基于增强元演化差分进化算法的质子交换膜燃料电池建模参数估计方法

更智能的清洁能源器件调优

燃料电池常被视为实现更清洁汽车、巴士和备用电源的有前途途径。但要想对这些器件进行良好设计与控制，工程师需要在行为上接近真实硬件的数学模型。本文提出了一种新的自动微调模型的方法，使其更紧密地匹配实验数据。工作聚焦于质子交换膜燃料电池（PEMFC），这一主流燃料电池类型，并展示了如何通过一种先进的搜索算法发现控制其性能的隐含参数。

为何燃料电池的“旋钮”很重要

在 PEM 燃料电池内部，许多物理与化学过程同时发生：气体流动、电极上发生反应以及离子通过膜迁移。工程师通常无法直接测量系统的关键内部“旋钮”，例如接触电阻或气体通过微小孔隙扩散的难易程度。相反，他们通过调整模型，直到其预测的电压–电流曲线与实验观测对齐来推断这些数值。做好这项工作至关重要：准确的模型有助于为电动汽车和电网设计电堆、规划维护、早期检测故障并减少昂贵原型的需求。

传统方法为何不足

寻找合适参数并非简单的曲线拟合。支配 PEM 燃料电池的方程高度非线性，且许多参数相互影响。经典方法，如最小二乘回归和基于梯度的搜索，常常陷入较差解或需要精细的人工调参。在过去十年里，研究人员转向所谓的元启发式方法——受进化、群体或捕食-被捕食行为启发的搜索策略——以遍历大量可能的参数组合。这些方法在复杂的解空间上表现更好，但仍然高度依赖自身的“设置”，例如变异候选解时步长的大小等。

自我改进的进化搜索

作者在一种众所周知的元启发式算法——差分进化（DE）基础上引入第二层演化。在他们的增强型元演化差分进化算法（EMEDEA）中，一个演化过程（“进化器”）搜索内层优化器的良好设置——其变异强度、混合率和偏好的搜索策略。内层优化器（“执行器”）随后使用这些设置去搜索最佳燃料电池参数，通过测量与预测的电堆电压之间的平方差之和的大小来评判优劣。还加入了对立基学习：对于每个试验设置，其在搜索空间中的“镜像”也会被测试，从而保持广泛的探索。关键设置的允许范围会动态调整：当进展良好时收窄以细化有前景的区域，当进展停滞时放宽以逃离死角。所有这些都在图形处理器上实现，以便并行评估大量候选解。

方法的验证

在转向真实燃料电池之前，团队先在标准数学测试函数上对 EMEDEA 进行了基准测试，这些测试的真实最优解是已知的。统计比较表明，他们的方法在收敛速度和可靠性方面稳步优于基础差分进化和先前的元演化变体。随后作者将 EMEDEA 应用于三种不同功率范围的 PEM 燃料电池电堆，功率从 250 瓦到 5 千瓦。针对每台设备，算法估计了七个控制活化损失、欧姆电阻和质量传输效应的经验参数。在每种情况下，所得模型都以极小的误差再现了实验电压–电流曲线，总平方偏差也低于包括先进群体与混合策略在内的一系列近期提出的算法所达到的水平。

对未来燃料电池的意义

该研究表明，赋予优化算法自我调节能力在实践中是有回报的。EMEDEA 不仅能找到与实验紧密匹配的参数集，还能在相对较少的迭代次数内达到这些解，这在每次模型评估计算代价高昂时尤为重要。尽管工作聚焦于稳态行为并依赖于良好的实验室数据，作者认为同一思路可以扩展到跟踪随时间变化的参数、纳入退化与热效应，并部署于实时控制系统。直白地说，他们提出了一个更智能的自动“校准引擎”，有助于未来燃料电池系统更高效运行、延长寿命并更自信地集成到车辆与电力网络中。

引用: 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

关键词: 质子交换膜燃料电池, 参数估计, 进化优化, 差分进化, 清洁能源建模