【技术实现步骤摘要】
本专利技术涉及固体氧化物燃料电池，特别涉及一种基于长短期记忆与卷积神经网络的固体氧化物燃料电池电压预测方法。
技术介绍
1、固体氧化物燃料电池(solid-oxide fuel cell,sofc)作为一种高效、清洁的能量转换装置，近年来在能源领域受到了广泛关注。然而，sofc的性能受多种因素影响，包括微观结构、操作条件、气体成分及流速等，使得其电压输出具有复杂性和动态性。传统的电压预测方法主要依赖于物理模型，这些方法虽然在一定程度上能够反映电池性能的变化趋势，但受限于对电池内部复杂机理的深入理解，难以精确预测长时间运行过程中的电压波动。此外，基于实验数据的统计模型也常被用于sofc电压预测，但这些方法往往需要大量的实验数据作为支撑，且对数据的完整性和准确性要求较高。在实际应用中，由于实验条件的限制和成本考虑，难以获得足够全面的实验数据，导致预测结果存在较大的不确定性。
2、随着人工智能和大数据技术的快速发展，数据驱动的预测方法逐渐成为研究热点。其中，长短期记忆神经网络(long short-term memory,lstm)和卷积神经网络(convolutional neural network,cnn)因其强大的时间序列数据处理能力和特征提取能力，在多个领域展现出了优异的预测性能。lstm网络能够有效捕捉时间序列数据中的长期依赖关系，适合处理sofc电压输出中的长期变化趋势；而cnn则擅长从原始数据中自动提取高级特征，有助于识别影响电压输出的关键因素。目前，已有研究表明，将lstm与cnn相结合可以进一步提升预测
技术实现思路
1、本专利技术旨在提供一种基于长短期记忆与卷积神经网络的固体氧化物燃料电池电压预测方法，通过构建lstm-cnn复合模型，实现对sofc电压输出的精确预测。
2、为此，本专利技术采用以下技术方案：
3、一种固体氧化物燃料电池电压预测方法，包括以下步骤：
4、s1，从历史实验数据中获取固体氧化物燃料电池的短期、中长期和长期电压数据；
5、s2，通过线性插值法对s1获取的电压数据中的异常值进行处理，并按比例将处理好的电压数据分成训练集和验证集；
6、s3，基于pytorch框架构建长短期记忆与卷积神经网络模型，配置网络所需运行环境包括以下分步骤：
7、s31，通过python编译器或深度学习服务器终端构建网络训练环境，成功安装依赖项和工具包；
8、s32，通过深度学习框架cuda+nvidia gpu+pytorch构建长短期记忆与卷积神经网络：
9、首先，对训练集数据进行处理，使其变成张量形状，有：
10、x＝tensor(b，l，c)
11、其中，x是处理成张量形状的数据，b是批量大小，l是序列长度，c是输入通道数；
12、然后，对数据x进行维度调整以匹配卷积输入要求：
13、x1[b，c，l]＝permute(x[b，l，c])
14、其中，permute是维度转换函数，x1是变换维度后的张量数据；
15、将变换维度后的张量数据x1经过三个不同卷积核的1维卷积层进行特征提取：
16、f1＝relu(conv1d[x1,w1，b1][in_c＝1，out_c＝16，k_size＝3，padding＝1])；
17、f2＝relu(conv1d[x1,w2，b2][in_c＝16，out_c＝16，k_size＝5，padding＝2])；
18、f3＝relu(conv1d[x1,w3，b3][in_c＝16，out_c＝16，k_size＝7，padding＝3])；
19、其中，f1，f2，f3分别为三个卷积层的输出，w1，w2，w3分别为三个卷积层的权重，b1，b2，b3分别为三个卷积层的偏置，in_c为输入通道数，out_c为输出通道数，k_size为卷积核大小，padding为填充数值，relu为增加非线性的激活函数；
20、再将三个卷积层的输出在通道维度上进行拼接，以整合不同尺度的特征信息：
21、f＝concatnate(f1，f2，f3，dim＝1)，
22、其中，f为拼接后的多尺度特征，concatnate为特征拼接函数，dim＝1为拼接的维度；
23、接下来，初始化长短期记忆网络的隐藏状态和细胞状态，并将拼接后的特征再次通过permute方法调整其维度，以满足长短期记忆网络的输入要求：
24、h0＝0[n，b，h]；
25、c0＝0[n，b，h]；
26、f1[b，l，c]＝permute(f[b，c，l])；
27、其中，n是lstm网络层数，b是lstm网络一次处理的序列数量，h是lstm网络隐藏层数，h0是初始隐藏状态张量，c0是初始细胞状态张量，f1是变换维度后的多尺度特征；
28、之后，将f1，h0，c0传递给lstm网络，产生输出特征和最后一个时间步的细胞状态并应用激活函数：
29、f2[h1，c1]＝lstm(f1，[h0，c0])；
30、f2′[h1，c1]＝relu(f2，[：，-1，：])；
31、其中，f2为lstm网络的输出特征，f2′为激活后的输出特征，h1为lstm网络最后一个时间步的隐藏状态，c1为lstm网络最后一个时间步的细胞状态；
32、最后，将激活后的输出特征f2′传递给全连接层，产生长短期记忆与卷积神经网络的最终输出特征：
33、fc＝w′·f2′+b′；
34、fout＝fc(f2′)；
35、其中，w′为全连接层权重，b′为全连接层偏置，fout为最终输出特征；
36、s4，将训练集数据进行归一化处理后输入所述长短期记忆与卷积神经网络模型中进行深度训练，不断优化模型参数，直至获得理想的训练权重和预测电压数据；
37、s5，采集所述固体氧化物燃料电池的实时电压数据，对其进行归一化处理，将s4训练得到的权重导入所述长短期记忆与卷积神经网络模型并输入归一化后的实时电压数据，得到实时预测电压数据，对测试结果进行逆归一化后获得所述固体氧化物燃料电池的实时预测电压。
38、优选的是，步骤s1中，获取所述固体氧化物燃料电池的电压数据时，每10秒提取一次；所述短期为第1-3天，所述中长期为第4-7天，所述长期为第8-10天或更长时间。
39、步骤s2中对异常值进行处理的方法为：
40、s21，使用统计学方法识别出电压数本文档来自技高网...
【技术保护点】
1.一种固体氧化物燃料电池电压预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的固体氧化物燃料电池电压预测方法，其特征在于：S1中，获取所述固体氧化物燃料电池的电压数据时，每10秒提取一次；所述短期为第1-3天，所述中长期为第4-7天，所述长期为第8-10天或更长时间。
3.根据权利要求1所述的固体氧化物燃料电池电压预测方法，其特征在于，步骤S2中对异常值进行处理的方法为：
4.根据权利要求1所述的固体氧化物燃料电池电压预测方法，其特征在于：S2中，按照3：1的比例将处理好的电压数据分成训练集和验证集。
5.根据权利要求1所述的固体氧化物燃料电池电压预测方法，其特征在于，步骤S4具体为：
6.根据权利要求5所述的固体氧化物燃料电池电压预测方法，其特征在于，步骤S41中训练集数据进行归一化处理的方法为：
7.根据权利要求5所述的固体氧化物燃料电池电压预测方法，其特征在于，步骤S42中的均方误差MSE损失函数为：
8.根据权利要求5所述的固体氧化物燃料电池电压预测方法，其特征在于，长短期记
9.根据权利要求7所述的固体氧化物燃料电池电压预测方法，其特征在于，步骤S5包括以分步骤：
...【技术特征摘要】
1.一种固体氧化物燃料电池电压预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的固体氧化物燃料电池电压预测方法，其特征在于：s1中，获取所述固体氧化物燃料电池的电压数据时，每10秒提取一次；所述短期为第1-3天，所述中长期为第4-7天，所述长期为第8-10天或更长时间。
3.根据权利要求1所述的固体氧化物燃料电池电压预测方法，其特征在于，步骤s2中对异常值进行处理的方法为：
4.根据权利要求1所述的固体氧化物燃料电池电压预测方法，其特征在于：s2中，按照3：1的比例将处理好的电压数据分成训练集和验证集。
5.根据权利要求1所述的固体氧化物燃料电池电压预测方法，其特征在于，步骤s4具体为：
6.根据权利要求5所...
【专利技术属性】
技术研发人员：申俊杰，邵宇晴，赵立伟，薛紫玉，任和，
申请(专利权)人：天津理工大学，
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。