基于支持向量回歸機的燃料電池研究.pdf

1、燃料電池（Fuel Cell，F(xiàn)C）能通過電化學反應(yīng)把燃料的化學能直接轉(zhuǎn)變成電能和熱能，被認為是繼水力、火力和核能之后的第四代發(fā)電技術(shù)。由于不受“卡諾循環(huán)”的限制，F(xiàn)C的能量轉(zhuǎn)換率可達到60％以上，實際使用效率為普通內(nèi)燃機的2~3倍。另外，由于工作不經(jīng)過燃燒，F(xiàn)C不排放硫氧化物（SOX）與氮氧化物（NOX），對環(huán)境的污染極小。因此，作為一種高效、潔凈的能源，F(xiàn)C已成為21世紀各國競相發(fā)展的新型綠色能源。
　　支持向量機（Suppo

2、rt Vector Machine，SVM）是由Vapnik等人在統(tǒng)計學習理論的VC維理論和結(jié)構(gòu)風險最小化原則的基礎(chǔ)上提出來的一類新型機器學習方法。它集成了最大間隔超平面、Mercer核、凸二次規(guī)劃、稀疏解和松弛變量等多項技術(shù)，較好地解決了以往困擾很多機器學習方法的小樣本、非線性、過學習、高維數(shù)、局部極小等實際問題。目前，SVM已經(jīng)在很多不同領(lǐng)域的分類和回歸問題上獲得了很好的應(yīng)用。當SVM用于解決回歸問題時，又稱為支持向量回歸機（Sup

3、port Vector Regression，SVR）。
　　由于FC是多變量輸入及多變量輸出系統(tǒng)，一個好的模型有利于FC研究過程的仿真、優(yōu)化和評估。人們可以利用相關(guān)模型預測在不同的工藝參數(shù)/操作條件下燃料電池的性能。然而，現(xiàn)有大部分的燃料電池模型對于研究者和使用者來說過于復雜或準確性不夠高。本論文利用基于粒子群尋優(yōu)（Particle Swarm Optimization，PSO）算法的SVR建立起非線性離線模型用于 FC及其各種

4、性能的研究?；趯嶒灁?shù)據(jù)的PSO-SVR的燃料電池研究，有助于提高實驗的效率，可以節(jié)省大量的人力、時間和財力，為研發(fā)燃料電池提供了一條新思路和新方法，對推進燃料電池研制技術(shù)進步和燃料電池發(fā)展具有重要的意義。
　　本論文研究的主要內(nèi)容包括：
　?。?）對FC的基本情況進行了簡要的介紹和分析，包括FC的工作原理、分類、特點、發(fā)展及應(yīng)用等。
　?。?）簡述了SVR的理論基礎(chǔ)：機器學習理論、統(tǒng)計學習理論，以及核函數(shù)等。

5、　?。?）根據(jù)質(zhì)子交換膜燃料電池（Proton Exchange Membrane Fuel Cell，PEMFC）在不同工作溫度和膜電阻下的實測 PEM含水量的數(shù)據(jù)集，利用PSO-SVR，對PEMFC中的PEM含水量進行了建模與預測研究。雖然PEMFC中的PEM含水量和電池溫度、膜電阻兩因素之間存在非常復雜的非線性關(guān)系，然而PSO-SVR模型對于PEM含水量的預測值與實驗值能很好的吻合，其平均絕對誤差(MAE)=0.01，平均絕對百分

6、誤差(MAPE)=0.16%，復相關(guān)系數(shù)(R2)≈1.00。此外，還利用所建立的PSO-SVR模型對PEM含水量的最大值和最小值進行了預測：當電池溫度為51.5℃，電阻為1.96mΩ時，lmax=9.73；當電池溫度為24.0℃，電阻為27.20mΩ時，lmin=1.84。
　　（4）由于PEMFC電功率大小主要受電池溫度、電池工作壓強、陽極加濕溫度、陰極加濕溫度、氫流量比和氧流量比等因素的影響，我們以這些因素為輸入，以 PCMF

7、C系統(tǒng)的輸出電功率為輸出的實測數(shù)據(jù)進行了PSO-SVR建模和預測研究。研究結(jié)果顯示：PSO-SVR模型所預測的輸出電功率的MAE僅為0.156W，MAPE為0.68%，R2達到0.998，表明PSO-SVR模型的預測值與實驗值符合得很好。
　?。?）通過實測數(shù)據(jù)集，建立了以直接甲醇燃料電池（Direct Methanol Fuel Cell，DMFC）的電池溫度和電池電流密度為輸入?yún)?shù)的PSO-SVR模型，對DMFC的輸出電壓進行

8、了回歸預測研究，并與人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANN）所建模型進行了比較。結(jié)果顯示，ANN模型對DMFC的輸出電壓預測值的MAE和MAPE分別為0.009943V和2.23%；而PSO-SVR模型預測值的MAE和MAPE僅為0.004990V和0.93%；ANN模型的R2為0.991，而PSO-SVR模型的R2達到0.995。表明PSO-SVR模型的回歸預測能力比ANN模型更強，可以很好地應(yīng)用于

9、DMFC輸出電壓的預測研究。
　?。?）基于不同工作溫度和SSC含量下固體氧化物燃料電池（Solid Oxide Fuel Cell，SOFC）的BSCF-SSC復合陰極電導率的實測數(shù)據(jù)集，應(yīng)用PSO-SVR方法，對SOFC的BSCF-SSC復合陰極電導率進行了建模預測研究。研究結(jié)果顯示：預測電導率的MAE值、MAPE值和R2值分別為：0.0467S/cm，0.09%和0.999，預測值和實驗值吻合得很好，模型可以用于BSCF-S