基于ga-rbf神经网络辨识的sofc电堆的建模..doc

基于GA-RBF神经网络辨识的SOFC电堆的建模 摘要：本文对固体氧化物燃料电池（SOFC）进行了离线非线性建模，应用了径向基函数（RBF）神经网络与遗传算法。在建模过程中，GA是用于对RBF神经网络的参数进行优化，优化的值作为RBF神经网络参数的初始值。我们还用梯度下降学习算法来调整参数，通过仿真验证了模型的有效性和正确性。通过与BP神经网络算法进行比较，仿真结果证明在预测堆电压与不同温度时GA-RBF算法优于传统BP神经网络。因此用GA-RBF神经网络辨识算法对SOFC建模是可行的。 关键字：固体氧化物燃料电池（SOFCs）、径向基函数（RBF）、神经网络、遗传算法、辨识 1.介绍 与其它的燃料电池不同的是，固体氧化物燃料电池（SOFC）的组成部分全是固体而没有液体，并且它是工作在一个复杂高温（600-1000度）的环境下。由于它比传统热能系统和其它类型的燃料电池具有更高效的能量转换，因此SOFC在将来是一种有前景的能量转换系统。 在最近几十年，关于SOFC堆的建模已经取得了较大的成果。然而，大多数现有的模型都是集中在对SOFC的设计而不是应用上。对于大多数SOFC用户来说，他们更关注的不是内部的细节，而是在不同操作条件下它的工作性能。他们需要的是行为模型，这样才能用来预测在不同操作条件下SOFC的行为。 正是在这种需求的激励下，我们决定应用径向径函数（RBF）神经网络和遗传算法（GA）对SOFC系统的建模进行研究。神经网络是一种根据输入输出数据建立动态系统的数学关系，RBF神经网络是一种前馈神经网络，只有一层隐含层，并且能以任意精度逼近任何连续函数[1]。但是，应用RBF神经网络有一个关键问题，即如何选择合适初始值，这些初始值包括：输出权值、中心点及隐层单元的个数。如果这些值的选取不合适，那么RBF神经网络建模方法的有效性和精确度会大大下降。为了保证RBF神经网络算法在对SOFC建模时的最优效果，我们应用遗传算法来对RBF神经网络参数进行优化研究。遗传算法是一种自适应的具有全局搜索能力的优化算法，它是基于自然选择和遗传机制而提出的[2]。与传统优化算法不同的是，遗传算法是基于群体的，在群体中个体并行进化，最终的结果包含在了最后一次进化的群体中。 本文的结构如下。第二节简单讨论了现有的SOFC模型。在第3节中，解释了基于遗传算法的RBF神经网络算法用于非线性系统建模的原理。在第四节中，详细说明了应用GA-RBF模型对SOFC堆建模的辨识结构及训练仿真过程。最后一节进行了总结，并对以后工作展开提出了一些展望。 2.现有的SOFC模型 在本节中，我们简要回顾了各种现有的SOFC模型，讨论了他们的优缺点， SOFC是一个相互连接的结构，由两层陶瓷电解质、阳极和阴极组成的，电解质层将阳阴两极分开。在燃料中，氧离子通过具有导电作用的固体陶瓷电解质由阴极向阳极转移，在电解液层，它们与氢和燃料中的一氧化碳进行反应，生成水和二氧化碳，释放出电子，电子再向阴极移动，在电解液层就会形成一个电流回路[3]。单个电池会形成一个1伏电压的开环电流电压回路，因此将许多电池串联在一起就组成了一个燃料堆。 在文献[4]中提出了一种简化的零阶模型，在文献[5]-[8]中提出了一种一阶模型，在文献[9-12]中提出了一种二阶模型，文献[13,14]中提出了一种复杂的三阶模型。尽管这些模型能够分析和优化SOFC，但他们都存在着局限性。大多数模型是基于能量守恒定律的基础上的，因此他们的表达式都是非常的复杂而不适合在工程上的应用。 大多数SOFC研究者会用经验建模方法，因为这更实际，这样可以不用知道内部反应的原理就能推导出SOFC电堆的响应。为了满足这种要求，一些研究者们尝试着建立一种新型的SOFC模型。文献[15]中Arriagad就是利用人工神经网络（ANN）方法来建立SOFC模型。尽管这个模型比较高效，但在实际设计时却遇到了许多障碍，如容易陷入局部极值、隐层单元个数的选择较难等。在文献[16]中提出了一种最小二乘支持向量机（LS-SVM）的方法来建立SOFC电堆的模型。LS-SVM是一种改进的SVM方法，具有许多优势。但在本文中由于只考虑燃料的利用率，只考虑电池电压的影响，而不考虑其它的因素。 本文的工作主要是利用基于遗传算法的RBF神经网络来辨识SOFC的黑盒模型，在下面的章节中将具体描述GA-RBF建模的算法。 3.GA-RBF神经网络的非线性系统建模 RBF神经网络含有一个输入层，一个非线性隐含层和一个线性输出层。每层的神经元都与前面一层的所有神经元相连。输入变量作为入输层的输入，并直接与隐含层相连，且无权值。隐含层是RBF神经元，通过计算中心点和入输神经元的欧式距离，然后再将结果作为非线性函数的输入[17]。输出神经元与RBF隐层神经元之间为带权线性