Hybrid (𝐋𝟏, 𝐇𝟐, 𝐇∞) For Optimal Order Reduction Of PEM Fuel Cell Controller Using Meta-Heuristic Optimization Approaches

Abstract

Le but de cette étude est de trouver un modèle d'ordre réduit optimal pour le système piles à combustible à membrane échangeuse de protons (PEMFC SR-12 500W) complexe non linéaire ii multi-entrées multi-sorties en utilisant de nouveaux algorithmes méta-heuristiques. Point de vue du cette pile, les pressions l'hydrogène et l'oxygène peuvent être considérés comme deux entrées, tandis que la tension et le courant comme deux sorties. Par l'implémentation de la technique d'identification, le modèle linéaire d'espace d'état de la pile PEMFC est généré à l'aide de la procédure de modélisation exogène autorégressive non linéaire avec réseau neuronal (NN-NLARX), L'ordre de modèle linéaire résultant est réduit à l'aide de techniques méta-heuristiques telles que les algorithmes d'optimisation de l'écosystème artificiel (AEO) et d'optimisation de la recherche de nourriture des espèces (MRFO). L'AEO imite le comportement des flux d'énergie entre les organismes vivants dans un écosystème naturel, tandis que le MRFO s'inspire des stratégies de recherche de nourriture des espèces qui vivent dans les océans. Ces algorithmes sont utilisés pour minimiser les normes d'erreur hybrides (L1, H2, H∞) and (H2, H∞) entre le modèle PEMFC linéaire complet et ses modèles d'ordre réduit. Les résultats obtenus sont comparés avec la méthode standard telle que la troncature équilibrée (BT), et ils sont confirmés que les modèles approximantes obtenu par le MRFO proposé a une convergence plus rapide et une meilleure performance d'approximation en hybrides (L1, H2, H∞) and (H2,H∞) que celle obtenue par AEO. De plus, les algorithmes et la méthode BT se sont avérés précis et fiables pour étudier le modèle d'ordre réduit global optimal de PEMFC qui a préservé le comportement principal d'origine PEMFC SR-12 500W Modèle. Mots-clés: piles à combustible 500W ; Réduction optimale ; normes (L1, H2, H∞); hybrides; nlarx; techniques méta-heuristiques; réseau neuronal.