CN116840722B - 一种质子交换膜燃料电池性能退化评估及寿命预测方法 - Google Patents

一种质子交换膜燃料电池性能退化评估及寿命预测方法 Download PDF

Info

Publication number
CN116840722B
CN116840722B CN202310685096.9A CN202310685096A CN116840722B CN 116840722 B CN116840722 B CN 116840722B CN 202310685096 A CN202310685096 A CN 202310685096A CN 116840722 B CN116840722 B CN 116840722B
Authority
CN
China
Prior art keywords
fuel cell
variable
exchange membrane
proton exchange
model
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
Application number
CN202310685096.9A
Other languages
English (en)
Other versions
CN116840722A (zh
Inventor
王政
张楚
王业琴
王熠炜
陈佳雷
陈杰
彭甜
葛宜达
***
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huaiyin Institute of Technology
Original Assignee
Huaiyin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huaiyin Institute of Technology filed Critical Huaiyin Institute of Technology
Priority to CN202310685096.9A priority Critical patent/CN116840722B/zh
Publication of CN116840722A publication Critical patent/CN116840722A/zh
Application granted granted Critical
Publication of CN116840722B publication Critical patent/CN116840722B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Strategic Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Algebra (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)

Abstract

本发明公开了一种质子交换膜燃料电池性能退化评估与寿命预测方法，预先获取质子交换膜燃料电池的监测数据，先对质子交换膜燃料电池的监测数据使用皮尔逊相关分析法的确定输出变量，然后采用MIC特征提取获取输入变量集，通过改进的凌日搜索算法LGTSOA优化时间卷积网络和随机向量网络模型RVFL结合的神经网络模型进行训练，得到质子交换膜燃料电池的性能退化评估预测模型LGTSOA‑TCN‑RVFL，实现电池性能退化评估与寿命预测。本发明为质子交换膜燃料电池性能退化提供了更加精准的预测结果，也为质子交换膜燃料电池的寿命预测提供了更加可靠的依据。

Description

一种质子交换膜燃料电池性能退化评估及寿命预测方法
技术领域
本发明属于燃料电池技术领域，具体涉及一种质子交换膜燃料电池性能退化评估及寿命预测方法。
背景技术
目前，全球的能源结构以化石能源为主，其他各种形式的能源为辅。但是，化石能源的逐渐枯竭和日益严重的环境污染问题，为了解决能源短缺问题以及更好地节能减排，氢能作为一种公认地清洁低碳能源正在崛起。氢作为一种清洁的能量载体，其来源广泛、应用广泛，可有效降低化石能源比重，提高清洁发展水平，发展氢能是构建“多能互补”能源供应体系的重要载体，是实现能源转型升级的重要助力。
其中氢燃料电池(PEMFC)作为氢能利用重要工具的一种，不同于传统的蓄电池以储能的方式提供电能，氢燃料电池是通过氢气和氧气间的电化学反应，将化学能转变为电能，只要具备充足的氢气源和空气，这个转换过程可以一直持续下去，达到零污染排放。由于其绿色环保、噪声低、能量转化效率高等特点，已经被广泛应用在各个领域。然而，其耐久性显著阻碍氢燃料电池的大规模部署和商业发展。
氢燃料电池的性能退化评估预测主要是根据过去工作概括和当前操作来估计退化状态，然后根据状态最大限度地降低维修成本并延长剩余使用寿命。寿命预测是故障预测和健康管理过程中的核心技术，通过预测故障可能发生的时间，提高可靠性，它有助于监测健康状况并估计氢燃料电池的剩余使用寿命，为预定的维护提供一种成本效益的策略。但是由于氢燃料电池本身的性质，其在储存和运行过程中容易发生退化现象，导致其性能损失加速并缩短了使用寿命。电池退化的现象会导致氢燃料电池供能能力下降，所以需要对其进行预警评估，需要预测氢燃料电池达到不同程度损失性能标准时所需要的时间，为此要对氢燃料电池的性能退化进行评估，并在此的基础上得到氢燃料电池寿命预测值，为相关器件进行维护，避免因电池问题所导致的安全事故。
发明内容
发明目的：针对背景技术中指出的问题，本发明提出一种质子交换膜燃料电池性能退化评估及寿命预测方法，实现对质子交换膜燃料电池性能退化评估及其剩余寿命的精确快速预测。
技术方案：本发明提出一种质子交换膜燃料电池性能退化评估及寿命预测方法，包括以下步骤：
(1)预先获取质子交换膜燃料电池的监测数据；
(2)采用皮尔逊相关分析法对步骤(1)获取的数据进行处理，分析PEMFC健康指标；
(3)基于最大相关系数法计算步骤(1)监测数据中各变量及输出变量的MIC值，输入变量集是根据MIC值进行降序排列，选取最佳输入变量集，并划分训练集和测试集；
(4)构建TCN-RVFL模型，利用改进的凌日搜索算法LGTSOA对TCN-RVFL模型进行优化；
(5)将步骤(3)中获取的训练集输入LGTSOA-TCN-RVFL中进行训练，并通过测试集进行预测最终得到健康指标与燃料电池使用时间的退化趋势；得到燃料电池退化评估的预测结果；
(6)根据表征PEMFC健康状况的健康指标确定失效阈值，计算不同失效阈值下的观测剩余使用寿命和预测的剩余使用寿命。
进一步地，步骤(1)所述的监测数据包括老化时间、单电池和电堆电压、电流、电流密度、氢气入口和出口温度、空气入口和出口温度、冷却水入口和出口温度、氢气入口和出口压力、空气入口和出口压力、氢气入口和出口流速、空气入口和出口流速、冷却水流速、冷却水流速。
进一步地，所述步骤(2)通过以下公式实现：
式中，R(X,Y)表示变量X即质子交换膜燃料电池中监测数据和Y即质子交换膜燃料电池老化时间之间的PCC，Cov(X,Y)表示变量X和Y之间的协方差，和/>分别表示变量X和Y的标准差，/>和/>分别表示变量X和Y的均值；设第一个变量和第二个变量之间的PCC为R12，以此类推，得到一个m×n阶的PCC矩阵RPCC表示如下：
根据公式(1)分别对数据集中的监测变量求解相关性系数，输出各燃料电池监测变量与燃料电池老化时间变量的相关性系数VPCC；根据各燃料电池监测变量与燃料电池时间变量的相关性系数结果，选取与时间呈高度正或负相关的监测变量，确定为表征PEMFC健康状况的健康指标。
进一步地，所述步骤(3)实现过程如下：
采用基于最大信息系数MIC衡量输入变量与输出变量之间的相关性，将X和Y构成的散点数据集D＝{(xi,yi)|i＝1,2,…,n}，其中x为除上述得到的输出变量集外的所有燃料电池监测数据参数，y为上述得到的输出变量集；划分为a列b行的网格，记为G＝(a,b)，则D在G中的MI值Vmi(D|G)表示为：
式中，P(x)和P(y)表示燃料电池输入变量集和燃料电池输出变量集的边缘概率密度，P(x,y)表示燃料电池输入变量集和燃料电池输出变量集的联合概率密度；Vmi(D|G)选取最大值，并进行归一化处理得到MIC值Vmic(D)：
其中，f(n)＝n0.6表示划分网格数量的上限，Vmic(D)越大越接近于1，燃料电池输入变量x与输出变量y的相关性越强；根据预先设定的MIC值，选取前k个输入变量作为最佳输入变量集。
进一步地，步骤(4)所述TCN-RVFL模型构建过程如下：
将TCN模型残差块中的空间Dropout层所输出的数据作为RVFL模型的输入与RVFL模型的隐藏层相连；为了避免TCN模型的输出与RVFL模型隐藏层输入产生维度不同的问题，利用TCN模型中一维卷积核用来改变输入通道的大小从而与输出相加，使TCN模型的输出与RVFL模型隐藏层的输入维度保持一致。
进一步地，步骤(4)所述改进的凌日搜索算法LGTSOA是融合了莱维飞行与黄金正弦，具体实现过程如下：
LGTSOA实施一共有五个阶段，分别是星系阶段、恒星阶段、凌日阶段、行星阶段和开发阶段；
在凌日阶段，利用Levy飞行对恒星***中的行星进行充分寻优，提高对恒星***的全局搜索能力，更新恒星位置公式如下：
D＝c6LS,i(14)
NS＝c7 3LS(15)
其中，LS,new,i是更新后的恒星位置，根据燃料电池输入变量的维度定义i个恒星个数，LS,i是未更新时恒星的位置；c6和c7分别为随机数和随机向量，α为随机步长；为点乘；Levy为符合Levy分布的随机搜索路径下的约束；μ和υ服从标准的正态分布；λ＝1.5；/>为搜索放大系数；Γ为伽马函数；再计算更新后的恒星亮度并降序排列划分恒星等级；
在开发阶段，通过添加新知识和引入黄金正弦算法遍历正弦函数的所有值，同时在确定行星的位置更新能够很大程度上提高搜索速度使搜索和开发达到良好的平衡，以次来确定最佳行星位置，公式如下：
K＝c11 zLc(20)
Lbest,Z＝Lnew,Z|sin(R1)|+R2sin(R1)|x1PZ-x2Lnew,Z| (21)
其中，ck代表着添加的不同新知识状况，Lbest,Z为最佳行星位置；Lnew,Z为添加新知识得到行星的位置更新，K为新知识的表达方式，c11为随机向量，Lc＝unifrnd(l,h)为质子交换膜燃料电池中输入变量集上下限，R1和R2是随机数，R1决定下一次迭代中行星移动的距离，R1∈[0,2π]；R2决定下一次迭代的位置更新方向，R2∈[0,π]；x1和x2是通过黄金分割得到的系数，缩小搜索空间引领行星趋近最优值即最优行星位置作为模型TCN-RVFL最佳的超参数，从而减小质子交换膜燃料电池输出变量的预测值与真实值的误差。
进一步地，所述步骤(6)通过以下和公式实现：
表征PEMFC健康状况的健康指标，根据健康指标的初始数据定义合适的失效阈值，并计算不同失效阈值下的观测的剩余使用寿命Rrul和预测的剩余使用寿命Prul：
式中，Tfred为预测开始的时间，TmFT为观测的堆栈电压第一次到达失效阈值的时间，TfFT为预测的堆栈电压第一次到达失效阈值的时间。
本发明还提供一种装置设备，包括存储器和处理器，其中：
存储器，用于存储能够在处理器上运行的计算机程序；
处理器，用于在运行所述计算机程序时，执行上所述质子交换膜燃料电池性能退化评估及寿命预测方法的步骤。
本发明还提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被至少一个处理器执行时实现上述质子交换膜燃料电池性能退化评估及寿命预测方法的步骤。
有益效果：与现有技术相比，本发明的有益效果：1、本发明采用皮尔逊相关分析法对数据进行预处理，选出能够表征PEMFC的健康指标即输出变量集，并在此基础上通过最大信息数MIC法选出与健康指标相关度高的参数变量集作为输入变量集；2、基于时间卷积网络和随机向量网络模型彼此的局限性，通过建立时间卷积网络结合随机向量网络模型(TCN-RVFL)的数据驱动模型，利用时间卷积网络中的残差模块的Dropout层正则化随机向量网络模型，即TCN的输出作为RVFL的输入，搭建TCN-RVFL模型，充分发挥两种模型的各自优势；3、改进的凌日搜索算法LGTSOA，改进的方式是在凌日搜索算法TSOA基础上引入黄金正弦和莱维飞行算法，并利用改进利用凌日搜索算法优化TCN-RVFL模型，建立改进后的LGTSOA-TCN-RVFL模型，得到燃料电池健康指标退化评估预测，结合计算不同失效阈值下的观测的剩余使用寿命和预测的剩余使用寿命实现对质子交换膜燃料电池剩余寿命进行预测。
附图说明
图1为本发明的流程图；
图2为数据预处理流程图；
图3为改进凌日搜索算法流程图；
图4为TCN结合RVFL模型流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明提出一种质子交换膜燃料电池退化评估及其寿命预测方法，主要包含对数据预处理选出输入变量集和健康指标输出变量集，建立TCN-RVFL模型结合改进后的凌日搜索算法对燃料电池退化指标进行预测，结合观测剩余使用寿命和预测剩余寿命实现对质子交换膜燃料电池退化评估和寿命预测；如图1所示，具体包括以下步骤：
步骤1：采集质子交换膜燃料电池监测数据，包括老化时间、单电池和电堆电压、电流、电流密度、氢气入口和出口温度、空气入口和出口温度、冷却水入口和出口温度、氢气入口和出口压力、空气入口和出口压力、氢气入口和出口流速、空气入口和出口流速、冷却水流速、冷却水流速。
步骤2：如图2所示，对步骤1采集的数据采用皮尔逊相关分析法对数据进行处理，分析PEMFC健康指标(输出变量)的选择。
皮尔逊相关性系数(Pearson Correlation Coefficient,PCC)描述了观测数据中能够被研究变量的线性模型解释的总方差的比例。其取值范围为-1到1，绝对值越大，表明变量之间的相关性越好。PCC的计算公式如下：
式中，R(X,Y)表示变量X(即质子交换膜燃料电池中监测数据的参数)和Y(即质子交换膜燃料电池老化时间)之间的PCC，Cov(X,Y)表示变量X和Y之间的协方差，和分别表示变量X和Y的标准差，/>和/>分别表示变量X和Y的均值。设第一个变量和第二个变量之间的PCC为R12，以此类推，最后得到一个m×n阶的PCC矩阵RPCC表示如下：
根据PCC计算公式(1)分别对数据集中的监测变量求解相关性系数，输出各燃料电池监测变量与燃料电池老化VPCC。根据各监测变量与时间变量的相关性系数结果，选取与时间呈高度正(负)相关的监测变量，确定为表征PEMFC健康状况的健康指标(输出变量)。
步骤3：如图2所示，根据皮尔逊相关性分析确定健康指标(输出变量)后，其他物理监测变量对PEMFC输出变量的影响需要进一步考虑，为获取包含PEMFC退化信息的关键影响变量，降低后续寿命预测工作的建模难度，将采用基于最大信息系数(Maximuminformation coefficient,MIC)。MIC用于衡量输入变量与输出变量之间的相关性，具有计算复杂度低、鲁棒性高等优点。
MIC是计算两个变量之间线性(或非线性)强度的有效工具，其主要思想是：如果两个变量之间存在联系，则在两个变量的散点图中划分网格，计算不同划分方案下的互信息(Mutual Information,MI)，并对所有划分方案中的最大MI值进行归一化得到MIC。将变量X和Y构成的散点数据集D＝{(xi,yi)|i＝1,2,…,n}，其中x为除上述得到的输出变量集外的所有燃料电池监测数据参数，y为上述得到的输出变量集；划分为a列b行的网格，其中一种划分方案记为G＝(a,b)，则D在G中的MI值Vmi(D|G)可以表示为：
式中，P(x)和P(y)表示燃料电池输入变量集和输出变量集的边缘概率密度，P(x,y)表示燃料电池输入变量集和输出变量集的联合概率密度。在划分方案中的Vmi(D|G)选取最大值，并进行归一化处理得到MIC值Vmic(D)，计算公式如下：
其中f(n)＝n0.6表示划分网格数量的上限，Vmic(D)越大越接近于1，燃料电池输入变量X与输出变量Y的相关性越强。根据预先设定的MIC值，选取前k个输入变量作为最佳输入变量集。
步骤4：构建TCN-RVFL模型，利用改进的凌日搜索算法LGTSOA对TCN-RVFL模型进行优化。如图3所示，改进的凌日搜索算法LGTSOA是融合了莱维飞行与黄金正弦，流程如下：
LGTSOA实施一共有五个阶段，分别是星系阶段、恒星阶段、凌日阶段、行星阶段和开发阶段。
星系阶段：初始化星系中心Lc，然后确定星系中可居住区域LR,n，在可居住区域中寻找最佳恒星***的情况。最后选出适合度最好的恒星。
LR,n＝Lc+D-NS (5)
其中，Lc＝unifrnd(l,h)为燃料电池中输入变量集上下限，n为恒星***的个数，即质子交换膜燃料电池输入变量集的维度。
其中，c1为0到1的随机数。D是星系在活跃和非活跃情况下恒星***所出现的位置范围，即定义搜索输入变量集位置的范围区域。
NS＝(c2)3unifrnd(l,h) (7)
其中，NS为观测中产生的信号噪声，C2为随机向量。
恒星阶段：在上述寻找的恒星***的范围中，选择与恒星***相对应的恒星，公式如下：
LS,i＝LR,i+D-NS (8)
NS＝(c5)3unifrnd(l,h) (10)
其中，LS,i表示恒星的位置，LR,i为星系阶段中第i个恒星***，c3和c4为0到1的随机数，c5为随机向量数。
设置优化的适应度函数：其中/>为第n个质子交换膜燃料电池输入变量中第j个预测值，yn,j为第n个质子交换膜燃料电池输入变量中第j个真实值，即燃料电池输入变量集预测值与实际值的偏差，并计算每个恒星和行星的适应度值，得到最佳恒星和行星位置，具有较低适应度值的恒星和行星表示燃料电池预测值和实际值的偏差较小。
凌日阶段：为了恒星中是否有行星的存在，通过探测凌日现象，测量从恒星接受的光量，判断是否有行星经过。恒星的亮度是它内在的亮度，它与恒星每秒辐射的能量有关，所以要确定从恒星接受的亮度并更新它，具体公式如下：
其中，Li和Ri分别是第i颗恒星的亮度和亮度等级，di表示望远镜与第i颗恒星之间的距离，望远镜LT的位置是随机的并在优化过程中不改变。利用Levy飞行具有的突变性特点扩大探索恒星***的范围，对恒星***中的行星进行充分寻优，很大程度上提高了对恒星***的全局搜索能力，更新恒星位置公式如下：
D＝c6LS,i (14)
NS＝c7 3LS (15)
其中，LS,new,i是更新后的恒星位置，根据燃料电池输入变量的维度定义了i个恒星，LS,i是未更新时恒星的位置；c6和c7分别为随机数和随机变量，α为随机步长；⊕为点乘；Levy为符合Levy分布的随机搜索路径下的约束；μ和υ服从标准的正态分布；λ＝1.5；为搜索放大系数；Γ为伽马函数；再计算更新后的恒星亮度并降序排列划分恒星等级，计算公式为上述公式(11)。
行星阶段：首先确定被探测行星的初始位置，鉴于望远镜接收到的光来自恒星，因此当行星经过恒星和望远镜之间时，这种光的亮度会减少，即发生凌日现象，为此，可以确定被探测行星的初始位置LZ，利用恒星与望远镜的两个相对位置的平均值，可以确定当前位置在恒星与望远镜之间的行星的情况，公式如下：
其中，c8为随机数。
开发阶段：为每颗恒星确定最佳行星，在这个阶段寻找行星的特性和孕育生命的条件，通过添加新知识和引入黄金正弦算法能够遍历正弦函数的所有值，同时在确定行星的位置更新能够很大程度上提高搜索速度使搜索和开发达到良好的平衡，以次来确定最佳行星位置，公式如下：
K＝c11 zLc (20)
Lbest,Z＝Lnew,Z|sin(R1)|+R2sin(R1)|x1PZ-x2Lnew,Z| (21)
其中，ck代表着添加的不同新知识状况；Lbest,Z为最佳行星位置；Lnew,Z为添加新知识得到行星的位置更新，K为新知识的表达方式，c11为随机向量，Lc＝unifrnd(l,h)为质子交换膜燃料电池中输入变量集上下限，R1和R2是随机数，R1决定下一次迭代中行星移动的距离，R1∈[0,2π]；R2决定下一次迭代的位置更新方向，R2∈[0,π]；x1和x2是通过黄金分割得到的系数，缩小搜索空间引领行星趋近最优值即最优行星位置作为模型TCN-RVFL最佳的超参数，从而减小质子交换膜燃料电池输出变量的预测值与真实值的误差。
如图4所示，建立TCN-RVFL模型，流程如下：
TCN网络由若干个残差块堆叠。残差块的内部构造包括扩展因果卷积层，权重归一化操作，激活函数ReLU，空间Dropout，残差链接，以及可选择的一维卷积层。因此在处理燃料电池多维的输入变量集时有着出色的表现，但多层的残差块对燃料电池输入变量集进行训练需要耗费大量时间。
RVFL模型属于典型的单隐藏层前馈神经网络，除了具有输入层、隐含层和输出层，还存在一种线性链接以直接连接输入层和输出层，这种直连的设计使得RVFL模型具备所需训练样本小，训练速度快，有着更高的分析精度等特点。但由于网络部分参数随机生成，以及网络模型自身的结构风险，使得RVFL模型面对燃料电池工况复杂多变的情况下，所模拟的样本点会出现隐含层节点大大增加，会出现训练效果较好，但会存在对于燃料电池性能退化指标预测结果不佳等过拟合情况。
因此本文提出TCN模型结合RVFL模型为了应对燃料电池输入变量集，具有多维和数据量庞大的特征所带来的问题。利用TCN中的空间Dropout是一种正则化技术，能够降低神经网络过拟合的风险，所以将TCN模型残差块中的空间Dropout层所输出的数据作为RVFL模型的输入与RVFL模型的隐藏层相连，即将用RVFL模型代替TCN的输出层。为了避免TCN模型的输出与RVFL模型隐藏层输入产生维度不同的问题，利用TCN模型中一维卷积核用来改变输入通道的大小从而与输出相加，使TCN模型的输出与RVFL模型隐藏层的输入维度保持一致。
将TCN和RVFL神经网络结合起来，通过TCN模型更有效地解决时序问题，进入RVFL模型中，大大提高了记忆单元的信息处理能力，从而导致预测模型能够更加高效地掌握时刻顺序地复杂性及其相关性。
步骤5：将步骤3中获取的训练集输入LGTSOA-TCN-RVFL中进行训练，并通过测试集进行预测最终得到健康指标与燃料电池使用时间的退化趋势；得到燃料电池退化评估的预测结果：
改进的凌日搜索算法优化时间卷积网络结合随机向量模型LGTSOA-TCN-RVFL对燃料电池的健康指标预测有着更好的鲁棒性，可以避免过拟合现象，增加了预测的准确性，为燃料电池寿命预测提供有利的基础。
步骤6，根据表征PEMFC健康状况的健康指标确定失效阈值，计算不同失效阈值下的观测剩余使用寿命和预测的剩余使用寿命。实现过程如下：
表征PEMFC健康状况的健康指标(输出变量集)，根据健康指标的初始数据定义合适的失效阈值，并计算不同失效阈值下的观测的剩余使用寿命(Rrul)和预测的剩余使用寿命(Prul)，计算公式如下：
式中，Tfred为预测开始的时间，TmFT为观测的堆栈电压第一次到达失效阈值的时间，TfFT为预测的堆栈电压第一次到达失效阈值的时间。
预测评价指标：为了评估模型对PEMFC堆栈输出电压退化趋势预测效果，选择均方根误差(RMSE),平均绝对百分比误差(MAPE)和R平方(R2)指标。其中RMSE和MAPE越小，表明预测值越接近观测值；R2越接近1，模型的拟合效果越好。三个指标的计算公式如下：
其中，M是燃料电池输出变量集的预测值，i为第i个样本，F是燃料电池输出变量集的真实值，N为样本总数。
本发明还提供一种装置设备，包括存储器和处理器，其中：存储器，用于存储能够在处理器上运行的计算机程序；处理器，用于在运行所述计算机程序时，执行上所述质子交换膜燃料电池性能退化评估及寿命预测方法的步骤。
本发明还提供一种存储介质，存储介质上存储有计算机程序，所述计算机程序被至少一个处理器执行时实现上述质子交换膜燃料电池性能退化评估及寿命预测方法的步骤。
上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。

Claims (4)

1.一种质子交换膜燃料电池性能退化评估及寿命预测方法，其特征在于，包括以下步骤：
(1)预先获取质子交换膜燃料电池的监测数据；
(2)采用皮尔逊相关分析法对步骤(1)获取的数据进行处理，分析PEMFC健康指标；
(3)基于最大相关系数法计算步骤(1)监测数据中各变量及输出变量的MIC值，输入变量集是根据MIC值进行降序排列，选取最佳输入变量集，并划分训练集和测试集；
(4)构建TCN-RVFL模型，利用改进的凌日搜索算法LGTSOA对TCN-RVFL模型进行优化；
(5)将步骤(3)中获取的训练集输入LGTSOA-TCN-RVFL中进行训练，并通过测试集进行预测最终得到健康指标与燃料电池使用时间的退化趋势；得到燃料电池退化评估的预测结果；
(6)根据表征PEMFC健康状况的健康指标确定失效阈值，计算不同失效阈值下的观测剩余使用寿命和预测的剩余使用寿命；
所述步骤(2)通过以下公式实现：
式中，R(X,Y)表示变量X即质子交换膜燃料电池中监测数据和Y即质子交换膜燃料电池老化时间之间的PCC，Cov(X,Y)表示变量X和Y之间的协方差，和/>分别表示变量X和Y的标准差，/>和/>分别表示变量X和Y的均值；设第一个变量和第二个变量之间的PCC为R12，以此类推，得到一个m×n阶的PCC矩阵RPCC表示如下：
根据公式(1)分别对数据集中的监测变量求解相关性系数，输出各燃料电池监测变量与燃料电池老化时间变量的相关性系数VPCC；根据各燃料电池监测变量与燃料电池时间变量的相关性系数结果，选取与时间呈高度正或负相关的监测变量，确定为表征PEMFC健康状况的健康指标；
所述步骤(3)实现过程如下：
采用基于最大信息系数MIC衡量输入变量与输出变量之间的相关性，将X和Y构成的散点数据集D＝{(xi,yi)|i＝1,2,…,n}，其中x为除上述得到的输出变量集外的所有燃料电池监测数据参数，y为上述得到的输出变量集；划分为a列b行的网格，记为G＝(a,b)，则DS在G中的MI值Vmi(D|G)表示为：
式中，P(x)和P(y)表示燃料电池输入变量集和燃料电池输出变量集的边缘概率密度，P(x,y)表示燃料电池输入变量集和燃料电池输出变量集的联合概率密度；Vmi(D|G)选取最大值，并进行归一化处理得到MIC值Vmic(D)：
其中，f(n)＝n0.6表示划分网格数量的上限，Vmic(D)越大越接近于1，燃料电池输入变量x与输出变量y的相关性越强；根据预先设定的MIC值，选取前k个输入变量作为最佳输入变量集；
步骤(4)所述TCN-RVFL模型构建过程如下：
将TCN模型残差块中的空间Dropout层所输出的数据作为RVFL模型的输入与RVFL模型的隐藏层相连；为了避免TCN模型的输出与RVFL模型隐藏层输入产生维度不同的问题，利用TCN模型中一维卷积核用来改变输入通道的大小从而与输出相加，使TCN模型的输出与RVFL模型隐藏层的输入维度保持一致；
步骤(4)所述改进的凌日搜索算法LGTSOA是融合了莱维飞行与黄金正弦，具体实现过程如下：
LGTSOA实施一共有五个阶段，分别是星系阶段、恒星阶段、凌日阶段、行星阶段和开发阶段；
在凌日阶段，利用Levy飞行对恒星***中的行星进行充分寻优，提高对恒星***的全局搜索能力，更新恒星位置公式如下：
D＝c6LS,i (14)
NS＝c7 3LS (15)
其中，LS,new,i是更新后的恒星位置，根据燃料电池输入变量的维度定义i个恒星个数，LS,i是未更新时恒星的位置；c6和c7分别为随机数和随机向量，α为随机步长；为点乘；Levy为符合Levy分布的随机搜索路径下的约束；μ和υ服从标准的正态分布；λ＝1.5；/>为搜索放大系数；Γ为伽马函数；再计算更新后的恒星亮度并降序排列划分恒星等级；
在开发阶段，通过添加新知识和引入黄金正弦算法遍历正弦函数的所有值，同时在确定行星的位置更新能够很大程度上提高搜索速度使搜索和开发达到良好的平衡，以次来确定最佳行星位置，公式如下：
K＝c11 zLc (20)
Lbest,Z＝Lnew,Z|sin(R1)|+R2sin(R1)|x1PZ-x2Lnew,Z| (21)
其中，ck代表着添加的不同新知识状况，Lbest,Z为最佳行星位置；Lnew,Z为添加新知识得到行星的位置更新，K为新知识的表达方式，c11为随机向量，Lc＝unifrnd(l,h)为质子交换膜燃料电池中输入变量集上下限，R1和R2是随机数，R1决定下一次迭代中行星移动的距离，R1∈[0,2π]；R2决定下一次迭代的位置更新方向，R2∈[0,π]；x1和x2是通过黄金分割得到的系数，缩小搜索空间引领行星趋近最优值即最优行星位置作为模型TCN-RVFL最佳的超参数，从而减小质子交换膜燃料电池输出变量的预测值与真实值的误差；
所述步骤(6)通过以下和公式实现：
表征PEMFC健康状况的健康指标，根据健康指标的初始数据定义合适的失效阈值，并计算不同失效阈值下的观测的剩余使用寿命Rrul和预测的剩余使用寿命Prul：
式中，Tfred为预测开始的时间，TmFT为观测的堆栈电压第一次到达失效阈值的时间，TfFT为预测的堆栈电压第一次到达失效阈值的时间。
2.根据权利要求1所述的一种质子交换膜燃料电池性能退化评估及寿命预测方法，其特征在于，步骤(1)所述的监测数据包括老化时间、单电池和电堆电压、电流、电流密度、氢气入口和出口温度、空气入口和出口温度、冷却水入口和出口温度、氢气入口和出口压力、空气入口和出口压力、氢气入口和出口流速、空气入口和出口流速、冷却水流速、冷却水流速。
3.一种装置设备，其特征在于，包括存储器和处理器，其中：
存储器，用于存储能够在处理器上运行的计算机程序；
处理器，用于在运行所述计算机程序时，执行如权利要求1-2任一项所述质子交换膜燃料电池性能退化评估及寿命预测方法的步骤。
4.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被至少一个处理器执行时实现如权利要求1-2任一项所述质子交换膜燃料电池性能退化评估及寿命预测方法的步骤。
CN202310685096.9A 2023-06-09 2023-06-09 一种质子交换膜燃料电池性能退化评估及寿命预测方法 Active CN116840722B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310685096.9A CN116840722B (zh) 2023-06-09 2023-06-09 一种质子交换膜燃料电池性能退化评估及寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310685096.9A CN116840722B (zh) 2023-06-09 2023-06-09 一种质子交换膜燃料电池性能退化评估及寿命预测方法

Publications (2)

Publication Number Publication Date
CN116840722A CN116840722A (zh) 2023-10-03
CN116840722B true CN116840722B (zh) 2024-02-23

Family

ID=88169721

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310685096.9A Active CN116840722B (zh) 2023-06-09 2023-06-09 一种质子交换膜燃料电池性能退化评估及寿命预测方法

Country Status (1)

Country Link
CN (1) CN116840722B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2947957A1 (fr) * 2009-07-09 2011-01-14 Commissariat Energie Atomique Methode et dispositif pour augmenter la duree de vie d'une pile a combustible a membrane echangeuse de protons
CN108226809A (zh) * 2018-04-13 2018-06-29 淮阴工学院 一种多模型并用的电池soc估算方法
CN109324291A (zh) * 2018-08-21 2019-02-12 西南交通大学 一种针对质子交换膜燃料电池寿命预测的预测方法
EP3654047A1 (fr) * 2018-11-14 2020-05-20 Commissariat à l'Énergie Atomique et aux Énergies Alternatives Procédé de diagnostic d'une pile à combustible
CN111310387A (zh) * 2020-02-19 2020-06-19 电子科技大学 一种燃料电池寿命预测方法
CN111339712A (zh) * 2020-02-24 2020-06-26 电子科技大学 质子交换膜燃料电池剩余寿命预测方法
CN112986827A (zh) * 2021-04-12 2021-06-18 山东凯格瑞森能源科技有限公司 一种基于深度学习的燃料电池剩余寿命预测方法
CN113657024A (zh) * 2021-07-22 2021-11-16 武汉理工大学 一种燃料电池寿命预测方法
CN114814589A (zh) * 2022-01-20 2022-07-29 北京科技大学 一种对pemfc剩余使用寿命进行预测的方法及装置
CN114899457A (zh) * 2022-05-23 2022-08-12 淮阴工学院 一种针对质子交换膜燃料电池***的故障检测方法
CN114943372A (zh) * 2022-05-09 2022-08-26 国网浙江省电力有限公司宁波供电公司 基于贝叶斯循环神经网络的质子交换膜寿命预测方法及装置
KR20230036776A (ko) * 2021-09-08 2023-03-15 울산대학교 산학협력단 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템 및 방법
CN116047303A (zh) * 2022-11-24 2023-05-02 海卓动力(青岛)能源科技有限公司 一种商业尺寸质子交换膜燃料电池均匀性全面分析方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130252116A1 (en) * 2012-03-21 2013-09-26 GM Global Technology Operations LLC Model Based Approach For In-Situ WVTD Degradation Detection In Fuel Cell Vehicles

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2947957A1 (fr) * 2009-07-09 2011-01-14 Commissariat Energie Atomique Methode et dispositif pour augmenter la duree de vie d'une pile a combustible a membrane echangeuse de protons
CN108226809A (zh) * 2018-04-13 2018-06-29 淮阴工学院 一种多模型并用的电池soc估算方法
CN109324291A (zh) * 2018-08-21 2019-02-12 西南交通大学 一种针对质子交换膜燃料电池寿命预测的预测方法
EP3654047A1 (fr) * 2018-11-14 2020-05-20 Commissariat à l'Énergie Atomique et aux Énergies Alternatives Procédé de diagnostic d'une pile à combustible
CN111310387A (zh) * 2020-02-19 2020-06-19 电子科技大学 一种燃料电池寿命预测方法
CN111339712A (zh) * 2020-02-24 2020-06-26 电子科技大学 质子交换膜燃料电池剩余寿命预测方法
CN112986827A (zh) * 2021-04-12 2021-06-18 山东凯格瑞森能源科技有限公司 一种基于深度学习的燃料电池剩余寿命预测方法
CN113657024A (zh) * 2021-07-22 2021-11-16 武汉理工大学 一种燃料电池寿命预测方法
KR20230036776A (ko) * 2021-09-08 2023-03-15 울산대학교 산학협력단 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템 및 방법
CN114814589A (zh) * 2022-01-20 2022-07-29 北京科技大学 一种对pemfc剩余使用寿命进行预测的方法及装置
CN114943372A (zh) * 2022-05-09 2022-08-26 国网浙江省电力有限公司宁波供电公司 基于贝叶斯循环神经网络的质子交换膜寿命预测方法及装置
CN114899457A (zh) * 2022-05-23 2022-08-12 淮阴工学院 一种针对质子交换膜燃料电池***的故障检测方法
CN116047303A (zh) * 2022-11-24 2023-05-02 海卓动力(青岛)能源科技有限公司 一种商业尺寸质子交换膜燃料电池均匀性全面分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Novel dynamic semiempirical proton exchange membrane fuel cell model incoporating component voltages;Saad S. Khan 等;《INTERNATIONAL JOURNAL OF ENERGY RESEARCH》;第42卷(第8期);2615-2630 *
质子交换膜燃料电池的健康度和剩余使用寿命的预测方法研究;胡鹏飞;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》(第02期);B015-1282 *

Also Published As

Publication number Publication date
CN116840722A (zh) 2023-10-03

Similar Documents

Publication Publication Date Title
Pan et al. Performance degradation prediction of proton exchange membrane fuel cell using a hybrid prognostic approach
CN110579709B (zh) 一种有轨电车用质子交换膜燃料电池故障诊断方法
Chen et al. Aging prognosis model of proton exchange membrane fuel cell in different operating conditions
CN117713221B (zh) 一种微逆光伏并网优化***
Li et al. An LSTM and ANN fusion dynamic model of a proton exchange membrane fuel cell
Pang et al. Intelligent health states recognition of fuel cell by cell voltage consistency under typical operating parameters
Wang et al. Parameters exploration of SOFC for dynamic simulation using adaptive chaotic grey wolf optimization algorithm
Huang et al. Correlation analysis and prediction of PEM fuel cell voltage during start-stop operation based on real-world driving data
CN115618732A (zh) 核反应堆数字孪生关键参数自主优化数据反演方法
Li et al. Degradation prediction of proton exchange membrane fuel cell based on the multi-inputs Bi-directional long short-term memory
CN109978252B (zh) 一种大功率集成燃料电池***运行状态预测评估方法
Hongwei et al. An interpretable data-driven method for degradation prediction of proton exchange membrane fuel cells based on temporal fusion transformer and covariates
Wang et al. Tracking and predicting technological knowledge interactions between artificial intelligence and wind power: Multimethod patent analysis
CN114742363A (zh) 风电机组的能效状态评价方法、***及介质
Dhimish et al. Enhancing reliability and lifespan of PEM fuel cells through neural network-based fault detection and classification
CN116840722B (zh) 一种质子交换膜燃料电池性能退化评估及寿命预测方法
CN116774086B (zh) 一种基于多传感器数据融合的锂电池健康状态估计方法
Zhang et al. Intelligent diagnosis of proton exchange membrane fuel cell water states based on flooding-specificity experiment and deep learning method
Zhang et al. PEMFC Output Voltage Prediction Based on Different Machine Learning Regression Models
CN116500480A (zh) 一种基于特征迁移学习混合模型的智能电池健康监测方法
Xu et al. Research on Load Forecasting Based on CNN-LSTM Hybrid Deep Learning Model
CN116431439A (zh) 一种绿色数据中心能耗监测管理***
Liu et al. FSR‐SSL: A fault sample rebalancing framework based on semi‐supervised learning for PV fault diagnosis
CN113469420A (zh) 一种多元电源***电力能源结构评价优化方法
Li et al. Short-term wind power forecasting by advanced machine learning models

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