燃料电池系统动态性能预测方法及装置制造方法及图纸

本发明专利技术公开了一种燃料电池系统动态性能预测方法及装置，其中方法包括：获取燃料电池系统的运行数据；将运行数据输入至基于注意力机制的循环神经网络，得到注意力在输入向量中的分布，并计算加权平均值，基于加权平均值预测燃料电池系统在预设时长内的动态性能。该方法克服了传统燃料电池性能预测精度不高的问题，不仅实现了对燃料电池动态性能的预测，使得预测结果准确，且对燃料电池的设计和优化提供有力的指导，并且可以实现对电池耐久性的预测，有效节省时间和成本。有效节省时间和成本。有效节省时间和成本。

【技术实现步骤摘要】
燃料电池系统动态性能预测方法及装置


[0001]本专利技术涉及电池
，特别涉及一种燃料电池系统动态性能预测方法及装置。

技术介绍

[0002]燃料电池由于具有发电效率高、零排放、无噪声、模块化等优点，已经成为各类分布式发电及便携式设备的首选备用电源。在实际应用中，准确预测燃料电池的性能可以使设计人员进行有针对性的调整，提高电池系统的设计和优化效率。
[0003]相关技术中，一般是通过训练递归神经网络，以给出输入和输出间良好的映射关系，非常适用于燃料电池等复杂系统的预测问题。
[0004]然而，相关技术中的递归神经网络预测的多为燃料电池稳态工况，对于动态负载条件下性能预测研究较少，且由于递归神经网络梯度爆炸和梯度消失问题，使其容易陷入局部最小点，导致网络的预测精度不高，有待解决。

技术实现思路

[0005]本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。
[0006]为此，本专利技术的一个目的在于提出一种燃料电池系统动态性能预测方法，克服了传统燃料电池性能预测精度不高的问题，不仅实现了对燃料电池动态性能的预测，使得预测结果准确，且对燃料电池的设计和优化提供有力的指导，并且可以实现对电池耐久性的预测，有效节省时间和成本。。
[0007]本专利技术的另一个目的在于提出一种燃料电池系统动态性能预测装置。
[0008]为达到上述目的，本专利技术一方面实施例提出了燃料电池系统动态性能预测方法，包括以下步骤：
[0009]获取燃料电池系统的运行数据；
[0010]将所述运行数据输入至基于注意力机制的循环神经网络，得到注意力在输入向量中的分布，并计算加权平均值；以及
[0011]基于所述加权平均值预测所述燃料电池系统在预设时长内的动态性能。
[0012]本专利技术实施例的燃料电池系统动态性能预测方法，获取燃料电池系统的运行数据，并将运行数据输入至基于注意力机制的循环神经网络，得到注意力在输入向量中的分布，并计算加权平均值，并于基于加权平均值预测燃料电池系统在预设时长内的动态性能。由此，克服了传统燃料电池性能预测精度不高的问题，不仅实现了对燃料电池动态性能的预测，使得预测结果准确，且对燃料电池的设计和优化提供有力的指导，并且可以实现对电池耐久性的预测，有效节省时间和成本。
[0013]另外，根据本专利技术上述实施例的燃料电池系统动态性能预测方法还可以具有以下附加的技术特征：
[0014]进一步地，在本专利技术的一个实施例中，在获取所述燃料电池系统的运行数据之后，
包括：
[0015]筛除所述运行数据中异常数据，并对筛除后的运行数据进行空白填充，得到用于最终使用的运行数据。
[0016]进一步地，在本专利技术的一个实施例中，在获取所述燃料电池系统的运行数据之后，还包括：
[0017]对所述运行数据进行平滑处理，以取每一个分段中满足预设提要求的位置数据，并由所述位置数据确定最终值。
[0018]进一步地，在本专利技术的一个实施例中，在所述基于注意力机制的循环神经网络中，RNN(Recurrent Neural Network，循环神经网络)中前向传播的公式表示为：
[0019][0020][0021]其中，o
t
为t时刻输出层的输出，g()为输出层中神经元的激活函数，V为t时刻隐藏层输出到输出层对应的权重参数；s
t
为隐藏层t时刻的输出，f()为隐藏层中神经元的激活函数，x
t
为t时刻输入层的输出，st
‑
1为上一时刻隐藏层的输出，U为输入层到隐藏层对应的权重参数，W为上一时刻隐藏层输出到t时刻隐藏层的权重参数。
[0022]进一步地，在本专利技术的一个实施例中，所述加权平均值的计算公式为：
[0023][0024]其中，α
i
为注意力分布，x
i
为输入值。
[0025]为达到上述目的，本专利技术另一方面实施例提出了一种燃料电池系统动态性能预测装置，包括：
[0026]获取模块，用于获取燃料电池系统的运行数据；
[0027]计算模块，用于将所述运行数据输入至基于注意力机制的循环神经网络，得到注意力在输入向量中的分布，并计算加权平均值；以及
[0028]预测模块，用于基于所述加权平均值预测所述燃料电池系统在预设时长内的动态性能。
[0029]本专利技术实施例的燃料电池系统动态性能预测装置，获取燃料电池系统的运行数据，并将运行数据输入至基于注意力机制的循环神经网络，得到注意力在输入向量中的分布，并计算加权平均值，并于基于加权平均值预测燃料电池系统在预设时长内的动态性能。由此，克服了传统燃料电池性能预测精度不高的问题，不仅实现了对燃料电池动态性能的预测，使得预测结果准确，且对燃料电池的设计和优化提供有力的指导，并且可以实现对电池耐久性的预测，有效节省时间和成本。
[0030]另外，根据本专利技术上述实施例的燃料电池系统动态性能预测装置还可以具有以下附加的技术特征：
[0031]进一步地，在本专利技术的一个实施例中，在获取所述燃料电池系统的运行数据之后，所述获取模块，具体用于：
[0032]筛除所述运行数据中异常数据，并对筛除后的运行数据进行空白填充，得到用于最终使用的运行数据。
[0033]进一步地，在本专利技术的一个实施例中，在获取所述燃料电池系统的运行数据之后，所述获取模块，还用于：
[0034]对所述运行数据进行平滑处理，以取每一个分段中满足预设提要求的位置数据，并由所述位置数据确定最终值。
[0035]进一步地，在本专利技术的一个实施例中，在所述基于注意力机制的循环神经网络中，循环神经网络RNN中前向传播的公式表示为：
[0036][0037][0038]其中，o
t
为t时刻输出层的输出，g()为输出层中神经元的激活函数，V为t时刻隐藏层输出到输出层对应的权重参数；s
t
为隐藏层t时刻的输出，f()为隐藏层中神经元的激活函数，x
t
为t时刻输入层的输出，st
‑
1为上一时刻隐藏层的输出，U为输入层到隐藏层对应的权重参数，W为上一时刻隐藏层输出到t时刻隐藏层的权重参数。
[0039]进一步地，在本专利技术的一个实施例中，所述加权平均值的计算公式为：
[0040][0041]其中，α
i
为注意力分布，x
i
为输入值。
[0042]本专利技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0043]本专利技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0044]图1为根据本专利技术一个实施例的燃料电池系统动态性能预测方法的流程图；
[0045]图2为根据本专利技术一个实施例的循环神经网络结构及前向传播示意图；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种燃料电池系统动态性能预测方法，其特征在于，包括以下步骤：获取燃料电池系统的运行数据；将所述运行数据输入至基于注意力机制的循环神经网络，得到注意力在输入向量中的分布，并计算加权平均值；以及基于所述加权平均值预测所述燃料电池系统在预设时长内的动态性能。2.根据权利要求1所述的方法，其特征在于，在获取所述燃料电池系统的运行数据之后，包括：筛除所述运行数据中异常数据，并对筛除后的运行数据进行空白填充，得到用于最终使用的运行数据。3.根据权利要求2所述的方法，其特征在于，在获取所述燃料电池系统的运行数据之后，还包括：对所述运行数据进行平滑处理，以取每一个分段中满足预设提要求的位置数据，并由所述位置数据确定最终值。4.根据权利要求1所述的方法，其特征在于，在所述基于注意力机制的循环神经网络中，循环神经网络RNN中前向传播的公式表示为：o
t
＝g(V
st
)，其中，o
t
为t时刻输出层的输出，g()为输出层中神经元的激活函数，V为t时刻隐藏层输出到输出层对应的权重参数；s
t
为隐藏层t时刻的输出，f()为隐藏层中神经元的激活函数，x
t
为t时刻输入层的输出，st
‑
1为上一时刻隐藏层的输出，U为输入层到隐藏层对应的权重参数，W为上一时刻隐藏层输出到t时刻隐藏层的权重参数。5.根据权利要求4所述的方法，其特征在于，所述加权平均值的计算公式为：其中，α
i
为注意力分布，x
i
为输入值。6.一种燃料电池系统动态性能预测装置，其特征在于...

【专利技术属性】
技术研发人员：徐晓明，洪吉超，赤骋，赵磊，陈东方，胡松，王越，
申请(专利权)人：北京格睿能源科技有限公司，
类型：发明
国别省市：