基于贝叶斯正则化BP神经网络的PEMFC电堆建模

质子交换膜燃料电池(proton exchange membrane fuel cell,PEMFC)电堆具有输入输出关系复杂、非线性强等特点,获得精确的电堆模型是PEMFC系统优化控制的基础。文章针对PEMFC电堆特点,提出一种改进BP(back propagation)神经网络的PEMFC电堆建模方法。利用BP神经网络良好的非线性拟合特性,采用贝叶斯正则化算法改进BP神经网络,较好地解决了传统BP神经网络存在的高训练精度、低预测精度的过拟合问题。仿真结果表明,经过训练后的电堆模型,在精度和稳定性上具有一定的优势,即使在训练样本数量减少的情况下,依然可以保持良好的泛化能力和较高的稳定性。

基于ABC-SVM固体氧化物燃料电池电堆建模与仿真

为了更好地满足工程上对SOFC(solid oxide fuel cell)性能预测和控制方案设计要求,提出利用人工蜂群算法(ABC)优化支持向量机(SVM)来建立SOFC电堆模型。通过利用ABC算法优化SVM参数(核函数值宽度和惩罚因子),采用优化后的参数作为SVM的初始参数建立模型,与SVM、GA-SVM和PSO-SVM模型进行对比。实验结果表明:ABC-SVM模型平均平方误差小,说明该算法可以很好的预测在不同氢气流速下SOFC的电压/电流特性曲线。该模型对SOFC预测和控制方案设计有一定价值。