基于ROLS算法的RBF神经网络燃料电池电特性建模

提出了一种基于ROLS算法的RBF神经网络辨识建立直接甲醇燃料电池(DMFC)电特性模型的新方法。以电池的工作温度为输入量,电池的电压/电流密度为输出量,利用1200组实验数据作为训练和测试样本,建立了在不同工作温度下,电池的电压/电流密度动态响应模型。仿真结果表明采用RBF神经网络辨识建模的方法是有效的,建立的模型精度较高。

基于RBFNN的DMFC温度建模与神经模糊控制研究

为了提高燃料电池的发电性能,直接甲醇燃料电池(DMFC)堆的运行温度应该控制在一个合适的范围内。简单介绍了利用RBF神经网络基于实验的输入输出数据建立DMFC电堆温度模型的方法,避开了电堆的内部复杂性;在控制过程中,将训练好的网络模型作为DMFC控制系统的参考模型,采用一种改进的模糊遗传算法(FGA)在线对神经模糊控制器的参数进行自适应调整,采用最近邻聚类算法(NNCA)对控制器的模糊规则库进行更新。在仿真实验中,将所提出的算法与非线性PID和传统模糊算法进行比较,结果表明所设计的神经模糊控制器具有较好的性能。

基于一种改进的RBF神经网络的直接甲醇燃料电池建模

针对直接甲醇燃料电池(DMFC)系统过于复杂,难以数学建模。应用一种改进的 RBF 神经网络对 DMFC 系统进行辨识建模。模型以甲醇的浓度和流速为神经网络辨识模型的输入量,电池电压/电流密度为输出量,利用 1000 组实验数据作为训练和测试样本,建立了不同甲醇浓度和流速下电池电压/电流密度动态响应模型。应用仿真对建模的有效性和精度进行了检验,并与 BP 神经网络辨识的效果进行了对比。仿真结果证明 RBF 神经网络比 BP 神经网络收敛得快,建模精度高,从而为设计 DMFC 实时控制系统奠定了基础。