用于质子交换膜燃料电池参数估计的改进冠状病毒疾病优化算法评估

为更清洁的未来提供更智能的动力

随着全球寻找更清洁的为汽车、住宅和设备供电方式，燃料电池因能够将氢气转化为电能且噪声低、局部污染几乎为零而备受关注。但要充分发挥这些装置的性能，就必须了解每个燃料电池内部若干隐含参数。该研究引入了一种新的智能搜索方法，能够更准确、更快速地发现这些隐含参数，帮助工程师设计更高效的系统，并为更好的数字孪生与燃料电池驱动车辆的控制奠定基础。

为什么燃料电池需要精细调校

质子交换膜（PEM）燃料电池在从固定电站到笔记本电脑和电动汽车等诸多应用中都很有前景。每个电池内部，化学反应、热量、水分与电流相互作用，构成复杂的耦合过程。制造商很少公开描述这些行为的全部详细参数，例如反应启动速度、膜内电压损失或气体在电池内的扩散速率。然而，这些参数对预测电池在不同负载和温度下的表现、早期故障检测以及设计能保持高效与安全的控制器至关重要。求解这些参数意味着反复调整模型，直到其电压-电流曲线与真实测量值尽可能一致为止。

受自然启发的搜索以寻求更好解

由于这些隐含参数的搜索空间既大又曲折，研究者常依赖元启发式算法，这些算法模仿动物群体行为、捕食过程或诸如结冰等物理现象。近年来，许多此类方法已在燃料电池模型上进行测试，包括差分进化变体、受海象或兔子启发的优化器、蚁群方案，甚至强化学习。这些方法的目标通常是最小化测量电压与模拟电压之间的差距，常用的度量为平方误差和。尽管多种方法可以找到不错的解，但它们常在广泛探索可能性与集中改进之间难以平衡，因而可能进展缓慢或陷入局部最优。

对病毒启发方法的基于记忆的改进

作者在一种名为冠状病毒疾病优化算法（COVIDOA）的最近方法基础上进行了改进，该算法模拟病毒如何进入细胞、复制与变异。原始方法探索能力较强，但往往缺乏来自已发现最好解的强引导，容易漫游而无集中搜索。新版本称为基于记忆的 COVIDOA，加入了两项思想。首先，它保留精英候选解的记忆，并让这些精英引导其余群体，逐步从早期的广泛探索过渡到对最强解的精细调优。其次，它引入了一种随机探索策略，当所有候选解开始趋同时可以将系统从陷阱中摇出。两者结合旨在在保持搜索多样性的同时提高速度和精度。

新方法的性能表现

在应用于燃料电池之前，团队先在一组包含 12 个具有挑战性的标准数学测试函数上评估了基于记忆的算法，并将其与原始 COVIDOA 及其他四种流行优化器进行了比较。在大多数测试中，新方法取得了更低的目标值、较小的运行间差异并且收敛更快。统计检验确认这些改进并非偶然。接着，研究者将该方法应用于真实的 PEM 燃料电池堆 NedStack PS6，需要在实际范围内识别广泛使用的半经验模型的六个关键参数。目标是通过最小化预测电压与观测电压之间平方误差之和，使模型的电压-电流曲线匹配测量数据，每种算法独立运行 30 次以评估性能。

针对真实燃料电池数据的结果

在 NedStack PS6 数据上，基于记忆的方法获得了最低的误差值，略优于最好的竞争方法，并且运行间的离散程度更小。其拟合得到的参数使电压预测在广泛电流范围内与测量值紧密跟随。收敛图显示，尽管其他算法最终也能接近较好解，但新方法通常能更早地收敛到高质量区域，这对实时或嵌入式应用（计算资源有限）尤为重要。箱线图和鲁棒性曲线进一步支持了这一结论，表明与其他群体与病毒启发方法相比，新方法在可靠性和运行一致性上都有更好表现。

对清洁能源系统的意义

简而言之，这项研究表明，一种更智能、带记忆的病毒启发搜索策略能够比若干已有方法更准确、更可靠地确定燃料电池模型的隐含参数。拥有更好的模型后，工程师可以构建在软件中映射真实燃料电池的数字孪生，从而在不冒硬件风险的情况下测试新的控制策略、预测性能并发现问题。尽管本工作聚焦于特定的燃料电池堆，但该方法具有通用性，可应用于其他清洁能源设备及那些重要参数难以直接测量的复杂系统。

引用: 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

关键词: 质子交换膜燃料电池, 参数估计, 元启发式优化, 数字孪生, 清洁能源系统