本发明涉及燃料电池系统控制领域，尤其涉及一种燃料电池系统最大净功率追踪控制装置及方法。
背景技术：
随着全球工业与经济的迅猛发展，能源危机与环境污染问题日趋严重，引起了各国政府的强烈关注。因此，各国政府大力支持清洁能源的开发与利用，例如，太阳能、潮汐能、地热能、风能和氢能等，这些能源都具有共同的优点，即零污染排放、高效率等。其中，燃料电池是这些清洁能源中最典型的代表，它的主要原料是氢气和空气，氢气和空气中的氧气在催化剂条件下发生化学反应能产生热量、电和水。通常，燃料电池系统包括燃料电池电堆、氢气子系统、空气子系统和燃料电池辅助系统。
由于燃料电池具有高功率密度、零污染排放、低温冷启动和噪声低等优点，因而在短短数年内，迅速获得了各国政府和企业争相追逐的新型清洁能源产品。特别是质子交换膜燃料电池(pemfc)，它具有燃料电池系统所有的优点，被认为是最有发展潜力和前景的发电装置。因此，它在各个领域都有其广泛应用，尤其是在汽车领域和备用电站领域得到广泛的使用和迅速发展。
在pemfc系统中，pemfc系统的净功率反映了燃料电池系统的发电性能。具体地，燃料电池系统的净输出功率(简称为净功率)是指燃料电池电堆的输出功率减去辅助系统(主要指空压机)的消耗功率。然而，由于空气子系统与氢气子系统相比，具有相对缓慢的动态特性，会导致pemfc电堆内部的氧气流量难于随负载需求快速响应，因而当负载快速变化时，pemfc系统不仅容易出现“氧气饥饿”现象，导致电堆供氧不足，使系统的输出功率降低，无法满足负载需求，同时还会使质子交换膜表面出现“热点”，导致电堆短路和降低电堆使用寿命等问题，从而严重损害电堆的性能，而且使得pemfc系统的氧气过剩比系数(oer)在负载快速变化的瞬态期间无法满足负载快速变化的要求，从而容易使追踪净功率参考值出现超调量(即过冲)并导致系统的响应时间较长，这对于pemfc系统而言是非常致命的。因而，通过先进的净功率追踪控制方法延长pemfc系统的寿命并避免系统性能的下降具有重要经济价值与意义。
目前，最常用的净功率的追踪控制方法是传统的pid控制方法，其通过pid控制器将燃料电池系统中燃料电池电堆的净功率实际值与净功率参考值进行比较，并将两者的差值通过比例-积分-微分控制规律的处理得到控制量，以调节燃料电池系统的实际净功率，使其达到或者保持在净功率参考值，从而使系统更加准确，更加稳定。
然而，由于pemfc系统是一个强非线性、强耦合和参数时变的系统，而传统的pid控制器所采用的比例-积分-微分控制算法主要适用于基本上线性且动态特性不随时间变化的系统，因而传统的pid控制方法无法在负载快速变化时及时调节空压机的转速，从而无法有效地避免氧气饥饿现象并解决响应速度慢的问题，而且容易导致燃料电池电堆内部的氢气与氧气的压差过大，损害电堆内部的质子交换膜，进而影响了燃料电池系统的性能、效率和寿命。
技术实现要素：
本发明为解决上述现有技术中的问题，提出一种燃料电池系统最大净功率追踪控制装置及方法，其在外界负载突然剧烈变化情况下，能有效避免燃料电池的氧气饥饿现象并使最大净功率追踪具有良好的动态响应，即超调量低和调节时间短，从而实现最佳净功率的快速追踪，进而提高燃料电池系统的性能、效率及寿命。
为实现上述目的，本发明提供了一种燃料电池系统最大净功率追踪控制装置，包括调节控制器、比较器和自适应模糊逻辑pid控制器，调节控制器用于用于根据不同负载电流时获得的氧气过剩比与燃料系统中燃料电池电堆的净功率的曲线关系图，确定不同负载电流下燃料电池电堆的最大净功率以及与所述最大净功率对应的最佳氧气过剩比，并通过曲线拟合获得最大净功率参考值；比较器与所述调节控制器连接且用于将所述最大净功率参考值与燃料电池电堆的实际净功率值进行比较得到误差值；自适应模糊逻辑pid控制器与所述比较器连接且用于根据采用粒子群算法优化后的模糊逻辑规则和比例-积分-微分控制规律，对所述误差值进行处理得到输出信号，并将所述输出信号发送给燃料电池系统的空压机，以控制所述空压机的转速，从而控制燃料电池电堆的最大净功率。
优选地，所述自适应模糊逻辑pid控制器包括微分单元、模糊逻辑调节器、pid控制器和粒子群算法优化单元，其中，所述微分单元与所述比较器连接且用于对所述误差值进行微分处理得到误差变化量；所述模糊逻辑调节器与所述比较器和所述微分单元均连接且用于根据第一比例因子和第二比例因子分别将所述误差值和所述误差变化量从基本论域变换到模糊集的论域，将已经变换到模糊集的论域的所述误差值和所述误差变化量进行模糊化变成模糊量，将所述模糊量用相应的模糊语言表示得到模糊集，采用模糊控制规则对所述模糊集进行模糊推理得到输出模糊量，对所述输出模糊量进行解模糊得到三个清晰量，并对三个所述清晰量进行尺度变换得到三个控制量，三个所述控制量分别用作所述pid控制器的比例参数、积分参数和微分参数；所述pid控制器与所述比较器和所述模糊逻辑调节器均连接且用于根据比例参数、积分参数和微分参数，采用比例-积分-微分控制规律对所述误差值进行处理获得所述输出信号，并将所述输出信号发送给燃料电池系统的空压机，以控制所述空压机的转速，从而控制燃料电池电堆的最大净功率；所述粒子群算法优化单元与所述比较器、所述模糊逻辑调节器和所述pid控制器均连接且用于对所述比较器得到的所述误差值和所述pid控制器的所述输出信号的值分别进行加权积分并根据两者加权积分的和建立性能函数，采用粒子群算法求解所述性能函数得到最优解，并将所述最优解发送给所述模糊逻辑调节器和所述pid控制器，用所述最优解更新所述模糊逻辑调节器的所述第一比例因子和所述第二比例因子以及所述pid控制器的所述比例参数。
可理解地，采用粒子群算法求解性能函数，求解结果用来更新模糊逻辑调节器输入的比例因子和pid控制器的比例参数，使自适应模糊逻辑pid控制器具有自适应跟踪最大净功率参考值的能力和良好的动态调节能力。
优选地，所述性能函数为：
式中，q和r均表示加权系数，且0<q≤1，q r＝1；e(t)表示燃料电池电堆的实际净功率值和最大净功率参考值之间的差值，u(t)表示pid控制器的输出信号。
可理解地，选择积分性能指标作为优化的性能函数，该性能函数可以综合评价控制系统的动态性能和静态性能，能保证系统的超调、稳定时间和稳态误差等快速响应。
优选地，所述pid控制器用下式表示：
式(b)中，kp，ki，kd分别表示pid控制器的比例参数、积分参数和微分参数，e(t)表示燃料电池电堆的实际净功率值和最大净功率参考值之间的差值，u(t)表示pid控制器的输出信号，e(t)和
优选地，在所述模糊逻辑调节器中，对三个所述清晰量进行尺度变换得到三个控制量的公式为：
式(c)中，k'j表示模糊逻辑调节器中经过解模糊后得到的清晰量，kj表示pid控制器的比例参数、积分参数或微分参数，
优选地，用所述粒子群算法求解所述性能函数的流程具体为：
(i)初始化粒子群；
(ii)根据所述性能函数计算出每个粒子的适应度值；
(iii)对于每个粒子，判断粒子的当前适应度值是否比该粒子的个体最优解大，如果是，则用当前适应度值替换个体最优解；
(iv)对于每个粒子，判断粒子的当前适应度值是否比整个粒子群的全局最优解大，如果是，则用当前适应度值替换全局最优解；
(v)按照公式(d)和公式(e)更新每个粒子的速度和位置，
在式(d)和式(e)中，ω为惯性因子，
(vi)如果满足达到最大迭代次数，则输出最优解并退出，否则，返回步骤(ii)。
另外，本发明还提供了一种燃料电池系统最大净功率追踪的控制方法，包括如下步骤：
(1)根据不同负载电流时获得的氧气过剩比与燃料系统中燃料电池电堆的净功率的曲线关系图，确定不同负载电流下燃料电池电堆的最大净功率以及与所述最大净功率对应的最佳氧气过剩比，并通过曲线拟合获得最大净功率参考值；
(2)将所述最大净功率参考值与燃料电池电堆的实际净功率值进行比较得到误差值；
(3)根据采用粒子群算法优化后的模糊逻辑规则和比例-积分-微分控制规律，对所述误差值进行处理得到输出信号，并将所述输出信号发送给燃料电池系统的空压机，以控制所述空压机的转速，从而控制燃料电池电堆的最大净功率。
优选地，所述步骤(3)具体为：
对所述误差值进行微分处理得到误差变化量；模糊逻辑调节器根据第一比例因子和第二比例因子分别将所述误差值和所述误差变化量从基本论域变换到模糊集的论域，将已经变换到模糊集的论域的所述误差值和所述误差变化量进行模糊化变成模糊量，将所述模糊量用相应的模糊语言表示得到模糊集，采用模糊控制规则对所述模糊集进行模糊推理得到输出模糊量，对所述输出模糊量进行解模糊得到三个清晰量，并对三个所述清晰量进行尺度变换得到三个控制量，三个所述控制量分别用作pid控制器的比例参数、积分参数和微分参数；所述pid控制器根据比例参数、积分参数和微分参数，采用比例-积分-微分控制规律对所述误差值进行处理获得输出信号，并将所述输出信号发送给燃料电池系统的空压机，以控制所述空压机的转速，从而控制燃料电池电堆的最大净功率；对所述误差值和所述pid控制器的输出信号的值分别进行加权积分并根据两者加权积分的和建立性能函数，采用粒子群算法求解所述性能函数得到最优解，并将所述最优解发送给所述模糊逻辑调节器和所述pid控制器，用所述最优解更新所述模糊逻辑调节器的所述第一比例因子和所述第二比例因子以及所述pid控制器的所述比例参数。
优选地，所述性能函数为：
式(a)中，q和r均表示加权系数，且0<q≤1，q r＝1；e(t)表示燃料电池电堆的实际净功率值和最大净功率参考值之间的差值，u(t)表示pid控制器的输出信号。
优选地，用所述粒子群算法求解所述性能函数的具体为：
(i)初始化粒子群；
(ii)根据所述性能函数计算出每个粒子的适应度值；
(iii)对于每个粒子，判断粒子的当前适应度值是否比粒子的个体最优解大，如果是，则用当前适应度值替换个体最优解；
(iv)对于每个粒子，判断粒子的当前适应度值是否比整个粒子群的全局最优解大，如果是，则用当前适应度值替换全局最优解；
(v)根据公式(d)和公式(e)更新每个粒子的速度和位置，
在式(d)和式(e)中，ω为惯性因子，
(vi)如果满足达到最大迭代次数，则输出最优解并退出，否则，返回步骤(ii)。
本发明提供的技术方案带来的有益效果是：
由于本发明的自适应模糊逻辑pid控制器采用了适合于非线性控制的模糊逻辑处理方式和比例-积分-微分控制规律并且采用了可解决非线性、强耦合性和时变性的离子群算法优化模糊逻辑处理方式和比例-积分-微分控制规律，因而能够解决非线性、强耦合性和时变的问题，从而能够在外界负载突然剧烈变化情况下，有效避免燃料电池的氧气饥饿现象并使最大净功率追踪具有良好的快速动态响应(即超调量低和调节时间短)，实现最大净功率的快速追踪，进而提高燃料电池系统的性能、效率及寿命。而且，本发明提供的燃料电池系统最大净功率追踪控制装置及方法结构简单、易于实现。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的燃料电池系统最大净功率追踪控制装置的结构示意图；
图2为本发明实施例提供的微分单元与模糊逻辑调节器连接的结构示意图；
图3为本发明实施例提供的用粒子群算法求解性能函数的流程图；
图4为本发明实施例提供的不同负载电流下燃料电池电堆的净功率与氧气过剩比的曲线关系图；
图5为本发明实施例提供的燃料电池系统最大净功率追踪控制方法的流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案作进一步地详细描述。
如图1-2所示，本实施例提供了一种燃料电池系统最大净功率追踪控制装置，其包括：调节控制器10、比较器20和自适应模糊逻辑pid控制器30。详细地，自适应模糊逻辑pid控制器30包括微分单元31、模糊逻辑调节器32、pid控制器33和粒子群算法优化单元34。调节控制器10与比较器20的输入端连接，比较器20的输出端与微分单元31的输入端、模糊逻辑调节器32的输入端、粒子群算法优化单元34的输入端以及pid控制器的输入端连接，微分单元31的输出端模糊逻辑调节器32的输入端连接，模糊逻辑调节器32的输出端与pid控制器33的输入端连接，pid控制器33的输出端与粒子群算法优化单元34的输入端连接，粒子群算法优化单元34的输出端与模糊逻辑调节器32的输入端和pid控制器33的输入端连接，pid控制器33的输出端与燃料电池系统40的空压机连接，燃料电池系统的空压机与燃料电池电堆连接。
具体地，调节控制器10用于根据不同负载电流时获得的氧气过剩比与燃料系统中燃料电池电堆的净功率的曲线关系图，确定不同负载电流下燃料电池电堆的最大净功率以及与最大净功率对应的最佳氧气过剩比，并通过曲线拟合获得最大净功率参考值pr。比较器20用于将最大净功率参考值pr与燃料电池电堆的实际净功率值pnet进行比较得到误差值e(t)。微分单元31用于对误差值e(t)进行微分处理得到误差变化量
在调节控制器10中，可通过每个型号的燃料电池电堆的台架测试(系统特性建模测试)，获得具体型号的电堆的不同负载电流下的氧气过剩比与燃料系统中燃料电池电堆的净功率之间的曲线关系图(如图4所示)，在台架测试过程中，负载快速的变化。从该曲线关系图可获得不同负载电流下的燃料电池电堆的最大净功率以及与所述最大净功率对应的最佳氧气过剩比。根据所选取的函数不同，曲线拟合可以是对负载电流和最佳氧气过剩比进行拟合，对负载电流和最大净功率进行拟合或者对最佳氧气过剩比和最大净功率进行拟合，从而根据拟合后获得的关系曲线可获得最大净功率参考值。曲线拟合可以采用多项式拟合或最小二乘法拟合。
在模糊逻辑调节器32中，对三个清晰量k’p、k’i和k’d进行尺度变换得到三个控制量kp、ki和kd的公式为：
在式(c)中，k‘j表示模糊逻辑调节器32中经过解模糊后得到的清晰量，kj表示pid控制器33的比例参数、积分参数或微分参数，
在pid控制器33中，pid控制器33可用下式表示：
在式(b)中，kp，ki，kd分别表示pid控制器33的比例参数、积分参数和微分参数，e(t)表示燃料电池电堆的实际净功率值pnet和最大净功率参考值pr之间的差值，u(t)表示pid控制器33的输出信号，e(t)和
在粒子群算法优化单元34中，性能函数为：
在式(a)中，q和r均表示加权系数，且0<q≤1，q r＝1；e(t)表示燃料电池电堆的实际净功率值pnet和最大净功率参考值pr之间的差值，u(t)表示pid控制器33的输出信号。可理解地，选择积分性能指标作为优化的性能函数，该性能函数可以综合评价控制系统的动态性能和静态性能，能保证系统的超调、稳定时间和稳态误差等快速响应。
参考图3，用粒子群算法求解性能函数的流程具体为：
(i)初始化粒子群；
(ii)根据性能函数计算出每个粒子的适应度值；
(iii)对于每个粒子，判断粒子的当前适应度值是否比该粒子的个体最优解大，如果是，则用当前适应度值替换个体最优解；
(iv)对于每个粒子，判断粒子的当前适应度值是否比整个粒子群的全局最优解大，如果是，则用当前适应度值替换全局最优解；
(v)按照公式(d)和公式(e)更新每个粒子的速度和位置，
在式(d)和式(e)中，ω为惯性因子，
(vi)如果满足达到最大迭代次数，则输出最优解并退出，否则，返回步骤(ii)。
详细地，在步骤(i)中，初始化粒子群包括给定粒子群规模最和最大迭代次数等以及随机产生每个粒子的位置和速度。在步骤(ii)中，粒子的适应度值是指根据性能函数计算出函数值，该函数值即为适应度值。
可理解地，本发明采用粒子群算法求解性能函数，求解结果用来更新模糊逻辑调节器输入的比例因子和pid控制器的比例参数，可使自适应模糊逻辑pid控制器具有自适应跟踪最大净功率参考值的能力和良好的动态调节能力。
另外，参考图5，本发明还提供了一种燃料电池系统最大净功率追踪的控制方法，包括如下步骤：
步骤s101：根据不同负载电流时获得的氧气过剩比与燃料系统中燃料电池电堆的净功率的曲线关系图，确定不同负载电流下燃料电池电堆的最大净功率以及与所述最大净功率对应的最佳氧气过剩比，并通过曲线拟合获得最大净功率参考值pr；
步骤s102：将最大净功率参考值pr与燃料电池电堆的实际净功率值pnet进行比较得到误差值e(t)；
步骤s103：依次根据采用粒子群算法优化后的模糊逻辑规则和比例-积分-微分控制规律，对误差值e(t)进行处理得到输出信号u(t)，并将输出信号u(t)发送给燃料电池系统的空压机并控制所述空压机的转速，从而控制燃料电池电堆的最大净功率。
具体地，步骤s103具体为：对误差值e(t)进行微分处理得到误差变化量
详细地，步骤s103中的对三个清晰量k’p、k’i和k’d进行尺度变换得到三个控制量kp、ki和kd的公式、pid控制器33的表达公式、性能函数和粒子群算法的流程与对应的燃料电池系统最大净功率追踪的控制装置中公式和流程相同，此处不再赘述。可理解地，当燃料电池电堆的实际净功率值pnet达到最大净功率参考值pr时，控制过程结束。
以上仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
1.一种燃料电池系统最大净功率追踪控制装置，其特征在于，包括：
调节控制器，用于根据不同负载电流时获得的氧气过剩比与燃料系统中燃料电池电堆的净功率的曲线关系图，确定不同负载电流下燃料电池电堆的最大净功率以及与所述最大净功率对应的最佳氧气过剩比，并通过曲线拟合获得最大净功率参考值；
比较器，与所述调节控制器连接，用于将所述最大净功率参考值与燃料电池电堆的实际净功率值进行比较得到误差值；
自适应模糊逻辑pid控制器，与所述比较器连接，用于根据采用粒子群算法优化后的模糊逻辑规则和比例-积分-微分控制规律，对所述误差值进行处理得到输出信号，并将所述输出信号发送给燃料电池系统的空压机，以控制所述空压机的转速，从而控制燃料电池电堆的最大净功率。
2.如权利要求1所述的燃料电池系统最大净功率追踪控制装置，其特征在于，所述自适应模糊逻辑pid控制器包括微分单元、模糊逻辑调节器、pid控制器和粒子群算法优化单元，其中：
所述微分单元与所述比较器连接，且用于对所述误差值进行微分处理得到误差变化量；
所述模糊逻辑调节器与所述比较器和所述微分单元均连接，且用于根据第一比例因子和第二比例因子分别将所述误差值和所述误差变化量从基本论域变换到模糊集的论域，将已经变换到模糊集的论域的所述误差值和所述误差变化量进行模糊化变成模糊量，将所述模糊量用相应的模糊语言表示得到模糊集，采用模糊控制规则对所述模糊集进行模糊推理得到输出模糊量，对所述输出模糊量进行解模糊得到三个清晰量，并对三个所述清晰量进行尺度变换得到三个控制量，三个所述控制量分别用作所述pid控制器的比例参数、积分参数和微分参数；
所述pid控制器与所述比较器和所述模糊逻辑调节器均连接，且用于根据比例参数、积分参数和微分参数，采用比例-积分-微分控制规律对所述误差值进行处理获得所述输出信号，并将所述输出信号发送给燃料电池系统的空压机，以控制所述空压机的转速，从而控制燃料电池电堆的最大净功率；
所述粒子群算法优化单元与所述比较器、所述模糊逻辑调节器和所述pid控制器均连接，且用于对所述比较器得到的所述误差值和所述pid控制器的所述输出信号的值分别进行加权积分并根据两者加权积分的和建立性能函数，采用粒子群算法求解所述性能函数得到最优解，并将所述最优解发送给所述模糊逻辑调节器和所述pid控制器，用所述最优解更新所述模糊逻辑调节器的所述第一比例因子和所述第二比例因子以及所述pid控制器的所述比例参数。
3.如权利要求2所述的燃料电池系统最大净功率追踪控制装置，其特征在于，所述性能函数为：
在式(a)中，q和r均表示加权系数，且0<q≤1，q r＝1；e(t)表示燃料电池电堆的实际净功率值和最大净功率参考值之间的差值，u(t)表示pid控制器的输出信号。
4.如权利要求2所述的燃料电池系统最大净功率追踪控制装置，其特征在于，所述pid控制器用下式表示：
在式(b)中，kp，ki，kd分别表示pid控制器的比例参数、积分参数和微分参数，e(t)表示燃料电池电堆的实际净功率值和最大净功率参考值之间的差值，u(t)表示pid控制器的输出信号，e(t)和
5.如权利要求2所述的燃料电池系统最大净功率追踪控制装置，其特征在于，在所述模糊逻辑调节器中，对三个所述清晰量进行尺度变换得到三个控制量的公式为：
在式(c)中，k‘j表示模糊逻辑调节器中经过解模糊后得到的清晰量，kj表示pid控制器的比例参数、积分参数或微分参数，
6.如权利要求2所述的燃料电池系统最大净功率追踪控制装置，其特征在于，用所述粒子群算法求解所述性能函数的流程具体为：
(i)初始化粒子群；
(ii)根据所述性能函数计算出每个粒子的适应度值；
(iii)对于每个粒子，判断粒子的当前适应度值是否比该粒子的个体最优解大，如果是，则用当前适应度值替换个体最优解；
(iv)对于每个粒子，判断粒子的当前适应度值是否比整个粒子群的全局最优解大，如果是，则用当前适应度值替换全局最优解；
(v)按照公式(d)和公式(e)更新每个粒子的速度和位置，
在式(d)和式(e)中，ω为惯性因子，
(vi)如果满足达到最大迭代次数，则输出最优解并退出，否则，返回步骤(ii)。
7.一种燃料电池系统最大净功率追踪的控制方法，其特征在于，包括如下步骤：
(1)根据不同负载电流时获得的氧气过剩比与燃料系统中燃料电池电堆的净功率的曲线关系图，确定不同负载电流下燃料电池电堆的最大净功率以及与所述最大净功率对应的最佳氧气过剩比，并通过曲线拟合获得最大净功率参考值；
(2)将所述最大净功率参考值与燃料电池电堆的实际净功率值进行比较得到误差值；
(3)根据采用粒子群算法优化后的模糊逻辑规则和比例-积分-微分控制规律，对所述误差值进行处理得到输出信号，并将所述输出信号发送给燃料电池系统的空压机，以控制所述空压机的转速，从而控制燃料电池电堆的最大净功率。
8.如权利要求7所述的燃料电池系统最大净功率追踪的控制方法，其特征在于，所述步骤(3)具体为：
对所述误差值进行微分处理得到误差变化量；模糊逻辑调节器根据第一比例因子和第二比例因子分别将所述误差值和所述误差变化量从基本论域变换到模糊集的论域，将已经变换到模糊集的论域的所述误差值和所述误差变化量进行模糊化变成模糊量，将所述模糊量用相应的模糊语言表示得到模糊集，采用模糊控制规则对所述模糊集进行模糊推理得到输出模糊量，对所述输出模糊量进行解模糊得到三个清晰量，并对三个所述清晰量进行尺度变换得到三个控制量，三个所述控制量分别用作pid控制器的比例参数、积分参数和微分参数；所述pid控制器根据比例参数、积分参数和微分参数，采用比例-积分-微分控制规律对所述误差值进行处理获得输出信号，并将所述输出信号发送给燃料电池系统的空压机，以控制所述空压机的转速，从而控制燃料电池电堆的最大净功率；对所述误差值和所述pid控制器的输出信号的值分别进行加权积分并根据两者加权积分的和建立性能函数，采用粒子群算法求解所述性能函数得到最优解，并将所述最优解发送给所述模糊逻辑调节器和所述pid控制器，用所述最优解更新所述模糊逻辑调节器的所述第一比例因子和所述第二比例因子以及所述pid控制器的所述比例参数。
9.如权利要求8所述的燃料电池系统最大净功率追踪的控制方法，其特征在于，所述性能函数为：
式(a)中，q和r均表示加权系数，且0<q≤1，q r＝1；e(t)表示燃料电池电堆的实际净功率值和最大净功率参考值之间的差值，u(t)表示pid控制器的输出信号。
10.如权利要求8所述的燃料电池系统最大净功率追踪的控制方法，其特征在于，用所述粒子群算法求解所述性能函数的流程具体为：
(i)初始化粒子群；
(ii)根据所述性能函数计算出每个粒子的适应度值；
(iii)对于每个粒子，判断粒子的当前适应度值是否比粒子的个体最优解大，如果是，则用当前适应度值替换个体最优解；
(iv)对于每个粒子，判断粒子的当前适应度值是否比整个粒子群的全局最优解大，如果是，则用当前适应度值替换全局最优解；
(v)根据公式(d)和公式(e)更新每个粒子的速度和位置，
在式(d)和式(e)中，ω为惯性因子，
(vi)如果满足达到最大迭代次数，则输出最优解并退出，否则，返回步骤(ii)。
技术总结