由螺杆式空气压缩机性能可知，压力比（psm/patm），空气的质量流动因数（mcpT1/P1），旋转速度因数（n/T1）及空压机的效率（）有一定的关系。因此，在空压机的压力比为某一值时，只要控制电机的旋转速度因数（转速），则流入电池堆的空气质量流动因数（空气流量）就会改变，燃料电池的输出功率就自然随之发生改变，从而满足电动汽车在不同工况，不同路面上的行驶需求。
2空压机机理建模空气供给管腔压力与空气流量直接相关，即不同的空气流量对应不同的空气压力。要了解一定时间内PEMFC中空气的进入量和反应量，就应该清楚空气流量的变化情况，由质量守恒和能量守恒定律9可得空气供给管腔压力变化量由以上分析可知，建立空压机的压力控制数学模型非常复杂，各个参数均是时变的，非线性的，耦合的变量，为便于分析设定的一些参数，会影响模型的准确性和实时性。下面分析适用于空气压力控制系统的空压机实验模型。
3空压机实验建模
实验所用的燃料电池为武汉理工大学自主研发的质子交换膜燃料电池，为研究方便，假设氢气供应充足，空气在进入电堆前被充分加湿。
3.1神经网络辨识模型PEMFC运行时，空压机的空气压力和空气流量，空气温度是非线性关系，根据测得的实验数据，用神经网络拟合方法建立空压机的动态模型。
当PEMFC输出功率变化时，空压机转速迅速改变，空气流量快速响应输出功率的变化，以满足负荷的需求，此时，电池堆工作温度升高，空气进，出电堆的温度也升高。由于空气压力与空气流量，空气温度直接相关，空气压力也随之发生变化。
神经网络辨识模型的输入变量是随电池堆输出功率变化的空压机的空气流量和空气温度，输出变量是空压机的空气压力。根据实验数据，可用神经网络拟合空压机的空气压力随空气流量，空气温度的变化曲线。
3.2实验数据本文采用2040组实验数据作为训练样本，部分测试数据。
可见，原始样本中各向量的数量级差别很大，为了计算方便并防止部分神经元达到过饱和状态，在研究中对样本的输入进行归一化处理，使理论数据位于<0，1>区间。
3.3仿真RBF神经网络径向基扩展常数spread选为0.01.Elman神经网络结构为2-11-1，中间层神经元采用双曲正切S型传递函数tansig，输出层采用S型输出函数logsig.学习函数采用learngdm，训练函数采用trainlm，性能函数采用mse，训练步数选为1000.分别用同一组实验数据训练RBF神经网络和Elman神经网络，可得空气压力的神经网络拟合曲线。中"*"表示空气压力相对于空气流量，空气温度的实际输出曲线，实线表示基于神经网络的空压机输出的空气压力相对于空气流量，空气温度的拟合曲线。
RBF神经网络的拟合误差比Elman神经网络的拟合误差小，拟合效果好，选用RBF神经网络建立空压机的压力控制模型，与实际的空压机模型具有较大的相似性，因此控制偏差小。
另外，由仿真过程可知，RBF神经网络训练时间为6.27s，而Elman神经网络的训练时间为17.85s.可见RBF神经网络训练时间短，满足系统实时性的要求。
因此，选用RBF神经网络建立空压机的压力控制模型，控制效果好。
4结论
本文以50kW燃料电池发动机为背景，采用RBF神经网络和Elman神经网络两种神经网络建模方式，分别对空压机的压力进行建模。由神经网络拟合误差曲线可知，选用RBF神经网络建立空压机的压力控制模型拟合误差小，训练时间短，满足实际空气压力控制系统的实时性要求。
