Bewertung eines modifizierten Coronavirus Disease Optimization Algorithm zur Parameterschätzung von Protonenaustauschmembran-Brennstoffzellen

Intelligentere Energie für eine sauberere Zukunft

Während die Welt nach saubereren Möglichkeiten sucht, Autos, Häuser und Geräte zu betreiben, stechen Brennstoffzellen hervor, weil sie Wasserstoff nahezu geräuschlos und mit fast keiner lokalen Verschmutzung in Strom umwandeln. Um das Beste aus diesen Geräten herauszuholen, müssen jedoch einige verborgene Parameter jeder Brennstoffzelle bekannt sein. Diese Studie stellt eine neue intelligente Suchmethode vor, die diese verborgenen Parameter genauer und schneller aufspüren kann. Das hilft Ingenieurinnen und Ingenieuren, effizientere Systeme zu entwerfen, und ebnet den Weg für bessere digitale Zwillinge und Steuerung von brennstoffzellenbetriebenen Fahrzeugen.

Warum Brennstoffzellen sorgfältig abgestimmt werden müssen

Protonenaustauschmembran-Brennstoffzellen, kurz PEM-Brennstoffzellen, sind vielversprechend für Anwendungen von stationären Kraftwerken bis hin zu Laptops und Elektroautos. Innerhalb jeder Zelle interagieren chemische Reaktionen, Wärme, Wasser und Elektrizität auf komplexe Weise. Hersteller veröffentlichen selten alle detaillierten Parameter, die dieses Verhalten beschreiben, etwa wie schnell Reaktionen einsetzen, wie viel Spannung in der Membran verloren geht oder wie Gase sich durch die Zelle verteilen. Diese Zahlen sind jedoch entscheidend, um vorherzusagen, wie sich eine Zelle unter verschiedenen Lasten und Temperaturen verhält, Fehler frühzeitig zu erkennen und Regelungen zu entwerfen, die das System effizient und sicher halten. Sie zu finden bedeutet, ein Modell immer wieder anzupassen, bis seine Spannungs-Strom-Kennlinie den realen Messungen möglichst genau entspricht.

Von der Natur inspirierte Suche nach besseren Lösungen

Da der Suchraum für diese verborgenen Parameter groß und verschlungen ist, greifen Forschende häufig auf metaheuristische Algorithmen zurück, die natürliche Prozesse nachahmen, etwa Tier-Schwärme, Raubtierjagd oder physikalische Phänomene wie Eisbildung. In den letzten Jahren wurden viele solcher Methoden an Brennstoffzellenmodellen getestet, darunter Varianten der differentiellen Evolution, von Walross- und Kaninchen-inspirierten Optimierern, Ameisenkolonie-Schemata und sogar Verstärkungslernen. Diese Ansätze zielen darauf ab, die Lücke zwischen gemessenen und simulierten Spannungen zu minimieren, üblicherweise ausgedrückt als Summe der quadrierten Fehler. Während mehrere gute Lösungen erreichen können, haben sie oft Schwierigkeiten, weite Erkundung des Raums mit gezielter Verbesserung in Einklang zu bringen, wodurch Fortschritt langsam werden oder in lokalen Sackgassen stecken bleiben kann.

Ein speicherbasierter Twist auf einer virus-inspirierten Methode

Die Autorinnen und Autoren bauen auf einem jüngeren Algorithmus namens Coronavirus Disease Optimization Algorithm (COVIDOA) auf, der nachbildet, wie ein Virus in Zellen eindringt, sich repliziert und mutiert. In seiner ursprünglichen Form erkundet diese Methode gut, neigt aber dazu, ohne starke Orientierung durch die bisher besten Lösungen umherzuwandern. Die neue Version, memory based COVIDOA, ergänzt zwei Ideen. Erstens behält sie ein Gedächtnis elitärer Kandidaten und lässt diese die übrige Population leiten, wodurch sich die Suche allmählich von breiter Erkundung hin zu Feintuning um die stärksten Lösungen verschiebt. Zweitens führt sie eine zufällige Erkundungsstrategie ein, die das System aus Fallen befreien kann, wenn alle Kandidaten zu ähnlich werden. Zusammen sollen diese Änderungen sowohl Geschwindigkeit als auch Genauigkeit verbessern und gleichzeitig die Vielfalt in der Suche erhalten.

Wie gut die neue Methode abschneidet

Bevor sie sich an Brennstoffzellen wagten, testete das Team den speicherbasierten Algorithmus an einer Standardsammlung von 12 schwierigen mathematischen Aufgaben und verglich ihn mit dem ursprünglichen COVIDOA sowie vier anderen populären Optimierern. In den meisten dieser Tests lieferte die neue Methode niedrigere Zielfunktionen, geringere Varianz zwischen den Läufen und schnellere Konvergenz. Statistische Prüfungen bestätigten, dass diese Verbesserungen nicht zufällig waren. Anschließend wandten die Forschenden die Methode auf einen realen PEM-Brennstoffzellenstapel namens NedStack PS6 an, bei dem sechs Schlüsselparameter eines weit verbreiteten semi-empirischen Modells innerhalb realistischer Schranken identifiziert werden mussten. Das Ziel war, eine gemessene Spannungs-Strom-Kennlinie nachzubilden, indem die Summe der quadrierten Fehler zwischen vorhergesagten und beobachteten Spannungen über 30 unabhängige Läufe pro Algorithmus minimiert wurde.

Ergebnisse für reale Brennstoffzellendaten

Bei den NedStack PS6-Daten erreichte die speicherbasierte Methode den niedrigsten Fehlerwert, leicht besser als die besten konkurrierenden Ansätze, und das bei geringerer Streuung zwischen den Läufen. Ihre angepassten Parameter erzeugten Spannungsprognosen, die die gemessenen Werte über einen weiten Strombereich eng nachvollzogen. Konvergenzdiagramme zeigten, dass andere Algorithmen zwar letztlich gute Lösungen erreichen konnten, die neue Methode sich jedoch typischerweise früher in einem hochwertigen Bereich einpendelte — wichtig für Echtzeit- oder eingebettete Anwendungen mit begrenzter Rechenleistung. Boxplots und Robustheitskurven untermauerten dieses Bild und zeigten sowohl höhere Zuverlässigkeit als auch konsistenteres Verhalten von Lauf zu Lauf im Vergleich zu anderen schwarm- und virusinspirierten Methoden.

Was das für saubere Energiesysteme bedeutet

Vereinfacht zeigt die Studie, dass eine intelligentere, speicherunterstützte Version einer virusinspirierten Suchstrategie die verborgenen Parameter eines Brennstoffzellenmodells genauer und zuverlässiger bestimmen kann als mehrere etablierte Wettbewerber. Mit besseren Modellen können Ingenieurinnen und Ingenieure digitale Zwillinge entwickeln, die reale Brennstoffzellen in Software abbilden, sodass sie neue Regelstrategien testen, Leistung vorhersagen und Probleme erkennen können, ohne Hardware zu riskieren. Obwohl diese Arbeit auf einen spezifischen Brennstoffzellenstapel fokussiert war, ist der Ansatz allgemein und kann auf andere saubere Energiegeräte und komplexe Systeme angewendet werden, bei denen wichtige Parameter schwer direkt messbar sind.

Zitation: Ismaeel, A.A.K., El-Rifaie, A.M., Hashim, F.A. et al. Assessment of a modified Coronavirus Disease Optimization Algorithm for Parameter Estimation of Proton Exchange Membrane Fuel Cells. Sci Rep 16, 15988 (2026). https://doi.org/10.1038/s41598-026-52533-4

Schlüsselwörter: Protonenaustauschmembran-Brennstoffzelle, Parameterschätzung, metaheuristische Optimierung, digitaler Zwilling, saubere Energiesysteme