一种基于ECSA的质子交换膜燃料电池寿命预测方法及系统

一种基于ecsa的质子交换膜燃料电池寿命预测方法及系统
技术领域
1.本发明属于燃料电池系统领域，更具体地，涉及一种基于ecsa的质子交换膜燃料电池寿命预测方法及系统。


背景技术：

2.质子交换膜燃料电池是一种电化学转换器，其可以将氢气中的化学能直接转换成电能。相较于传统能源在能源转换过程中受卡诺循环限制，燃料电池可以将反应物内部存储的化学能直接转化为电能，其能源转换效率明显提高。质子交换膜燃料电池(pemfc)被认为是最具有潜力的新能源技术之一。如何提高pemfc的寿命成为燃料电池的重要研究方向，催化层降解是限制其寿命的主要因素。为了增加电化学活性表面积(ecsa)，pemfc催化剂通常由铂或铂合金纳米颗粒组成；然而，这些颗粒在pemfc运行过程中可能出现的苛刻条件下并不稳定。pemfc催化层下降的主要原因有pt的流失、熟化、氧化、铂带的形成以及催化剂中毒等。因而，可以通过对pt颗粒降解建模来进行pemfc寿命的预测。
3.为了实现对燃料电池性能衰退情况的预测，现有技术中主要有基于铂溶解的物理规律搭建机理模型和基于实验数据的半经验模型两种建模方式。基于铂溶解的机理模型考虑了铂的溶解速率，铂粒子半径的变化以及铂带的产生，从催化剂pt微观层面的变化来描述ecsa的降解过程。但是这种方法的缺点在于为了便于计算，建立了较多的假设。pt粒子的半径大小，pt粒子的分布状态，以及pt带的形成相互耦合，很难通过计算去描述每一个pt粒子的半径状态变化。并且在燃料电池运行过程中，缺少观测铂粒子的有效手段，也就很难获得相应的数据来验证模型的正确性，模型的适用性较差。
4.相较于机理模型，基于实验数据的半经验模型能够更好的反应燃料电池催化层的性能衰退。但是现有的基于实验数据的半经验模型考虑的影响因素交为单一，如研究相对湿度和氧分压对循环电压下铂催化剂降解的影响，并得出经验公式来表征燃料电池催化层的衰退，或者研究温度对循环电压下铂催化剂降解的影响等。这些研究得到的模型不具有通用性，无法对pem燃料电池实际运行过程中的复杂工况做到有效的预测。
5.并且，现有技术中，大多通过神经网络学习的方式进行模型拟合，然而燃料电池老化实验成本较高，得到的实验数据有限，在有限的实验数据下，通过神经网络学习拟合出的模型的准确度不高。


技术实现要素：

6.针对现有技术的缺陷和改进需求，本发明提供了一种基于ecsa的质子交换膜燃料电池寿命预测方法及系统，其目的在于提升对质子交换膜燃料电池寿命预测的通用性和准确性。
7.为实现上述目的，按照本发明的一个方面，提供了一种基于ecsa的质子交换膜燃料电池寿命预测方法，包括：
8.s1、构建质子交换膜燃料电池降解半经验模型，所述模型包括电压影响因子单元、
相对湿度影响因子单元、温度影响因子单元及速率常数计算单元；其中，ecsa表示催化剂金属pt的比表面积；
9.所述电压影响因子单元用于计算电堆实际输出电压及其波动对ecsa的衰减速率因子kv；
10.所述相对湿度影响因子单元用于计算燃料电池内部的气体相对湿度对ecsa的衰减速率因子k
rh
；
11.所述温度影响因子单元用于计算电堆温度对ecsa的衰减速率因子k
t
；
12.所述速率常数计算单元用于计算衰减速率因子kv、衰减速率因子k
rh
及衰减速率因子k
t
的乘积，以得到表征燃料电池健康状态的ecsa值；
13.s2、在质子交换膜燃料电池工作状态下，测量电堆实际输出电压、燃料电池内部的气体相对湿度及电堆温度，并将其输入至所述模型中，得到所述ecsa值，进而预测燃料电池的寿命。
14.进一步地，所述衰减速率因子k
t
为：
[0015][0016]
其中，ea为活化能系数，和电池的燃料相关，r为通用气体常数，t
sc
为标准电压循环工况下的实验温度，t表示电堆温度。
[0017]
进一步地，所述衰减速率因子kv为：
[0018]
kv＝k
upl
×kud
[0019]
其中，
[0020]
式中，k
upl
表示电堆实际输出电压导致的ecsa衰减速率因子，k
ud
表示电压波动导致的ecsa衰减速率因子，v表示电堆实际输出电压，v
sc
表示标准电压循环下的上限电压值；c为指数项常数，k
ud1
和k
ud2
是线性系数。
[0021]
进一步地，k
ud1
和k
ud2
分别为：0.36和0.28。
[0022]
进一步地，所述衰减速率因子k
rh
为：
[0023]krh
＝kr+kh*rh
[0024]
其中，rh为燃料电池内部的气体相对湿度，kr、kh分别为线性系数。
[0025]
进一步地，kr、kh分别为-0.37和1.37。
[0026]
进一步地，衰减速率因子kv、衰减速率因子k
rh
及衰减速率因子k
t
的乘积与表征燃料电池健康状态的ecsa值之间的关系为：
[0027][0028]
其中，表示归一化的ecsa值；s为当前时刻剩余pt比表面积与初始时pt比表面积的比值，s
min
表示pt粒子趋于稳定后剩余pt表面积与初始时pt表面积的比值，k
sc
是标准电压循环下的退化速率，n为质子交换膜燃料电池电压的循环周期。
[0029]
按照本发明的第二方面，提供了一种用于减缓燃料电池衰退速率的方法，包括如下方式一至方式三种的一种或多种：
[0030]
方式一：降低电堆实际输出电压的持续工作时间以及电堆实际输出电压的波动，以降低ecsa值的变化率；
[0031]
方式二、降低燃料电池内部的气体相对湿度，以降低ecsa值的变化率；
[0032]
方式三、降低电堆温度，以降低ecsa值的变化率；
[0033]
其中，所述ecsa值通过第一方面任意一项所述的方法获得。
[0034]
按照本发明的第三方面，提供了一种基于ecsa的质子交换膜燃料电池寿命预测系统，包括：
[0035]
模型构建模块，用于构建基于ecsa的燃料电池降解半经验模型，所述模型包括电压影响因子单元、相对湿度影响因子单元、温度影响因子单元及速率常数计算单元；其中，ecsa表示催化剂金属pt的比表面积；
[0036]
所述电压影响因子单元用于计算电堆实际输出电压及其波动对ecsa的衰减速率因子kv；
[0037]
所述相对湿度影响因子单元用于计算燃料电池内部的气体相对湿度对ecsa的衰减速率因子k
rh
；
[0038]
所述温度影响因子单元用于计算电堆温度对ecsa的衰减速率因子k
t
；
[0039]
所述速率常数计算单元用于计算衰减速率因子kv、衰减速率因子k
rh
及衰减速率因子k
t
的乘积，以得到表征燃料电池健康状态的ecsa值；
[0040]
电池健康状态预测模块，用于在质子交换膜燃料电池工作状态下，测量电堆实际输出电压、燃料电池内部的气体相对湿度及电堆温度，并将其输入至所述模型中，得到所述ecsa值，进而预测燃料电池的寿命。
[0041]
按照本发明的第四方面，提供了一种计算机可读存储介质，包括存储的计算机程序；所述计算机程序被处理器执行时，控制所述计算机可读存储介质所在设备执行第一方面任一项所述的方法或/和第二方面所述的方法。
[0042]
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
[0043]
(1)本发明的基于ecsa的质子交换膜燃料电池寿命预测方法，将对燃料电池ecsa降解影响较大的电压、相对湿度和温度三种因素作为输入量，以ecsa值作为输出量建立半经验模型，进行电池健康状态的预测，使用时只需要对燃料电池内部的气体相对湿度、电堆实际输出电压和电堆温度进行测量，即可得到表征燃料电池健康状态的ecsa值，操作简便并且计算量小，同时模型考虑多种影响影子对电池衰减的影响，使得模型更具有通用性和准确性，可以在各种复杂工况下对燃料电池寿命进行预测。
[0044]
(2)相比现有技术中通过神经网络学习进行模型拟合的方式，本发明通过构建电堆实际输出电压、燃料电池内部的气体相对湿度及电堆温度与相应影响因子之间的函数关系，无需大量的实验数据，减少实验成本，并且通用性更高。通过仿真实验结果可以发现，本发明构造的电堆实际输出电压、燃料电池内部的气体相对湿度及电堆温度与相应影响因子之间的函数关系与燃料电池的实际老化过程一致，符合燃料电池的实际老化规律，使得用本发明的方法预测的燃料电池健康状态更加准确。
[0045]
(3)实验证明，在优选的参数下，构建电堆实际输出电压及燃料电池内部的气体相
对湿度函数更加精确，进一步提升模型预测的准确性。
[0046]
(4)本发明同时给出了衰减速率因子kv、衰减速率因子k
rh
及衰减速率因子k
t
的乘积与表征燃料电池健康状态的ecsa值之间的关系，基于该关系，建立起ecsa值与衰减速率因子kv、衰减速率因子k
rh
及衰减速率因子k
t
之间的耦合关系。
[0047]
(5)基于ecsa的质子交换膜燃料电池寿命预测方法，本发明还提供的一种用于减缓燃料电池衰退速率的方法，用于减缓燃料电池衰退速率。
附图说明
[0048]
图1为本发明的基于ecsa的质子交换膜燃料电池寿命预测方法示意图。
[0049]
图2为本发明实施例在不同upl下实验和仿真ecsa降解曲线对比图。
[0050]
图3为本发明实施例在不同相对湿度下实验和仿真ecsa降解曲线对比图。
[0051]
图4为本发明实施例在不同温度下实验和仿真ecsa降解曲线对比图。
[0052]
图5为本发明实施例在不同电压循环周期下模型仿真ecsa降解曲线图。
[0053]
图6为本发明实施例在不同高电势占空比下模型仿真ecsa降解曲线图。
具体实施方式
[0054]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0055]
如图1所示，本发明的基于ecsa的质子交换膜燃料电池寿命预测方法，主要包括如下步骤：
[0056]
s1、构建质子交换膜燃料电池降解半经验模型，该基于ecsa的燃料电池降解半经验模型包括电压影响因子单元、相对湿度影响因子单元、温度影响因子单元及速率常数计算单元；其中，ecsa表示催化剂金属pt的比表面积，即催化剂金属pt的总反应面积与其总质量的比值，ecsa值的变化能够反应电化学活性比表面积的降解速率，进而对燃料电池寿命进行有效预测；
[0057]
电压影响因子单元用于计算电堆实际输出电压及电压波动对ecsa的衰减速率因子kv；
[0058]
相对湿度影响因子单元用于计算燃料电池内部的气体相对湿度对ecsa的衰减速率因子k
rh
；
[0059]
温度影响因子单元用于计算电堆温度对ecsa的衰减速率因子k
t
；
[0060]
速率常数计算单元用于计算电压影响因子单元输出的衰减速率因子kv、衰减速率因子k
rh
及衰减速率因子k
t
的乘积，以得到表征燃料电池健康状态的ecsa值；
[0061]
s2、在质子交换膜燃料电池工作状态下，测量电堆实际输出电压、燃料电池内部的气体相对湿度及电堆温度，并将其输入至基于ecsa的燃料电池降解半经验模型中，得到表征燃料电池健康状态的ecsa值，进而预测燃料电池的寿命。
[0062]
具体地，电压影响因子单元中，计算电堆实际输出电压及电压波动对ecsa的衰减速率因子kv包括：
[0063]
分别计算电堆实际输出电压导致的ecsa衰减速率因子k
upl
，以及电压波动导致的ecsa衰减速率因子k
ud
；
[0064]
计算衰减速率因子k
upl
与衰减速率因子k
ud
的乘积，得到衰减速率因子kv；
[0065]
即，kv＝k
upl
×kud
，其中，
[0066]
式中，v表示电堆实际输出电压，在本发明实施例中，以方波电压模拟燃料电池内部的工作电压，在公式中，v表示高电势导致的ecsa衰减速率因子，v
sc
表示标准电压循环下的上限电压值；c为指数项常数，k
ud1
和k
ud2
是电压波动影响因子的线性系数。
[0067]
在本发明实施例中，经过数据仿真拟合，v
sc
取0.95，k
ud1
和k
ud2
分别取0.36和0.28。
[0068]
经过实验研究，发现高电势及电压波动为电压对ecsa衰减的主要影响因子。并且高电势的影响(也即电堆实际输出电压的影响)程度更大，经过数据仿真拟合，设计出的衰减速率因子k
upl
与衰减速率因子k
ud
分别为指数型函数和线性函数，能够更加真实的反映出电堆实际输出电压及电压波动对ecsa衰减的影响。
[0069]
具体地，相对湿度影响因子单元中，燃料电池内部的气体相对湿度对ecsa的衰减速率因子k
rh
为：
[0070]krh
＝kr+kh*rh
[0071]
rh为燃料电池内部的气体相对湿度，其影响因子随着相对湿度的增大而不断变大；kr、kh分别为线性系数，经过实验与研究，作为优选，kr、kh分别为-0.37、1.37。
[0072]
具体地，温度影响因子单元中，本发明构造了一种指数型函数用于反应电堆温度对ecsa衰减的影响：
[0073][0074]
其中，ea为活化能系数，和电池的燃料相关，r为通用气体常数，t
sc
为标准电压循环工况下的实验温度，t表示当前燃料电池的工作温度，也即当前的电堆温度。
[0075]
具体地，在速率常数计算单元中，通过计算电压影响因子单元输出的衰减速率因子kv、衰减速率因子k
rh
及衰减速率因子k
t
的乘积，得到在不同影响因素下对应的速率常数k：
[0076]
k＝k
sc
×
kv×krh
×kt
[0077]
其中，k
sc
是标准电压循环下的退化速率。
[0078]
该速率常数k同时考虑电堆实际输出电压及电压波动对ecsa衰减的影响、燃料电池内部的气体相对湿度对ecsa衰减的影响以及电堆温度对ecsa衰减的影响，反映了在不同因素影响共同作用下铂比表面积的下降速度，使得构建的模型更具通用性和适用性。
[0079]
为了简化计算，将每一个铂颗粒近似认为是球形，表征燃料电池健康状态的ecsa值的计算公式为：
[0080]
[0081]
式中，ρ表示铂的密度，rm表示第m个pt颗粒的等效半径，m表示pt颗粒的总数，
[0082]
随着电堆pt离子不断的降解，pt粒子的溶解、再沉淀等反应会趋于平衡，最终pt颗粒会趋于稳定在一定尺寸，不会继续进一步的溶解，即ecsa会稳定在非零值，这时ecsa最小，所以引入最小表面积的概念s
min
，采用归一化的ecsa值来反映比表面积：
[0083][0084]
式中，s为当前时刻剩余pt比表面积与初始时(即燃料电池全新未使用时)pt比表面积的比值，s
min
表示pt粒子趋于稳定后剩余pt表面积与初始时pt表面积的比值；在本实施例中，s
min
取值约为0.2。
[0085]
由于s
min
是根据实验条件获得，在不同实验条件值不同，采用归一化的ecsa值来反映比表面积，可以避免引入的最小表面积s
min
对模型准确性的影响。
[0086]
具体地，由加速应力测试得到的ecsa损失可以描述为一阶动力学速率模型，即铂表面积是电压的循环次数n的函数，铂表面积的降解速率和剩余比表面积s(n)成正比：
[0087][0088]
对上式在1-s
min
和s(n)-s
min
之间积分得到：
[0089][0090]
也即，表征燃料电池健康状态的ecsa值与速率常数k之间的关系为：
[0091][0092]
其中，n为质子交换膜燃料电池电压的循环周期，在本实施例中，为施加的方波电压的循环次数。
[0093]
为了验证本发明构建的基于ecsa的燃料电池降解半经验模型的有效性，本发明针对三种影响因素分别做了老化试验，并基于本发明构建的模型仿真结果进行对比，以验证本发明构建的模型是否有较好的ecsa预测能力。其中，本发明采用的标准电压循环工况下的参数为：
[0094]
采用方波电压模拟燃料电池内部的工作电压，下限电压值为：0.6v，下限电压值为：ocv(-0.95v)，电位持续时间为：2s，t
sc
为90℃，k
sc
为9.6
×
10-6
，相对湿度为100％。
[0095]
为了验证电压对ecsa降解影响因子单元的有效性，采用方波电压模拟燃料电池内部的工作电压，方波电压占空比为50％，下限电压0.6v，方波电压循环周期为4s，燃料电池的工作温度为90℃，燃料电池的工作相对湿度100％，上限电压(upl)分别为0.8/0.85/0.9/0.95v的操作条件下进行加速老化试验。图2为不同upl下实验数据和模型的对比曲线。
[0096]
从图2中可以看出，本发明构建的模型输出和实验数据有较好的拟合，验证了模型对燃料电池膜催化层ecsa衰退有较为准确的预测。同时可以发现，由于pt粒子的溶解和氧化是电势驱动的过程，因此产生的ecsa损失在较高的upl时增加。在0.95v的upl下，与0.8v的upl相比，300小时后的ecsa损耗增加了三倍以上，说明高电势对于ecsa的降解是具有很
大影响的，进一步佐证了本发明构建的电堆实际输出电压导致的ecsa衰减速率因子k
upl
函数对实际老化过程有较好的拟合效果。
[0097]
验证相对湿度对ecsa降解影响因子单元的有效性，采用方波占空比为50％，下限电压0.6v，上限电压为0.95v，循环周期为4s，温度为90℃，用实验条件下的相对湿度反应燃料电池内部的气体相对湿度，实验条件下的相对湿度分别为40％/70％/100％的操作条件下进行加速老化试验。图3为不同相对湿度下实验数据和模型的对比曲线。
[0098]
可以看出，模型计算得出的燃料电池ecsa降解曲线与实验数据的误差较小，模型能较为准确的预测燃料电池ecsa衰退。随着实验相对湿度设置的不断增大，ecsa的降解速率也增大。当相对湿度为40℃时，直到仿真结束，ecsa值下降为0.47，而当温相对湿度升高至100℃时，其值降至0.02。可以发现，随着相对湿度的增加，对燃料电池ecsa降解的影响时较大的，也即设计的燃料电池内部的气体相对湿度对ecsa的衰减速率因子k
rh
函数对实际老化过程有较好的拟合效果。
[0099]
研究温度对燃料电池ecsa降解速率的影响，采用方波占空比为50％，下限电压0.6v，上限电压为0.95v，循环周期为4s，相对湿度为100℃，温度分别为60/70/80/90℃的操作条件下进行加速老化试验。图4为ecsa降解的实验数据和模型对比曲线。
[0100]
由图中数据可知，实验数据和模型的ecsa降解曲线具有较好的拟合效果，其误差较小。随着温度的上升，燃料电池ecsa的降解速率不断加快。并且随着温度每增加10℃，其降解速率会增加越来越多，这与本发明构建的公式中电堆温度对ecsa的衰减速率因子与当前燃料电池的工作温度成指数级增长相符。
[0101]
通过三组实验数据的对比，发现模型在各种影响因素下与实验数据都有一个较好的拟合，能够有效对燃料电池健康状态进行预测，验证了所搭建的半经验模型的有效性。
[0102]
进一步地，本发明设计的电压对ecsa降解速率的影响主要包含两个方面：电堆实际输出电压及电压波动，为了确定两个影响因素对ecsa降解影响的比重，设置两个仿真实验，分别采用不同的电压循环周期和高电势占空比进行燃料电池加速老化仿真。
[0103]
图5为在温度90℃，相对湿度100％，占空比50％，下限电压为0.6v，上限电压0.85v，周期分别为2/4/8/64/256s的方波循环电压下进行仿真得到的ecsa降解曲线。图6为在温度90℃，相对湿度100％，下限电压为0.6v，上限电压为0.85v，周期为4s，占空比分别为20％/40％/60％/80％时的方波循环电压下进行仿真得到的ecsa降解曲线。
[0104]
通过两组仿真结果对比可知，高电势和频繁的电压波动都会加速ecsa的降解。但是相比较之下，周期从2s增大到256s，仿真结束时ecsa值只有0.05的差别，而占空从20％到80％，ecsa有0.21的降低。可知高电势对ecsa降解的影响更大，也即电堆实际输出电压对ecsa降解的影响更大，这与本发明设计的电堆实际输出电压导致的ecsa衰减速率因子k
upl
与电堆实际输出电压成指数级增长关系，而电压波动导致的ecsa衰减速率因子k
ud
与电压波动之间成线性增长关系一致。
[0105]
相比现有技术中通过神经网络学习进行模型拟合的方式，本发明通过构建电堆实际输出电压、燃料电池内部的气体相对湿度及电堆温度与相应影响因子之间的函数关系，无需大量的实验数据，减少实验成本，并且通用性更高。并且通过仿真实验结果可以发现，本发明构造的电堆实际输出电压、燃料电池内部的气体相对湿度及电堆温度与相应影响因子之间的函数关系与燃料电池的实际老化过程一致，符合燃料电池的实际老化规律，使得
用本发明的方法预测的燃料电池健康状态更加准确。
[0106]
基于上述的实验，可以得到：
[0107]
在电压对ecsa降解影响中，上限电压越高燃料电池ecsa的降解速率会越快，电压波动越频繁燃料电池ecsa的降解速率会越快。但是通过对两者ecsa降解曲线的比较可知，高电势对ecsa降解的影响是要更大的。所以为了延缓电池衰减需要避免电压长时间保持在高电势，并且减少电压的波动。
[0108]
相对湿度的上升会加速燃料电池ecsa的降解，为了延缓燃料电池衰退，需要控制燃料电池内部的相对湿度，当湿度较高时，及时将多余的水分吹出。
[0109]
温度的升高会加速pt粒子的溶解，加快降解速率，所以在实际使用中需要在正常工作温度范围内，尽量降低燃料电池内部的温度。
[0110]
基于此，本发明还提供了一种用于减缓燃料电池衰退速率的方法，主要包括下面方式一至方式三中的一种或者多种，具体包括：
[0111]
方式一：降低电堆实际输出电压的持续工作时间以及电堆实际输出电压的波动，以降低ecsa值的变化率；
[0112]
方式二、降低燃料电池内部的气体相对湿度，以降低ecsa值的变化率；
[0113]
方式三、降低电堆温度，以降低ecsa值的变化率；
[0114]
其中，ecsa值通过上述实施例中的基于ecsa的质子交换膜燃料电池寿命预测方法获得。
[0115]
按照本发明的另一方面，本发明还提供了一种基于ecsa的质子交换膜燃料电池寿命预测系统，包括：
[0116]
模型构建模块，用于构建质子交换膜燃料电池降解半经验模型，该质子交换膜燃料电池降解半经验模型包括电压影响因子单元、相对湿度影响因子单元、温度影响因子单元及速率常数计算单元；
[0117]
电压影响因子单元用于计算电堆实际输出电压及其波动对ecsa的衰减速率因子kv；其中，ecsa表示催化剂金属pt的比表面积；
[0118]
相对湿度影响因子单元用于计算燃料电池内部的气体相对湿度对ecsa的衰减速率因子k
rh
；
[0119]
温度影响因子单元用于计算电堆温度对ecsa的衰减速率因子k
t
；
[0120]
速率常数计算单元用于计算衰减速率因子kv、衰减速率因子k
rh
及衰减速率因子k
t
的乘积，以得到表征燃料电池健康状态的ecsa值；
[0121]
电池健康状态预测模块，用于在质子交换膜燃料电池工作状态下，测量电堆实际输出电压、燃料电池内部的气体相对湿度及电堆温度，并将其输入至模型中，得到ecsa值，进而预测燃料电池的寿命。
[0122]
其中，每个模块用于执行上述实施例中的基于ecsa的质子交换膜燃料电池寿命预测方法中的相应的步骤。
[0123]
按照本发明的另一方面，本发明还提供了一种计算机可读存储介质，包括存储的计算机程序；计算机程序被处理器执行时，控制计算机可读存储介质所在设备执行上述实施例中的基于ecsa的质子交换膜燃料电池寿命预测方法中的每个步或/和用于减缓燃料电池衰退速率的方法。
[0124]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于ecsa的质子交换膜燃料电池寿命预测方法，其特征在于，包括：s1、构建质子交换膜燃料电池降解半经验模型，所述模型包括电压影响因子单元、相对湿度影响因子单元、温度影响因子单元及速率常数计算单元；所述电压影响因子单元用于计算电堆实际输出电压及其波动对ecsa的衰减速率因子kv；其中，ecsa表示催化剂金属pt的比表面积；所述相对湿度影响因子单元用于计算燃料电池内部的气体相对湿度对ecsa的衰减速率因子k
rh
；所述温度影响因子单元用于计算电堆温度对ecsa的衰减速率因子k
t
；所述速率常数计算单元用于计算衰减速率因子kv、衰减速率因子k
rh
及衰减速率因子k
t
的乘积，以得到表征燃料电池健康状态的ecsa值；s2、在质子交换膜燃料电池工作状态下，测量电堆实际输出电压、燃料电池内部的气体相对湿度及电堆温度，并将其输入至所述模型中，得到所述ecsa值，进而预测燃料电池的寿命。2.根据权利要求1所述的方法，其特征在于，所述衰减速率因子k
t
为：其中，e
a
为活化能系数，和电池的燃料相关，r为通用气体常数，t
sc
为标准电压循环工况下的实验温度，t表示电堆温度。3.根据权利要求1所述的方法，其特征在于，所述衰减速率因子kv为：kv＝k
upl
×
k
ud
其中，k
upl
＝exp(c*(v-v
sc
))，式中，k
upl
表示电堆实际输出电压导致的ecsa衰减速率因子，k
ud
表示电压波动导致的ecsa衰减速率因子，v表示电堆实际输出电压，v
sc
表示标准电压循环下的上限电压值；c为指数项常数，k
ud1
和k
ud2
是线性系数。4.根据权利要求3所述的方法，其特征在于，k
ud1
和k
ud2
分别为：0.36和0.28。5.根据权利要求1所述的方法，其特征在于，所述衰减速率因子k
rh
为：k
rh
＝k
r
+k
h
*rh其中，rh为燃料电池内部的气体相对湿度，k
r
、k
h
分别为线性系数。6.根据权利要求5所述的方法，其特征在于，k
r
、k
h
分别为-0.37和1.37。7.根据权利要求1所述的方法，其特征在于，衰减速率因子kv、衰减速率因子k
rh
及衰减速率因子k
t
的乘积与表征燃料电池健康状态的ecsa值之间的关系为：其中，k＝k
sc
×
kv×
k
rh
×
k
t
，表示归一化的ecsa值；s为当前时刻剩余pt比表面积与初始时pt比表面积的比值，s
min
表示pt粒子趋于稳定后剩余pt表面积与初始时pt表面
积的比值，k
sc
是标准电压循环下的退化速率，n为质子交换膜燃料电池电压的循环周期。8.一种用于减缓燃料电池衰退速率的方法，其特征在于，包括如下方式一至方式三种的一种或多种：方式一：降低电堆实际输出电压的持续工作时间以及电堆实际输出电压的波动，以降低ecsa值的变化率；方式二、降低燃料电池内部的气体相对湿度，以降低ecsa值的变化率；方式三、降低电堆温度，以降低ecsa值的变化率；其中，所述ecsa值通过权利要求1-8任意一项所述的方法获得。9.一种基于ecsa的质子交换膜燃料电池寿命预测系统，其特征在于，包括：模型构建模块，用于构建基于ecsa的燃料电池降解半经验模型，所述模型包括电压影响因子单元、相对湿度影响因子单元、温度影响因子单元及速率常数计算单元；其中，ecsa表示催化剂金属pt的比表面积；所述电压影响因子单元用于计算电堆实际输出电压及其波动对ecsa的衰减速率因子kv；所述相对湿度影响因子单元用于计算燃料电池内部的气体相对湿度对ecsa的衰减速率因子k
rh
；所述温度影响因子单元用于计算电堆温度对ecsa的衰减速率因子k
t
；所述速率常数计算单元用于计算衰减速率因子kv、衰减速率因子k
rh
及衰减速率因子k
t
的乘积，以得到表征燃料电池健康状态的ecsa值；电池健康状态预测模块，用于在质子交换膜燃料电池工作状态下，测量电堆实际输出电压、燃料电池内部的气体相对湿度及电堆温度，并将其输入至所述模型中，得到所述ecsa值，进而预测燃料电池的寿命。10.一种计算机可读存储介质，其特征在于，包括存储的计算机程序；所述计算机程序被处理器执行时，控制所述计算机可读存储介质所在设备执行权利要求1-7任一项所述的方法或/和权利要求8所述的方法。

技术总结
本发明公开了一种基于ECSA的质子交换膜燃料电池寿命预测方法及系统，属于燃料电池系统领域，包括：S1、构建质子交换膜燃料电池降解半经验模型，所述模型包括电压影响因子单元、相对湿度影响因子单元、温度影响因子单元及速率常数计算单元；S2、在质子交换膜燃料电池工作状态下，测量电堆实际输出电压、燃料电池内部的气体相对湿度及电堆温度，并将其输入至所述模型中，得到所述ECSA值，进而预测燃料电池的寿命。同时还提供了一种基于ECSA的质子交换膜燃料电池寿命预测系统。本发明能够提升对质子交换膜燃料电池寿命预测的通用性和准确性；通过模型预测，得到三种因素与燃料电池降解的相关性结论，对延缓燃料电池衰退起到指导作用。用。用。


技术研发人员：李曦 李贝佳 郭子昂 傅俊 盛闯 曾令鸿
受保护的技术使用者：华中科技大学
技术研发日：2023.03.15
技术公布日：2023/7/18