Spannungsregelung in Polymerelektrolyt-Brennstoffzellensystemen unter Verwendung eines Gaussian-Prozess-Modell-prädiktiven Reglers

Core Concepts

Ein neuartiger Gaussian-Prozess-Modell-prädiktiver Regler wird entwickelt, um die Ausgangsspannung eines Polymerelektrolyt-Brennstoffzellensystems durch gleichzeitige Regelung der Wasserstoff- und Luftvolumenströme zu stabilisieren.

Abstract

In dieser Studie wird ein neuartiger Ansatz vorgestellt, bei dem ein Gaussian-Prozess-Modell-prädiktiver Regler (GP-MPC) verwendet wird, um die Ausgangsspannung eines Polymerelektrolyt-Brennstoffzellensystems (PEFC) durch gleichzeitige Regelung der Wasserstoff- und Luftvolumenströme zu stabilisieren. Es werden zwei Gaussian-Prozess-Modelle entwickelt, um die PEFC-Dynamik unter Berücksichtigung von Beschränkungen wie Wasserstoffdruck und Eingangswechselraten zu erfassen, um so den bei der PEFC-Prädiktion inhärenten Fehlern entgegenzuwirken. Die dynamische Leistung des physikalischen Modells und des Gaussian-Prozess-MPC bei der Handhabung von Beschränkungen und Systemeingängen wird verglichen und analysiert. Die Simulationsergebnisse zeigen, dass der vorgeschlagene Gaussian-Prozess-MPC die Spannung effektiv bei 48 V hält, während er die Sicherheitsbeschränkungen, auch bei Laständerungen im Bereich von 110-120 A, einhält. Im Vergleich zum traditionellen MPC mit detaillierten Systemmodellen weist der Gaussian-Prozess-MPC einen 43% höheren Überschwinger und eine 25% langsamere Ansprechzeit auf. Dennoch bietet er den Vorteil, dass er das zugrunde liegende wahre Systemmodell nicht benötigt und weniger Systeminformationen erfordert.

Stats

Die Ausgangsspannung des PEFC-Systems kann wie folgt berechnet werden:
VFC = ncell(Enernst - Vact - Vohmic - Vcon)
Dabei ist Enernst die reversible Spannung, Vact der Aktivierungsspannungsabfall, Vohmic der ohmsche Spannungsabfall und Vcon der Konzentrationsspannungsabfall.

Quotes

"Ein neuartiger Gaussian-Prozess-Modell-prädiktiver Regler wird entwickelt, um die Ausgangsspannung eines Polymerelektrolyt-Brennstoffzellensystems durch gleichzeitige Regelung der Wasserstoff- und Luftvolumenströme zu stabilisieren."
"Im Vergleich zum traditionellen MPC mit detaillierten Systemmodellen weist der Gaussian-Prozess-MPC einen 43% höheren Überschwinger und eine 25% langsamere Ansprechzeit auf. Dennoch bietet er den Vorteil, dass er das zugrunde liegende wahre Systemmodell nicht benötigt und weniger Systeminformationen erfordert."

Key Insights Distilled From

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

by Xiufei Li,Mi... at arxiv.org 03-26-2024

https://arxiv.org/pdf/2403.16170.pdf

Deeper Inquiries

Wie könnte der Gaussian-Prozess-MPC-Ansatz auf andere Brennstoffzellentechnologien wie Festoxid-Brennstoffzellen erweitert werden?

Der Gaussian-Prozess-MPC-Ansatz könnte auf andere Brennstoffzellentechnologien wie Festoxid-Brennstoffzellen (SOFCs) erweitert werden, indem die spezifischen Eigenschaften und Dynamiken dieser Zellen berücksichtigt werden. Für SOFCs könnten zusätzliche Modelle und Parameter in den Gaussian-Prozess integriert werden, um die spezifischen Reaktionen, Temperaturprofile und Betriebsbedingungen dieser Zellen widerzuspiegeln. Da SOFCs bei höheren Temperaturen arbeiten und andere Brennstoffe wie Erdgas verwenden, müssten diese Unterschiede im Modell berücksichtigt werden. Darüber hinaus könnten spezifische Sicherheits- und Betriebsparameter für SOFCs in den MPC-Regler integriert werden, um eine präzise und sichere Regelung zu gewährleisten.

Wie könnte der Gaussian-Prozess-MPC-Ansatz auf andere Brennstoffzellentechnologien wie Festoxid-Brennstoffzellen erweitert werden?

Um die Präzision des Gaussian-Prozess-Modells weiter zu verbessern, könnten zusätzliche Sensoren oder Messungen in das System integriert werden. Beispielsweise könnten Temperatursensoren an verschiedenen Stellen der Brennstoffzelle angebracht werden, um genaue Temperaturprofile zu erfassen. Darüber hinaus könnten Drucksensoren für die Gasein- und -auslässe verwendet werden, um genaue Druckwerte zu erhalten. Die Integration von Feuchtigkeitssensoren könnte auch dazu beitragen, die Auswirkungen der Wasserverteilung in der Brennstoffzelle zu verstehen. Durch die Kombination dieser zusätzlichen Sensoren mit dem Gaussian-Prozess-Modell könnten präzisere Vorhersagen und Regelungen ermöglicht werden.

Wie könnte der Gaussian-Prozess-MPC-Ansatz für die Optimierung des Gesamtwirkungsgrades eines Brennstoffzellensystems angepasst werden?

Um den Gesamtwirkungsgrad eines Brennstoffzellensystems zu optimieren, könnte der Gaussian-Prozess-MPC-Ansatz so angepasst werden, dass er nicht nur die Spannungsregelung, sondern auch die Effizienz des Systems berücksichtigt. Dies könnte durch die Integration von Effizienzmodellen und -parametern in den MPC-Regler erfolgen. Der Regler könnte so konfiguriert werden, dass er die Betriebsbedingungen des Systems kontinuierlich überwacht und anpasst, um den Gesamtwirkungsgrad zu maximieren. Darüber hinaus könnten Optimierungsalgorithmen in den MPC-Regler integriert werden, um die Betriebsparameter in Echtzeit zu optimieren und so eine effiziente und leistungsstarke Betriebsweise des Brennstoffzellensystems zu gewährleisten.