当前位置：首页 > news >正文

2023年ASOC SCI2区TOP，可修灰狼优化算法RGWO+燃料电池参数辨识，深度解析+性能实测

news 2025/8/3 7:52:46

1.摘要

基于种群元启发式算法通常可分为开发和探索两个阶段，然而这些方法的一个主要缺点是无法保证对整个搜索空间进行全面搜索，因为种群是随机分布，可能无法覆盖所有区域以找到最佳解。因此，本文提出了一种可修复灰狼优化算法（RGWO），RGWO结合在包括两个阶段：淘汰和搜索空间管理。在淘汰阶段，表现不佳的狼逐步被新狼替代，同时引入新设计参数以优化开发与探索的平衡。在搜索空间管理阶段，狼群并非一开始就分布在整个搜索空间，而是集中在一个小区域内，然后逐渐扩展。

2.系统模型

Schematic representation of PEMFC system.

在PEMFC系统中，氢气通过阳极电极作为燃料进入电池，并被分解为氢离子和电子。质子通过电解质向阴极移动，而电子则通过外部电路流动，产生电流。在阴极，氧气与质子和电子反应，生成水和热量。

图中展示了燃料电池中由化学反应引起的电压、电流和损耗，可以推导出燃料电池电气方程：
$V_{cell}=E_{nemst}-V_{act}-V_{ohmic}-V_{con}$

Equivalent electrical circuit of a single PEM fuel cell

目标函数：
$SSE=∑k=1N[Vexp(k)−Vest(k)]2SSE=\sum_{k=1}^N\left[V_{exp}\left(k\right)-V_{est}\left(k\right)\right]^2$

其中，下标exp为实验测量值，est为理论值。

3.灰狼优化算法GWO原理

【智能算法】灰狼算法（GWO）原理及实现

4.可修灰狼优化算法RGWO

RGWO核心思想是逐步淘汰表现不佳个体并在搜索空间新区域引入新个体，以提升算法跳出局部最优能力并加快全局收敛速度。相比GWO，RGWO引入了 $e p$ 、 $e t$ 、 $T h$ 和 $w$ 等新参数，能够灵活调控种群的探索与开发。

RGWO通过参数 $e p$ 确定每轮迭代需要替换低效个体数量，通过 $e t$ 控制替换频率。若种群规模为30， $e p = 5$ ， $e t = 10$ ，则每10次迭代替换表现最差5只个体。RGWO创新性地调整了种群分布方式——最初只在问题空间的局部小区域进行搜索，随后逐步扩大搜索范围，直至覆盖整个问题空间。其中， $T h$ 控制初始搜索子域的大小， $w$ 则决定子域扩展的速度。

Flowchart of the proposed RGWO algorithm

5.结果展示

论文结果

6.参考文献

[1] Ebrahimi S M, Hasanzadeh S, Khatibi S. Parameter identification of fuel cell using repairable grey wolf optimization algorithm[J]. Applied Soft Computing, 2023, 147: 110791.