使用混合群智能算法高效估计质子交换膜燃料电池参数
Pankaj Sharma1,2, Rohit Salgotra3,4,5, Saravanakumar Raju1
1School of Electrical Engineering, Vellore Institute of Technology, Vellore, India.
Scientific reports
|January 8, 2026
概括
一个新的混合灰粒子 (GPC) 算法有效地识别了质子交换膜燃料电池 (PEMFC) 中的参数. 这种以自然为灵感的方法比现有的PEMFC建模方法提供了更高的准确性和更快的融合.
科学领域:
- * 能源系统工程 * 能源系统工程
- * 计算机智能 * 计算智能
- * 电化学工程 电化学工程
背景情况:
- *准确的参数识别对于优化质子交换膜燃料电池 (PEMFC) 性能至关重要.
- *自然启发的优化算法越来越多地应用于复杂的工程问题.
- *现有的PEMFC参数识别方法在准确性和趋同速度方面面临挑战.
研究的目的:
- * 引入一种新的混合优化算法,灰色粒子 (GPC),用于PEMFC参数识别.
- * 评估GPC算法在各种商业PEMFC模型上的有效性.
- * 将GPC算法的性能与其他元启发算法的性能进行比较.
主要方法:
- * 混合灰色粒子 (GPC) 算法的开发,集成灰色狼优化器 (GWO),粒子优化 (PSO) 和搜索 (CS).
- *适应性函数定义为估计和实际电池电压之间的二次误差 (SSE) 的和.
- * 在不同的条件和基准数据集 (CEC 2019) 下使用四个商业PEMFC堆 (BCS500-W,Ballard Mark V,Temasek,NedStack PS6) 进行验证.
主要成果:
- *GPC算法在所有测试的PEMFC模型中实现了最低的SSE值,证明了卓越的准确性.
- *包括MSE,IAE,MBE,MAE和RMSE在内的性能指标证实了GPC算法的最佳解决方案质量和更快的融合.
- * 统计测试验证了GPC算法的有效性和稳定性,与其他元启发算法相比.
结论:
- * 拟议的混合GPC算法是PEMFC中准确的参数识别的高效工具.
- *GPC算法在解决方案质量和融合速度方面比现有的优化技术具有显著的优势.
- * 这项研究为推进PEMFC建模和性能优化提供了强大的方法.
更多相关视频
07:58Improving the Combustion Performance of a Hybrid Rocket Engine using a Novel Fuel Grain with a Nested Helical Structure
Published on: January 18, 2021
6.4K
12:12On the Preparation and Testing of Fuel Cell Catalysts Using the Thin Film Rotating Disk Electrode Method
Published on: March 16, 2018
22.8K
