對于燃料電池系統來說，我們通常比較關心一個操作比如拉載電流的變化對系統的影響，當然可以是溫度，可以是輸出電壓，也可以是出口組分的濃度變化，或者其他什么的，這就需要對這個系統進行建模。通過建模把這些規律表現出來并部署到BMS系統上，可以做成最強大腦。

建模一般存在兩種思路，一種是通過數據進行建模，比如將歷史數據和操作作為神經網絡（通常采用的是RNN族）結構或者是一些比較傳統的機器學習模型（xgboost）的訓練樣本（最新的transformer也可以一試），然后接入新的操作進行，在合理的訓練樣本的情況下，一般來說效果都不會太差。這種方式存在一個缺點就是對機理的描述不是很清楚，在很多老的專家眼里不是很認可（他們很多不了解你是在用什么玩意干什么東西，雖然用機理的數學模型他們也不是很了解，但認可度非常高，同時這個模型對沒見過的數據也會胡言亂語），我也嘗試做個很多這樣的模型，用在燃電或者其他領域，感興趣可以用聯系我。

另外一種就是機理角度進行建模，這里我覺得又可以再分為兩種，具體來說可以把機理通過微分-代數方程組的形式表達出來，然后通過求解這個系統的微分代數方程進行。一般來說都是常微分-代數方程組的形式進行系統的仿真呢，可以考慮多種物理現象進來，計算的時間也可以很快，部署方便。工具很多，比如matlab里面的simulink，Python，如果想搞的很詳細的話就是Aspen了，結合Aspen dynamic可以做成動態的系統，真的很強大（我也做了這些東西的教程）；當然，對于搞科研的來說呢，求解完整的偏微分也是可能的，而且這種東西可以把三維的場求解出來，可視化簡直牛逼，一般通過商業軟件Fluent或者comsol實現（雖然我也做這些東西，但個人覺得花樣多用處少，對于熱工部件設計還有用，對于系統建模我呵呵一下，網格太大的話求解的時間區間長度遠小與計算所用到的時間，不過據說某為在開發物理引擎算子不知道將來會有多大改善，后面關注一下）

對于半經驗或者經驗的模型可以歸納為上面的一類，但是如果單純對每一個物理量線性擬合的話我覺得歸納為數據類型建模會更好。

這里呢，重點關注的是機理模型中的常微分-代數方程組，這里以pemfc 舉例，可以通過直接求解這些方程進行哈，原理如下圖所示，通過simulink或者Python開發求解過程。

但是這個東西是個電池啊，因此呢我們還有一個角度，即我們不重點考慮其中的關于時間的常微分，而是重點關注物理過程，把時間上的關系通過電容，電感的形式來表達出來，這樣的建模很符合電源管理的需求部署也很方便，流程圖如下

還記得Aspen嗎，這個工具建模就太強大了，強大主要體現在他考慮的很完善哪怕你只是簡單的拖一下模塊他也可以進行非常非常完備的計算，比如通過什么方程計算物性，通過物性計算你所感興趣的量封裝做的太好了，但是有一個缺點，就是動態的話還是要通過dynamic了實現，而且動態貌似主要還是考慮壓力-流量變化來實現的，我沒看到計算的原理文檔，個人覺得如果不自定義的話dynamic動態模型不是很完善。這種方式最大的缺陷還是這樣的模型不好部署，如果你要部署你還得安裝Aspen費用太高，體積龐大而且lilux上不支持。走開源的話很多開源的流程模擬軟件是沒有電解質模型的，還得自己開發，不如直接寫微分方程了。

最后就是融合了，把機理和數據融合起來，我個人覺得可以用卡爾曼濾波做，也可以直接加權更有甚者用機理模型產生一堆的數據訓練神經網絡，反正怎么開心就怎么干方式很多。

個人的一點淺見，喜歡的朋友可以給個關注或者聯系我