Direct methanol fuel cells are one of the most promisingly critical fuel cell technologies for portable applications. Due to the strong dependency between actual operating conditions and electrical power, acquiring an explicit model becomes difficult. In this article, the behavioral model of direct methanol fuel cell is proposed with satisfactory accuracy, using only input/output measurement data. First, using the generated data which are tested on the direct methanol fuel cell, the frequency response of the direct methanol fuel cell is estimated as a primary model in lower accuracy. Then, the norm optimal iterative learning control is used to improve the estimated model of the direct methanol fuel cell with a predictive trial information algorithm. Iterative learning control can be used for controlling systems with imprecise models as it is capable of correcting the input control signal in each trial. The proposed algorithm uses not only the past trial information but also the future trials which are predicted. It is found that better performance, as well as much more convergence speed, can be achieved with the predicted future trials. In addition, applying the norm optimal iterative learning control on the proposed procedure, resulted from the solution of a quadratic optimization problem, leads to the optimal selection of the control inputs. Simulation results demonstrate the effectiveness of the proposed approach by practical data.

中文翻译：

---

基于范数最优迭代学习控制的直接甲醇燃料电池建模

直接甲醇燃料电池是便携式应用中最有前途的关键燃料电池技术之一。由于实际操作条件和电力之间的强依赖性，获得显式模型变得困难。在本文中，仅使用输入/输出测量数据，以令人满意的精度提出了直接甲醇燃料电池的行为模型。首先，使用在直接甲醇燃料电池上测试的生成数据，以较低精度估计直接甲醇燃料电池的频率响应作为主要模型。然后，采用范数最优迭代学习控制，通过预测试验信息算法改进直接甲醇燃料电池的估计模型。迭代学习控制可用于控制模型不精确的系统，因为它能够在每次试验中校正输入控制信号。所提出的算法不仅使用过去的试验信息，而且还使用预测的未来试验。发现通过预测的未来试验可以实现更好的性能以及更快的收敛速度。此外，对提出的程序应用范数最优迭代学习控制，由二次优化问题的解决方案产生，导致控制输入的最佳选择。仿真结果通过实际数据证明了所提出方法的有效性。所提出的算法不仅使用过去的试验信息，而且还使用预测的未来试验。发现通过预测的未来试验可以实现更好的性能以及更快的收敛速度。此外，对提出的程序应用范数最优迭代学习控制，由二次优化问题的解决方案产生，导致控制输入的最佳选择。仿真结果通过实际数据证明了所提出方法的有效性。所提出的算法不仅使用过去的试验信息，而且还使用预测的未来试验。发现通过预测的未来试验可以实现更好的性能以及更快的收敛速度。此外，对提出的程序应用范数最优迭代学习控制，由二次优化问题的解决方案产生，导致控制输入的最佳选择。仿真结果通过实际数据证明了所提出方法的有效性。导致控制输入的最佳选择。仿真结果通过实际数据证明了所提出方法的有效性。导致控制输入的最佳选择。仿真结果通过实际数据证明了所提出方法的有效性。