一种燃料电池性能退化预测方法技术

本发明专利技术公开一种燃料电池性能退化预测方法，采集燃料电池电压退化数据，采用SG滤波器对原始数据进行平滑处理，运用灰色关联度分析对数据进行辅助变量的选取，建立基于Bagging集成学习和时间卷积网络性能退化预测模型；采用半数均匀初始化对蝠鲼觅食优化算法的种群进行初始化操作，在链式觅食的位置更新中引入自适应权重和适应度

【技术实现步骤摘要】
一种燃料电池性能退化预测方法


[0001]本专利技术涉及燃料电池
，特别涉及一种燃料电池性能退化预测方法。

技术介绍

[0002]目前，全球能源结构以化石燃料为主，但是随着化石能源的逐渐枯竭和日益严重的环境污染问题，新能源的开发就显得尤为重要。为了解决能源短缺问题以及更好地节能减排，新能源越来越受欢迎。质子交换膜燃料电池(PEMFC)是一种以氢为燃料的发电装置，具有能量转化率高、噪声低及零排成等特点。但随着燃料电池的使用，各部件都会随着使用时间的增加发生一定程度的退化，从而造成性能的自然衰退。当使用燃料电池时，适当的管理和系统维护对于提高燃料电池的耐久性和保证其长期安全性及可靠性至关重要，因此性能退化预测是提高燃料电池耐久性的有效策略。
[0003]近年来，燃料电池耐久性研究已成为一个具有实际应用价值的重大热点课题大部分研究中通常采用基于模型驱动和数据驱动的方法进行预测研究，基于模型驱动的方法虽然不需要大量的实验数据，但影响燃料电池退化过程的因素众多，并且内部退化机理复杂，很难建立精确的退化模型来描述燃料电池系统的退化机理和过程。因此数据驱动的方法变得更受欢迎，该方法与燃料电池内部的现象无关，只需通过获取大量的实验数据，并对这些数据进行处理，就可以对电池的耐久性进行评估，该方法具有更快的响应速度和更高的预测精度。但由于单一模型的预测结果存在偏好，不同学习器的预测结果存在差异，所以单一模型存在一定的局限性，因此使用多模型的集成学习算法在近年来被广泛研究，该方法通过将一系列有差异的弱学习器进行组合，以提高单一学习器的泛化能力。
[0004]因此，为提高PEMFC的耐久性，需建立一种适合燃料电池性能退化特性且预测精度较高的预测方法，通过有效的数据处理，并结合集成学习和深度学习模型，提高模型的泛化性能和估计精度，从而准确地估计PEMFC的性能退化趋势。

技术实现思路

[0005]专利技术目的：针对现有技术存在的问题，本专利技术提供一种燃料电池性能退化预测方法，能提高性能退化预测模型精度。
[0006]技术方案：本专利技术提出一种燃料电池性能退化预测方法，包括以下步骤：
[0007]步骤1：采集燃料电池电压退化数据并对数据进行预处理，运用Savitzky
‑
Golay(SG)滤波器对原始电压退化数据中含有噪声的数据进行平滑处理；
[0008]步骤2：运用灰色关联度分析对平滑处理后的电压退化数据进行特征选取，选择关联度较高的变量作为模型的输入；
[0009]步骤3：获取经平滑处理和特征选择后的数据，重构数据集并对数据集进行划分，建立基于Bagging集成学习和TCN模型的质子交换膜燃料电池性能退化预测模型，在Bagging中采用SVM、KNN和DT三个弱学习器进行第一层预测，获得的预测结果作为第二层中TCN模型的训练输入；
[0010]步骤4：对蝠鲼觅食优化算法MRFO进行改进，采用半数均匀初始化方法对MRFO种群进行初始化处理；在链式觅食策略中引入自适应权重和适应度
‑
距离平衡FDB策略，以平衡算法的局部搜索和全局搜索能力，改善算法过早收敛的问题，得到IMRFO算法；
[0011]步骤5：利用IMRFO算法对步骤3中TCN模型的超参数进行优化，获得最优参数，利用优化后的预测模型对电压退化的测试数据样本进行预测，得到预测结果。
[0012]进一步地，所述步骤1中采用SG滤波器对含噪数据进行平滑处理，包括如下步骤：
[0013]步骤1.1：定义一个宽度为w＝2n+1的窗口，对含有噪声的原始电压退化曲线进行从左到右的测量；
[0014]步骤1.2：考虑一组以数据点p
t
为中心的2n+1个数据，对这组数据点进行基于l
‑
1次多项式的拟合，其公式为：
[0015]p＝b0+b1·
x+b2·
x2+...+b
l
‑1·
x
l
‑
1 (1)
[0016]为保证方程有解，n值应大于k；
[0017]步骤1.3：设数据值向量为P，系数矩阵为B，自变量矩阵为H，残差为ε，方程可写为如下形式：
[0018]P＝H
·
B+ε (2)
[0019]步骤1.4：经过最小二乘法解得的稀疏矩阵为拟合后的数据预测值为其值分别如下所示：
[0020][0021][0022]步骤1.5：窗口从左向右滑动，直至拟合完所有数据点，拟合后的曲线即被去除了原有的高频分量。
[0023]进一步地，所述步骤2中采用灰色关联度分析对各项指标进行特征选择，其步骤包括：
[0024]步骤2.1：构建数据矩阵，确定参数序列；假设n个样本，每一样本数量为m，构成的数据矩阵如下所示：
[0025][0026]步骤2.2：无量纲化处理；使用关联算式进行无量纲化处理，处理方式如下式所示：
[0027]a
i
'(k)＝a
i
(k)/a
i
(1)＝[a
i
'(1),a
i
'(2),...,a
i
'(m)] (6)
[0028]式中，i＝0,1,...,n；k＝1,2,...,m；
[0029]步骤2.3：计算各个样本与参考数列的绝对差值，计算公式如下所示：
[0030]Δ
i
(k)＝|a'0(k)
‑
a
i
'(k)| (7)
[0031]Δ
i
＝[Δ
i
(1),Δ
i
(2),...,Δ
i
(n)] (8)
[0032]步骤2.4：求解最大值与最小值，公式如下所示：
[0033][0034][0035]步骤2.5：计算灰色关联系数：
[0036][0037]其中，i＝1,2,...,n；k＝1,2,...,m；λ为分辨系数；
[0038]步骤2.6：使用下式计算灰色关联度，并对其进行排序，关联度越大则表示该指标对参考序列的影响程度越大：
[0039][0040]进一步地，所述步骤3中建立基于Bagging集成学习和TCN模型的质子交换膜燃料电池性能退化预测模型具体步骤如下：
[0041]步骤3.1：对利用步骤1和步骤2处理好的数据集，以6:2:2的比例划分为训练集、验证集和测试集；
[0042]步骤3.2：使用Bagging集成学习对训练集数据进行有放回的随机采样，生成与弱学习器相同数量的训练子集；
[0043]步骤3.3：建立SVM、KNN和DT三个弱学习器，利用不同的训练子集对弱学习器进行训练，获得三个具有差异的训练好的弱学习器；
[0044]步骤3.4：利用验证集验证每个弱学习器的性能，获得三组不同的预测结果；
[0045]步骤3.5：将三组预测结果与原本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种燃料电池性能退化预测方法，其特征在于，包括以下步骤：步骤1：采集燃料电池电压退化数据并对数据进行预处理，运用Savitzky
‑
Golay(SG)滤波器对原始电压退化数据中含有噪声的数据进行平滑处理；步骤2：运用灰色关联度分析对平滑处理后的电压退化数据进行特征选取，选择关联度较高的变量作为模型的输入；步骤3：获取经平滑处理和特征选择后的数据，重构数据集并对数据集进行划分，建立基于Bagging集成学习和TCN模型的质子交换膜燃料电池性能退化预测模型，在Bagging中采用SVM、KNN和DT三个弱学习器进行第一层预测，获得的预测结果作为第二层中TCN模型的训练输入；步骤4：对蝠鲼觅食优化算法MRFO进行改进，采用半数均匀初始化方法对MRFO种群进行初始化处理；在链式觅食策略中引入自适应权重和适应度
‑
距离平衡FDB策略，以平衡算法的局部搜索和全局搜索能力，改善算法过早收敛的问题，得到IMRFO算法；步骤5：利用IMRFO算法对步骤3中TCN模型的超参数进行优化，获得最优参数，利用优化后的预测模型对电压退化的测试数据样本进行预测，得到预测结果。2.根据权利要求1所述的一种燃料电池性能退化预测方法，其特征在于，所述步骤1中采用SG滤波器对含噪数据进行平滑处理，包括如下步骤：步骤1.1：定义一个宽度为w＝2n+1的窗口，对含有噪声的原始电压退化曲线进行从左到右的测量；步骤1.2：考虑一组以数据点p
t
为中心的2n+1个数据，对这组数据点进行基于l
‑
1次多项式的拟合，其公式为：p＝b0+b1·
x+b2·
x2+...+b
l
‑1·
x
l
‑
1 (1)为保证方程有解，n值应大于k；步骤1.3：设数据值向量为P，系数矩阵为B，自变量矩阵为H，残差为ε，方程可写为如下形式：P＝H
·
B+ε (2)步骤1.4：经过最小二乘法解得的稀疏矩阵为拟合后的数据预测值为其值分别如下所示：下所示：步骤1.5：窗口从左向右滑动，直至拟合完所有数据点，拟合后的曲线即被去除了原有的高频分量。3.根据权利要求1所述的一种燃料电池性能退化预测方法，其特征在于，所述步骤2中采用灰色关联度分析对各项指标进行特征选择，其步骤包括：步骤2.1：构建数据矩阵，确定参数序列；假设n个样本，每一样本数量为m，构成的数据矩阵如下所示：
步骤2.2：无量纲化处理；使用关联算式进行无量纲化处理，处理方式如下式所示：a
′
i
(k)＝a
i
(k)/a
i
(1)＝[a
′
i
(1),a
′
i
(2),...,a
′
i
(m)]
ꢀꢀꢀꢀꢀ
(6)式中，i＝0,1,...,n；k＝1,2,...,m；步骤2.3：计算各个样本与参考数列的绝对差值，计算公式如下所示：Δ
i
(k)＝|a'0(k)
‑
a
′
i
(k)|
ꢀꢀꢀꢀꢀ
(7)Δ
i
＝[Δ
i
(1),Δ
i
(2),...,Δ
i
(n)]
ꢀꢀꢀꢀꢀ
(8)步骤2.4：求解最大值与最小值，公式如下所示：步骤2.4：求解最大值与最小值，公式如下所示：步骤2.5：计算灰色关联系数：其中，i＝1,2,...,n；k＝1,2,...,m；λ为分辨系数；步骤2.6：使用下式计算灰色关联度，并对其进行排序，关联度越大则表示该指标对参考序列的影响程度越大：4.根据权利要求1所述的一种燃料电池性能退化预测方法，其特征在于，所述步骤3中建立基于Bagging集成学习和TCN模型的质子交换膜燃料电池性能退化预测模型具体步骤如下：步骤3.1：对利用步骤1和步骤2处理好的数据集，以6:2:2的比例划分为训练集、验证集和测试集；步骤3.2：使用Bagging集成学习对训练集数据进行有放回的随机采样，生成与弱学习器相同数量的训练子集；步骤3.3：建立SVM、KNN和DT三个弱学习器，利用不同的训练子集对弱学习器进行训练，获得三个具有差异的...

【专利技术属性】
技术研发人员：陶孜菡，张楚，张越，熊金琳，彭甜，王业琴，李正波，索雷明，黄凤芝，胡浩文，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：