一种多模态融合的燃料电池系统性能衰减预测方法技术方案

本发明专利技术涉及一种多模态融合的燃料电池系统性能衰减预测方法，包括：S1、获取能够描述燃料电池系统性能衰减的性能指标时序数据；S2、对性能指标时序数据采用自适应的数据分解方法进行模态分解得到多个模态量；S3、对各个模态量分别构建用于模态量预测的预测模型，训练所述的预测模型；S4、将燃料电池历史实测性能指标时序序列采用所述的自适应的数据分解方法进行模态分解并将各模态量输入至对应的预测模型得到各模态预测值；S5、将各模态预测值进行融合得到性能指标预测值，基于性能指标预测值确定燃料电池的衰减情况。与现有技术相比，本发明专利技术能够有效学习燃料电池系统运行过程中的各种扰动对动态衰减的影响，具有较高的预测精度。测精度。测精度。

【技术实现步骤摘要】
一种多模态融合的燃料电池系统性能衰减预测方法


[0001]本专利技术涉及燃料电池
，尤其是涉及一种多模态融合的燃料电池系统性能衰减预测方法。

技术介绍

[0002]燃料电池汽车是新能源汽车的一个重要分支，由于其加注速度快、效率高、噪音低、零排放等优点，被认为是未来汽车的最终解决方案之一，但其大规模商用化应用仍受到耐久性限制。对燃料电池系统进行衰减预测，能够为系统控制和健康管理提供参考，有助于提升其使用寿命，促进其大规模商业化应用。
[0003]中国专利文献CN114373965A采用基于模型的方法进行衰减预测，但是燃料电池系统是一个非线性强、时变性强的系统，对其衰减进行精确建模极具挑战，而且该专利所建立的模型为线性衰减模型，与燃料电池实际的非线性衰减有一定差异。
[0004]中国专利文献CN114137431A则采用线性函数、二次函数和双指数函数对燃料电池不同电流密度下电压随时间变化的图进行拟合，并挑选拟合精度最高的函数作为最终的预测函数，根据预测函数和截止电压，得到燃料电池的衰减趋势和终止时刻。该方法显然只能定性预测燃料电池的衰减。
[0005]中国专利文献CN113657024A利用深度投影编码回声状态网络构建燃料电池寿命预测模型，采用遗传算法优化燃料电池寿命预测模型参数。但是传统的回声状态网络只能对燃料电池进行浅学习，无法充分挖掘深度的非线性衰减特性。
[0006]中国专利文献CN110059377A采用深度卷积神经网络进行衰减预测。众所周知，燃料电池性能衰减过程中有许多性能恢复阶段，而且衰减还受到外部工作条件，如温度、湿度、气体流量、压力等因此影响，传统的深度卷积神经网络无法对这些外部影响因子进行单独考虑。
[0007]为此，需要提出准确性更好的燃料电池系统衰减预测方法。

技术实现思路

[0008]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种多模态融合的燃料电池系统性能衰减预测方法。
[0009]本专利技术的目的可以通过以下技术方案来实现：
[0010]一种多模态融合的燃料电池系统性能衰减预测方法，该方法包括：
[0011]S1、获取能够描述燃料电池系统性能衰减的性能指标时序数据；
[0012]S2、对性能指标时序数据采用自适应的数据分解方法进行模态分解得到多个模态量；
[0013]S3、对各个模态量分别构建用于模态量预测的预测模型，训练所述的预测模型；
[0014]S4、将燃料电池历史实测性能指标时序序列采用所述的自适应的数据分解方法进行模态分解并将各模态量输入至对应的预测模型得到各模态预测值；
[0015]S5、将燃料电池各模态预测值进行融合得到性能指标预测值，基于性能指标预测值确定燃料电池的衰减情况。
[0016]优选地，所述的性能指标包括电压、活性面积、阻抗、极限电流密度中的任意一种。
[0017]优选地，所述的自适应的数据分解方法包括互补集合经验模态分解算法。
[0018]优选地，互补集合经验模态分解算法包括如下步骤：
[0019]1)在待分解的原始信号上分别加入正白噪声和负白噪声；
[0020]2)对两个新加噪声的信号进行经验模态分解；
[0021]3)重复相加和分解的过程，直到满足循环次数要求，最后对得到的分解结果取平均值：
[0022][0023][0024]其中，IMF
k
(t)为t时刻的第k阶固有模态函数，r
K
(t)为t时刻的残差量，IMF
k,j
(t)为添加正白噪声信号在第j次循环计算中t时刻第k阶固有模态函数，IMF
k,
‑
j
(t)为添加负白噪声信号在第j次循环计算中t时刻第k阶固有模态函数，r
K,j
(t)为添加正白噪声信号在第j次循环计算中t时刻的残差量，r
K,
‑
j
(t)为添加负白噪声信号在第j次循环计算中t时刻的残差量，M为总的循环计算次数。
[0025]优选地，步骤2)中经验模态分解具体包括：
[0026]21)求取待分解的时序数据p(t)的全部局部极大值点和局部极小值点，三次样条插值法获得上包络线e
1,1
(t)与下包络线e
1,2
(t)，求包络均值曲线a
1,1
(t)；
[0027]22)求包络均值曲线a
1,1
(t)与待分解的时序数据p(t)的差值曲线h
1,1
(t)；
[0028]23)若h
1,1
(t)不满足IMF条件，则用h
1,1
(t)替代p(t)，回到步骤21)并重复，设第i次获得的差值曲线为h
1,i
(t)：
[0029]h
1,i
(t)＝h
1,(i
‑
1)
(t)
‑
a
1,i
(t)
[0030]24)当第i次获得的差值曲线满足停止准则时，视为第一个固有模态函数IMF1(t)，并计算对应的残差r1(t)，用r1(t)替代p(t)，回到步骤21)并重复，直到第k次获得IMF
k
(t)的为单调函数或k达到预期次数时，分解停止。
[0031]优选地，所述的IMF条件为：零点与极值点的数量相等或相差1；局部极大值点确定的上包络线与局部极小值点确定的下包络线之均值恒为0。
[0032]优选地，所述的预测模型包括门控循环单元网络。
[0033]优选地，步骤S3中训练预测模型时分别对步骤S2得到的各个模态量进行归一化处理，利用归一化处理后的模态量数据进行网络训练。
[0034]优选地，步骤S5将燃料电池各模态预测值进行融合得到性能指标预测值表示为：
[0035][0036]其中，为性能指标t时刻的预测值，为性能指标t时刻第k阶固有模态函数的预测值，为性能指标t时刻的残差量预测值，K为固有模态函数的总阶数。
[0037]优选地，步骤S5中基于性能指标预测值确定燃料电池的衰减情况具体为计算性能指标的衰减率η(t)：
[0038][0039]为性能指标t时刻的预测值，p
new
为燃料电池开始老化前的性能指标大小。与现有技术相比，本专利技术具有如下优点：
[0040](1)本专利技术方法首先对能够描述燃料电池系统性能衰减的性能指标时序数据进行模态分解，并通过预测模型对各个模态分量进行预测，进而融合各个模态分量的预测值得到性能指标的预测值，由此来进行燃料电池性能衰减的预测，不需要建立复杂的或者经验的燃料电池性能衰减模型，相比其他流行的诊断方法，具有更好的精度。
[0041](2)本专利技术采用互补集合经验模态分解算法进行模态分解，可以有效将燃料电池的短期随机波动、长期衰减的非线性非平稳时序数据进行分离，以便模型能够更好本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多模态融合的燃料电池系统性能衰减预测方法，其特征在于，该方法包括：S1、获取能够描述燃料电池系统性能衰减的性能指标时序数据；S2、对性能指标时序数据采用自适应的数据分解方法进行模态分解得到多个模态量；S3、对各个模态量分别构建用于模态量预测的预测模型，训练所述的预测模型；S4、将燃料电池历史实测性能指标时序序列采用所述的自适应的数据分解方法进行模态分解并将各模态量输入至对应的预测模型得到各模态预测值；S5、将燃料电池各模态预测值进行融合得到性能指标预测值，基于性能指标预测值确定燃料电池的衰减情况。2.根据权利要求1所述的一种多模态融合的燃料电池系统性能衰减预测方法，其特征在于，所述的性能指标包括电压、活性面积、阻抗、极限电流密度中的任意一种。3.根据权利要求1所述的一种多模态融合的燃料电池系统性能衰减预测方法，其特征在于，所述的自适应的数据分解方法包括互补集合经验模态分解算法。4.根据权利要求2所述的一种多模态融合的燃料电池系统性能衰减预测方法，其特征在于，互补集合经验模态分解算法包括如下步骤：1)在待分解的原始信号上分别加入正白噪声和负白噪声；2)对两个新加噪声的信号进行经验模态分解；3)重复相加和分解的过程，直到满足循环次数要求，最后对得到的分解结果取平均值：3)重复相加和分解的过程，直到满足循环次数要求，最后对得到的分解结果取平均值：其中，IMF
k
(t)为t时刻的第k阶固有模态函数，r
K
(t)为t时刻的残差量，IMF
k,j
(t)为添加正白噪声信号在第j次循环计算中t时刻第k阶固有模态函数，IMF
k,
‑
j
(t)为添加负白噪声信号在第j次循环计算中t时刻第k阶固有模态函数，r
K,j
(t)为添加正白噪声信号在第j次循环计算中t时刻的残差量，r
K,
‑
j
(t)为添加负白噪声信号在第j次循环计算中t时刻的残差量，M为总的循环计算次数。5.根据权利要求4所述的一种多模态融合的燃料电池系统性能衰减预测方法，其特征在于，步骤2)中经验模态分解具体包括：21)求取待分解的时序数据p(t)的全部局部极大值点和局部极小值点，三次样条插值法获得上包络线e
1,1
...

【专利技术属性】
技术研发人员：袁浩，戴海峰，魏学哲，
申请(专利权)人：同济大学，
类型：发明
国别省市：