买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：福州大学

摘要：本发明提出了一种基于CGSASA算法的PEMFC模型参数优化方法。参数优选是建立燃料电池模型的一个重要步骤。针对基本引力搜索算法收敛速度慢、易陷入局部最优的问题，算法结合混沌映射的遍历性和SA算法具有渐进收敛性的优点，通过引入种群分组系数和混合进化代数两个参数，将引力搜索算法、混沌映射及模拟退火三种算法进行有机结合，提出了CGSASA算法，以期发挥三种算法的各自优势，提高标准GSA算法的求解精度和收敛速度。

主权项：1.一种基于CGSASA算法的PEMFC模型参数优化方法,其特征在于：具体步骤如下：步骤S1:初始化CGSASA算法参数：种群规模m、最大迭代次数Gmax、SA初始温度T0、终止温度Tf、冷却速率ρ；混合代数Mg，种群分组系数Pd；步骤S2:初始化GSA种群个体：根据Logistic混沌映射方程式即式1初始化种群个体的位置值和速度值，并将当前迭代次数设置为G＝0；GG＝1；xn＝u·1-xnxn∈0,11式中：xn是变量x在第n次的迭代值对应的种群个体的位置值；u是变量x在第n次迭代值xn对应的种群个体的速度值；0≤x≤1为Loglsic混沌映射的分叉参数；步骤S3:判断迭代条件，若G≤Gmax，则转向步骤S6,否则转入步骤S4；步骤S4:评价个体适应度评价，对种群进行个体调整，如果GG＜Mg，则转向步骤S5，否则以每个个体当前最优位置组成新的种群，并按照适应度值进行排序，并依据种群分组系数Pd，将新种群分为两组，对于Pd*m个较优个体，执行模拟退火操作：1在领域产生一个新解2评价和的适应度值和并计算Δf：3若Δf＜0，则接受作为新解；否则以概率exp-ΔfT接受作为新解；4更新温度Tk+1＝ρ·Tk；对于1-Pd*m个较差个体，采用混沌映射进行全局扰动；步骤S5：对新种群中每个个体按以式2-5依次计算个体的质量、引力和加速度： i,j∈{1,2,…,N},且i≠j；d＝1,2…,D 步骤S6：按式与更新个体速度和位置，令G＝G+1，转入步骤S3；步骤S7：算法终止，输出最优值所述的CGSASA算法原理如下：CGSASA混合算法的原理为：利用混沌映射的遍历性产生大量初始种群，从中择优选出GSA的初始种群，设置参数，记录每个个体当前最优位置；当GSA运行到一定代数后，由当前个体的最优位置组成新种群，并按照适应度值进行排序；依据预先设置的分组系数将排序后的新种群分为包含个较优个体和包含个较差个体的两部分，对于每个较优个体，利用SA算法进行局部搜索；对于每个较差个体，采用混沌映射进行全局扰动，以增加种群的多样性；最后将执行了局部搜索和全局扰动的两部分个体混合，组成新的种群，继续进行GSA的进化操作，如此交替，直到满足算法的终止条件；所述的PEMFC模型具体如下：PEM燃料电池的本质反应是氢气和氧气发生氧化还原反应生成水，并将储存在燃料和氧化剂中的化学能直接转化成电能与热能；具体为：阳极H2→2H++2e-阴极总反应上述两极反应由质子交换膜隔开，它是一种具有选择透过性的阳离子交换膜，只允许质子H+通过；因此，阳极生成的质子透过质子交换膜迁移到阴极，而电子则受扩散至阴极的质子吸引经由外电路到达阴极，形成电流；PEMFC燃料电池堆动态物理模型包含稳态电化学模型、阴极和阳极的动态模型、温度模型；1稳态电化学模型满足：Vcell＝ENernst-ηact-ηohmic-ηcon6式中，ENernst是热力学电动势；ηact是活化过电压；ηohmic是欧姆过电压；ηcon是浓差过电压；2热力学电动势ENernst是单电池开路无负载时的热力学平衡可逆电动势，表示为： 式中：ΔG为吉布斯自由能；F为法拉第常数；ΔS为焓变；R为普适气体常数；为氢气的有效分压；为氧气的有效分压；T为工作环境温度；T0为参考温度；3活化极化过电压Eact是由于电极阴极和阳极的极化而产生的电压降，是对电极的极化电压降的度量，表示为： 式中，系数ξ1、ξ2、ξ3和ξ4由实验数据和参数优化方法确定；4欧姆极化过电压Eohmic包含两部分电池阻抗产生的电压降，即质子通过质子交换膜的等效膜阻抗电阻RM和电子通过外电路的电阻RC所引起的电压损失，根据欧姆定律表示为：Vohmic＝IRM+RC9其中，等效膜阻抗RM用下式表示：RM＝ρM·lA10式中，ρM为膜对电子流的电阻率；l为膜的厚度；ρM由下式得到： 式中，λ为质子交换膜含水量；5浓度极化过电压Econ是反应气体H2和O2的传质过程引发的电压降，由下式表示：Vcon＝-bln1-IImax12式中，b为系统参数；I为电池的实际电流密度；Imax为电池的最大电流密度；在以上PEMFC模型中，尚有ξ1,ξ2,ξ3,ξ4,λ,Rc,b7个参数的取值没有确定；所述的引力搜索算法GSA具体原理如下：在D维空间中，和分别为第i个体的位置与速度，首先对两者进行初始化，并计算各个个体的适应度值，则对应个体的质量表示为式13： 其中，t为迭代次数；fitit和Mit分别为个体xi的适应度和质量；bestt和worstt分别为第t次迭代的最优解和最差解；那么两个体之间的引力为式14： i,j∈{1,2,…,N},且i≠j；d＝1,2…,D14第t次迭代作用在个体i的合力为式15： 其中，Gt为万有引力常数，其随着迭代次数t变换，Gt＝G0e-αtT式中G0和α为常数，T为最大迭代次数；ε为常数使分母不为零；Rijt为两个体间的欧式距离；进一步，根据牛顿第二定律，加速度定义为式16： 个体的速度和位置更新分别为式17、18：

全文数据：

权利要求：

百度查询： 福州大学 一种基于CGSASA算法的PEMFC模型参数优化方法