CN109543317B - 一种pemfc剩余使用寿命预测的方法及装置 - Google Patents
一种pemfc剩余使用寿命预测的方法及装置 Download PDFInfo
- Publication number
- CN109543317B CN109543317B CN201811429629.2A CN201811429629A CN109543317B CN 109543317 B CN109543317 B CN 109543317B CN 201811429629 A CN201811429629 A CN 201811429629A CN 109543317 B CN109543317 B CN 109543317B
- Authority
- CN
- China
- Prior art keywords
- pemfc
- prediction
- predicted
- discharge voltage
- service life
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/30—Hydrogen technology
- Y02E60/50—Fuel cells
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Fuel Cell (AREA)
Abstract
本发明公开了一种PEMFC剩余使用寿命预测的方法及装置,涉及燃料电池剩余使用寿命预测技术领域,其方法包括:利用训练好的LSSVM预测模型对预测起始时间点之前的放电电压数据进行初步退化预测,得到所述预测起始时间点之后的放电电压初步预测数据;将所述基于LSSVM预测模型得到的放电电压初步预测数据作为观测值,送入训练好的RPF预测模型,并利用训练好的RPF预测模型对所述预测起始时间点之后的放电电压数据进行精准退化预测,得到所述PEMFC的预测寿命信息;根据所述PEMFC的预测寿命信息和所述预测起始时间点,得到PEMFC的剩余使用寿命信息。
Description
技术领域
本发明涉及燃料电池剩余使用寿命预测的领域,特别涉及一种PEMFC(ProtonExchange Membrane Fuel Cell,质子交换膜燃料电池)剩余使用寿命预测方法及装置。
背景技术
PEMFC由于其发电效率高、环境污染小、比能量高、可应用范围广等特点,广泛应用于汽车、电站等领域。然而,其有限的使用寿命及高成本维修阻碍了PEMFC的长远发展。故障预测与健康管理(Prognostics and Health Management,PHM)技术作为一门新兴技术,为延长PEMFC的使用寿命提供了一种很好的解决方案。该技术通过对PEMFC的监测数据对其性能退化趋势进行预测,从而估计其剩余使用寿命,进而采取合理的使用机制及维修策略,达到延长PEMFC使用寿命的目的。在PHM技术中,故障预测是该技术的核心。
现有的PEMFC寿命预测技术大致可分为两类:基于模型的方法,包括滤波器方法、等效电路模型、电化学模型等方法;以及基于数据驱动的方法,包括神经网络、相关向量机、机器学习等方法。基于模型的方法不需要依赖大量数据,当模型建立准确时可以得到较为精确的预测结果。然而,由于PEMFC退化机理复杂,建立精确的电池性能退化模型在实际中往往难以实现。基于数据驱动的方法不需要建立精确的电池退化模型,该类方法通常采用一些智能计算方法从燃料电池监测数据中挖掘其性能退化规律,从而实现对PEMFC的剩余使用寿命预测。基于数据驱动的方法无需完全理解PEMFC的复杂退化机制,并且对监测信号中存在的非线性特性具有良好的鲁棒性。然而,其主要缺点在于该类方法对监测数据的质量和数量有较强的依赖性。
发明内容
本发明实施例提供一种质子交换膜燃料电池剩余使用寿命预测方法及装置,克服了现有的单一基于模型/数据驱动的PEMFC剩余使用寿命预测方法的局限性。
根据本发明实施例提供的一种PEMFC剩余使用寿命预测的方法,包括:
利用训练好的LSSVM(Least square support vector machine,最小二乘支持向量机)预测模型对预测起始时间点之前的放电电压数据进行初步退化预测,得到所述预测起始时间点之后的放电电压初步预测数据;
将所述基于LSSVM预测模型得到的放电电压初步预测数据作为观测值,送入训练好的RPF(Regularized particle filter,正则化粒子滤波)预测模型,并利用训练好的RPF预测模型对所述预测起始时间点之后的放电电压数据进行精准退化预测,得到所述PEMFC的预测寿命信息;
根据所述PEMFC的预测寿命信息和所述预测起始时间点,得到PEMFC的剩余使用寿命信息。
优选地,所述预测寿命信息包括预测寿命点估计和预测寿命概率分布;其中,所述根据所述PEMFC的预测寿命信息和所述预测起始时间点,得到PEMFC的剩余使用寿命信息包括:
根据所述PEMFC的预测寿命点估计和所述预测起始时间点,得到PEMFC的剩余使用寿命点估计;
根据所述PEMFC的预测寿命概率分布和所述预测起始时间点,得到所述PEMFC的剩余使用寿命概率分布。
优选地,还包括:
根据所述PEMFC的剩余使用寿命概率分布以及预设的置信度,得到所述PEMFC的剩余使用寿命置信区间。
优选地,还包括:通过对所述PEMFC放电过程中的放电电压进行实时监测,得到所述PEMFC的放电电压数据,并通过对所述放电电压数据进行数据预处理,得到等时间间隔的放电电压数据;
根据设置的预测起始时间点,将所述等时间间隔的放电电压数据划分为所述预测起始时间点之前的放电电压数据和所述预测起始时间点之后的放电电压数据;
利用所述预测起始时间点之前的放电电压数据分别训练LSSVM预测模型和RPF预测模型,得到训练好的LSSVM预测模型和训练好的RPF预测模型。
优选地,所述通过对所述PEMFC放电过程中的放电电压进行实时监测,得到所述PEMFC的放电电压数据,并通过对所述放电电压数据进行数据预处理,得到等时间间隔的放电电压数据包括:
通过对所述PEMFC放电过程中的放电电压进行实时监测,得到原始放电电压数据;
通过采用基于核函数的数据平滑方法对所述原始放电电压数据进行过滤处理,得到滤波后的放电电压数据;
通过采用三次样条法对所述滤波后的放电电压数据进行插值处理后,得到等时间间隔的放电电压数据。
优选地,所述根据所述PEMFC的预测寿命点估计和所述预测起始时间点,得到PEMFC的剩余使用寿命点估计包括:
将所述PEMFC的预测寿命点估计减去所述预测起始时间点,得到所述PEMFC的剩余使用寿命点估计。
优选地,所述根据所述PEMFC的预测寿命概率分布和所述预测起始时间点,得到所述PEMFC的剩余使用寿命概率分布包括:
将所述PEMFC的预测寿命概率分布减去所述预测起始时间点,得到所述PEMFC的剩余使用寿命概率分布。
根据本发明实施例提供的一种PEMFC剩余使用寿命预测的装置,包括:
初步退化预测模块,用于利用训练好的LSSVM预测模型对预测起始时间点之前的放电电压数据进行初步退化预测,得到所述预测起始时间点之后的放电电压初步预测数据;
精准退化预测模块,用于将所述基于LSSVM预测模型得到的放电电压初步预测数据作为观测值,送入训练好的RPF预测模型,并利用训练好的RPF预测模型对所述预测起始时间点之后的放电电压数据进行精准退化预测,得到所述PEMFC的预测寿命信息;
获取模块,用于根据所述PEMFC的预测寿命信息和所述预测起始时间点,得到PEMFC的剩余使用寿命信息;
其中,所述PEMFC是指质子交换膜燃料电池;所述LSSVM是指最小二乘支持向量机;所述RPF是指正则化粒子滤波。
优选地,所述预测寿命信息包括预测寿命点估计和预测寿命概率分布;其中,所述获取模块包括:
第一获取单元,用于根据所述PEMFC的预测寿命点估计和所述预测起始时间点,得到PEMFC的剩余使用寿命点估计;
第二获取单元,用于根据所述PEMFC的预测寿命概率分布和所述预测起始时间点,得到所述PEMFC的剩余使用寿命概率分布。
优选地,所述第二获取单元还用于根据所述PEMFC的剩余使用寿命概率分布以及预设的置信度,得到所述PEMFC的剩余使用寿命置信区间。
本发明实施例提供的技术方案具有如下有益效果:
(1)本发明不但可以得到质子交换膜燃料电池的剩余使用寿命点估计,还可以得到其剩余使用寿命的概率密度分布。
(2)本发明所提出的混合型预测相比单纯基于模型的预测,其对电池退化模型的依赖性降低。
(3)本发明所采用的正则化粒子滤波方法相比标准粒子滤波方法,减小了粒子退化和粒子多样性匮乏现象。
(4)本发明所提出的混合型预测能够更好地捕捉质子交换膜燃料电池退化数据中的非线性特征。
(5)本发明提出的混合型预测具有更好的预测精度。
附图说明
图1是本发明实施例提供的一种PEMFC剩余使用寿命预测的方法流程图;
图2是本发明实施例提供的一种PEMFC剩余使用寿命预测的装置示意图;
图3是本发明实施例提供的基于LSSVM与RPF的PEMFC剩余使用寿命预测框架示意图;
图4是本发明实施例提供的PEMFC燃料电池监测数据示意图;
图5是本发明实施例提供的原始放电电压数据(左)与预处理的放电电压数据(右)示意图;
图6是本发明实施例提供的基于LSSVM的初步预测流程示意图;
图7是本发明实施例提供的Tp=400h时,LSSVM-RPF、RPF、PF三种方法的预测结果示意图;
图8是本发明实施例提供的Tp=500h时,LSSVM-RPF、RPF、PF三种方法的预测结果示意图;
图9是本发明实施例提供的Tp=600h时,LSSVM-RPF、RPF、PF三种方法的预测结果示意图;
图10是本发明实施例提供的LSSVM-RPF、RPF、和PF三种方法的预测精度比较示意图;
图11是本发明实施例提供的Tp=400h,LSSVM-RPF方法的剩余使用寿命预测值及置信区间示意图;
图12是本发明实施例提供的Tp=500h,LSSVM-RPF方法的剩余使用寿命预测值及置信区间示意图;
图13是本发明实施例提供的Tp=600h,LSSVM-RPF方法的剩余使用寿命预测值及置信区间示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行详细说明,应当理解,以下所说明的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明结合基于模型的方法和基于数据驱动的方法的优势,提高了PEMFC剩余使用寿命预测准确性。
粒子滤波(Particle Filter,PF)是一种典型的基于模型的预测方法,它属于广义上的一种非线性滤波方法,是递推贝叶斯估计的一种蒙特卡洛实现方法,让样本粒子通过***模型按时间顺序向前传播,得到各时刻***的状态样本,从而求得***状态的后验概率密度函数。粒子滤波应用于非线性***,可解决噪声服从非高斯分布的问题,相比于将扩展卡尔曼滤波应用于非线性***,粒子滤波的滤波效果改进许多。由于现实世界噪声干扰复杂,多为非线性***,所以粒子滤波研究具有实际应用价值。然而,在粒子滤波算法中,粒子退化和多样性匮乏问题是影响其预测精度的主要原因,也限制了其在实际工程中的应用。本发明利用一种改进型粒子滤波算法,正则化粒子滤波(Regularized particlefilter,RPF),来解决上述问题。此外,作为一种典型的数据驱动方法,最小二乘支持向量机(Least square support vector machine,LSSVM)具有小样本、非线性、高维度、预测精度高的特点,相比标准支持向量机,LSSVM更加简单和易于计算。目前,LSSVM已经成功应用于风力发电预测、电子设备、轴承退化预测等领域,然而LSSVM在PEMFC的剩余使用寿命预测方面应用尚少。
考虑LSSVM只能给出剩余使用寿命预测值的点估计,而RPF可以给出预测结果的不确定性表达-概率密度分布,本发明结合这两种方法的优势,提出了一种基于LSSVM和RPF的混合型质子交换膜燃料电池剩余使用寿命预测方法及装置。
图1是本发明实施例提供的一种PEMFC剩余使用寿命预测的方法流程图,如图1所示,包括:
步骤S101:利用训练好的LSSVM预测模型对预测起始时间点之前的放电电压数据进行初步退化预测,得到所述预测起始时间点之后的放电电压初步预测数据;
步骤S102:将所述基于LSSVM预测模型得到的放电电压初步预测数据作为观测值,送入训练好的RPF预测模型,并利用训练好的RPF预测模型对所述预测起始时间点之后的放电电压数据进行精准退化预测,得到所述PEMFC的预测寿命信息;
步骤S103:根据所述PEMFC的预测寿命信息和所述预测起始时间点,得到PEMFC的剩余使用寿命信息。
所述预测寿命信息包括预测寿命点估计和预测寿命概率分布;其中,所述根据所述PEMFC的预测寿命信息和所述预测起始时间点,得到PEMFC的剩余使用寿命信息包括:根据所述PEMFC的预测寿命点估计和所述预测起始时间点,得到PEMFC的剩余使用寿命点估计;根据所述PEMFC的预测寿命概率分布和所述预测起始时间点,得到所述PEMFC的剩余使用寿命概率分布。
本发明实施例还包括:根据所述PEMFC的剩余使用寿命概率分布以及预设的置信度,得到所述PEMFC的剩余使用寿命置信区间。
本发明实施例还包括:通过对所述PEMFC放电过程中的放电电压进行实时监测,得到所述PEMFC的放电电压数据,并通过对所述放电电压数据进行数据预处理,得到等时间间隔的放电电压数据;根据设置的预测起始时间点,将所述等时间间隔的放电电压数据划分为所述预测起始时间点之前的放电电压数据和所述预测起始时间点之后的放电电压数据;利用所述预测起始时间点之前的放电电压数据分别训练LSSVM预测模型和RPF预测模型,得到训练好的LSSVM预测模型和训练好的RPF预测模型。
其中,所述通过对所述PEMFC放电过程中的放电电压进行实时监测,得到所述PEMFC的放电电压数据,并通过对所述放电电压数据进行数据预处理,得到等时间间隔的放电电压数据包括:通过对所述PEMFC放电过程中的放电电压进行实时监测,得到原始放电电压数据;通过采用基于核函数的数据平滑方法对所述原始放电电压数据进行过滤处理,得到滤波后的放电电压数据;通过采用三次样条法对所述滤波后的放电电压数据进行插值处理后,得到等时间间隔的放电电压数据。
其中,所述根据所述PEMFC的预测寿命点估计和所述预测起始时间点,得到PEMFC的剩余使用寿命点估计包括:将所述PEMFC的预测寿命点估计减去所述预测起始时间点,得到所述PEMFC的剩余使用寿命点估计。所述根据所述PEMFC的预测寿命概率分布和所述预测起始时间点,得到所述PEMFC的剩余使用寿命概率分布包括:将所述PEMFC的预测寿命概率分布减去所述预测起始时间点,得到所述PEMFC的剩余使用寿命概率分布。
图2是本发明实施例提供的一种PEMFC剩余使用寿命预测的装置示意图,如图2所示,包括:初步退化预测模块、精准退化预测模块以及获取模块。
其中,所述初步退化预测模块,用于利用训练好的LSSVM预测模型对预测起始时间点之前的放电电压数据进行初步退化预测,得到所述预测起始时间点之后的放电电压初步预测数据;所述精准退化预测模块,用于将所述基于LSSVM预测模型得到的放电电压初步预测数据作为观测值,送入训练好的RPF预测模型,并利用训练好的RPF预测模型对所述预测起始时间点之后的放电电压数据进行精准退化预测,得到所述PEMFC的预测寿命信息;所述获取模块,用于根据所述PEMFC的预测寿命信息和所述预测起始时间点,得到PEMFC的剩余使用寿命信息。
具体地说,所述预测寿命信息包括预测寿命点估计和预测寿命概率分布;其中,所述获取模块包括:第一获取单元,用于根据所述PEMFC的预测寿命点估计和所述预测起始时间点,得到PEMFC的剩余使用寿命点估计;第二获取单元,用于根据所述PEMFC的预测寿命概率分布和所述预测起始时间点,得到所述PEMFC的剩余使用寿命概率分布。
其中,所述第二获取单元还用于根据所述PEMFC的剩余使用寿命概率分布以及预设的置信度,得到所述PEMFC的剩余使用寿命置信区间。
本发明实施例还包括:获取单元,用于通过对所述PEMFC放电过程中的放电电压进行实时监测,得到所述PEMFC的放电电压数据,并通过对所述放电电压数据进行数据预处理,得到等时间间隔的放电电压数据;划分单元,用于根据设置的预测起始时间点,将所述等时间间隔的放电电压数据划分为所述预测起始时间点之前的放电电压数据和所述预测起始时间点之后的放电电压数据;训练单元,用于利用所述预测起始时间点之前的放电电压数据分别训练LSSVM预测模型和RPF预测模型,得到训练好的LSSVM预测模型和训练好的RPF预测模型。
图3是本发明实施例提供的基于LSSVM与RPF的PEMFC剩余使用寿命预测框架示意图,本发明将基于模型的方法与基于数据驱动的方法相结合,得到了PEMFC剩余使用寿命的不确定性表达-概率密度分布,并克服了单一的基于模型/数据驱动的PEMFC剩余使用寿命预测方法的局限性,提高了PEMFC剩余使用寿命的预测精度,如图3所示,具体包括以下步骤:
1、对PEMFC电压监测数据进行数据预处理,去除原始电压数据中的噪声及波动较大的野值点,得到等时间间隔采样的放电电压数据。
2、设定预测起始点,利用预测起始点之前的可观测电压数据训练LSSVM预测模型,并对预测起始点之后的电池电压进行初步退化趋势预测。
3、利用预测起始点之前的可观测电压数据对正则化粒子滤波退化模型中的未知参数进行估计并进行预测模型训练,得到训练好的正则化粒子滤波退化模型。
4、将预测起始点之后基于LSSVM模型得到的初步预测值作为状态空间方程中的观测值,送入训练好的正则化粒子滤波预测模型,实现基于正则化粒子滤波的进一步精准预测,得到电池电压到达阈值时的电池寿命点估计以及寿命概率分布。
5、将基于正则化粒子滤波模型得到的电池寿命点估计与预测起始时刻相减,得到PEMFC的剩余使用寿命点估计。
6、将基于正则化粒子滤波模型得到的电池寿命概率密度分布与预测起始时刻相减,得到PEMFC的剩余使用寿命概率密度分布。
本领域普通技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于计算机可读取存储介质中。进一步说,本发明还可以提供一种存储介质,其上存储有计算机程序,该程序被处理器执行时至少实现上述质子交换膜燃料电池剩余使用寿命预测方法的步骤。其中,所述的存储介质可以包括ROM/RAM、磁碟、光盘、U盘。
下面结合附图4至图13对本发明的实施作进一步的详细描述:
本发明所采用的PEMFC实验数据来源于2014年IEEE PHM数据挑战赛公开数据。试验数据是从5个单体燃料电池上采集的,每个燃料电池的有效面积为100cm2,电池的标称电流密度为0.7A/cm2,最大电流密度为1A/cm2。本发明所采用的PEMFC试验数据是在70A恒定电流下采集的,部分监测参数如图4所示。从图4中可以看出,随着时间的增加,放电电压数据呈现出明显的下降趋势,而其他的参数没有表现出明显的发展趋势,因此本发明选取放电电压作为表征电池性能的指标,对其剩余使用寿命进行预测。
(1)数据预处理
原始电压监测数据包含143862个数据点,并含有大量的噪声和峰值,需要首先对电压数据进行预处理,以剔除原始电压数据中的噪声等不确定因素干扰,得到规整的电压数据。本发明首先采用一种基于核函数的数据平滑方法对电池电压进行数据过滤预处理。假设x(t)代表电压数据,数据点数为n,x(tj)代表在tj时刻采集到的电压数据,过滤后的电压数据f(tj)可由下式计算:
其中,
K(g)代表带宽为h的高斯核函数,满足
经过数据过滤后,进而采用三次样条法对过滤后的数据进行插值,得到时间间隔为1h的等时间间隔采样点,共计1155个。图5所示为原始电压数据及预处理后的电压数据。从图5中可以看出,经过数据预处理,原始电压数据中存在的大部分噪声及峰值得到了剔除,从而避免了外界干扰对后续预测结果可能产生的影响。同时,较少的电压数据也减少了后续PEMFC剩余使用寿命预测的计算量。
(2)基于最小二乘支持向量机的初步预测
预处理后的电压数据利用LSSVM方法进行初步退化趋势预测,分为训练过程和预测过程。在训练过程,采用滑窗的方式将预测起始点之前的电压数据分为多组,构建LSSVM算法的输入向量。假设滑窗的窗口长度为n,步长为1,预测起始点为tp,那么预测起始点之前的电压数据将被划分为多组由n个电压值构成的输入向量,其对应的输出向量为后续的一个电压值,如图6所示。本发明中,采用n=300。当LSSVM预测模型训练好之后,继续移动滑窗生成新的输入向量。将tp+1时刻的输入向量送入训练好的LSSVM预测模型,得到tp+1时刻的预测电压。同理,tp+2时刻的预测电压也可以通过将tp+2时刻的输入向量送入训练好的LSSVM预测模型进行预测获得。不断重复上述步骤直到预测电压到达设定的失效阈值。
(3)基于正则化粒子滤波的预测
虽然采用LSSVM方法可以实现对PEMFC的性能退化趋势预测,但该方法不能对预测结果进行不确定性表达。然而在实际中,具有不确定表达的预测结果对于电池使用策略的制定具有更强的指导意义。本发明采用正则化粒子滤波在LSSVM预测结果的基础上进行进一步预测,从而得到更加精确的预测结果及剩余使用寿命的不确定性表达。
正则化粒子滤波是一种基于状态空间方程的方法。状态空间方程代表了PEMFC的状态变化过程,其准确性与否对于预测结果的精度起着关键性作用。本发明采用如下对数-线性状态空间方程:
·状态方程:xk=-αgln(tk/tk-1)-βg(tk-tk-1)+xk-1
·观测方程:zk=xk+nk
其中,α和β为待估计的未知参数,xk为真实电压值,zk为观测电压值,nk为观测噪声,满足nk:N(0,σ)。σ为该高斯噪声分布的标准差,同样需要估计。
基于正则化粒子滤波的预测同样分为训练过程和测试过程。在对正则化粒子滤波进行训练的过程中,首先需要对模型中的未知参数进行初始化,这些参数包括:x0,α0,β0,σ0,以及总粒子数N和有效粒子数Neff。本发明设定N=300,Neff=200,x0服从[-0.05V,0.05V]的均匀分布,α0服从[-0.008,-0.007]的均匀分布,β0服从[0.0005,0.0006]的均匀分布,σ0服从[0.001,0.002]的均匀分布。在RPF预测模型训练的过程中,这些参数在训练的每一步都会发生变化,直至趋向于一个稳定值。当RPF预测模型训练好之后,对预测起始点之后的电池电压数据进行预测。此时,在预测过程中,将基于LSSVM预测得到的电压值作为观测值送入RPF预测模型,可以得到更为精确的预测结果,以及PEMFC预测寿命的不确定性表达-概率密度分布。将预测的PEMFC寿命终止时间减去预测起始时刻,即为PEMFC剩余使用寿命。
(4)试验结果
1)本发明所提方法与其他方法的比较
本发明选取三个预测起始时刻分析预测结果,Tp=400h,Tp=500h,and Tp=600h。假定PEMFC的失效时间为800h,即TEoL_true=800h。那么在T=800h的电压值,3.232V,即为电压的失效阈值。选取0~Tp时刻的电压值进行预测模型训练以及未知参数估计,并对Tp+1以后的电压数据进行预测。为了说明本发明所提方法的优势,该案例选取三种方法进行对比:本发明所提LSSVM-RPF方法,RPF方法,以及PF方法,预测结果如图7~9所示。
从图7~图9中可以看出,本发明提出的基于LSSVM-RPF的预测方法能够更好地捕捉PEMFC电压监测数据中的非线性特征并跟踪***的状态,其预测结果呈现出与真实电压数据相似的发展趋势。然而基于RPF和基于PF的预测方法,其预测结果几乎接近一条直线。产生该现象的原因是由于PEMFC状态空间方程中存在线性部分。从而可见,单纯依赖基于模型的方法其预测结果是和***模型密切相关的,当模型建立得不够精确时,就难以得到理想的结果。而本发明所提出的LSSVM-RPF预测方法,虽然也采用了RPF进行预测,但由于其预测过程中所采用的观测值为LSSVM的初步预测结果,而LSSVM作为一种数据驱动的方法可以很好地跟踪***的非线性特征,因此减少了后续RPF预测模型对于PEMFC状态空间方程的依赖,从而提高了预测精度。
为了进一步比较三种方法的预测效果,本发明采用预测寿命TEoL_prognostic和真实寿命TEoL_true之间的相对误差(RE)以及全寿命周期内的预测均方根误差(RMSE)两个指标进行分析,其计算公式如下:
RE=(TEoL_prognostic-TEoL_true)/TEoL_true (4)
具体预测精度计算结果如表1及图10所示。
表1:LSSVM-RPF、RPF、和PF三种方法的预测精度表
从表1和图10中可以看出,随着预测起始点的后移,三种方法的预测精度均得到了提升。同时,在各个预测起始点,本发明所提出的基于LSSVM-RPF的方法的RE和RMSE均为三种方法中最小的,说明本发明提出的方法精度最高。
2)预测结果的不确定性表达
在预测过程中,RPF算法接收来自LSSVM方法的预测结果作为观测值,进行逐步迭代预测。在每一步预测中,粒子分布即代表了当前时刻电池电压值的分布状态。当预测电压达到预设的电压终止阈值时,根据该时刻粒子的分布可以将其转化为电池寿命终止时间的分布。再将该寿命终止时间分布减去预测起始时间,即可得到PEMFC剩余使用寿命分布。在Tp=400h,Tp=500h and Tp=600h三个预测起始时刻,PEMFC的剩余使用寿命分布如图11-13所示。同时,置信度为90%的置信区间可根据剩余使用寿命分布计算获得,如图11-13及表2所示。
表2:LSSVM-RPF在不同预测起始时刻的剩余使用寿命置信区间表
与现有技术相比,本发明具有以下技术效果:
(1)标准的粒子滤波及改进的正则化粒子滤波在进行预测时均采用多步预测的方式,即上一步预测得到的值作为下一步预测的观测值实现下一步预测,因此多步预测会导致预测误差不断累积增大,使得预测精度不高,本发明提出的方法将基于LSSVM方法得到的预测值送入正则化粒子滤波预测算法中作为观测值,实现基于正则化粒子滤波的二级预测,避免了预测误差的迭代累加,提高了PEMFC剩余使用寿命的预测精度。
(2)本发明相比单一的基于LSSVM的预测方法,不但可以得到PEMFC剩余使用寿命的点估计值,并且可以给出剩余使用寿命的不确定性表达-概率密度分布和置信区间,这种不确定性表达对于指导PEMFC的合理使用、制定合理的管理策略,从而延长PEMFC的使用寿命具有更高的实际工程意义。
(3)本发明提出的混合型预测方法相比标准粒子滤波及正则化粒子滤波具有更高的预测精度。
尽管上文对本发明进行了详细说明,但是本发明不限于此,本技术领域技术人员可以根据本发明的原理进行各种修改。因此,凡按照本发明原理所作的修改,都应当理解为落入本发明的保护范围。
Claims (6)
1.一种PEMFC剩余使用寿命预测的方法,其特征在于,包括:
利用训练好的LSSVM预测模型对预测起始时间点之前的放电电压数据进行初步退化预测,得到所述预测起始时间点之后的放电电压初步预测数据;
将所述基于LSSVM预测模型得到的放电电压初步预测数据作为观测值,送入训练好的RPF预测模型,并利用训练好的RPF预测模型对所述预测起始时间点之后的放电电压数据进行精准退化预测,得到所述PEMFC的预测寿命信息;所述预测寿命信息包括预测寿命点估计和预测寿命概率分布;
根据所述PEMFC的预测寿命信息和所述预测起始时间点,得到PEMFC的剩余使用寿命信息,其包括:
根据所述PEMFC的预测寿命点估计和所述预测起始时间点,得到PEMFC的剩余使用寿命点估计,其包括:将所述PEMFC的预测寿命点估计减去所述预测起始时间点,得到所述PEMFC的剩余使用寿命点估计;
根据所述PEMFC的预测寿命概率分布和所述预测起始时间点,得到所述PEMFC的剩余使用寿命概率分布,其包括将所述PEMFC的预测寿命概率分布减去所述预测起始时间点,得到所述PEMFC的剩余使用寿命概率分布;
其中,所述PEMFC是指质子交换膜燃料电池;所述LSSVM是指最小二乘支持向量机;所述RPF是指正则化粒子滤波。
2.根据权利要求1所述的方法,其特征在于,还包括:
根据所述PEMFC的剩余使用寿命概率分布以及预设的置信度,得到所述PEMFC的剩余使用寿命置信区间。
3.根据权利要求1所述的方法,其特征在于,还包括:
通过对所述PEMFC放电过程中的放电电压进行实时监测,得到所述PEMFC的放电电压数据,并通过对所述放电电压数据进行数据预处理,得到等时间间隔的放电电压数据;
根据设置的预测起始时间点,将所述等时间间隔的放电电压数据划分为所述预测起始时间点之前的放电电压数据和所述预测起始时间点之后的放电电压数据;
利用所述预测起始时间点之前的放电电压数据分别训练LSSVM预测模型和RPF预测模型,得到训练好的LSSVM预测模型和训练好的RPF预测模型。
4.根据权利要求3所述的方法,其特征在于,所述通过对所述PEMFC放电过程中的放电电压进行实时监测,得到所述PEMFC的放电电压数据,并通过对所述放电电压数据进行数据预处理,得到等时间间隔的放电电压数据包括:
通过对所述PEMFC放电过程中的放电电压进行实时监测,得到原始放电电压数据;
通过采用基于核函数的数据平滑方法对所述原始放电电压数据进行过滤处理,得到滤波后的放电电压数据;
通过采用三次样条法对所述滤波后的放电电压数据进行插值处理后,得到等时间间隔的放电电压数据。
5.一种PEMFC剩余使用寿命预测的装置,其特征在于,包括:
初步退化预测模块,用于利用训练好的LSSVM预测模型对预测起始时间点之前的放电电压数据进行初步退化预测,得到所述预测起始时间点之后的放电电压初步预测数据;
精准退化预测模块,用于将所述基于LSSVM预测模型得到的放电电压初步预测数据作为观测值,送入训练好的RPF预测模型,并利用训练好的RPF预测模型对所述预测起始时间点之后的放电电压数据进行精准退化预测,得到所述PEMFC的预测寿命信息;所述预测寿命信息包括预测寿命点估计和预测寿命概率分布;
获取模块,用于根据所述PEMFC的预测寿命信息和所述预测起始时间点,得到PEMFC的剩余使用寿命信息,其包括:
第一获取单元,用于根据所述PEMFC的预测寿命点估计和所述预测起始时间点,得到PEMFC的剩余使用寿命点估计,其包括:将所述PEMFC的预测寿命点估计减去所述预测起始时间点,得到所述PEMFC的剩余使用寿命点估计;
第二获取单元,用于根据所述PEMFC的预测寿命概率分布和所述预测起始时间点,得到所述PEMFC的剩余使用寿命概率分布,其包括将所述PEMFC的预测寿命概率分布减去所述预测起始时间点,得到所述PEMFC的剩余使用寿命概率分布;
其中,所述PEMFC是指质子交换膜燃料电池;所述LSSVM是指最小二乘支持向量机;所述RPF是指正则化粒子滤波。
6.根据权利要求5所述的装置,其特征在于,所述第二获取单元还用于根据所述PEMFC的剩余使用寿命概率分布以及预设的置信度,得到所述PEMFC的剩余使用寿命置信区间。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810401693 | 2018-04-28 | ||
CN2018104016933 | 2018-04-28 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109543317A CN109543317A (zh) | 2019-03-29 |
CN109543317B true CN109543317B (zh) | 2022-11-01 |
Family
ID=65851892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811429629.2A Active CN109543317B (zh) | 2018-04-28 | 2018-11-28 | 一种pemfc剩余使用寿命预测的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109543317B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111044926A (zh) * | 2019-12-16 | 2020-04-21 | 北京航天智造科技发展有限公司 | 质子交换膜燃料电池寿命预测方法 |
CN111146478B (zh) * | 2019-12-22 | 2021-02-02 | 同济大学 | 一种用于质子交换膜燃料电池堆剩余使用寿命的预测方法 |
CN111308985B (zh) * | 2020-02-18 | 2021-03-26 | 北京航空航天大学 | 一种基于nsct和dm的飞机环控***控制组件性能退化评估方法 |
CN111783242B (zh) * | 2020-06-17 | 2024-05-28 | 河南科技大学 | 一种基于rvm-kf的滚动轴承剩余寿命预测方法及装置 |
CN112415414A (zh) * | 2020-10-09 | 2021-02-26 | 杭州电子科技大学 | 一种锂离子电池剩余使用寿命预测方法 |
CN113361692B (zh) * | 2021-06-28 | 2023-05-23 | 福建师范大学 | 一种锂电池剩余寿命结合预测方法 |
CN113657012A (zh) * | 2021-07-21 | 2021-11-16 | 西安理工大学 | 一种基于tcn和粒子滤波的关键设备剩余寿命预测方法 |
CN113820608B (zh) * | 2021-08-20 | 2022-08-05 | 北京邮电大学 | 梯次电池剩余容量的预测方法和电子设备 |
CN114355197B (zh) * | 2021-12-07 | 2022-08-30 | 暨南大学 | 一种动力电池余能快速检测方法及装置 |
CN115856645B (zh) * | 2023-03-01 | 2023-04-28 | 四川能投氢能产业投资有限公司 | 一种质子交换膜燃料电池耐久性分析方法、装置及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542155A (zh) * | 2011-12-05 | 2012-07-04 | 北京航空航天大学 | 基于加速退化数据的粒子滤波剩余寿命预测方法 |
CN102778653A (zh) * | 2012-06-20 | 2012-11-14 | 哈尔滨工业大学 | 基于ar模型和rpf算法的数据驱动的锂离子电池循环寿命预测方法 |
CN104156791A (zh) * | 2014-08-29 | 2014-11-19 | 哈尔滨工业大学 | 基于ls-svm的概率集成学习锂离子电池剩余寿命预测方法 |
CN106055775A (zh) * | 2016-05-27 | 2016-10-26 | 哈尔滨工业大学 | 一种粒子滤波与机理模型相结合的二次电池寿命预测方法 |
-
2018
- 2018-11-28 CN CN201811429629.2A patent/CN109543317B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542155A (zh) * | 2011-12-05 | 2012-07-04 | 北京航空航天大学 | 基于加速退化数据的粒子滤波剩余寿命预测方法 |
CN102778653A (zh) * | 2012-06-20 | 2012-11-14 | 哈尔滨工业大学 | 基于ar模型和rpf算法的数据驱动的锂离子电池循环寿命预测方法 |
CN104156791A (zh) * | 2014-08-29 | 2014-11-19 | 哈尔滨工业大学 | 基于ls-svm的概率集成学习锂离子电池剩余寿命预测方法 |
CN106055775A (zh) * | 2016-05-27 | 2016-10-26 | 哈尔滨工业大学 | 一种粒子滤波与机理模型相结合的二次电池寿命预测方法 |
Non-Patent Citations (1)
Title |
---|
A prognostic framework for PEMFC based on least squares support vector regression-particle filter;Cheng Y等;《2017 IEEE Vehicle Power and Propulsion Conference (VPPC)》;20180405;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109543317A (zh) | 2019-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109543317B (zh) | 一种pemfc剩余使用寿命预测的方法及装置 | |
CN110187290B (zh) | 一种基于融合型算法的锂离子电池剩余寿命预测方法 | |
CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
Liu et al. | State-of-health estimation of lithium-ion batteries based on electrochemical impedance spectroscopy: a review | |
Zhang et al. | A deep learning method for lithium-ion battery remaining useful life prediction based on sparse segment data via cloud computing system | |
CN112415414A (zh) | 一种锂离子电池剩余使用寿命预测方法 | |
CN114547849A (zh) | 储能电站电池工况健康状态预测方法及*** | |
Chen et al. | A long short-term memory neural network based Wiener process model for remaining useful life prediction | |
CN113917334B (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
Wei et al. | Lyapunov-based state of charge diagnosis and health prognosis for lithium-ion batteries | |
Qiuting et al. | State of health estimation for lithium-ion battery based on D-UKF | |
CN113392507A (zh) | 一种锂离子动力电池剩余寿命预测方法 | |
CN113484771A (zh) | 一种锂离子电池宽温度全寿命soc及容量估计的方法 | |
CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
Liu et al. | Review on degradation mechanism and health state estimation methods of lithium-ion batteries | |
CN116298936A (zh) | 在不完全电压范围内的锂离子电池智能健康状态预测方法 | |
CN117805649A (zh) | 基于soh量化电池容量衰减对异常电芯进行识别的方法 | |
CN115146723A (zh) | 基于深度学习和启发式算法的电化学模型参数辨识方法 | |
Schmitt et al. | State-of-health estimation by virtual experiments using recurrent decoder–encoder based lithium-ion digital battery twins trained on unstructured battery data | |
Guo et al. | Rapid online health estimation for lithium-ion batteries based on partial constant-voltage charging segment | |
CN116400246B (zh) | 基于aco-gmr的储能电站电池健康状态估计方法 | |
CN113255199A (zh) | 一种基于粒子滤波的电池剩余寿命预测方法 | |
CN112580211A (zh) | 基于sa和ann算法的铅酸蓄电池soh估计方法 | |
CN115097344A (zh) | 一种基于恒压充电片段的电池健康状态端云协同估计方法 | |
CN116068435A (zh) | 一种基于emd-gpr-rvm的液态金属电池容量预测方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |