【技术实现步骤摘要】
本专利技术属于设备寿命预测，具体涉及电氢耦合系统设备寿命预测方法、设备及介质。
技术介绍
1、随着能源技术的不断发展，电氢耦合成为能源系统发展的重要形态特征，电制氢燃料电池作为一种高效、清洁的能源转换装置，在新能源消纳、交通运输、分布式发电等领域展现出巨大的应用潜力。然而，电制氢燃料电池的寿命预测一直是制约其广泛应用的关键因素之一。准确的寿命预测不仅有助于优化电制氢燃料电池系统的维护策略，还能显著降低运行成本，提高系统的可靠性和安全性。电氢耦合系统的电解槽也与电制氢燃料电池类似。
2、传统的电制氢燃料电池寿命预测方法主要依赖于物理模型或经验公式，这些方法在建模过程中需要深入了解电制氢燃料电池的内部机理和工作环境，且预测精度往往受到多种因素的影响。然而，电氢耦合系统关键装备的寿命影响因素更多、退化机制更复杂，数据内部的空间时间相关性更难挖掘。近年来，随着人工智能技术的快速发展，基于数据驱动的预测方法逐渐成为研究热点。其中，长短期记忆网络（lstm）和卷积神经网络（cnn）作为深度学习领域的代表性算法，在电制氢燃料电池寿命预测中展现出独特的优势。lstm网络擅长处理时间序列数据，能够捕捉电制氢燃料电池运行过程中随时间变化的动态特征，如电压、电流、温度等参数的波动情况。而cnn网络则擅长提取数据的空间特征，能够识别电制氢燃料电池性能衰退过程中的关键指标和模式。
3、基于神经网络模型的预测方法包括单步预测、多步预测和滚动预测。单步预测一般用于短期预测，多步预测的精度不易保证，滚动预测的缺点是多次滚动之后预测精度会
4、已有一些学者提出将lstm与cnn结合构建lstm-cnn融合的神经网络模型用于电池寿命预测。cn114636932a公开了一种电池剩余使用寿命预测方法及系统，其主要过程包括：获取电池充放电过程中的数据，将其输入到lstm-cnn模型中，cnn用于提取数据的空间相关性特征，lstm用于提取空间相关性特征的时间特征，以预测电池的剩余使用寿命。cn114839553a公开了电池剩余使用寿命预测方法和装置，具体步骤为：对多个样本电池进行充放电实验，获取每个样本电池多次充放电循环的实验数据；根据每个样本电池多次充放电循环的实验数据获取每个样本电池的老化特性数据；对每个样本电池的老化特性数据进行预处理和特征工程，以所选择的特征构成数据集，并将数据集分为训练集和测试集；构建cnn和lstm的组合模型，其中，cnn去除了全连接层，输出为一维的特征向量，cnn的输出作为lstm的输入；通过训练集对cnn和lstm的组合模型进行训练，以得到电池剩余使用寿命预测器，并通过测试集对电池剩余使用寿命预测器进行测试；通过最终得到的电池剩余使用寿命预测器对待预测电池的剩余使用寿命进行预测。
5、但是，前述专利申请公开的lstm与cnn融合的多步滚动预测模型，未能很好地挖掘历史数据信息，且训练和预测中的偶然因素引起的预测误差累积，在多次滚动之后会造成预测精度下降。
技术实现思路
1、本专利技术针对现有融合了lstm与cnn的电池寿命预测方法的预测精度下降且未能很好地利用历史数据信息的不足，提供一种电氢耦合系统设备寿命预测方法，提升预测精度。本专利技术同时提供一种计算机设备和一种计算机可读存储介质。
2、为实现上述目的，本专利技术采用如下技术方案：电氢耦合系统设备寿命预测方法，所述电氢耦合系统设备寿命预测方法包括：
3、步骤s1、获取电氢耦合系统电池过去一段时间内的状态运行数据并进行预处理，将预处理后得到的数据划分为训练集和测试集；
4、步骤s2、构建cnn-lstm融合神经网络模型，通过训练集对模型进行训练；
5、步骤s3、采用多步滚动平均模式对电氢耦合系统电池寿命进行预测，生成连续的寿命预测序列，通过测试集对模型进行验证；
6、步骤s4、将训练好的模型应用于实际电氢耦合系统电池寿命预测。
7、作为改进，步骤s1中，状态运行数据包括输出电压、输出电流、输出功率、空气流速、氢气流速、反应气体温度、反应气体湿度、压力、冷却气体温度和冷却气体流速中的至少一个；和/或，
8、步骤s1中，电氢耦合系统设备为燃料电池或电解槽。
9、作为改进，步骤s1中，预处理的具体过程包括：
10、步骤s11、采用绝对中位差去除离群值；
11、步骤s12、采用sg滤波方法去除噪声；
12、步骤s13、采用min-max标准化方法对数据进行归一化处理，min-max标准化的计算公式如下：
13、
14、其中，为归一化后的数据，为数据中的最小值，为数据中的最大值。
15、作为改进，步骤s2的训练过程包括：
16、步骤s21、采用滑动窗口模块将标准化数据样本集转换为特征矩阵，作为输入层的输入；
17、步骤s22、通过卷积层对输入层进行卷积操作：采用多个卷积核计算出相应的特征序列，堆叠形成多维特征序列数组，特征序列数组经过relu激活函数处理引入非线性因素；
18、步骤s23、通过池化层对特征序列数组进行池化：用最大池化函数压缩特征序列数组，去除冗余特征信息，提取最重要的特征值，降低特征数据维度；
19、步骤s24、通过flatten层将池化处理后的多维信息压缩成一维数据，输入lstm层；
20、步骤s25、通过lstm层对提取出的特征数据进行特征学习，提取长期时间序列特征，输出预测值；其中，通过dropout层，按照某种概率将lstm层的单元从网络中暂时丢弃，使激活值在网络训练的过程中按照一定的比例被舍弃，提升神经网络的泛化性能，解决网络过拟合问题。
21、作为改进，步骤s3中，多步滚动平均模式为：应用不同的包括长期时间序列的预测输入样本对未来某一时间点的数据进行多次预测得到多个预测值，并对这些预测值求取平均值作为最终得到的预测值。
22、作为改进，步骤s3中，采用多步滚动平均模式对电氢耦合系统设备寿命进行预测，生成连续的寿命预测序列的具体过程包括：
23、步骤s31、设输入特性向量大小为m，输出特征向量大小为n，历史数据为，利用历史数据中末尾的m+n-1个数据作为滚动预测的初始数据，构建模型输入数据为：
24、；
25、步骤s32、将模型输入数据输入步骤s2中的cnn-lstm融合神经网络模型，得到的预测数据为：
26、；
27、步骤s33、将其中的 n个求平均值作为第 t+1个数据的预测值；
28、步骤s34、令 i=2；
29、步骤s35、构建本文档来自技高网...
【技术保护点】
1.电氢耦合系统设备寿命预测方法，其特征在于：所述电氢耦合系统设备寿命预测方法包括：
2.根据权利要求1所述的电氢耦合系统设备寿命预测方法，其特征在于：步骤S1中，状态运行数据包括输出电压、输出电流、输出功率、空气流速、氢气流速、反应气体温度、反应气体湿度、压力、冷却气体温度和冷却气体流速中的至少一个；和/或，
3.根据权利要求1所述的电氢耦合系统设备寿命预测方法，其特征在于：步骤S1中，预处理的具体过程包括：
4.根据权利要求1所述的电氢耦合系统设备寿命预测方法，其特征在于：步骤S2的训练过程包括：
5.根据权利要求1所述的电氢耦合系统设备寿命预测方法，其特征在于：步骤S3中，多步滚动平均模式为：应用不同的包括长期时间序列的预测输入样本对未来某一时间点的数据进行多次预测得到多个预测值，并对这些预测值求取平均值作为最终得到的预测值。
6.根据权利要求5所述的电氢耦合系统设备寿命预测方法，其特征在于：步骤S3中，采用多步滚动平均模式对电氢耦合系统设备寿命进行预测，生成连续的寿命预测序列的具体过程包括：
7.根据
8.根据权利要求1所述的电氢耦合系统设备寿命预测方法，其特征在于：步骤S4中，利用数据采集系统采集电氢耦合系统设备实时运行状态数据，提取输出电压数据，构建输入特征矩阵，将其输入到训练好的CNN-LSTM融合神经网络模型中，实时预测输出电压变化趋势，实现电氢耦合系统设备剩余寿命预测。
9.计算机设备，包括处理器和存储介质，存储介质中存储有计算机程序，其特征在于：计算机程序被处理器执行时实现如权利要求1至8任一所述的电氢耦合系统设备寿命预测方法。
10.计算机可读存储介质，其特征在于：其上存储有计算机程序，当计算机程序被执行时，实现如权利要求1至8任一所述的电氢耦合系统设备寿命预测方法。
...【技术特征摘要】
1.电氢耦合系统设备寿命预测方法，其特征在于：所述电氢耦合系统设备寿命预测方法包括：
2.根据权利要求1所述的电氢耦合系统设备寿命预测方法，其特征在于：步骤s1中，状态运行数据包括输出电压、输出电流、输出功率、空气流速、氢气流速、反应气体温度、反应气体湿度、压力、冷却气体温度和冷却气体流速中的至少一个；和/或，
3.根据权利要求1所述的电氢耦合系统设备寿命预测方法，其特征在于：步骤s1中，预处理的具体过程包括：
4.根据权利要求1所述的电氢耦合系统设备寿命预测方法，其特征在于：步骤s2的训练过程包括：
5.根据权利要求1所述的电氢耦合系统设备寿命预测方法，其特征在于：步骤s3中，多步滚动平均模式为：应用不同的包括长期时间序列的预测输入样本对未来某一时间点的数据进行多次预测得到多个预测值，并对这些预测值求取平均值作为最终得到的预测值。
6.根据权利要求5所述的电氢耦合系统设备寿命预测方法，其特征在于：步骤s3中，采用多步滚动...
【专利技术属性】
技术研发人员：章雷其，吴启亮，刘敏，赵波，张雪松，林沁，刘文淼，胡亮，
申请(专利权)人：国网浙江省电力有限公司电力科学研究院，
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。