Метод оценки параметров для моделирования топливного элемента с протонной обменной мембраной на основе усовершенствованного мета‑эволюционного алгоритма дифференциальной эволюции

Более умная настройка для устройств чистой энергии

Топливные элементы часто рассматриваются как перспективный путь к более чистому транспорту — для автомобилей, автобусов и резервного электропитания. Но чтобы правильно проектировать и управлять такими устройствами, инженерам нужны математические модели, которые ведут себя как реальное оборудование. В статье представлен новый способ автоматической тонкой настройки таких моделей, чтобы они точнее соответствовали экспериментальным данным. Работа сосредоточена на топливных элементах с протонной обменной мембраной (PEMFC) — одном из ведущих типов — и показывает, как продвинутый поисковый алгоритм может выявить скрытые параметры, определяющие их характеристики.

Почему «регуляторы» в топливном элементе важны

Внутри PEM‑топливного элемента одновременно происходят многие физические и химические процессы: потоки газов, реакции на электродах и перенос ионов через мембрану. Инженеры часто не могут напрямую измерить ключевые внутренние «регуляторы» системы, такие как контактные сопротивления или проницаемость газов через микропоры. Вместо этого эти величины выводят, подбирая модель так, чтобы её предсказанная вольт‑амперная характеристика совпадала с экспериментальной. Умелая настройка критична: точные модели помогают проектировать стеки для электромобилей и энергосетей, планировать техобслуживание, обнаруживать отказы на ранней стадии и уменьшать необходимость дорогих прототипов.

Почему традиционные методы не всегда работают

Нахождение правильных параметров — это не простая задача подгонки кривой. Уравнения, описывающие PEM‑топливные элементы, сильно нелинейны, и многие параметры взаимно влияют друг на друга. Классические методы, такие как метод наименьших квадратов и градиентные методы поиска, часто застревают в неудачных решениях или требуют тщательной ручной настройки. За последнее десятилетие исследователи обратились к так называемым мета‑эвристикам — стратегиям поиска, вдохновлённым эволюцией, роением или поведением хищник‑жертва — чтобы исследовать множество возможных комбинаций параметров. Эти подходы лучше справляются со сложными ландшафтами, но все ещё сильно зависят от собственных «настроек», например от шага мутации при изменении кандидатов решения.

Самоулучшающийся эволюционный поиск

Авторы развивают хорошо известную мета‑эвристику — дифференциальную эволюцию — и добавляют второй уровень эволюции. В их усовершенствованном мета‑эволюционном алгоритме дифференциальной эволюции (EMEDEA) один эволюционный процесс («эволвер») ищет хорошие настройки внутреннего оптимизатора — силу мутации, скорость смешивания и предпочтительную стратегию поиска. Внутренний оптимизатор («исполнитель») затем использует эти настройки для поиска наилучших параметров топливного элемента, оценивая качество по сумме квадратов разностей между измеренными и предсказанными напряжениями стека. Добавляется обучение на основе оппозиции: для каждой пробной настройки также проверяется её «зеркальный» вариант в пространстве поиска, что расширяет область исследования. Допустимые диапазоны ключевых настроек динамически корректируются: сужаются при хорошем прогрессе для уточнения перспективных областей и расширяются, когда прогресс замедляется, чтобы выбраться из тупиков. Всё это реализовано на графических процессорах, чтобы можно было параллельно оценивать множество кандидатных решений.

Проверка метода на практике

Прежде чем переходить к реальным топливным элементам, команда протестировала EMEDEA на стандартных математических тест‑функциях, где известен истинный оптимум. Статистические сравнения показали, что их метод последовательно превосходит базовую дифференциальную эволюцию и более раннюю мета‑эволюционную вариацию, сходясь быстрее и надёжнее. Затем авторы применили EMEDEA к трём различным стековым конфигурациям PEM‑топливных элементов мощностью от 250 Вт до 5 кВт. Для каждого устройства алгоритм оценивал семь ключевых эмпирических параметров, управляющих потерями активации, омическим сопротивлением и эффектами массопереноса. В каждом случае полученная модель воспроизводила экспериментальные вольт‑амперные кривые с очень малыми погрешностями, а суммарное квадратичное отклонение было ниже, чем у широкого набора недавно предложенных алгоритмов, включая продвинутые рой‑ и гибридные стратегии.

Что это значит для будущих топливных элементов

Исследование показывает, что способность алгоритма оптимизации самостоятельно настраиваться может принести практическую выгоду. EMEDEA не только находит наборы параметров, близкие к экспериментальным данным, но и достигает этих решений за относительно небольшое число итераций, что важно, когда каждая оценка модели дорогостоящая по вычислениям. Хотя работа сосредоточена на установившемся режиме и опирается на качественные лабораторные данные, авторы утверждают, что ту же идею можно расширить для отслеживания изменяющихся со временем параметров, учета деградации и тепловых эффектов и запуска в системах управления в реальном времени. Проще говоря, они предлагают более умный автоматический «движок калибровки», который может помочь будущим системам на топливных элементах работать эффективнее, служить дольше и с большей уверенностью интегрироваться в транспорт и энергетические сети.

Цитирование: Pattanaik, V., Parida, S.M., Malika, B.K. et al. A parameter estimation method for modelling proton exchange membrane fuel cell based on enhanced meta evolutionary differential evolution algorithm. Sci Rep 16, 12672 (2026). https://doi.org/10.1038/s41598-026-42394-2

Ключевые слова: топливный элемент с протонной обменной мембраной, оценка параметров, эволюционная оптимизация, дифференциальная эволюция, моделирование чистой энергии