Voltage Regulation in Polymer Electrolyte Fuel Cell Systems Using Gaussian Process Model Predictive Control

📄 arXiv: 2403.16170v1 📥 PDF

作者: Xiufei Li, Miao Zhang, Yuanxin Qi, Miao Yang

分类: eess.SY

发布日期: 2024-03-24

💡 一句话要点

提出高斯过程模型预测控制以稳定聚合物电解质燃料电池电压

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 高斯过程 模型预测控制 聚合物电解质燃料电池 电压稳定 氢气调节 动态模型 系统约束

📋 核心要点

  1. 现有的聚合物电解质燃料电池控制方法在动态响应和约束处理方面存在不足，难以有效稳定输出电压。
  2. 本研究提出利用高斯过程模型预测控制，通过建立动态模型来调节氢气和气流速率，以实现电压的稳定。
  3. 仿真结果显示，所提方法在负载扰动下能够有效维持电压稳定，尽管在超调和响应时间上相较传统方法有所下降。

📝 摘要（中文）

本研究介绍了一种新颖的方法，利用高斯过程模型预测控制（MPC）通过同时调节氢气和气流速率来稳定聚合物电解质燃料电池（PEFC）系统的输出电压。研究开发了两个高斯过程模型，以捕捉PEFC动态，考虑氢气压力和输入变化率等约束，从而帮助减轻PEFC预测控制中的固有误差。仿真结果表明，所提出的高斯过程MPC能够在负载扰动范围为110-120 A的情况下，保持电压在目标48 V，同时遵循安全约束。与使用详细系统模型的传统MPC相比，高斯过程MPC表现出43%的超调和25%的响应时间延迟，但其优势在于不需要底层真实系统模型且对系统信息的需求较少。

🔬 方法详解

问题定义：本论文旨在解决聚合物电解质燃料电池（PEFC）系统中输出电压不稳定的问题。现有方法在动态响应和约束处理方面存在不足，导致难以在负载变化时保持电压稳定。

核心思路：论文提出利用高斯过程模型预测控制（MPC），通过建立动态模型来调节氢气和气流速率，从而实现对电压的有效控制。这种方法的设计旨在减轻传统MPC在模型依赖性和信息需求上的限制。

技术框架：整体架构包括两个主要模块：首先是高斯过程模型的建立，用于捕捉PEFC的动态特性；其次是基于该模型的MPC控制器，负责实时调节氢气和气流速率以维持电压稳定。

关键创新：本研究的主要创新在于引入高斯过程模型来替代传统的详细系统模型，从而减少对系统信息的依赖，并提高了控制的灵活性和适应性。

关键设计：在模型构建中，考虑了氢气压力和输入变化率等约束条件，确保控制策略在实际应用中的安全性和有效性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提出的高斯过程MPC能够在负载扰动范围为110-120 A的情况下，成功保持电压在目标48 V，同时遵循安全约束。尽管其超调比传统MPC高出43%，响应时间慢25%，但其对系统模型的依赖性显著降低，展示了良好的应用潜力。

🎯 应用场景

该研究的潜在应用领域包括氢能和燃料电池技术，尤其是在电动汽车和可再生能源系统中。通过提高聚合物电解质燃料电池的电压稳定性，能够提升系统的整体性能和安全性，具有重要的实际价值和广泛的市场前景。

📄 摘要（原文）

This study introduces a novel approach utilizing Gaussian process model predictive control (MPC) to stabilize the output voltage of a polymer electrolyte fuel cell (PEFC) system by simultaneously regulating hydrogen and airflow rates. Two Gaussian process models are developed to capture PEFC dynamics, taking into account constraints including hydrogen pressure and input change rates, thereby aiding in mitigating errors inherent to PEFC predictive control. The dynamic performance of the physical model and Gaussian process MPC in constraint handling and system inputs is compared and analyzed. Simulation outcomes demonstrate that the proposed Gaussian process MPC effectively maintains the voltage at the target 48 V while adhering to safety constraints, even amidst workload disturbances ranging from 110-120 A. In comparison to traditional MPC using detailed system models, Gaussian process MPC exhibits a 43\% higher overshoot and 25\% slower response time. Nonetheless, it offers the advantage of not requiring the underlying true system model and needing less system information.