CN111044926A - 质子交换膜燃料电池寿命预测方法 - Google Patents
质子交换膜燃料电池寿命预测方法 Download PDFInfo
- Publication number
- CN111044926A CN111044926A CN201911291950.3A CN201911291950A CN111044926A CN 111044926 A CN111044926 A CN 111044926A CN 201911291950 A CN201911291950 A CN 201911291950A CN 111044926 A CN111044926 A CN 111044926A
- Authority
- CN
- China
- Prior art keywords
- particle
- fuel cell
- weight
- state
- particles
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Fuel Cell (AREA)
Abstract
本发明涉及一种质子交换膜燃料电池寿命预测方法。该方法基于粒子滤波框架进行燃料电池寿命预测,包括学习阶段和预测阶段:在学习阶段,依次进行初始化、更新粒子状态、更新粒子权重、重采样的步骤,直到到达tp时刻;其中,粒子是指燃料电池的电压的可能取值,tp是指从该时刻起不再更新粒子权重,不再进行重采样;在预测阶段,从tp时刻开始更新粒子状态,根据粒子状态得到燃料电池的电压值,判断电压值是否达到电池失效阈值,若达到则得到燃料电池剩余使用寿命,否则迭代更新粒子状态。本发明采用统计方法更新每次迭代的粒子数和老化参数,能准确预测燃料电池的老化趋势,从而计算得到PEMFC电池的剩余使用寿命。
Description
技术领域
本发明属于燃料电池的寿命预测技术领域,具体涉及一种质子交换膜燃料电池寿命预测方法。
背景技术
质子交换膜燃料电池(Proton Exchange Membrane Fuel Cell,PEMFC)是最有前景的新型发电装置之一,由于其功率密度高、环境友好、重量轻和资源丰富等特点,已经被广泛应用于军事、交通和热电联产等领域。
预测和健康管理(Prognostics and Health Management,PHM)包含着两方面的内容:预测是指根据***当前状态或历史状态对部件或整体***的未来健康状态进行预测性的诊断,包括确定部件或***的正常工作的时间长度或剩余使用寿命(Remaining UsefulLife,RUL);健康管理是指根据诊断预测信息、可用的维修资源和使用需求对维修活动做出适当决策的能力。PHM利用实际监测数据得出反映PEMFC健康状况的有关指标和趋势,得到电池剩余使用寿命后,就可以调整***所需的电源,使电池更耐用。目前电池寿命预测技术主要分为两类:第一类是基于模型的预测方法,这类方法采用***的物理模型或数学模型进行预测。第二类是基于数据驱动的预测方法,利用模式识别和机器学习基于测试或传感器的数据进行预测。
模型驱动方法依托于燃料电池负载条件、材料属性、退化机理和失效机制实现剩余使用寿命的预测。模型驱动方法主要包括粒子滤波、卡尔曼滤波、退化机理模型和经验退化模型。PEMFC***是具有多物理、多尺度和高不确定性的复杂***。退化机理尚不完全清楚,因此很难得到准确的分析模型以描述燃料电池***的退化,特别是在噪声或不确定的环境下。数据驱动方法主要包括回声状态网络、超限学习机、自适应神经–模糊推理***、相关向量机和高斯过程状态空间模型。
当前相关技术方案中仅有关于单个电池的寿命预测方案,还没有在堆栈水平上进行寿命预测的方案。另外当前方案没有考虑动态载荷的影响,有些方案虽然效果有所提升,但没有得到明确的证明。如现有的基于无迹卡尔曼滤波的PEMFC剩余使用寿命预测方法,建立了燃料电池老化的物理模型,以及电池状态与老化速率之间的关系。该方法没有考虑动态载荷的影响,并且没有经过实验研究的验证。基于回声状态网络的PEMFC老化预测算法。将短时傅里叶变换预处理后的电堆电压数据输入网络中,利用神经元池代替原来隐含层的神经网络,采用PEMFC已有的电压退化数据训练网络参数,使用迭代结构预测PEMFC电堆电压,以此估计PEMFC的剩余使用寿命。虽然这种方法准确度有所提升,但还没有得到明确的证明。燃料电池的寿命预测技术虽然已经取得了一些进展,但还需要进行更多的研究,以充分了解燃料电池的老化过程,并能够在较小的误差范围内预测燃料电池的剩余使用寿命。
发明内容
本发明提出一种质子交换膜燃料电池寿命预测方法,基于粒子滤波方法预测燃料电池剩余寿命。该方案采用统计方法更新每次迭代的粒子数和老化参数,能准确预测燃料电池的老化趋势,从而计算得到PEMFC的剩余使用寿命。
本发明采用的技术方案如下:
一种质子交换膜燃料电池寿命预测方法,其特征在于,基于粒子滤波框架进行燃料电池寿命预测,包括学习阶段和预测阶段:
在学习阶段,依次进行初始化、更新粒子状态、更新粒子权重、重采样的步骤,直到到达tp时刻;其中,粒子是指燃料电池的电压的可能取值,tp是指从该时刻起不再更新粒子权重,不再进行重采样;
在预测阶段,从tp时刻开始更新粒子状态,根据粒子状态得到燃料电池的电压值,判断电压值是否达到电池失效阈值,若达到则得到燃料电池剩余使用寿命,否则迭代更新粒子状态。
进一步地,首先利用核平滑技术对经试验测量得到的燃料电池的电压数据进行去噪处理,然后进入学习阶段。
进一步地,所说初始化包括:粒子状态更新的次数k=0,根据粒子状态的已知先验概率密度采样粒子集。
进一步地,根据状态转移方程更新粒子状态,所述状态转移方程是用来描述粒子电压值的更新的方程,见下式:
xk=-β·(tk-tk-1)+xk-1
其中xk表示更新k次后粒子的状态,其中xk-1表示更新k-1次后粒子的状态,tk表示第k次更新粒子状态时的时间,tk-1表示第k-1次更新粒子状态时的时间,β根据历史数据中β的分布范围进行初始化。
进一步地,粒子权重是指粒子在反映电池电压值中所占的权重,更新粒子权重是增加能反映电池电压真实值的粒子权重。
进一步地,更新粒子权重的方法是:根据粒子状态的预测误差计算粒子权重,误差小的粒子权值大,误差大的粒子权值小;其中预测误差根据电池电压测量值和预测值之间的差值计算得到。
进一步地,经过重采样后,粒子总数保持不变,权值大的粒子分成多个粒子,权值小的粒子被抛弃,重采样后每个粒子的权值相同。
进一步地,预测阶段采用与学习阶段相同的方式,根据状态转移方程更新粒子状态。
本发明的有益效果如下:
本发明提出了一种基于粒子滤波框架的燃料电池剩余寿命预测方法。实验结果表明,该方案能够有效地估计燃料电池的剩余使用寿命,预测误差在20%以下,从而减少了使用PEMFC的***在预测的时间之前发生故障的可能性。
附图说明
图1是实施例中粒子滤波框架的步骤流程图。
图2是本发明方案的实验结果图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面通过具体实施例和附图,对本发明做进一步详细说明。
本发明的主要内容包括:
1)建立燃料电池在静态作用下电压衰减模型的状态方程(即状态转移方程)。
2)确定模型初始状态参数,以及初始电压分布范围(根据先验概率密度分布选取符合该分布的多个粒子)。
3)利用核平滑技术对数据进行去噪处理。
首先,利用核平滑技术对经试验测量得到的电池电压数据进行去噪处理。
核平滑技术是一种较为有效的数据平滑处理方法,是一种加权的滑动平均,权重取决于K(t)。考虑信号u(t),用n个数据表示,数据经平滑处理后用f(tj)表示,j=1,2,3,...n。
其中,K(t)表示高斯核函数,tj表示当前时刻,ti表示任一时刻,h表示带宽,控制高斯核函数的局部作用范围。
然后,利用去噪处理后的数据,基于粒子滤波方法进行燃料电池寿命预测。图1为粒子滤波框架,主要由学习阶段和预测阶段构成。
1.学习阶段的具体算法步骤如下:
(1)初始化
k=0,根据已知先验概率密度p(x0)采样粒子集。
其中,粒子是指电池的电压的可能取值,k表示粒子状态更新的次数,图1中表示粒子状态的X表示电压,W表示粒子权重。先验概率密度是指粒子状态的先验概率密度,根据经验得到。所述采样是根据先验概率密度分布选取符合该分布的多个粒子,本实施例选取4000个粒子。
(2)更新粒子状态
粒子状态是指此刻粒子所代表的电压值。更新粒子状态的目的是使电池的电压预测结果更准确。
根据状态转移方程,更新粒子状态。状态转移方程是用来描述粒子电压值的更新的方程,见下式:
xk=-β·(tk-tk-1)+xk-1
其中xk表示更新k次后粒子的状态,其中xk-1表示更新k-1次后粒子的状态,tk表示第k次更新粒子状态时的时间,tk-1表示第k-1次更新粒子状态时的时间,β需要根据历史数据中β的分布范围进行初始化。
(3)更新权重
粒子权重是指粒子在反映电池电压值中所占的权重。更新粒子权重的目的是增加较能反映电池电压真实值的粒子权重,使电池电压预测结果更准确。
更新粒子权重的方法是:根据粒子状态的预测误差计算粒子权重,误差小的粒子权值大,误差大的粒子权值小。其中预测误差根据电池电压测量值Zk和预测值之间的差值计算得到。
图1中“权重退化”是指大部分粒子权重退化为0,能表示电池状态的粒子数较少。
(4)重采样
重采样是指增加权重高的粒子,删除权重较低的粒子,目的是抑制权重退化。
经过重采样后,粒子总数保持不变,权值大的粒子分成多个粒子,权值小的粒子被抛弃,重采样后每个粒子的权值相同。
2.预测阶段的算法步骤如下:
(1)估计粒子状态
如图1所示,从tp开始预测燃料电池剩余使用寿命,tp是指从该时刻起,将不再更新粒子权重,不再进行重采样,仅依据tp时刻的粒子更新粒子状态。本实施例中tp=600h。
(2)更新粒子状态
采用与学习阶段相同的方法,根据状态转移方程,更新粒子状态。
(3)阈值判断
根据粒子状态得到PEMFC电池的电压值,判断电压值是否达到预设的电池电压失效阈值,若达到则可得到燃料电池剩余使用寿命(为开始预测到此电池失效时刻的时间间隔),否则迭代更新粒子状态。电池电压失效阈值可根据实际经验进行设置。
图2中的曲线1为电池电压测量值随时间变化曲线,曲线2为通过粒子滤波算法得到的电池电压的预测结果,直线3为电池电压的失效阈值。从横坐标时间等于600h处预测电池剩余寿命,经测量得到的电池寿命为208.5h,经预测得到的电池寿命为246.5h,预测误差在20%范围内。
以上实施例仅用以说明本发明的技术方案而非对其进行限制,本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明的原理和范围,本发明的保护范围应以权利要求书所述为准。
Claims (8)
1.一种质子交换膜燃料电池寿命预测方法,其特征在于,基于粒子滤波框架进行燃料电池寿命预测,包括学习阶段和预测阶段:
在学习阶段,依次进行初始化、更新粒子状态、更新粒子权重、重采样的步骤,直到到达tp时刻;其中,粒子是指燃料电池的电压的可能取值,tp是指从该时刻起不再更新粒子权重,不再进行重采样;
在预测阶段,从tp时刻开始更新粒子状态,根据粒子状态得到燃料电池的电压值,判断电压值是否达到电池失效阈值,若达到则得到燃料电池剩余使用寿命,否则迭代更新粒子状态。
2.根据权利要求1所述的方法,其特征在于,首先利用核平滑技术对经试验测量得到的燃料电池的电压数据进行去噪处理,然后进入学习阶段。
3.根据权利要求1所述的方法,其特征在于,所说初始化包括:粒子状态更新的次数k=0,根据粒子状态的已知先验概率密度采样粒子集。
4.根据权利要求1所述的方法,其特征在于,根据状态转移方程更新粒子状态,所述状态转移方程是用来描述粒子电压值的更新的方程,见下式:
xk=-β·(tk-tk-1)+xk-1
其中xk表示更新k次后粒子的状态,其中xk-1表示更新k-1次后粒子的状态,tk表示第k次更新粒子状态时的时间,tk-1表示第k-1次更新粒子状态时的时间,β根据历史数据中β的分布范围进行初始化。
5.根据权利要求1所述的方法,其特征在于,粒子权重是指粒子在反映电池电压值中所占的权重,更新粒子权重是增加能反映电池电压真实值的粒子权重。
6.根据权利要求5所述的方法,其特征在于,更新粒子权重的方法是:根据粒子状态的预测误差计算粒子权重,误差小的粒子权值大,误差大的粒子权值小;其中预测误差根据电池电压测量值和预测值之间的差值计算得到。
7.根据权利要求1所述的方法,其特征在于,经过重采样后,粒子总数保持不变,权值大的粒子分成多个粒子,权值小的粒子被抛弃,重采样后每个粒子的权值相同。
8.根据权利要求1所述的方法,其特征在于,预测阶段采用与学习阶段相同的方式,根据状态转移方程更新粒子状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911291950.3A CN111044926A (zh) | 2019-12-16 | 2019-12-16 | 质子交换膜燃料电池寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911291950.3A CN111044926A (zh) | 2019-12-16 | 2019-12-16 | 质子交换膜燃料电池寿命预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111044926A true CN111044926A (zh) | 2020-04-21 |
Family
ID=70236514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911291950.3A Pending CN111044926A (zh) | 2019-12-16 | 2019-12-16 | 质子交换膜燃料电池寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111044926A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680848A (zh) * | 2020-07-27 | 2020-09-18 | 中南大学 | 基于预测模型融合的电池寿命预测方法及存储介质 |
CN114551945A (zh) * | 2020-11-27 | 2022-05-27 | 中国科学院大连化学物理研究所 | 一种自动优化的燃料电池寿命预测方法 |
CN114566686A (zh) * | 2020-11-27 | 2022-05-31 | 中国科学院大连化学物理研究所 | 一种燃料电池状态评估和寿命预测的方法 |
CN116502541A (zh) * | 2023-05-18 | 2023-07-28 | 淮阴工学院 | 一种质子交换膜燃料电池寿命预测的方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101132595A (zh) * | 2007-09-29 | 2008-02-27 | 清华大学 | 无线网络测量的能量管理方法 |
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 |
CN106845866A (zh) * | 2017-02-27 | 2017-06-13 | 四川大学 | 基于改进粒子滤波算法的设备剩余寿命预测方法 |
CN107918103A (zh) * | 2018-01-05 | 2018-04-17 | 广西大学 | 一种基于灰色粒子滤波的锂离子电池剩余寿命预测方法 |
CN109543317A (zh) * | 2018-04-28 | 2019-03-29 | 北京航空航天大学 | 一种pemfc剩余使用寿命预测的方法及装置 |
CN109633474A (zh) * | 2018-11-14 | 2019-04-16 | 江苏大学 | 一种锂离子电池剩余寿命预测方法 |
-
2019
- 2019-12-16 CN CN201911291950.3A patent/CN111044926A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101132595A (zh) * | 2007-09-29 | 2008-02-27 | 清华大学 | 无线网络测量的能量管理方法 |
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 |
CN106845866A (zh) * | 2017-02-27 | 2017-06-13 | 四川大学 | 基于改进粒子滤波算法的设备剩余寿命预测方法 |
CN107918103A (zh) * | 2018-01-05 | 2018-04-17 | 广西大学 | 一种基于灰色粒子滤波的锂离子电池剩余寿命预测方法 |
CN109543317A (zh) * | 2018-04-28 | 2019-03-29 | 北京航空航天大学 | 一种pemfc剩余使用寿命预测的方法及装置 |
CN109633474A (zh) * | 2018-11-14 | 2019-04-16 | 江苏大学 | 一种锂离子电池剩余寿命预测方法 |
Non-Patent Citations (1)
Title |
---|
李奇 等: "质子交换膜燃料电池剩余使用寿命预测方法综述及展望", 《中国电机工程学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680848A (zh) * | 2020-07-27 | 2020-09-18 | 中南大学 | 基于预测模型融合的电池寿命预测方法及存储介质 |
CN114551945A (zh) * | 2020-11-27 | 2022-05-27 | 中国科学院大连化学物理研究所 | 一种自动优化的燃料电池寿命预测方法 |
CN114566686A (zh) * | 2020-11-27 | 2022-05-31 | 中国科学院大连化学物理研究所 | 一种燃料电池状态评估和寿命预测的方法 |
CN114566686B (zh) * | 2020-11-27 | 2023-11-14 | 中国科学院大连化学物理研究所 | 一种燃料电池状态评估和寿命预测的方法 |
CN114551945B (zh) * | 2020-11-27 | 2023-11-14 | 中国科学院大连化学物理研究所 | 一种自动优化的燃料电池寿命预测方法 |
CN116502541A (zh) * | 2023-05-18 | 2023-07-28 | 淮阴工学院 | 一种质子交换膜燃料电池寿命预测的方法 |
CN116502541B (zh) * | 2023-05-18 | 2023-12-22 | 淮阴工学院 | 一种质子交换膜燃料电池寿命预测的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11409347B2 (en) | Method, system and storage medium for predicting power load probability density based on deep learning | |
CN111044926A (zh) | 质子交换膜燃料电池寿命预测方法 | |
CN112036084B (zh) | 一种相似产品寿命迁移筛选方法和*** | |
Xie et al. | Prognostic for fuel cell based on particle filter and recurrent neural network fusion structure | |
CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
CN111339712A (zh) | 质子交换膜燃料电池剩余寿命预测方法 | |
EP3380948B1 (en) | Environmental monitoring systems, methods and media | |
CN113205233B (zh) | 基于灰狼算法和多核支持向量回归的锂电池寿命预测方法 | |
CN115271186B (zh) | 一种基于延时因子和PSO RNN Attention模型的水库水位预测预警方法 | |
Zhao et al. | On-line least squares support vector machine algorithm in gas prediction | |
CN111523727B (zh) | 基于不确定过程的考虑恢复效应的电池剩余寿命预测方法 | |
CN108961460B (zh) | 基于稀疏esgp与多目标优化的故障预测方法及装置 | |
CN112734002A (zh) | 一种基于数据层和模型层联合迁移学习的寿命预测方法 | |
CN116245373A (zh) | 一种基于深度学习的电力数据质量规则自适应方法 | |
CN114994555A (zh) | 一种基于混合模型的燃料电池剩余寿命预测方法及装置 | |
CN115513951A (zh) | 一种基于概念漂移检测的电力负荷预测方法及*** | |
CN116930609A (zh) | 一种基于ResNet-LSTM模型的电能计量误差分析方法 | |
CN113743008A (zh) | 一种燃料电池健康预测方法及*** | |
CN113159395A (zh) | 一种基于深度学习的污水处理厂进水流量预测方法及*** | |
Zhang et al. | Remaining useful life prediction of lithium-ion batteries based on TCN-DCN fusion model combined with IRRS filtering | |
CN110135085B (zh) | 基于自适应核密度估计辅助粒子滤波的疲劳裂纹评估方法 | |
CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
CN116861256A (zh) | 一种固废焚烧过程的炉温预测方法、***、设备及介质 | |
CN112257327A (zh) | 一种基于小波变换去噪和堆叠自编码特征选择的海底管道剩余寿命预测方法 | |
CN114169416B (zh) | 一种基于迁移学习的小样本集下短期负荷预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200421 |
|
RJ01 | Rejection of invention patent application after publication |