基于非线性模型预测控制的固态氧化物燃料电池系统容错控制策略

本文主要探讨了基于非线性模型预测控制（Nonlinear Model Predictive Control, NMPC）的固体氧化物燃料电池（Solid Oxide Fuel Cell, SOFC）系统容错控制方法。作者Xiaojuan Wu和Danhui Gao来自中国电子科技大学自动化工程学院，他们的研究关注的是在SOFC系统发展中至关重要的热管理与负载跟踪任务。 传统的SOFC控制系统设计主要集中在正常运行条件下的性能优化，然而实际操作中，由于燃料电池的复杂性和易发生故障的特性，一个能够处理故障情况的控制器显得尤为重要。作者提出的新型控制策略旨在解决这个问题，它由故障诊断模块、决策部分以及四个备份控制器组成。 首先，故障诊断模块是关键环节，通过实时监测和分析SOFC系统的运行数据，识别出可能发生的故障类型，如电池层温度异常、气体流量不稳定或催化剂性能下降等。这一步骤依赖于先进的数据分析技术，可能包括基于BP神经网络（Back Propagation Neural Networks）的智能诊断算法，能够提高故障识别的准确性和快速响应能力。 接下来，决策部分根据诊断结果，迅速做出是否切换到备份控制器的决策。这可能涉及到预设的故障处理规则和优先级，确保在故障发生时，系统能够快速恢复并维持基本功能。 备份控制器的设计则是多样的，可能包括不同的控制策略来补偿主控失效后的性能损失。这些备份方案可以是基于传统PID控制器、滑模控制或其他先进的控制技术，以确保在面对不同类型的故障时，系统仍能保持稳定的性能并逐步恢复至正常工作状态。 整个控制流程旨在实现SOFC系统的高可靠性，即使在面对突发故障时，也能通过有效的故障检测、诊断和备份控制，最大程度地减少对系统性能的影响，并确保安全运行。这一研究对于提升SOFC系统的实用性、可靠性和整体效率具有重要意义，有助于推动该领域的发展。文章于2016年7月20日接收，经过修订后于同年9月28日接受，并于10月28日在线发表。关键词包括固体氧化物燃料电池、故障容错控制、非线性模型预测控制以及BP神经网络。