【技术实现步骤摘要】
本专利技术涉及pemfc剩余寿命动态预测，尤其涉及一种基于注意力神经网络（cnn-bilstm-attention）的pemfc剩余寿命动态预测方法。
技术介绍
1、质子交换膜燃料电池（proton exchange membrane fuel cell, pemfc）因其效率高，无污染，低噪音等优点在航空航天以及汽车飞机等交通工具方面都有广泛的应用，但耐久性有限、成本高、可靠性低仍是其大规模商业应用的主要障碍。预测pemfc的剩余寿命（remaining useful life，rul）在提高pemfc的可靠耐用性上有着重要作用。
2、目前，燃料电池的剩余使用寿命预测可以根据预测方法的不同分为三类：
3、一是基于模型驱动的预测方法，该方法需要建立数学退化模型，预测的准确性取决于退化模型的精度。然而，因质子交换膜燃料电池系统具有多物理场、多时间尺度和非线性的特点，且其内部退化机理还不明确，所以难以建立准确可靠的退化模型。
4、二是基于数据驱动的预测方法，该方法一般采用统计技术，通过算法如粒子滤波、局部加权投影回归等拟合预测方法，其预测的精度较低。
5、三是基于模型和数据共同驱动的混合预测方法，该方法需要权衡预测精度和复杂性。目前，有许多研究学者利用长短期记忆循环神经网络对pemfc的剩余寿命进行预测。有学者将卷积神经网络（convolutional neural network，cnn）和双向循环神经网络（bidirectional recurrent neural network
6、综上所述，与pemfc剩余寿命动态预测相关的影响因素及预测模型的选取，均会影响预测的准确度。此外，在现有技术中，直接采集的数据用于模型训练，难以挖掘出相关数据对寿命预测更深层次的影响，最终影响预测准确度。因此，如何有效提升pemfc剩余寿命动态预测结果的准确度，仍是目前亟需解决的技术问题。
技术实现思路
1、鉴于上述的分析，本专利技术实施例旨在提供一种基于注意力神经网络（cnn-bilstm-attention）的pemfc剩余寿命动态预测方法，其为一种融合了注意力机制（attention）的卷积神经网络和双向长短期记忆网络（bidirectional long short-term memory,bilstm)相结合的pemfc动态剩余寿命预测方法，用以解决现有技术中存在的pemfc剩余寿命动态预测结果的准确度较差的问题。
2、本专利技术公开了一种基于注意力神经网络的pemfc剩余寿命动态预测方法，所述方法包括：
3、采集训练pemfc在全寿命周期中各运行时间的动态运行数据并预处理；根据预处理后的动态运行数据中的各项参数对pemfc剩余寿命动态预测的影响程度，筛选关键影响因素；
4、对归一化动态运行数据进行裁剪，构建关键影响因素与电堆电压对应关系的裁剪数据集；结合所述影响程度，得到关键影响因素与电堆电压的相关度矩阵；基于裁剪数据集及相关度矩阵，构造数据样本集；
5、构建多层神经网络cnn-bilstm-attention模型，并作为剩余寿命动态预测模型；利用所述数据样本集训练并测试所述剩余寿命动态预测模型，得到测试通过的剩余寿命动态预测模型；
6、实时采集待预测pemfc在一个评估周期的动态运行数据，并构造得到相应的输入数据，由剩余寿命动态预测模型处理输入数据后预测输出当前评估周期结束预设时长后的电堆电压预测值。
7、在上述方案的基础上，本专利技术还做出了如下改进：
8、进一步，通过执行以下操作对动态运行数据进行预处理：
9、分别判断pemfc在全寿命周期中各运行时间的动态运行数据中的各项参数数据是否存在离群数据，若存在，则剔除相应运行时间的动态运行数据，利用插值算法补齐相应运行时间的动态运行数据；
10、之后，利用汉佩尔滤波器分别对动态运行数据中的各项参数数据进行平滑处理及线性归一化处理，将各项参数数据映射到[0,1]范围内，得到pemfc在全寿命周期中各运行时间的归一化动态运行数据。
11、进一步，通过执行以下操作筛选关键影响因素：
12、基于pemfc在全寿命周期中各运行时间的归一化动态运行数据，量化除电堆电压之外的其他各项参数及运行时间对电堆电压的影响程度，从除电堆电压之外的其他各项参数及运行时间中筛选出对pemfc剩余寿命动态预测存在有效影响的参数类别作为关键影响因素。
13、进一步，引入皮尔森相关系数来量化各影响因素对关键量测变量的影响程度。
14、进一步，通过执行以下操作构造数据样本集：
15、将所有的关键影响因素的影响程度加总和并规范化，使总和为1；计算各关键影响因素的影响程度的相对权重，作为各关键影响因素的权重；
16、将全寿命周期平均划分为多个评估周期；在每个评估周期，从裁剪数据集选取当前评估周期的电堆电压构造状态矩阵、选取当前评估周期的关键影响因素构造耦合矩阵，并根据状态矩阵和耦合矩阵之间的耦合关系，确定当前评估周期的关键影响因素与电堆电压的耦合度矩阵；
17、将当前评估周期的关键影响因素与电堆电压的耦合度矩阵中的各关键影响因素的耦合度与权重相乘，得到当前评估周期的关键影响因素与电堆电压的相关度矩阵；
18、将每个评估周期的裁剪数据集、相关度矩阵作为输入数据、将该评估周期结束预设时长后的电堆电压作为该输入数据的标签；从而构造得到数据样本集。
19、进一步，第个评估周期的状态矩阵表示为，耦合矩阵表示为；表示关键影响因素的个数，表示一个评估周期的采样次数，
20、第个评估周期的耦合度矩阵表示为，根据，得到。
21、进一步，所述多层神经网络cnn-bilstm-attention模型的结构依次为：
22、第一层是输入层，用于接收输入数据；
23、第二层是卷积神经网络层；其中，卷积神经网络层首先设置一维卷积层，一维卷积层用于对输入数据进行特征提取；一维卷积层的输入端连接输入层的输出端，一维卷积层的输出端连接池化层的输入端；池化层用于对一维卷积层提取到的特征进行池化处理，池化层的输出端连接dropout层的输入端；
24、第三层是双向长短期记忆神经网络层；在双向长短期记忆神经网络层中，dropout层的输出端连接bilstm隐藏层的输入端，bilstm隐藏层中设本文档来自技高网...
【技术保护点】
1.一种基于注意力神经网络的PEMFC剩余寿命动态预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于注意力神经网络的PEMFC剩余寿命动态预测方法，其特征在于，通过执行以下操作对动态运行数据进行预处理：
3.根据权利要求2所述的基于注意力神经网络的PEMFC剩余寿命动态预测方法，其特征在于，通过执行以下操作筛选关键影响因素：
4.根据权利要求3所述的基于注意力神经网络的PEMFC剩余寿命动态预测方法，其特征在于，引入皮尔森相关系数来量化各影响因素对关键量测变量的影响程度。
5.根据权利要求1-4中任一项所述的基于注意力神经网络的PEMFC剩余寿命动态预测方法，其特征在于，通过执行以下操作构造数据样本集：
6.根据权利要求5所述的基于注意力神经网络的PEMFC剩余寿命动态预测方法，其特征在于，第个评估周期的状态矩阵表示为，耦合矩阵表示为；表示关键影响因素的个数，表示一个评估周期的采样次数，
7.根据权利要求6所述的基于注意力神经网络的PEMFC剩余寿命动态预测方法，其特征在于，所述多层神经网络C
8.根据权利要求7所述的基于注意力神经网络的PEMFC剩余寿命动态预测方法，其特征在于，所述输入层的数据维度与输入数据的数据维度相同。
9.根据权利要求8所述的基于注意力神经网络的PEMFC剩余寿命动态预测方法，其特征在于，所述BiLSTM隐藏层为双层结构，上层为前向LSTM，下层为反向LSTM。
10.根据权利要求9所述的基于注意力神经网络的PEMFC剩余寿命动态预测方法，其特征在于，实时采集待预测PEMFC在一个评估周期的动态运行数据，并构造得到相应的输入数据，执行：
...【技术特征摘要】
1.一种基于注意力神经网络的pemfc剩余寿命动态预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于注意力神经网络的pemfc剩余寿命动态预测方法，其特征在于，通过执行以下操作对动态运行数据进行预处理：
3.根据权利要求2所述的基于注意力神经网络的pemfc剩余寿命动态预测方法，其特征在于，通过执行以下操作筛选关键影响因素：
4.根据权利要求3所述的基于注意力神经网络的pemfc剩余寿命动态预测方法，其特征在于，引入皮尔森相关系数来量化各影响因素对关键量测变量的影响程度。
5.根据权利要求1-4中任一项所述的基于注意力神经网络的pemfc剩余寿命动态预测方法，其特征在于，通过执行以下操作构造数据样本集：
6.根据权利要求5所述的基于注意力神经网络的pemfc剩余寿命动态预测方法，其特征在于，第个评...
【专利技术属性】
技术研发人员：张春雁，窦真兰，李荣盛，袁铁江，
申请(专利权)人：国网上海综合能源服务有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。