微生物燃料电池的动态性能分析及其神经网络预测控制

安爱民; 刘云利; 张浩琛; 郑晨东; 付娟

doi:10.11949/j.issn.0438-1157.20161627

您当前的位置：

首页 >

文章列表页 >

微生物燃料电池的动态性能分析及其神经网络预测控制

过程系统工程 | 更新时间：2025-12-10

- 微生物燃料电池的动态性能分析及其神经网络预测控制
- Dynamic performance analysis and neural network predictive control of microbial fuel cell
- 化工学报 2017年第3期页码：1090-1098
- 作者机构：
  
  兰州理工大学电信学院,甘肃,兰州,730050
- 作者简介：
- 基金信息：
- DOI：10.11949/j.issn.0438-1157.20161627
  中图分类号： P391.9
- 网络首发：2017-03-05，
  
  纸质出版：2017-03-05
- 稿件说明：
移动端阅览
安爱民, 刘云利, 张浩琛, 等. 微生物燃料电池的动态性能分析及其神经网络预测控制[J]. 化工学报, 2017,(3):1090-1098.

AN Aimin, LIU Yunli, ZHANG Haochen, et al. Dynamic performance analysis and neural network predictive control of microbial fuel cell[J]. CIESC Journal, 2017, (3): 1090-1098.
安爱民, 刘云利, 张浩琛, 等. 微生物燃料电池的动态性能分析及其神经网络预测控制[J]. 化工学报, 2017,(3):1090-1098. DOI： 10.11949/j.issn.0438-1157.20161627.

AN Aimin, LIU Yunli, ZHANG Haochen, et al. Dynamic performance analysis and neural network predictive control of microbial fuel cell[J]. CIESC Journal, 2017, (3): 1090-1098. DOI： 10.11949/j.issn.0438-1157.20161627.

摘要

微生物燃料电池（microbial fuel cell，MFC）反应底物浓度的控制问题是整个系统优化控制的重要环节，其控制效果的优劣对系统的输出电压有很大的影响。针对MFC输出电压在常规控制策略下超调量大和响应速度慢的特点，对MFC系统模型中输入量、控制量的变化对系统输出的影响进行动态仿真；将负载电流作为扰动量，提出了针对MFC系统阳极进料流量进行控制的神经网络预测控制策略。仿真结果表明，与PID控制方法相对比，利用神经网络预测控制策略的系统输出电压响应速度快且超调量小，其动态性能得到了较大的改善。

Abstract

The control of substrate concentration for microbial fuel cell (MFC) is an important part of the entire MFC system

which have a great effect on the output voltage of MFC. The effects of input variables and control variables on the output voltage of MFC are studied

and a neural network predictive control strategy for anode feed flow of MFC is proposed

in which the load current is regarded as disturbance

aiming to solve the problem of overshoot and slow response of output voltage under conventional control strategy. The simulation results show that

compared with the PID control method

the system output voltage response of the neural network predictive control strategy is fast

the overshoot is small

and the dynamic performance of system is greatly improved.

关键词

Keywords

references

浏览量

226

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于时序-空间双流卷积神经网络的炼化污水厂进水COD预测模型

基于SlowFast-Transformer的化工过程故障检测与风险预警

炼化变工况下多变量过程的智能PID协调整定

多通道卷积神经网络预测MOFs对C3F6/C3F8吸附性能

套管式直流蒸汽发生器二次侧阀门扰动下的动态特性研究