CN115983084A - 一种燃料电池剩余使用寿命预测方法、***、设备及终端 - Google Patents
一种燃料电池剩余使用寿命预测方法、***、设备及终端 Download PDFInfo
- Publication number
- CN115983084A CN115983084A CN202211475359.5A CN202211475359A CN115983084A CN 115983084 A CN115983084 A CN 115983084A CN 202211475359 A CN202211475359 A CN 202211475359A CN 115983084 A CN115983084 A CN 115983084A
- Authority
- CN
- China
- Prior art keywords
- fuel cell
- voltage
- sequence
- time
- aging
- 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
-
- 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
- Fuel Cell (AREA)
Abstract
本发明属于燃料电池技术领域,公开了一种燃料电池剩余使用寿命预测方法、***、设备及终端,通过控制***接收来自LabView接口的命令和传感器获取的信号并存储燃料电池多种历史检测信号,获得燃料电池输出电压信号以及各时间段的电池极化曲线;对获得的信号进行预处理,将电压信号变为时间序列;剔除掉时间序列和极化曲线中的不合理信号,获得最终电压序列和多条极化曲线;再建立燃料电池老化模型,将极化曲线输入遗传算法中辨识出初始参数;构建EMD和粒子滤波相结合的方法,通过结合老化模型以及粒子滤波方法对剩余序列进行老化寿命预测。本发明能够对长周期工作的燃料电池进行在线剩余寿命的精准预测,保证***长期的安全、稳定。
Description
技术领域
本发明属于燃料电池技术领域,尤其涉及一种燃料电池剩余使用寿命预测方法、***、设备及终端。
背景技术
目前,燃料电池因其具有高能量密度、清洁无污染等多重优点,在车载、机载动力***上的应用越来越多,而燃料电池的耐久性是其能否大规模商用的重要因素。近年来,PEMFC***的耐久性问题越来越受到关注。氢燃料质子交换膜燃料电池本身,由于其本身的性质,在其存储和运行模式中容易出现不可逆的降解现象,导致性能加速损失和寿命缩短。因此,燃料电池的预测与健康管理(PHM)技术至关重要。通过收集***数据信息,对燃料电池***进行状态评估、故障诊断以及剩余寿命预测。通常将燃料电池输出电压作为***健康指标(HI)进行寿命预测,针对性的调整控制策略以提高燃料电池***耐久性。
目前用于预测的方法主要有基于数据驱动、基于模型及基于融合算法三类,基于数据驱动的预测方法需要利用大量数据完成燃料电池寿命预测,它并不依赖燃料电池的内部退化模型,预测结果相对精确但是需要的数据量很大,运算速度相对较慢。基于模型的算法一般通过燃料电池老化模型结合滤波算法进行预测,但是该方法需要燃料电池的退化模型,而如今燃料电池内部的老化机理并未完全明确,所采用的等效电路模型、经验模型以及半经验模型等精确度较低,这给基于模型的预测带来了很大的挑战。基于融合的算法可以结合基于数据驱动预测方法和基于模型预测方法的优势,是现在主要的研究方向。文献CN114551945A基于质子交换膜燃料电池内部组件的衰减行为建立衰减模型并根据所述衰减模型构建粒子滤波算法框架用于燃料电池状态评估,通过迭代衰减状态和衰减速率预测电池寿命,然而该方法的不确定性较大、精确度较低。文献CN109683093A提出了一种基于数据驱动的预测方法,通过使用历史信号对卷积神经网络进行训练,然后使用训练好的神经网络模型进行预测,然而该方法在长期RUL预测上的效果并不理想。文献CN114371416A提出了一种经验模态分解和回声神经网络相结合的预测算法,可以实现精确的短期多步预测,然而该方法并不能很好的进行长期寿命预测并且对于每个分量进行预测,时间成本会成倍增加,并不能很好的进行在线预测。
通过上述分析,现有技术存在的问题及缺陷为:
(1)现有的基于数据驱动的燃料电池寿命预测方法,它并不依赖燃料电池的内部退化模型,预测结果相对精确但是需要的数据量很大,运算速度相对较慢。
(2)现有的基于模型驱动的预测方法需要燃料电池的退化模型,而如今燃料电池内部的老化机理并未完全明确,所采用的模型精确度较低,给基于模型的预测带来很大挑战。
(3)现有的利用经验模态分解的燃料电池老化预测方法多用于短期预测,在长期RUL预测上的效果并不理想,不确定性较大、精确度较低;同时对每个分量进行预测,时间成本会成倍增加,并不能很好的进行在线预测。
发明内容
针对现有技术存在的问题,本发明提供了一种燃料电池剩余使用寿命预测方法、***、设备及终端,尤其涉及一种经验模态分解和粒子滤波结合的燃料电池剩余使用寿命预测方法、***、介质、设备及终端。
本发明是这样实现的,一种燃料电池剩余使用寿命预测方法,所述燃料电池剩余使用寿命预测方法包括训练阶段和预测阶段,通过控制***接收来自LabView接口的命令和安装在辅助***和电子负载上的传感器获取的信号并存储燃料电池多种历史检测信号,获得燃料电池输出电压信号以及各时间段的电池极化曲线;对获得的信号进行预处理,将电压信号变为时间序列;剔除掉时间序列和极化曲线中因采样误差所导致的不合理信号,获得最终电压序列和多条极化曲线;再建立燃料电池老化模型,将处理好的极化曲线输入遗传算法中辨识出初始参数;构建EMD和粒子滤波相结合的方法,通过结合老化模型以及粒子滤波方法对EMD处理好的剩余序列进行老化寿命预测。
进一步,所述燃料电池剩余使用寿命预测方法包括以下步骤:
步骤一,开始老化测试,通过控制***接收来自LabView接口的命令和安装在辅助***和电子负载上的传感器获取的信号;控制***发送控制信号,将传感器获得的信号显示在LabView界面并存储在上位机中,记录燃料电池参数;
步骤二,对步骤一所获得的历史检测信号进行提取,获得燃料电池输出电压信号以及各时间段的电池极化曲线;
步骤三,对步骤二获得的输出电压信号进行预处理,将电压信号变为小时时间序列;剔除掉时间序列和极化曲线中因采样误差所导致的不合理信号,获得最终电压序列和多条极化曲线;
步骤四,基于质子交换膜燃料电池内部的老化行为建立半经验老化模型;
步骤五,通过遗传算法拟合步骤三中获得的极化曲线识别出初始时刻的老化模型参数;
步骤六,利用经验模态分解方法将步骤三中的电压序列进行本征模态分解,得到一系列本征模态分量以及剩余序列;
步骤七,根据所述老化模型建立粒子滤波算法框架;
步骤八,将步骤六中所获得的剩余序列输入所构建的粒子滤波算法框架中更新模型状态参数包含内阻增加速率α、极限电流密度衰减速率β、交换电流密度衰减速率γ;
步骤九,不再对粒子滤波进行权重更新以及重采样,将最终模型状态参数带入老化模型获得燃料电池的预测电压;
步骤十,设置燃料电池电压阈值,记录预测电压达到阈值时的时间,计算燃料电池剩余使用寿命。
进一步,所述步骤一中的传感器获得的信号包括燃料电池电压、负载电流、工作温度、进出口水温、空气流量和氢气流量,所述燃料电池参数包括输出电压、电流和老化时间。
所述步骤三中,按如下公式将采集的电压变成时间序列:
Vtime(n)=Vmeasure(n+1);
其中,Vtime为输出电压序列,Vmeasure为测量电压信号,n为当前时间点,n+1为下一个时间点。
按如下公式进行电压筛选:
其中,Vfinal为最终电压,Vusizer为待筛选电压,n为当前时间点,n-1为上一个时间点,β为容忍系数。
所述步骤四中建立的质子交换膜燃料电池半经验老化模型为:
其中,Vs是电堆输出电压,is是电堆电流,N是单片电池个数,Eocv是开路电压,R0是欧姆内阻初值,α是内阻增加速率,a、b是常数,T是运行温度,t是时间,i0是交换电流密度初值,β是交换电流密度衰减速率,iL0是极限电流密度初值,γ是极限电流密度衰减速率。
进一步,所述步骤五中按如下遗传算法对初始极化曲线进行拟合,辨识出老化模型初始参数:
对模型初始化,选择遗传算法种群数为50,随后任意创建初始种群,将交叉率设为0.85,突变率设为0.12;利用所创建的老化模型和k时刻的参数计算k时刻电压Vs;利用模型计算种群的适应度,对k时刻变量执行选择、交叉、变异操作;重复执行操作,判断是否满足终止条件;根据适应度函数选择最优解,得到拟合结果。
遗传函数适用度定义为:
目标函数:
min ffit(Eocv,R0,i0,iL0);
其中,Eocv,R0,i0,iL0为优化的变量,将参数辨识问题转换为目标函数最小的优化问题。
进一步,所述步骤六中按如下过程对电压序列进行经验模态分解:
(1)识别时间序列V(t)的所有局部极值,包括局部最小值和局部最大值;
(2)将所有的局部极值分别用数值分析方法拟合形成原数据的包络线,表示上包络线为vu(t),下包络线为vl(t);
(3)计算上下包络线的平均包络线:
n(t)=[vu(t)+vl(t)]/2;
(4)将原数据序列V(t)减去平均包络n(t),得到新的数据序列h(t);
h(t)=v(t)-n(t);
(5)判断终止标准是否满足,如果满足,则输出v(t)作为剩余,停止分解计算;若不满足,则执行步骤(6);
(6)设h(t)为IMFs之一,用残差r(t)代替v(t),并执行步骤(1);
r(t)=v(t)-hi(t);
最终得出经验模态分解的结果为:
其中,判断标准选为:
当标准偏差小于给定阈值时,算法停止;
其中,V是待分解电压序列,vu是上包络电压序列,vl是下包络电压序列,n是平均包络电压序列,h是提取的电压序列,r是剩余电压序列,hi是模态分解的电压分量,t是时间。
进一步,所述步骤七中建立的PF框架为:
构建内部老化参数:
构建状态方程与观测方程:
其中,第一个方程是状态方程,R是过程噪声协方差矩阵,第二个方程是观测方程,Q是观测噪声协方差,Vs是电堆输出电压,is是电堆电流,N是单片电池个数,Eocv是开路电压,R0是欧姆内阻初值,α是内阻增加速率,α、b是常数,T是运行温度,i0是交换电流密度初值,β是交换电流密度衰减速率,iL0是极限电流密度初值,γ是极限电流密度衰减速率,k是第k个时间点,t是时间。
所述根据所述老化模型建立粒子滤波算法框架包括:
(1)根据如下公式进行初始化生成采样粒子以及权重:
(2)根据状态方程更新粒子:
(3)根据观测方程以及电压值更新权重:
(4)根据如下公式进行权重归一化与重采样:
(5)输出滤波值:
所述步骤十中设置的电压阈值为初始电压的96%,其中RUL的计算公式为:
RUL=|Tpre-Ts|;
其中,Tpre是电压预测值达到设定阈值的时间,Ts是预测开始的时间。
本发明的另一目的在于提供一种应用所述燃料电池剩余使用寿命预测方法的燃料电池剩余使用寿命预测***,所述燃料电池剩余使用寿命预测***包括:
信号接收模块,用于通过控制***接收来自LabView接口的命令和安装在辅助***和电子负载上的传感器获取的信号并存储燃料电池多种历史检测信号;
信号预处理模块,用于获得燃料电池输出电压信号以及各时间段的电池极化曲线;对获得的信号进行预处理,将电压信号变为时间序列;
不合理信号剔除模块,用于剔除掉时间序列和极化曲线中因采样误差所导致的不合理信号,获得最终电压序列和多条极化曲线;
初始参数辨识模块,用于建立燃料电池老化模型,将处理好的极化曲线输入遗传算法中辨识出初始参数;
老化寿命预测模块,用于构建EMD和粒子滤波相结合的方法,通过结合老化模型以及粒子滤波方法对EMD处理好的剩余序列进行老化寿命预测。
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行所述燃料电池剩余使用寿命预测方法的步骤。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行所述燃料电池剩余使用寿命预测方法的步骤。
本发明的另一目的在于提供一种信息数据处理终端,所述信息数据处理终端用于实现所述燃料电池剩余使用寿命预测***。
结合上述的技术方案和解决的技术问题,本发明所要保护的技术方案所具备的优点及积极效果为:
第一,针对上述现有技术存在的技术问题以及解决该问题的难度,紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等,详细、深刻地分析本发明技术方案如何解决的技术问题,解决问题之后带来的一些具备创造性的技术效果。具体描述如下:
本发明首先通过控制***接收来自LabView接口的命令和安装在辅助***和电子负载上的传感器获取的信号并存储燃料电池多种历史检测信号,获得燃料电池输出电压信号以及各时间段的电池极化曲线;然后对获得的信号进行预处理,将电压信号变为时间序列,然后剔除掉时间序列和极化曲线中因采样误差所导致的不合理信号,获得最终电压序列和多条极化曲线;再建立燃料电池老化模型,将处理好的极化曲线输入遗传算法中辨识出初始参数;之后构建EMD和粒子滤波相结合的方法,通过结合老化模型以及粒子滤波方法对EMD处理好的剩余序列进行老化寿命预测。此方法能够对长周期工作的燃料电池进行在线剩余寿命的精准预测,保证***长期的安全、稳定。
本发明将历史电压信号进行预处理,筛选预测电压信号,能够有效降低采样噪声的信号的干扰,能够合理地反应历史电压对燃料电池衰减的影响,并提高燃料电池电压预测的精度。本发明提出的粒子滤波框架涉及三个燃料电池内部老化参数,有利于提高寿命预测的精度。另外,本发明还构建了经验模态分解和粒子滤波相结合的方法,通过粒子滤波对EMD分解后的剩余序列进行处理,提高整体模型在复杂耦合情况下的适应性,从而提高寿命预测的精确性、稳定性。同时,该方法节约时间成本,可以很好的实现在线预测。
第二,把技术方案看做一个整体或者从产品的角度,本发明所要保护的技术方案具备的技术效果和优点,具体描述如下:
本发明提供一种算法简单、预测精度高、运行速度快的基于经验模态分解和粒子滤波的基于模型与数据驱动融合的燃料电池寿命预测方法。该方案可以实现对燃料电池剩余使用寿命较为精确的预测,在线运行后可以根据实测数据实时更新燃料电池健康状态,得到其寿命剩余信息为后续的能量管理策略以及顶层分配策略提供关键信息;同时,更为精确的模型建立以及实时老化参数更新可以为燃料电池故障预诊断控制提供更多决策信息,保证整体***更加稳定更加安全的运行。
第三,作为本发明的权利要求的创造性辅助证据,还体现在以下几个重要方面:
本发明的技术方案转化后的预期收益和商业价值为:
本发明设计的在线燃料电池寿命预测方案改善了寿命预测的精确性与运行速度,并具有优秀的灵活性和适应性,能够对处在各种运行工况下的燃料电池***进行精确的寿命预测,为燃料电池能量分配、故障诊断以及多堆能量管理提供决策信息。所提出的基于经验模态分解与粒子滤波方案也为燃料电池老化预测的研究提供了一种方法和思路。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的燃料电池剩余使用寿命预测方法流程图;
图2是本发明实施例提供的燃料电池剩余使用寿命预测方法原理图;
图3是本发明实施例提供的经验模态分解的流程图;
图4是本发明实施例提供的粒子滤波的流程图;
图5是本发明实施例提供的燃料电池原始寿命退化数据示意图;
图6是本发明实施例提供的燃料电池预处理数据图;
图7是本发明实施例提供的燃料电池极化曲线图;
图8是本发明实施例提供的初始时刻极化曲线拟合图;
图9是本发明实施例提供的燃料电池电压数据EMD分解图;
图10是本发明实施例提供的燃料电池电堆电压预测效果图;
图11是本发明实施例提供的燃料电池电堆剩余使用寿命预测效果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种燃料电池剩余使用寿命预测方法、***、设备及终端,下面结合附图对本发明作详细的描述。
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现,该部分是对权利要求技术方案进行展开说明的解释说明实施例。
如图1所示,本发明实施例提供的燃料电池剩余使用寿命预测方法包括以下步骤:
S101,通过控制***接收来自LabView接口的命令和安装在辅助***和电子负载上的传感器获取的信号并存储燃料电池多种历史检测信号;
S102,获得燃料电池输出电压信号以及各时间段的电池极化曲线;对获得的信号进行预处理,将电压信号变为时间序列;
S103,剔除掉时间序列和极化曲线中因采样误差所导致的不合理信号,获得最终电压序列和多条极化曲线;
S104,建立燃料电池老化模型,将处理好的极化曲线输入遗传算法中辨识出初始参数;
S105,构建EMD和粒子滤波相结合的方法,通过结合老化模型以及粒子滤波方法对EMD处理好的剩余序列进行老化寿命预测。
作为优选实施例,如图2所示,本发明实施例提供的燃料电池剩余使用寿命预测方法,具体包括训练阶段和预测阶段;
训练阶段:
步骤1:开始老化测试,通过控制***接收来自LabView接口的命令和安装在辅助***和电子负载上的传感器获取的信号。然后控制***向这些***发送控制信号。将传感器获得的信号(燃料电池电压、负载电流、工作温度、进出口水温、空气流量和氢气流量)显示在LabView界面上并存储在上位机中,记录燃料电池参数(输出电压、电流、老化时间等);
步骤2:对步骤1所获得的历史检测信号进行提取,获得燃料电池输出电压信号以及各时间段的电池极化曲线;
步骤3:对步骤2中获得的输出电压信号进行预处理,将电压信号变为小时时间序列,然后剔除掉时间序列和极化曲线中因采样误差所导致的不合理信号,获得最终电压序列和多条极化曲线;
本发明实施例提供的步骤3中按如下公式将采集的电压变成时间序列:
Vtime(n)=Vmeasure(n+1)
其中,Vtime为输出电压序列,Vmeasur。为测量电压信号,n为当前时间点,n+1为下一个时间点。
按如下公式进行电压筛选:
其中,Vfinal为最终电压,Vusizer为待筛选电压,n为当前时间点,n-1为上一个时间点,β为容忍系数。
步骤4:基于质子交换膜燃料电池内部的老化行为建立半经验老化模型;
本发明实施例提供的步骤4中建立的质子交换膜燃料电池半经验老化模型为:
其中,Vs是电堆输出电压,is是电堆电流,N是单片电池个数,Eocv是开路电压,R0是欧姆内阻初值,α是内阻增加速率,a、b是常数,T是运行温度,t是时间,i0是交换电流密度初值,β是交换电流密度衰减速率,iL0是极限电流密度初值,γ是极限电流密度衰减速率。
步骤5:通过遗传算法拟合步骤3中获得的极化曲线识别出初始时刻的老化模型参数;
本发明实施例提供的步骤5中按如下遗传算法对初始极化曲线进行拟合,辨识出老化模型初始参数:
对模型初始化,选择遗传算法种群数为50,随后任意创建初始种群,将交叉率设为0.85,突变率设为0.12。利用所创建的老化模型和k时刻的参数计算k时刻电压Vs。利用模型计算种群的适应度,对k时刻变量执行选择、交叉、变异操作。重复进行上述操作,判断是否满足终止条件。根据适应度函数选择最优解,得到拟合结果。
遗传函数适用度可以定义为:
目标函数:
min ffit(Eocv,R0,i0,iL0)
其中,Eocv,R0,i0,iL0为优化的变量,将参数辨识问题转换为目标函数最小的优化问题。
步骤6:利用经验模态分解(EMD)方法将步骤3中的电压序列进行本征模态分解,得到一系列本征模态分量以及剩余序列;
如图3所示,本发明实施例提供的步骤6中按如下过程对电压序列进行经验模态分解:
(1)识别时间序列V(t)的所有局部极值,包括局部最小值和局部最大值;
(2)将所有这些局部极值分别用数值分析方法拟合形成原数据的包络线。表示上包络线为vu(t),下包络线为vl(t);
(3)计算上下包络线的平均包络线:
n(t)=[vu(t)+vl(t)]/2
(4)将原数据序列V(t)减去平均包络n(t),得到一个新的数据序列h(t);
h(t)=v(t)-n(t)
(5)判断终止标准是否满足,如果满足,则输出v(t)作为剩余,停止分解计算;若不满足,则第6步;
(6)设h(t)为IMFs之一,用残差r(t)代替v(t),之后执行第1步;
r(t)=v(t)-hi(t)
最终得出经验模态分解的结果:
上述判断标准选为:
当标准偏差(SD)小于给定阈值时,算法停止。
其中,V是待分解电压序列,vu是上包络电压序列,vl是下包络电压序列,n是平均包络电压序列,h是提取的电压序列,r是剩余电压序列,hi是模态分解的电压分量,t是时间。
步骤7:根据所述老化模型建立粒子滤波(PF)算法框架;
如图4所示,本发明实施例提供的步骤7中建立的PF框架为:
构建内部老化参数:
构建状态方程与观测方程:
其中,第一个方程是状态方程,R是过程噪声协方差矩阵,第二个方程是观测方程,Q是观测噪声协方差,Vs是电堆输出电压,is是电堆电流,N是单片电池个数,Eocv是开路电压,R0是欧姆内阻初值,α是内阻增加速率,a、b是常数,T是运行温度,t是时间,i0是交换电流密度初值,β是交换电流密度衰减速率,iL0是极限电流密度初值,γ是极限电流密度衰减速率,k是第k个时间点。
具体过程为:
(1)根据如下公式进行初始化生成采样粒子以及权重:
(2)根据状态方程更新粒子:
(3)根据观测方程以及电压值更新权重:
(4)根据如下公式进行权重归一化与重采样:
(5)输出滤波值:
步骤8:将步骤6中所获得的剩余序列输入所构建的粒子滤波算法框架中更新模型状态参数包含内阻增加速率α、极限电流密度衰减速率β、交换电流密度衰减速率γ。
在线预测阶段:
步骤9:不再对粒子滤波进行权重更新以及重采样,将最终模型状态参数带入老化模型获得燃料电池的预测电压;
步骤10:设置燃料电池电压阈值,记录预测电压达到阈值时的时间,计算燃料电池剩余使用寿命(RUL)。
本发明实施例提供的步骤10中设置的电压阈值为初始电压的96%,其中RUL的计算公式为:
RUL=|Tpre-Ts|
其中,Tpre是电压预测值达到设定阈值的时间,Ts是预测开始的时间。
本发明实施例提供的燃料电池剩余使用寿命预测***包括:
信号接收模块,用于通过控制***接收来自LabView接口的命令和安装在辅助***和电子负载上的传感器获取的信号并存储燃料电池多种历史检测信号;
信号预处理模块,用于获得燃料电池输出电压信号以及各时间段的电池极化曲线;对获得的信号进行预处理,将电压信号变为时间序列;
不合理信号剔除模块,用于剔除掉时间序列和极化曲线中因采样误差所导致的不合理信号,获得最终电压序列和多条极化曲线;
初始参数辨识模块,用于建立燃料电池老化模型,将处理好的极化曲线输入遗传算法中辨识出初始参数;
老化寿命预测模块,用于构建EMD和粒子滤波相结合的方法,通过结合老化模型以及粒子滤波方法对EMD处理好的剩余序列进行老化寿命预测。
二、应用实施例。为了证明本发明的技术方案的创造性和技术价值,该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
本发明的技术方案通过上述信号接收模块、信号预处理模块、不合理信号剔除模块、初始参数辨识模块与老化寿命预测模块,借助DSP与计算机***实行,可以实施于燃料电池稳态工况、动态工况以及循环动态工况等不同负载工况下的剩余使用寿命预测,可以为燃料电池机车、舰船以及航空飞行器的电堆寿命均衡管理、能量分配管理、故障诊断等提供决策信息,保证***耐久性与可靠性。
三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果,和现有技术相比的确具备很大的优势,下面内容结合试验过程的数据、图表等进行描述。
如图5~图11所示,本发明实施例中以FCLABFederation提供的数据验证本发明实施例提供的燃料电池剩余使用寿命预测方法预测的优势,确定了预测模型的构建和具体实施效果,图10中的前面600个小时数据用于训练,后面400个小时数据用来验证。本发明实施例选取初始电压的96%作为失效阈值,认为预测寿命偏差在+10%~-20%范围内是能容忍的,不会跳出在线预测状态。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行***,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种燃料电池剩余使用寿命预测方法,其特征在于,所述燃料电池剩余使用寿命预测方法包括训练阶段和预测阶段,通过控制***接收来自LabView接口的命令和安装在辅助***和电子负载上的传感器获取的信号并存储燃料电池多种历史检测信号,获得燃料电池输出电压信号以及各时间段的电池极化曲线;对获得的信号进行预处理,将电压信号变为时间序列;剔除掉时间序列和极化曲线中因采样误差所导致的不合理信号,获得最终电压序列和多条极化曲线;再建立燃料电池老化模型,将处理好的极化曲线输入遗传算法中辨识出初始参数;构建EMD和粒子滤波相结合的方法,通过结合老化模型以及粒子滤波方法对EMD处理好的剩余序列进行老化寿命预测。
2.如权利要求1所述燃料电池剩余使用寿命预测方法,其特征在于,所述燃料电池剩余使用寿命预测方法包括以下步骤:
步骤一,开始老化测试,通过控制***接收来自LabView接口的命令和安装在辅助***和电子负载上的传感器获取的信号;控制***发送控制信号,将传感器获得的信号显示在LabView界面并存储在上位机中,记录燃料电池参数;
步骤二,对步骤一所获得的历史检测信号进行提取,获得燃料电池输出电压信号以及各时间段的电池极化曲线;
步骤三,对步骤二获得的输出电压信号进行预处理,将电压信号变为小时时间序列;剔除掉时间序列和极化曲线中因采样误差所导致的不合理信号,获得最终电压序列和多条极化曲线;
步骤四,基于质子交换膜燃料电池内部的老化行为建立半经验老化模型;
步骤五,通过遗传算法拟合步骤三中获得的极化曲线识别出初始时刻的老化模型参数;
步骤六,利用经验模态分解方法将步骤三中的电压序列进行本征模态分解,得到一系列本征模态分量以及剩余序列;
步骤七,根据所述老化模型建立粒子滤波算法框架;
步骤八,将步骤六中所获得的剩余序列输入所构建的粒子滤波算法框架中更新模型状态参数包含内阻增加速率α、极限电流密度衰减速率β、交换电流密度衰减速率γ;
步骤九,不再对粒子滤波进行权重更新以及重采样,将最终模型状态参数带入老化模型获得燃料电池的预测电压;
步骤十,设置燃料电池电压阈值,记录预测电压达到阈值时的时间,计算燃料电池剩余使用寿命。
3.如权利要求2所述燃料电池剩余使用寿命预测方法,其特征在于,所述步骤一中的传感器获得的信号包括燃料电池电压、负载电流、工作温度、进出口水温、空气流量和氢气流量,所述燃料电池参数包括输出电压、电流和老化时间;
所述步骤三中,按如下公式将采集的电压变成时间序列:
Vtime(n)=Vmeasure(n+1);
其中,Vtime为输出电压序列,Vmeasure为测量电压信号,n为当前时间点,n+1为下一个时间点;
按如下公式进行电压筛选:
其中,Vfinal为最终电压,Vusizer为待筛选电压,n为当前时间点,n-1为上一个时间点,β为容忍系数;
所述步骤四中建立的质子交换膜燃料电池半经验老化模型为:
其中,Vs是电堆输出电压,is是电堆电流,N是单片电池个数,Eocv是开路电压,R0是欧姆内阻初值,α是内阻增加速率,a、b是常数,T是运行温度,t是时间,i0是交换电流密度初值,β是交换电流密度衰减速率,iL0是极限电流密度初值,γ是极限电流密度衰减速率。
4.如权利要求2所述燃料电池剩余使用寿命预测方法,其特征在于,所述步骤五中按如下遗传算法对初始极化曲线进行拟合,辨识出老化模型初始参数:
对模型初始化,选择遗传算法种群数为50,随后任意创建初始种群,将交叉率设为0.85,突变率设为0.12;利用所创建的老化模型和k时刻的参数计算k时刻电压Vs;利用模型计算种群的适应度,对k时刻变量执行选择、交叉、变异操作;重复执行操作,判断是否满足终止条件;根据适应度函数选择最优解,得到拟合结果;
遗传函数适用度定义为:
目标函数:
min ffit(Eocv,R0,i0,iL0);
其中,Eocv,R0,i0,iL0为优化的变量,将参数辨识问题转换为目标函数最小的优化问题。
5.如权利要求2所述燃料电池剩余使用寿命预测方法,其特征在于,所述步骤六中按如下过程对电压序列进行经验模态分解:
(1)识别时间序列V(t)的所有局部极值,包括局部最小值和局部最大值;
(2)将所有的局部极值分别用数值分析方法拟合形成原数据的包络线,表示上包络线为vu(t),下包络线为vl(t);
(3)计算上下包络线的平均包络线:
n(t)=[vu(t)+vl(t)]/2;
(4)将原数据序列V(t)减去平均包络n(t),得到新的数据序列h(t);
h(t)=v(t)-n(t);
(5)判断终止标准是否满足,如果满足,则输出v(t)作为剩余,停止分解计算;若不满足,则执行步骤(6);
(6)设h(t)为IMFs之一,用残差r(t)代替v(t),并执行步骤(1);
r(t)=v(t)-hi(t);
最终得出经验模态分解的结果为:
其中,判断标准选为:
当标准偏差小于给定阈值时,算法停止;
其中,V是待分解电压序列,vu是上包络电压序列,vl是下包络电压序列,n是平均包络电压序列,h是提取的电压序列,r是剩余电压序列,hi是模态分解的电压分量,t是时间。
6.如权利要求2所述燃料电池剩余使用寿命预测方法,其特征在于,所述步骤七中建立的PF框架为:
构建内部老化参数:
构建状态方程与观测方程:
其中,第一个方程是状态方程,R是过程噪声协方差矩阵,第二个方程是观测方程,Q是观测噪声协方差,Vs是电堆输出电压,is是电堆电流,N是单片电池个数,Eocv是开路电压,R0是欧姆内阻初值,α是内阻增加速率,α、b是常数,T是运行温度,t是时间,i0是交换电流密度初值,β是交换电流密度衰减速率,iL0是极限电流密度初值,γ是极限电流密度衰减速率,k是第k个时间点;
所述根据所述老化模型建立粒子滤波算法框架包括:
(1)根据如下公式进行初始化生成采样粒子以及权重:
(2)根据状态方程更新粒子:
(3)根据观测方程以及电压值更新权重:
(4)根据如下公式进行权重归一化与重采样:
(5)输出滤波值:
所述步骤十中设置的电压阈值为初始电压的96%,其中RUL的计算公式为:
RUL=|Tpre-Ts|;
其中,Tpre是电压预测值达到设定阈值的时间,Ts是预测开始的时间。
7.一种应用如权利要求1~6任意一项所述燃料电池剩余使用寿命预测方法的燃料电池剩余使用寿命预测***,其特征在于,所述燃料电池剩余使用寿命预测***包括:
信号接收模块,用于通过控制***接收来自LabView接口的命令和安装在辅助***和电子负载上的传感器获取的信号并存储燃料电池多种历史检测信号;
信号预处理模块,用于获得燃料电池输出电压信号以及各时间段的电池极化曲线;对获得的信号进行预处理,将电压信号变为时间序列;
不合理信号剔除模块,用于剔除掉时间序列和极化曲线中因采样误差所导致的不合理信号,获得最终电压序列和多条极化曲线;
初始参数辨识模块,用于建立燃料电池老化模型,将处理好的极化曲线输入遗传算法中辨识出初始参数;
老化寿命预测模块,用于构建EMD和粒子滤波相结合的方法,通过结合老化模型以及粒子滤波方法对EMD处理好的剩余序列进行老化寿命预测。
8.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1~6任意一项所述燃料电池剩余使用寿命预测方法的步骤。
9.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1~6任意一项所述燃料电池剩余使用寿命预测方法的步骤。
10.一种信息数据处理终端,其特征在于,所述信息数据处理终端用于实现如权利要求7所述燃料电池剩余使用寿命预测***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211475359.5A CN115983084A (zh) | 2022-11-23 | 2022-11-23 | 一种燃料电池剩余使用寿命预测方法、***、设备及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211475359.5A CN115983084A (zh) | 2022-11-23 | 2022-11-23 | 一种燃料电池剩余使用寿命预测方法、***、设备及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115983084A true CN115983084A (zh) | 2023-04-18 |
Family
ID=85965460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211475359.5A Pending CN115983084A (zh) | 2022-11-23 | 2022-11-23 | 一种燃料电池剩余使用寿命预测方法、***、设备及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115983084A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116203434A (zh) * | 2023-04-28 | 2023-06-02 | 山东科技大学 | 一种燃料电池耐久性的预测方法及设备 |
CN116314972A (zh) * | 2023-05-18 | 2023-06-23 | 北京新研创能科技有限公司 | 一种燃料电池的能量分配调度方法 |
CN116454324A (zh) * | 2023-06-16 | 2023-07-18 | 广东技术师范大学 | 燃料电池的控制方法及*** |
CN116959634A (zh) * | 2023-06-21 | 2023-10-27 | 中国石油大学(华东) | Sofc电堆结构损伤及电化学性能衰减的寿命预测方法 |
CN117007978A (zh) * | 2023-10-07 | 2023-11-07 | 中国华能集团清洁能源技术研究院有限公司 | 电池电压预测方法、装置、电子设备及存储介质 |
CN117057230A (zh) * | 2023-08-10 | 2023-11-14 | 武汉理工大学 | 质子交换膜燃料电池老化性能预测方法、装置及电子设备 |
-
2022
- 2022-11-23 CN CN202211475359.5A patent/CN115983084A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116203434A (zh) * | 2023-04-28 | 2023-06-02 | 山东科技大学 | 一种燃料电池耐久性的预测方法及设备 |
CN116203434B (zh) * | 2023-04-28 | 2023-07-04 | 山东科技大学 | 一种燃料电池耐久性的预测方法及设备 |
CN116314972A (zh) * | 2023-05-18 | 2023-06-23 | 北京新研创能科技有限公司 | 一种燃料电池的能量分配调度方法 |
CN116454324A (zh) * | 2023-06-16 | 2023-07-18 | 广东技术师范大学 | 燃料电池的控制方法及*** |
CN116454324B (zh) * | 2023-06-16 | 2023-08-18 | 广东技术师范大学 | 燃料电池的控制方法及*** |
CN116959634A (zh) * | 2023-06-21 | 2023-10-27 | 中国石油大学(华东) | Sofc电堆结构损伤及电化学性能衰减的寿命预测方法 |
CN116959634B (zh) * | 2023-06-21 | 2024-08-06 | 中国石油大学(华东) | Sofc电堆结构损伤及电化学性能衰减的寿命预测方法 |
CN117057230A (zh) * | 2023-08-10 | 2023-11-14 | 武汉理工大学 | 质子交换膜燃料电池老化性能预测方法、装置及电子设备 |
CN117007978A (zh) * | 2023-10-07 | 2023-11-07 | 中国华能集团清洁能源技术研究院有限公司 | 电池电压预测方法、装置、电子设备及存储介质 |
CN117007978B (zh) * | 2023-10-07 | 2024-01-30 | 中国华能集团清洁能源技术研究院有限公司 | 电池电压预测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115983084A (zh) | 一种燃料电池剩余使用寿命预测方法、***、设备及终端 | |
WO2021232655A1 (zh) | 一种基于振动特征的高压并联电抗器机械状态评估方法 | |
CN102208028B (zh) | 一种适用于动态复杂***的故障预测和诊断方法 | |
CN111340238A (zh) | 一种工业***的故障诊断方法、装置、设备及存储介质 | |
CN113884961B (zh) | Soc校准方法、建模方法、建模装置、计算机设备及介质 | |
Morando et al. | Fuel cells remaining useful lifetime forecasting using echo state network | |
CN113547919B (zh) | 一种燃料电池车远程故障监测方法及*** | |
CN115943516B (zh) | 车辆电池失衡的检测方法、装置、电子设备及存储介质 | |
CN112763967B (zh) | 一种基于BiGRU的智能电表计量模块故障预测与诊断方法 | |
CN113283491A (zh) | 一种基于优化深度置信网络的电动汽车交流充电桩的故障诊断方法 | |
CN113705839B (zh) | 一种燃料电池电堆的预测性维护方法以及维护*** | |
CN112731260A (zh) | 基于概念漂移识别的电压互感器误差状态在线评估方法 | |
Yao et al. | Fault identification of lithium-ion battery pack for electric vehicle based on ga optimized ELM neural network | |
CN117454231B (zh) | 一种应用智能仿真技术的地铁直流保护测试*** | |
CN114036647A (zh) | 一种基于实车数据的动力电池安全风险评估方法 | |
CN116467950A (zh) | 一种基于不确定表征的无人机飞行数据异常检测方法 | |
CN118191628A (zh) | 一种基于机器学习的矿用锂离子电池soc预测方法和*** | |
CN116679221A (zh) | 一种电池异常检测、电池维护管理方法和装置 | |
CN112098066A (zh) | 基于门控循环单元的高压并联电抗器故障诊断方法及*** | |
Pirani et al. | A pattern recognition approach for enhancing lifecycle maintainability of battery systems | |
Liu et al. | Fault diagnosis of early internal short circuit for power battery systems based on the evolution of the cell charging voltage slope in variable voltage window | |
CN117059844A (zh) | 一种燃料电池故障诊断方法、装置、设备及存储介质 | |
CN118211107A (zh) | 一种基于LSTM-Adaboost的中央空调终端一致性自适应检测方法及*** | |
CN118245907A (zh) | 基于强化学习的铝电解槽况诊断方法及装置 | |
CN117558947A (zh) | 一种燃料电池在线健康诊断和寿命预测方法、装置及*** |
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 |