out和Wv,an,out分别为流出阳极流场的氢气与水蒸气的流量；WH2,reacted为电化学反应过程中参与反应掉的氢气流量；Wl,an,out是阳极流场排除的液态水流量。
[0100] 所述的阴极供气模型具体为：
[0101] ，
[0102] 其中，mO2、mN2和mv,ca分别为阴极流场中的氧气、氮气与水蒸气质量；WO2,ca,in、WN2,ca,in、Wv,ca,in分别为流入阴极流场的氧气、氮气与水蒸气的质量；WO2,ca,out、WN2,ca,out、Wv,ca,out分别为流出阴极流场的氧气、氮气与水蒸气的质量；WO2,reacted、Wv,gen分别为电化学反应过程中反应掉的氧气流量与生成的水蒸气质量；Wv,mem是通过质子交换膜迁移至阴极流场的水蒸气流量。
[0103] 氢储能电站控制系统通过通讯设备采集所有处于运行状态的燃料电池电堆的电压和电流数据，并上传到云端存储，第K个电堆的单个电池电压记为UK1,UK2,…UKn，其中n是第K个电堆中电池的数量。基于电流、电压数据并行进行质子交换膜燃料电池输出特性模型的参数辨识，将辨识出的燃料电池输出特性模型参数储存在云端，辨识的流程图如图3所示。
[0104] 在云端使用混沌粒子群算法并行对所有电堆进行参数辨识的具体步骤为：
[0105] 31）算法寻优的目的是使目标函数更小，目标优化函数具体定义如下：
[0106] ，
[0107] 其中，RMSE是均方根误差，N是电堆中电池单体的数量，Vcell是电堆的输出电压，Vi是燃料电池输出特性模型的输出电压；
[0108] 32）定义种群大小、迭代次数和输入参数维度，其中种群大小与电堆的数量正相关；
[0109] 33）基于历史数据经验给定需要辨识参数的上下限；
[0110] 34）基于SkewTent映射创建混沌序列，并与参数上下限融合，产生初始种群，增加全局最优解的寻优概率；
[0111] 35）基于Logistic映射创建混沌扰动序列，并与每个粒子个体的初始位置相融合得到扰动增量；
[0112] 36）计算每个粒子的适应度值，更新粒子的历史个体最优位置和群体最优位置；
[0113] 37）更新粒子的速度和位置，计算位置X相对应的适应度值并记为f，对粒子更新后的位置X′施加扰动增量，计算位置X′相对应的适应度值并记为f′，比较f和f′的大小，[0114] 若ff′，则粒子的最终位置更新为X′；
[0115] 38）对速度和位置进行超界处理，超出上限的参数则设置为边界上限，超出下限的参数设置为边界下限；
[0116] 39）判断迭代次数是否满足要求或者误差是否满足要求，若满足要求，则终止算法并输出参数和最终的适应度值；如不满足，继续重复执行上述36）38）步骤，直到满足迭代~终止条件。
[0117] 以某个电堆为例，对其进行参数辨识，将辨识得到的参数重新输入到燃料电池输出特性模型中，得到其输出电压和电堆电压对比的结果如图4和图5所示。
[0118] 图4中，在输入的数据Pa/Pc为3/5bar、1/1bar的情况下，将辨识得到的参数输入到燃料电池输出特性模型中，得到燃料电池输出特性模型的输出电压（简称模型电压），该输出电压与电堆电压进行对比；图5中，在输入的数据Pa/Pc为2.5/3bar、1.5/1.5bar的情况下，将辨识得到的参数输入到燃料电池输出特性模型中，得到燃料电池输出特性模型的输出电压（简称模型电压），该输出电压与电堆电压进行对比。
[0119] 然后将辨识出的燃料电池输出特性模型参数归一化后作为一维T‑S模糊模型的输入量，其参考模糊子集为7个，其隶属度函数为：
[0120] ，
[0121] 其中，B代表辨识出的燃料电池输出特性模型参数，Bn是燃料电池输出特性模型参数对应具体的值，n是辨识出的参数数量；mBn,k和sBn,k是隶属度函数待定参数。
[0122] 根据T‑S模糊模型的推理规则，输入为7个模糊参考子集时，输出的模糊参考子集也为7个，其输出为：
[0123] ，
[0124] 其中，uoutput,m表示输出的隶属度函数，m是一维T‑S模糊模型输出的模糊参考子集。
[0125] 使用蚁群算法对隶属度函数的待定参数进行辨识。蚁群算法目标优化函数是样本点的模糊模型输出之和，蚁群算法的寻优过程是求解模糊模型输出之和最大的过程，其流程图如图6所示。
[0126] 所述的采用优化算法辨识隶属度函数参数，其步骤为：
[0127] 41）优化算法的目标函数为模糊模型的输出output，算法优化的目的是寻找最优的参数使目标函数最大化；
[0128] 42）输入参数归一化，参数范围限制在(0,1)，每个参数保留两位有效数字；
[0129] 43）采用优化算法对隶属度函数的参数进行辨识；
[0130] 44）判断迭代次数是否达到最大迭代次数或者误差是否达到要求，若满足，则终止算法并输出优化参数和对应的目标函数值；若不满足，则继续执行43），直至满足迭代终止要求。
[0131] 然后分析比较模糊模型的输出量的变化趋势，模糊模型的输出量的变化趋势表示为：
[0132] ，
[0133] 其中，output(t)是在某一时刻模糊模型的输出量，T是采样周期，output(t+T)是间隔一个采样周期的模糊模型的输出量，Doutput是输出量的变化量。在云端周期性地重复以上步骤，并计算模糊模型的输出量，跟踪其变化趋势。在燃料电池正常工作时，模糊模型输出量的变化量稳定地发生周期性变化。当燃料电池发生故障时，模糊模型的输出量的变化趋势也异常，这些异常情况分别对应燃料电池不同的故障状态，在云端对这些异常状态进行记录作为历史知识库，在以后的工作周期内，当模糊模型输出量变化异常时，查询历史知识库进行匹配，进行精确的燃料电池故障诊断并进行精确的燃料电池故障定位。如果故障可逆，则云端自动下发指令给燃料电池电堆控制器，调整运行参数以使燃料电池恢复正常的工作状态。如果故障不可逆，则及时下发停机指令，避免对燃料电池本身造成进一步的损害。诊断流程如图7所示。故障诊断的次数越多，则历史知识库积累的数据更多，诊断的准确率也能更高。
[0134] 本发明以某个电堆的某个采样周期内共计20个电压、电流样本点的数据为例，定义混沌粒子群算法的种群大小为50，迭代终止条件是迭代次数满足300或者是辨识误差小‑2于10 ，按照燃料电池输出特性模型设置参数维度为7。在给定的参数范围下，经过混沌粒子群算法辨识的参数数值如下表所示：
[0135]
[0136] 模糊模型的输入模糊参考子集设定为7个，分别是“Z”为零；“VS”为非常小；“S”为小；“M”为中等；“B”为大；“VB”为很大；“EB”为非常大。
[0137] 模糊模型的输出模糊子集也同样设定为7个，与 输入模糊子集设定相同。其隶属度函数定义为单值函数，令：
[0138] Z= 0；VS= 0.1；S= 0.2；M=0.3；B=0.4；VB=0.5；EB=0.1。
[0139] 假设经过了n个采样周期，即通过混沌粒子算法辨识得到n组不同的参数值（每一组都为7维），对数据进行归一化处理，然后采用蚁群算法得到n组参数的模糊模型之和最优值，从而辨识出隶属度函数的最优参数；然后根据隶属度函数的最优参数计算每个采样周期的模糊模型的输出output的数值。
[0140] 为了举例说明具体的故障判定方法，图8给出了某个电堆某一段时间内的处于水淹故障下的模糊模型output(输出)的变化曲线，图9给出了某个电堆某一段时间内的处于膜干故障下的模糊模型output(输出)的变化曲线。
[0141] 根据图8和图9可以看到，当output降到0.8以下即意味着电堆出现了故障，但是这还不能判别具体的故障类型。但是根据Doutput与故障类型的对应关系，可以建立以下的对应关系：Doutput<0.1，出现水淹故障；Doutput>=0.1，出现膜干故障。记录水淹和膜干两种故障状态对应的输出量的变化趋势作为历史知识库，在以后的工作周期内，当模糊模型输出量变化异常时，查询历史知识库进行匹配，就可以诊断燃料电池电堆是否出现了水淹和膜干故障。对于其它的故障类型，同样建立历史知识库进行判别。
[0142] 由于对电站的电堆同步进行故障诊断，因此根据电堆电压、电流数据计算得到的模糊模型输出量就可以精确判断每个电堆的健康状态。
[0143] 实施例2
[0144] 本实施例提供一种基于云计算的氢储能电站质子交换膜燃料电池故障诊断装置，包含电压和电流数据采集单元、质子交换膜燃料电池模型参数辨识单元、一维T‑S模糊模型单元和燃料电池故障诊断单元。
[0145] 电压和电流数据采集单元：周期性采集所有处于运行状态的质子交换膜燃料电池电堆的电压、电流数据并上传云端储存。
[0146] 质子交换膜燃料电池模型参数辨识单元：在同一采样周期内，基于电压和电流数据，在云端使用混沌粒子群算法并行对所有电堆进行燃料电池输出特性模型参数辨识，并进行存储。
[0147] 一维T‑S模糊模型构建单元：在同一采样周期内，将辨识出的燃料电池输出特性模型参数作为一维T‑S模糊模型的输入量，采用优化算法辨识隶属度函数参数并输入到一维T‑S模糊模型。
[0148] 燃料电池故障诊断单元：分析比较一维T‑S模糊模型输出量的变化趋势，记录当质子交换膜燃料电池发生故障时的特征，作为历史知识库，作为后续质子交换膜燃料电池故障诊断的参考依据。
[0149] 具体地，所述质子交换膜燃料电池模型参数辨识单元中，按如下方法建立燃料电池输出特性模型，燃料电池输出特性模型包含单个电池电压模型、阳极供气模型和阴极供气模型。基于以下的假设条件建立燃料电池输出特性模型：
[0150] 21）所有进入阴极及阳极的气体都经过充分的加湿；
[0151] 22）所有的气体都属于理想气体，符合理想气体相关反应方程；
[0152] 23）燃料电池内部温度变化缓慢（在3℃范围内波动），内部温度保持一致；
[0153] 24）忽略水在气态状态下对燃料电池发电系统的影响；
[0154] 25）遵循压力平衡和物料守恒的基本原则。
[0155] 所述的单个电池电压模型具体为：
[0156] ，
[0157] 其中，Vcell是燃料电池的输出电压，Enernst是燃料电池的开路电压，Vact是活化极化过电压，Vohm是欧姆极化过电压，Vcon是浓差极化过电压。
[0158] 所述的阳极供气模型具体为：
[0159] ，
[0160] 其中，mH2和mw,an分别为阳极流场中的氢气与水蒸气质量；WH2,an,in和Wv,an,in分别为流入阳极流场的氢气与水蒸气的流量；WH2,an,out和Wv,an,out分别为流出阳极流场的氢气与水蒸气的流量；WH2,reacted为电化学反应过程中参与反应掉的氢气流量；Wl,an,out是阳极流场排除的液态水流量。
[0161] 所述的阴极供气模型具体为：
[0162] ，
[0163] 其中，mO2、mN2和mv,ca分别为阴极流场中的氧气、氮气与水蒸气质量；WO2,ca,in、WN2,ca,in、Wv,ca,in分别为流入阴极流场的氧气、氮气与水蒸气的质量；WO2,ca,out、WN2,ca,out、Wv,ca,out分别为流出阴极流场的氧气、氮气与水蒸气的质量；WO2,reacted、Wv,gen分别为电化学反应过程中反应掉的氧气流量与生成的水蒸气质量；Wv,mem是通过质子交换膜迁移至阴极流场的水蒸气流量。
[0164] 所述质子交换膜燃料电池模型参数辨识单元，在云端基于改进的混沌粒子群优化算法的燃料电池电压模型参数并行辨识，步骤为：
[0165] 31）算法寻优的目的是使目标函数更小，目标优化函数具体定义如下：
[0166] ，
[0167] 其中，RMSE是均方根误差，N是电堆中电池单体的数量，Vcell是电堆的输出电压，Vi是燃料电池输出特性模型的输出电压；
[0168] 32）定义种群大小、迭代次数和输入参数维度，其中种群大小与电堆的数量正相关；
[0169] 33）基于历史数据经验给定需要辨识参数的上下限；
[0170] 34）基于SkewTent映射创建混沌序列，并与参数上下限融合，产生初始种群，增加全局最优解的寻优概率；
[0171] 35）基于Logistic映射创建混沌扰动序列，并与每个粒子个体的初始位置相融合得到扰动增量；
[0172] 36）计算每个粒子的适应度值，更新粒子的历史个体最优位置和群体最优位置；
[0173] 37）更新粒子的速度和位置，计算位置X相对应的适应度值并记为f，对粒子更新后的位置X′施加扰动增量，计算位置X′相对应的适应度值并记为f′，比较f和f′的大小，[0174] 若ff′，则粒子的最终位置更新为X′；
[0175] 38）对速度和位置进行超界处理，超出上限的参数则设置为边界上限，超出下限的参数设置为边界下限；
[0176] 39）判断迭代次数是否满足要求或者误差是否满足要求，若满足要求，则终止算法并输出参数和最终的适应度值；如不满足，继续重复执行上述36）38）步骤，直到满足迭代~终止条件。
[0177] 所述一维T‑S模糊模型构建单元中，将辨识出的燃料电池输出特性模型参数归一化后作为一维T‑S模糊模型的输入量，其模糊参考子集的数量为L个，采用优化算法辨识隶属度函数参数并输入到模糊模型，属于各个一维T‑S模糊模型输入的模糊参考子集k的隶属度函数uBn,k为：
[0178] ，
[0179] 其中，B代表辨识出的燃料电池输出特性模型参数，Bn是燃料电池输出特性模型参数对应具体的值，n是辨识出的参数数量；mBn,k和sBn,k是隶属度函数待定参数；
[0180] 根据T‑S模糊模型的推理规则，输入为L个模糊参考子集时，输出的模糊参考子集也为L个，其输出为：
[0181] ；
[0182] 其中，uoutput,m表示输出的隶属度函数，m是一维T‑S模糊模型输出的模糊参考子集。
[0183] 所述的采用优化算法辨识隶属度函数参数，其步骤为：
[0184] 41）优化算法的目标函数为模糊模型的输出output，算法优化的目的是寻找最优的参数使目标函数最大化；
[0185] 42）输入参数归一化，参数范围限制在(0,1)，每个参数保留两位有效数字；
[0186] 43）采用优化算法对隶属度函数的参数进行辨识；
[0187] 44）判断迭代次数是否满足要求或者误差是否满足要求，若满足，则终止算法并输出优化参数和对应的目标函数值；若不满足，则继续执行43），直至满足迭代终止要求。
[0188] 所述燃料电池故障诊断单元中，分析比较模糊模型的输出量的变化趋势，模糊模型的输出量的变化趋势表示为：
[0189] ，
[0190] 其中，output(t)是在某一时刻模糊模型的输出量，T是采样周期，output(t+T)是间隔一个采样周期的模糊模型的输出量，Doutput是输出量的变化量。
[0191] 所述燃料电池故障诊断单元，当燃料电池发生故障时，模糊模型的输出量的变化趋势也异常，这些异常情况分别对应燃料电池不同的故障状态，在云端对这些异常状态进行记录作为历史知识库，在以后的工作周期内，当模糊模型输出量变化异常时，查询历史知识库进行匹配，进行精确的燃料电池故障诊断并进行精确的燃料电池故障定位。如果故障可逆，则自动下发指令给燃料电池电堆控制器，调整运行参数以使燃料电池恢复正常的工作状态。如果故障不可逆，则及时下发停机指令，避免对燃料电池本身造成进一步的损害。故障诊断的次数越多，则历史知识库积累的数据更多，诊断的准确率也能更高。
[0192] 本发明以某个电堆的某个采样周期内共计20个电压、电流样本点的数据为例，定义混沌粒子群算法的种群大小为50，迭代终止条件是迭代次数满足300或者是辨识误差小‑2于10 ，按照输出特性模型设置参数维度为7。在给定的参数范围下，经过混沌粒子群算法辨识的参数数值如下表所示：
[0193]
[0194] 模糊模型的输入模糊参考子集设定为7个，分别是“Z”为零；“VS”为非常小；“S”为小；“M”为中等；“B”为大；“VB”为很大；“EB”为非常大。
[0195] 模糊模型的输出模糊子集也同样设定为7个，与 输入模糊子集设定相同。其隶属度函数定义为单值函数，令：
[0196] Z=0；VS=0.1；S=0.2；M=0.3；B=0.4；VB=0.5；EB=0.1。
[0197] 假设经过了n个采样周期，即通过混沌粒子算法辨识得到n组不同的参数值（每一组都为7维），对数据进行归一化处理，然后采用蚁群算法得到n组参数的模糊模型之和最优值，从而辨识出隶属度函数的最优参数。然后根据隶属度函数的最优参数计算每个采样周期的模糊模型的输出output的数值。
[0198] 为了举例说明具体的故障判定，图10给出了某个电堆某一段时间内的处于水淹故障下的模糊模型output(输出)的变化曲线，图11给出了某个电堆某一段时间内的处于膜干故障下的模糊模型output(输出)的变化曲线。
[0199] 根据图10和图11可以看到，当output降到0.8以下即意味着电堆出现了故障，但是这还不能判别具体的故障类型。但是根据Doutput与故障类型的对应关系，可以建立以下的对应关系：Doutput<0.1，出现水淹故障；Doutput>=0.1，出现膜干故障。记录水淹和膜干两种故障状态对应的输出量的变化趋势作为历史知识库，在以后的工作周期内，当模糊模型输出量变化异常时，查询历史知识库进行匹配，就可以诊断燃料电池电堆是否出现了水淹和膜干故障。对于其它的故障类型，同样建立历史知识库进行判别。
[0200] 由于对电站的电堆同步进行故障诊断，因此根据电堆电压、电流数据计算得到的模糊模型输出量就可以精确判断每个电堆的健康状态。
[0201] 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、改进等，均应包含在本发明的保护范围之内。
