Neural network based model predictive control of voltage for a polymer electrolyte fuel cell system with constraints

📄 arXiv: 2406.16871v1 📥 PDF

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

分类: eess.SY

发布日期: 2024-03-24

💡 一句话要点

提出基于神经网络的模型预测控制以调节燃料电池电压

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 燃料电池 模型预测控制 神经网络 电压调节 安全约束 动态控制 聚合物电解质

📋 核心要点

  1. 现有燃料电池系统在输出电压的稳定性和安全性方面面临挑战，尤其是在负载变化时。
  2. 本文提出了一种基于神经网络的模型预测控制方法，通过调节氢气和空气流量来实现电压的精确控制。
  3. 仿真结果显示，所提方法在满足安全约束的同时，能够有效控制电压，表现出与传统方法相当的性能。

📝 摘要（中文）

本研究开发了一种基于神经网络的模型预测控制（MPC）方法，以调节聚合物电解质燃料电池系统的输出电压，并考虑安全约束。该控制器通过同时调节氢气和空气流量来稳定燃料电池的输出电压，同时确保氢气压力限制和输入变化率限制等安全约束。仿真结果表明，NN MPC能够在负载扰动下将电压控制在期望值，同时满足安全约束，其性能与基于详细物理模型的MPC相当。

🔬 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系统在负载变化时输出电压不稳定的问题。现有方法往往未能充分考虑安全约束，导致系统在动态条件下表现不佳。

核心思路：论文提出的解决方案是利用神经网络构建模型预测控制器（MPC），通过实时调节氢气和空气流量来稳定电压，同时确保安全约束得到满足。这样的设计能够更灵活地应对系统动态变化。

技术框架：整体架构包括神经网络模型的构建、MPC控制算法的实现以及安全约束的集成。主要模块包括输入数据处理、模型训练、控制信号生成和反馈机制。

关键创新：最重要的技术创新在于将神经网络与模型预测控制相结合，形成了一种新型的控制策略，能够在考虑安全约束的情况下实现高效的电压调节。这与传统基于物理模型的控制方法相比，具有更高的灵活性和适应性。

关键设计：在网络结构上，采用了多层前馈神经网络，损失函数设计为均方误差，以优化电压控制的精度。同时，设置了氢气压力和输入变化率的安全约束，确保系统在运行过程中的安全性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提出的神经网络模型预测控制方法在负载扰动下能够将燃料电池的输出电压控制在设定值，且在满足氢气压力和输入变化率的安全约束下，表现出与传统物理模型MPC相当的性能，显示出良好的控制效果。

🎯 应用场景

该研究的潜在应用领域包括燃料电池汽车、便携式电源和可再生能源系统等。通过提高燃料电池的电压稳定性和安全性，该方法能够显著提升这些系统的可靠性和效率，具有重要的实际价值和广泛的市场前景。

📄 摘要（原文）

A fuel cell system must output a steady voltage as a power source in practical use. A neural network (NN) based model predictive control (MPC) approach is developed in this work to regulate the fuel cell output voltage with safety constraints. The developed NN MPC controller stabilizes the polymer electrolyte fuel cell system's output voltage by controlling the hydrogen and air flow rates at the same time. The safety constraints regarding the hydrogen pressure limit and input change rate limit are considered. The neural network model is built to describe the system voltage and hydrogen pressure behavior. Simulation results show that the NN MPC can control the voltage at the desired value while satisfying the safety constraints under workload disturbance. The NN MPC shows a comparable performance of the MPC based on the detailed underlying system physical model.