质子交换膜燃料电池动态建模及其双模控制

由于已提出的质子交换膜燃料电池(PEMFC)模型难于控制, 提出利用MATLAB/SIMULINK仿真工具进行PEMFC系统动态建模, 同时为实现对PEMFC系统输出电压的控制, 采用了基于模糊规则切换的模糊逻辑控制器(FLC)和比例积分微分控制器(PID)相结合的双模控制方式. 仿真结果证明该动态模型易于控制, 能够反映出PEMFC系统的动态输出特性, 而且验证了基于模糊规则切换的双模控制能够有效抑制扰动, 改善PEMFC系统的动态输出特性, 保证系统的稳定运行, 有助于对PEMFC系统的输出性能分析以及实时控制系统的设计.     

基于BP神经网络辨识模型的PEMFC系统建模

为分析燃料电池系统特性,采用BP神经网络结构辨识质子交换膜燃料电池系统模型,模型输入为系统实际输入,模型输出为电堆输出电压和电堆工作温度。由于PEMFC系统是一个时变非线性系统,采用一种串-并联前向神经网络辨识结构模型,将模型前几个时刻输出作为模型输入,使得静态网络结构具有动态特性。BP网络模型通过PEMFC系统所得到的实验数据进辨识。训练完成后BP网络模型输出与实际系统输出基本一致,结果表明BP网络模型能够有效反映质子交换膜燃料电池系统输出电压和电堆温度特性。     

质子交换膜燃料电池建模与动态仿真

对质子交换膜燃料电池（PEMFC）电堆进行电输出特性研究,有助于改善燃料电池的设计,提高其性能。运用MATLAB的Simulink仿真工具对PEMFC建立仿真模型,通过所建立的电堆参数模型,就能够研究主要运行参变量对电堆动态输出性能和电堆非线性内阻产生的影响。当电堆输出电流出现阶跃变化时,对电堆电压,输出功率,消耗功率,电堆效率,非线性内阻的动态响应,进行了仿真和结果分析。仿真结果符合文献[7]实验数据,表明此参数模型是可操作和有效的,并可方便地用于PEMFC控制方法研究。     

质子交换膜燃料电池风机控制技术研究

该文首先研究了质子交换膜燃料电池(PEMFC)风机的性能,分析了PEMFC的工作温度对其性能的影响,并给出了控制PEMFC风机的数学模型。然后,对高电压、大电流运算放大器OPA548进行了详细的介绍,设计了用OPA548控制PEMFC风机工作电压的硬件电路,最后,对使用OPA548时应注意的事项进行了讨论。     

PEMFC的PSO优化LS-SVM动态建模仿真

质子交换膜燃料电池(PEMFC)作为一种电化学反应装置,湿度管理对于它的运行性能十分关键.为了建立相应的动态模型,采用了最小二乘支撑向量机(LS-SVM)算法,并使用微粒群算法(PSO)对LS-SVM模型参数进行了自动优化.这种方法建立的动态数学模型能够以进气湿度和工作电压为输入量预测输出的电流密度.仿真结果显示,模型的预测值和实验数据间的平均平方相对误差小于0.0001,能够达到很好的预测精度.因此,这种优化建模策略可以有效的应用到PEMFC研究中.     

质子交换膜燃料电池的连续模型预测控制器的设计

在对质子交换膜燃料电池(PEMFC)的工作原理进行研究分析的基础上,对其进行了数学描述,在Matlab/Simulink仿真平台下建立了质子膜燃料电池的动态仿真模型。维持PEMFC系统的正常运行需要良好的控制系统。通过将拉盖尔函数应用到连续模型预测控制(CMPC)算法中去,分析了CMPC的不足之处并通过指数权值函数进行了简单的修正,随后将两种控制策略与传统的离散预测控制(DMPC)施加到PEMFC系统中去并进行了仿真对比分析,仿真结果证明了CMPC算法的有效性以及优越性。     

基于改进型RBF神经网络的PEMFC电特性建模

常规能源短缺的今天,开发利用新型清洁、绿色能源已成为各国科学家共同追求的目标。质子膜燃料电池（PEMFC）以其高功率密度,启动迅速,无污染等优点成为21世纪首选清洁能源系统。但其原理涉及热力学、电化学、流体力学、传质学等理论,形成一个非线性复杂系统,难以建立数学模型。因此,采用一种动态白适应网络即最近邻聚类径向基函数神经网络,它能够动态调节网络的规模和参数,具有较强的逼近能力以及自学习能力。并利用测试数据作为训练样本,在氢气流速给定的条件下,以空气（或氧气）压力和冷却水流速作为模型的输入量,电池的电压为输出量,建立了在工作温度为60℃和80℃时的PEMFC电特性模型。表明该方法具有简单、可行、精度高等优点。并为PEMFC控制系统的设计和电池性能的优化提供了基本依据。     

质子交换膜燃料电池稳态模型及仿真

质子交换膜燃料电池(PEMFC)发电装置具有高能效,低噪音,常温启动和环境友好等特点.文中将对PEMFC进行稳态建模,使模型能正确反映电堆的实际输出性能.PEMFC实验模型主要是通过实验方法,建立描述电池输出特性(输出电压与电流密度关系)的经验公式.为了提高模型的精度,以便模型能更好地反映真实的PEMFC电对性能,则需要对模型的参数进行优化.通过不同的Matlab优化函数对所建模型进行参数辨识,比较得出其中结果较好的对模型进行仿真,以验证模型的正确性.     

PEMFC发电系统的自适应模糊控制与动态分析

监测和控制燃料电池的过程中,需要获得各种实时数据.质子交换膜燃料电池(PEMFC)发电系统中的参数强耦合、高度非线性特性增加了对其控制的难度,传统的PI控制虽然对模型精确的系统有较好的控制效果,但对于参数波动的系统则无法获得较高的控制性能.针对以上情况,基于PEMFC发电系统的动态仿真模型,根据重整器在燃料电池发电系统中的作用,设计了自适应模糊控制器.利用模糊控制规则在线控制氢气摩尔流,从而控制PEMFC发电系统的输出功率.仿真结果表明,该动态模型能够预测输出电压.响应曲线显示出自适应模糊控制算法能够较好控制燃料电池有功和无功功率的输出.模型具有良好的负载跟踪特性.     

基于神经网络的质子交换膜燃料电池的恒压控制

质子交换膜燃料电池(PEMFC)被认为是一种高效环保型的新型能源,在电动汽车等领域得到广泛应用。在很多用电场合下,负载需要供电设备能够提供稳定的供电电压。因此,对PEMFC的输出电压进行控制是必要的。PEMFC是一个复杂的非线性、时变性、多输入多输出、强耦合的对象,传统控制方法往往难以达到理想控制效果。针对多数用电场合下的恒压供电要求,本文在分析PEMFC动态数学模型基础上,设计基于神经网络的PEMFC恒压控制器,通过调节氢气和氧气的流量来控制PEMFC的输出电压;在MATLAB仿真环境下建立PEMFC仿真平台,对基于神经网络的PEMFC恒压控制系统进行仿真运行,并与常规PID控制系统进行对比。仿真结果表明,与PID控制相比,神经网络控制能使PEMFC更快地达到设定电压值,并能够在遭受负载扰动时更快地克服干扰回到设定状态。基于神经网络的质子交换膜电压控制器具有响应速度快、抗扰能力强等优势,能够达到良好的控制效果。     

Application of Radial Basis Function Networks with Feature Selection for GDP Per Capita Estimation Based on Academic Parameters

In this work, a system based on Radial Basis Function Network was developed to estimate Gross Domestic Product per capita. The data set based on 180 academic parameters of 13 Organisation for Economic Co-operation and Development countries was used to verify the effectiveness and accuracy of the proposed method. Gross Domestic Product per capita was studied to be estimated for the first time with academic parameters in this study. The system has been optimized using feature selection method to eliminate unimportant features. Radial Basis Function network results and Radial Basis Function network with feature selection method results were compared. The findings show that the Radial Basis Function network with feature selection is 10% more successful than the Radial Basis Function results. Based on results, this methodology can be applied in applications of Gross Domestic Product per capita forecasting.     

具有质量追溯功能的基于神经网络专家系统的热轧成品质量检测系统

针对以往神经网络专家系统解释机制不健全以及无法提供推理过程的问题,提出了结合质量追溯功能的基于径向基函数(RBF)神经网络的热轧成品质量检测专家系统,在质量追溯部分针对专家系统的输出结果给出详细的解释及追溯过程。根据钢铁行业的特点,对物理性能检测部分应用复合神经网络,首先通过RBF神经网络对物理性能参数进行预测,然后用复二次函数作为核函数处理输入参数,并对输出结果进行纵向追溯和横向追溯。系统实际应用结果表明,该专家系统提高了钢铁企业质检工作的自动化程度和效率,与以往的人工质检方式相比节约了60%的时间。     

糖厂澄清过程中和pH值控制的RBF神经网络建模研究

澄清工段是亚硫酸法生产蔗糖的关键过程之一,由于该过程是一个复杂的物理、化学过程,具有多输入、大滞后、强非线性、时变参数等特点,因此难以建立其精确的数学模型。为此本文采用径向基函数神经网络（Radial Basis Function NeuralNetwork,RBFNN）来建立该过程的神经网络模型。模型测试结果表明：采用该方法所建的模型精度较高、泛化能力较好,为解决复杂系统的建模问题提供了一种新途径。     

Designing RBF Networks Using the Agent-Based Population Learning Algorithm

Radial Basis Function Neural Networks (RBFNs) are nowadays quite popular due to their ability to discover and approximate complex nonlinear dependencies within the data under analysis. Performance of the RBF network depends on numerous factors related to its initialization and training. The paper proposes an approach to the radial basis function networks design, where initial parameters of the network, output weights and parameters of the transfer function are set using the proposed agent-based population learning algorithm (PLA). The algorithm is validated experimentally. Advantages and main features of the PLA-based RBF designs are discussed basing on results of the computational experiment.     

融合核函数在改进径向基代理模型中的应用

针对径向基代理模型技术在近似高维问题时预测性能较差的不足,提出一种基于融合核函数的改进径向基代理模型技术。在拉丁超立方设计抽样不均匀的情况下,通过定义一种辅助函数与距离评判标准,提出基于均匀抽样的拉丁超立方设计,并应用于代理模型的构建中;为提高模型预测精度与计算效率,考虑样本点因素,采用局部密集加点、全局均匀选点和最小距离筛选的多策略建模技术构建径向基代理模型;同时,为避免该技术在近似高维问题时可能产生的结构风险,考虑结构因素对预测精度的影响,对逆多二次和立方核函数进行了权重式的融合,构建了基于融合核函数的改进径向基代理模型。利用数值和工程算例进行测试仿真,结果表明该技术不仅满足精度要求,且明显提高计算效率,具有更高的预测稳定性。     

燃料电池发动机优化控制建模与元胞蚂蚁算法

以某燃料电池发动机为原型,将神经网络辨识方法应用到其非线性系统的建模。在此基础上,将元胞蚂蚁算法应用于燃料电池发动机优化控制问题,以低温启动时暖机时间（升温至正常工作温度范围）最短和提高燃料电池发动机的输出功率为优化控制目标。蚂蚁算法是一种新型的进化算法,它具有许多优良的性质,因此被广泛用于求解各类组合优化问题。但基本的蚂蚁算法有许多不足,比如它搜索速度慢。将元胞自动机与蚂蚁算法结合,通过对结点的生死状态演变,加快了算法的寻优速度,并最大可能地避免陷入局部最优。最后通过对模型的测试,采用元胞蚂蚁算法优化后的控制方法基本达到了上述目标,证明了建模的合理性的同时,显示出了该文优化控制方法的优越性。     

基于RBF神经网络的进气压力控制方法研究

针对高空台进气压力控制系统的强非线性特性和被控对象难以精确建模的问题,传统的PID控制在被试发动机进行加减速等过渡态时难以满足进气压力控制性能要求,提出了基于数据驱动的高空台压力控制方法,设计了基于RBF（Radial Basis Function,径向基函数）神经网络的最优控制架构,通过分析进气压力控制系统的输入和输出,给出了进气压力控制系统的RBF神经网络控制方法;利用高空台的大量试验数据对所设计的控制方法进行了训练和测试。测试结果表明,所设计的智能控制方法有良好的控制性能,能够满足进气压力的过渡态自适应控制。     

A local linear radial basis function neural network for financial time-series forecasting

In this paper a Local Linear Radial Basis Function Neural Network (LLRBFN) is presented. The difference between the proposed neural network and the conventional Radial Basis Function Neural Network (RBFN) is connection weights between the hidden layer and the output layer which are replaced by a local linear model in the LLRBFN. A modified Particle Swarm Optimization (PSO) with hunter particles is introduced for training the LLRBFN. The proposed methods have been applied for prediction of financial time-series and the result shows the feasibility and effectiveness.     

Dual classifier system for handprinted alphanumeric character recognition

This paper presents a dual classifier handprinted character recognition system that is implemented using Radial Basis Function (RBF) networks. Each classifier in the system extracts a different set of features from the input character and makes its own indpendent classification decision. The features used are the diagonal and partitioned radial projections, and the four-directional edge maps of the mage. The system then combines these decisions before giving a final classification output. Several different methods of desinging the combiner are examined. The proposed system is tested on a database of handprinted alphanumeric characters, and the results are fourd to be very promising.     

径向基函数网络在变压边力反演中的应用

变压边力策略是在冲压件成型中控制回弹的一种有效措施。综合运用径向基函数（RBF）神经网络和三维回弹模拟技术开展了由冲压件成形质量反求变压边力的研究, 同时研究了径向基函数神经网络的动态结构设计问题,提出一种基于泛化的径向基函数神经网络的动态结构设计方法DYNSDRBF,编制了相应的计算程序。DYNSDRBF方法在变压边力反演神经网络设计中的应用结果表明,运用该方法设计的神经网络具有较好的计算精度,可有效地提高冲压件的成形质量。