Аннотация результатов, полученных в 2024 году
1. Разработана имитационная компьютерная модель водородного топливного элемента с протонообменной мембраной (ПОМТЭ) с открытым катодом, позволяющая исследовать влияние внешних и внутренних факторов на выходные характеристики топливного элемента. Компьютерная модель разработана в программном комплексе Matlab R2020b. Модель позволяет пользователю самостоятельно задать технические характеристики и конструкционные особенности моделируемого ПОМТЭ, и на их основе рассчитывает выходные характеристики топливного элемента для заданного пользователем диапазона температуры окружающей среды. Модель позволяет получить выходные характеристики ПОМТЭ: – вольтамперную и мощностную характеристики; – зависимость расхода водорода от загрузки; – зависимость коэффициента полезного действия от загрузки; – зависимость вольтамперной и мощностной характеристик от температуры окружающей среды. Модель может быть использована для исследования влияния температуры окружающей среды на выходные характеристики ПОМТЭ (напряжение, мощность, расход водорода, коэффициент полезного действия). 2. Разработана структура рекуррентной нейронной сети (РНС) для прогнозирования характеристик топливного элемента, а именно напряжения и расхода водорода на основе данных об изменении внешних факторах (температуры окружающей среды). РНС разработана на базе языка программирования Python с использованием библиотек глубокого обучения torch. РНС состоит из трех полносвязных слоев. Первый слой LSTM (Long Short-Term Memory) состоит из 128 нейронов и является основой нейронной сети, которая изучает долгосрочные зависимости между шагами данных в числовых или временных последовательностях. Второй слой является активационным. В качестве функции активации использовалась ReLU (Rectified Linear Unit). Третий слой является слоем вывода и состоит из 128 нейронов. Тестирование РНС выполнено на пяти датасетах, включающих от 675 до 13407 векторов, а в качестве метрик для сравнительного анализа результатов использовались MSE, MSA, R² Score. Исходя из результатов РНС имеет более точные метрики по сравнению с алгоритмами машинного обучения, а значит и меньший процент ошибки. Установлено, что разработанная РНС позволяет прогнозировать выходные характеристики топливных элементов даже при наличии ограниченной информации о фактических значениях выходного тока и напряжения топливного элемента. Для обучения РНС для прогнозирования расхода водорода достаточно датасета из 675 векторов с шагом изменения тока ТЭ 0,1 А. Для обучения РНС для прогнозирования напряжения необходим датасет с 6705 векторами с шагом изменения тока ТЭ 0,01 А. 3. В результаты проведения опытов в климатической камере и моделировании работы ПОМТЭ с открытым катодом были сформированы пять баз данных для обучения нейронных сетей на основе ограниченной информации о фактических значениях выходного тока и напряжения топливного элемента с учетом изменения температуры окружающей среды. В качестве входных данных использованы ток нагрузки, температура окружающей среды, температура топливного элемента. В качестве выходных данных – напряжение, расход водорода топливного элемента. Базы данных отличаются количеством исходных данных (векторов) – 675, 1345, 6705, 8939 и 13407 измерений.

Аннотация результатов, полученных в 2025 году
1. В программном комплекс Matlab разработаны имитационные компьютерные модели гибридного энергетического комплекса (ГЭК) на основе водородного топливного элемента с протонообменной мембраной (ПОМТЭ) с открытым катодом и литиевой аккумуляторной батареи (АКБ). Имитационные компьютерные модели обеспечивают возможность исследования: – влияния параметров нагрузки и АКБ на режимы работы ГЭК и его основных элементов; – влияние температуры и деградации на режимы работы ПОМТЭ; – эффективности алгоритмов управления ГЭК, по критериям расхода водорода, деградации ПОМТЭ и поддержанию уровня заряда АКБ при использовании заранее заданных характеристик источников питания, а также при использовании характеристик, спрогнозированных искусственной нейронной сетью (ИНС). В моделях реализована логика работы двух систем управления, в которых распределение мощности источников осуществляется по методу конечного автомата и методу минимизации эквивалентного потребления водорода. 2. Разработаны модели систем управления гибридных энергетических комплексов на основе ПОМТЭ с применением нейросетевых технологий – рекуррентной нейронной сети (РНС) для прогнозирования выходных характеристик топливного элемента на основе ограниченной информации о фактических значениях выходного тока и напряжения топливного элемента с учетом изменения внешних факторов (на примере температуры). Основными блоками системы управления являются: – блок оптимизации распределения нагрузки (верхний уровень иерархии системы управления), выполняющий функцию оптимального распределения мощности нагрузки в реальном времени между ПОМТЭ и АКБ в составе ГЭК с учетом обеспечения наибольшей эффективности работы ГЭК; – блок идентификации на базе ИНС (система идентификации текущих характеристик ПОМТЭ), выполняющий функцию уточнения в реальном времени полных текущих характеристик ПОМТЭ (вольтамперной и расходной характеристики) для повышения качества работы системы управления. Принцип функционирования системы управления заключается в следующем. После включения ГЭК с помощью датчиков системы измерений считываются параметры нагрузки (ток и напряжение нагрузки), ПОМТЭ (выходной ток, выходное напряжение, расход водорода), АКБ (ток и напряжение АКБ) и температуры окружающего пространства. Эти параметры передаются в блок оптимизации распределения нагрузки и в блок идентификации на базе ИНС. В блоке идентификации параметры заносятся в базу данных (для дальнейшей возможности самообучения ИНС) и поступают на вход ИНС, с помощью которой определяются текущие характеристики ПОМТЭ. Полученные на основе ИНС характеристики сравниваются с характеристиками, которые используются блоком оптимизации распределения нагрузки на данный момент (находящимися в блоке памяти). При различии между характеристиками происходит обновление характеристик ПОМТЭ, которые используются для определения оптимального распределения мощности нагрузки. В завершении блоком оптимизации задаются уставки DC/DC преобразователя ПОМТЭ, которые соответствуют наиболее эффективной работе ГЭК. 3. Разработан проект методических рекомендаций по построению адаптивных систем управления ГЭК на основе водородных ПОМТЭ с применением нейросетевых технологий. Технологии ИНС являются перспективным подходом для реализации системы идентификации параметров ПОМТЭ, дополняющей систему управления верхнего уровня и обеспечивающей адаптивность управления работой ГЭК на основе ПОМТЭ. Выполнен анализ критериев для оценки эффективности функционирования системы управления, перечня и объема входных параметров для обучения ИНС, рассмотрены подходы к повышению точности прогнозирования ИНС. С учетом особенностей ГЭК на основе ПОМТЭ предложена последовательность предварительной оценки эффективности и целесообразности применения технологий ИНС для прогнозирования характеристик ПОМТЭ, которая включает следующие этапы: оценка условий эксплуатации ГЭК; анализ методов, используемых для распределения мощности нагрузки системой управления верхнего уровня; анализ измеряемых параметров ГЭК. Предложена последовательность выбора критерия для оценки эффективности функционирования системы управления ГЭК на основе ПОМТЭ в зависимости от структуры ГЭК и метода распределения нагрузки. При сочетании с АКБ одной батареи ПОМТЭ в качестве критериев эффективности могут рассматриваться расход водорода и общий КПД работы ГЭК. При наличии в составе ГЭК двух и более батарей ПОМТЭ более целесообразным является использование в качестве критерия расхода водорода. Методы распределения нагрузки практически не накладывают ограничений на выбор критерия эффективности. Критерий продления срока службы может учитываться отдельно в виде ограничений режимов работы АКБ и ПОМТЭ. Определен минимальный перечень параметров, обеспечивающий высокую точность прогнозирования зависимостей выходного напряжения и расхода ПОМТЭ от выходной мощности ПОМТЭ: – входные параметры: температура окружающего пространства, выходной ток ПОМТЭ; – выходные параметры: выходное напряжение ПОМТЭ, расход водорода. Процесс формирования баз данных должен быть основан на результатах физических исследований, которые предполагают получение зависимостей выходных параметров от выходных параметров с использованием испытательных стендов, дополненных применением метода аппроксимации или технологиями машинного обучения. В качестве подходов к повышению точности прогнозирования ИНС выделены: совершенствование структуры ИНС; увеличение объема обучающих баз данных; увеличение количества входных параметров. Наибольшее влияние на точность прогнозирования как выходного напряжения ПОМТЭ, так и расхода водорода оказывает структура ИНС