基于混乱的教学-学习的优化技术的应用,用于估计质子交换膜燃料电池模型的未知参数
Uliya Mitra1, Anoop Arya2, Sushma Gupta2
1Department of Electrical Engineering, Maulana Azad National Institute of Technology, Bhopal, India. uliya0289.mitra@gmail.com.
这项研究通过准确估计参数以最大限度地减少电压损失,提高了质子交换膜燃料电池 (PEMFC) 的性能. 基于混乱的教学-学习优化 (CTLBO) 算法在提高PEMFC效率方面被证明是优越的.
科学领域:
- 能源科学 能源科学
- 电化学工程 电化学工程
- 计算优化计算优化
背景情况:
- 质子交换膜燃料电池 (PEMFC) 由于其高功率密度和效率而广泛使用.
- PEMFC的性能严重依赖于输出电压,而输出电压受到各种损失的影响.
- 准确的参数估计对于最小化这些损失和提高整体效率至关重要.
研究的目的:
- 通过最大限度地减少损失来提高PEMFC输出电压和效率.
- 将参数估计技术应用于商业PEMFC堆 (250W,BCS 500W,巴拉德标志V).
- 验证基于混乱的教学-学习优化 (CTLBO) 算法的有效性,用于PEMFC参数估计.
主要方法:
- 使用多目标函数进行优化,旨在提取未知的燃料电池 (FC) 参数.
- 实现了基于教学学习的混乱优化 (CTLBO) 算法用于参数估计.
- 通过将估计的电流-电压 (I-V) 和电流-功率 (I-P) 曲线与实验数据进行比较,验证了模型.
主要成果:
- 实现了较低的平方误差总和 (SSE) 值:7.02267 (250W),4.00150 (500W) 和0.8100 (巴拉德马克V).
- 在不同的操作条件下,估计和实验I-V和I-P曲线之间显示出密切匹配.
- 在估计PEMFC堆参数方面,CTLBO算法表现优于其他竞争算法.
结论:
- 该CTLBO算法是高度有效和实际相关的估计PEMFC参数.
- 这种参数估计技术有助于最大限度地减少损失和提高PEMFC性能.
- CTLBO方法提供了一种优越的方法来提高质子交换膜燃料电池的效率.
更多相关视频
10:36Author Spotlight: Optimization of Airflow Velocities in Battery Cooling Systems for Enhanced Thermal Performance and Reduced Energy Consumption
Published on: November 3, 2023
08:16Combustion Characterization and Model Fuel Development for Micro-tubular Flame-assisted Fuel Cells
Published on: October 2, 2016
相关概念视频
The Power Flow Problem and Solution
Batteries and Fuel Cells
Fast Decoupled and DC Powerflow
Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving
In individual population analyses, different algorithms are employed, such as Cauchy's method, which uses a...
