CN109324291B - 一种针对质子交换膜燃料电池寿命预测的预测方法 - Google Patents
一种针对质子交换膜燃料电池寿命预测的预测方法 Download PDFInfo
- Publication number
- CN109324291B CN109324291B CN201810951160.2A CN201810951160A CN109324291B CN 109324291 B CN109324291 B CN 109324291B CN 201810951160 A CN201810951160 A CN 201810951160A CN 109324291 B CN109324291 B CN 109324291B
- Authority
- CN
- China
- Prior art keywords
- prediction
- fuel cell
- fitness
- output
- exchange membrane
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Fuel Cell (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种针对质子交换膜燃料电池寿命预测的预测方法，包括步骤确定输入网络参数：质子交换膜燃料电池电堆的参数数据，确定输入网络种类个数及输出网络种类个数；离散小波变换：将参数数据进行离散小波变换，基本小波种类根据参数数据选择，通过离散小波变换后得到去噪的训练样本；训练极限学习机神经网络：确定训练样本与测试样本，利用极限学习机，通过随机选取输入权重与隐藏层偏差，计算隐藏层输出矩阵和输出权重，通过进化算法求输出权重的逆过程进行预测输出预测结果。本发明使质子交换膜燃料电池的寿命预测精度高且预测时间短。
Description
技术领域
本发明属于燃料电池技术领域，特别是涉及一种针对质子交换膜燃料电池寿命预测的预测方法。
背景技术
质子交换膜燃料电池不受卡诺循环效率的限制，是一种极其清洁高效的发电系统，但它同时存在电压退化的问题。寿命预测与健康管理技术可以被看作是一个很好的帮助延长其寿命的方法。目前通用的预测方法包括数据驱动、模型驱动、混合驱动三类。由于燃料电池平台运行过程中会产生大量的监测数据，观测数据是非线性、非高斯分布的时间序列，所以无法通过简单的静态线性模型来进行预测，而应该通过动态的训练学习得到数据的变化趋势并进行预测，基于上述的分析和要求，如果采用物理模型的方法实现质子交换膜燃料电池的剩余使用寿命预测，因为搭建的模型的不匹配性会导致预测精度偏低，所以基于数据驱动的预测方法更加可行。
极限学习机算法中的输入权重和隐藏层偏差是随机选取的，所以省去了大量传统算法中优化这些参数的时间。但是由于输出权重是根据之前的输入权重和隐藏层偏差来计算的，因此可能存在一组非最优或非必要的输入权重和隐藏层偏差。在一些应用中，极限学习机可能比传统算法需要更多的隐藏神经元，这使得极限学习机对未知的测试数据做出缓慢的回应。因此，人们期望在实际应用中能得到更紧凑，响应速度更快的神经网络。但由于现有的极限学习机参数优化的时间耗费大，更适用于离线预测，目前亟需一种减少预测时间且不影响或提升预测精度的算法来预测质子交换膜燃料电池的使用寿命。
发明内容
为了解决上述问题，本发明提出了一种针对质子交换膜燃料电池寿命预测的预测方法，使质子交换膜燃料电池的寿命预测精度高且预测时间短；极限学习机结合进化算法，提升极限学习机的预测精度，将离散小波变换应用到极限学习机中，在质子交换膜燃料电池的寿命预测中提高了预测精度且降低了预测时间。
为达到上述目的，本发明采用的技术方案是：一种针对质子交换膜燃料电池寿命预测的预测方法，包括步骤：
S100，确定输入网络参数：质子交换膜燃料电池电堆的参数数据，确定输入网络种类个数及输出网络种类个数；
S200，离散小波变换：将参数数据进行离散小波变换，基本小波种类根据参数数据选择，通过离散小波变换后得到去噪的训练样本；
S300，训练极限学习机神经网络：确定训练样本与测试样本，利用极限学习机，通过随机选取输入权重与隐藏层偏差，计算隐藏层输出矩阵和输出权重，通过进化算法求输出权重的逆过程进行预测输出预测结果。
进一步的是，所述参数数据包括温度、气体压力、电流和电压；确定输入网络种类个数及输出网络种类个数，对数量庞大的数据进行数据归约；在保证不影响最终结果的前提下，能够有效缩短处理数据所花费的时间，从而缩短预测时间。
进一步的是，在极限学习机中加入进化算法，包括步骤：
首先把随机选取输入权重与隐藏层偏差作为初代种群；
再计算种群中每个个体的适应度；
进行适应度评价，适应度满足停止标准的输出其相对应的个体作为预测结果输出，若不满足则进行下一个体的适应度评价；
最终输出优化完成的所有预测结果。
进一步的是，在质子交换膜燃料电池寿命预测中选择均方根误差RMSE作为适应度函数。
进一步的是，在不满足则进行下一个体的适应度评价的过程中，对个体的适应度进行变异、交叉和选择，将适应度中的优质个体将保留到下一代。将进化算法通过优化随机选取的输入权重和隐藏层偏差这两个参数，对初代种群进行变异、交叉和选择过程，适应度更好的个体将会保留到下一代。同时通过离散小波变换，能更好地获取数据特征信息，更好地建立极限学习机神经网络，从而进一步提升预测精度和预测时间。
采用本技术方案的有益效果：
通过进化算法优化极限学习机算法本身，寻找最优输入权重及隐藏层偏差，提高极限学习机的预测精度；针对进化极限学习机预测时间久的问题，提出融合离散小波变换的进化极限学习机算法，缩短预测时间，提高预测精度；能够使质子交换膜燃料电池的寿命预测的预测精度提高且预测时间缩短。
附图说明
图1为本发明的一种针对质子交换膜燃料电池寿命预测的预测方法的流程示意图；
图2为本发明实施例中进化算法的流程图；
图3为本发明实施例中基于离散小波变换的进化极限学习机预测结果；
图4为本发明实施例中基于离散小波变换的进化极限学习机预测误差分布。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步阐述。
在本实施例中，参见图1所示，本发明提出了一种针对质子交换膜燃料电池寿命预测的预测方法，包括步骤：
S100，确定输入网络参数：质子交换膜燃料电池电堆的参数数据，确定输入网络种类个数及输出网络种类个数；
S200，离散小波变换：将参数数据进行离散小波变换，基本小波种类根据参数数据选择，通过离散小波变换后得到去噪的训练样本；
S300，训练极限学习机神经网络：确定训练样本与测试样本，利用极限学习机，通过随机选取输入权重与隐藏层偏差，计算隐藏层输出矩阵和输出权重，通过进化算法求输出权重的逆过程进行预测输出预测结果。
作为上述事实例的优化方案，所述参数数据包括温度、气体压力、电流和电压；确定输入网络种类个数及输出网络种类个数，对数量庞大的数据进行数据归约；在保证不影响最终结果的前提下，能够有效缩短处理数据所花费的时间，从而缩短预测时间。
作为上述事实例的优化方案，在极限学习机中加入进化算法，如图2所示，包括步骤：
首先把随机选取输入权重与隐藏层偏差作为初代种群；
再计算种群中每个个体的适应度；
进行适应度评价，适应度满足停止标准的输出其相对应的个体作为预测结果输出，若不满足则进行下一个体的适应度评价；
最终输出优化完成的所有预测结果。
在质子交换膜燃料电池寿命预测中选择均方根误差RMSE作为适应度函数。
在不满足则进行下一个体的适应度评价的过程中，对个体的适应度进行变异、交叉和选择，将适应度中的优质个体将保留到下一代。将进化算法通过优化随机选取的输入权重和隐藏层偏差这两个参数，对初代种群进行变异、交叉和选择过程，适应度更好的个体将会保留到下一代。同时通过离散小波变换，能更好地获取数据特征信息，更好地建立极限学习机神经网络，从而进一步提升预测精度和预测时间。
下面结合具体质子交换膜燃料电池进行实验验证：质子交换膜燃料电池的实验数据来自于主办IEEE Fuel Cell Data Challenge竞赛的法国实验室FCLAB提供的公开测试数据。在该组实验数据中，燃料电池电堆由5个单电池组成。FCLAB开展的电池退化实验中，寿命结束点，即电池的失效阈值设定为初始电压的97.5％。当总输出电压到达该失效阈值时，电池将会达到寿命终止的阶段，因此本文中计算剩余使用寿命的电压失效阈值设定为3.225V。设定的寿命终点为k＝1026。
本发明为基于离散小波变换的进化极限学习机算法，如图3所示，其仿真结果及预测精度。如图4所示，采用均方根误差RMSE和平均误差ME来衡量误差，平均误差为0.0034，均方根误差为0.0053，基于离散小波变换的进化极限学习机的预测时间为11.43089555秒。可以看到加入离散小波变换后，平均误差和均方根误差都有所下降，且预测时间也缩短，证明了基于离散小波变换的进化极限学习机算法拥有更好的预测精度。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (4)
1.一种针对质子交换膜燃料电池寿命预测的预测方法，其特征在于，包括步骤：
S100，确定输入网络参数：质子交换膜燃料电池电堆的参数数据，确定输入网络种类个数及输出网络种类个数；
S200，离散小波变换：将参数数据进行离散小波变换，基本小波种类根据参数数据选择，通过离散小波变换后得到去噪的训练样本；
S300，训练极限学习机神经网络：确定训练样本与测试样本，利用极限学习机，通过随机选取输入权重与隐藏层偏差，计算隐藏层输出矩阵和输出权重，通过进化算法求输出权重的逆过程进行预测输出预测结果；
进化算法，包括步骤：
首先把随机选取输入权重与隐藏层偏差作为初代种群；
再计算种群中每个个体的适应度；
进行适应度评价，适应度满足停止标准的输出其相对应的个体作为预测结果输出，若不满足则进行下一个体的适应度评价；
最终输出优化完成的所有预测结果。
2.根据权利要求1所述的一种针对质子交换膜燃料电池寿命预测的预测方法，其特征在于，所述参数数据包括温度、气体压力、电流和电压；确定输入网络种类个数及输出网络种类个数，对数量庞大的数据进行数据归约。
3.根据权利要求1所述的一种针对质子交换膜燃料电池寿命预测的预测方法，其特征在于，在质子交换膜燃料电池寿命预测中选择均方根误差RMSE作为适应度函数。
4.根据权利要求1所述的一种针对质子交换膜燃料电池寿命预测的预测方法，其特征在于，在不满足则进行下一个体的适应度评价的过程中，对个体的适应度进行变异、交叉和选择，将适应度中的优质个体将保留到下一代。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810951160.2A CN109324291B (zh) | 2018-08-21 | 2018-08-21 | 一种针对质子交换膜燃料电池寿命预测的预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810951160.2A CN109324291B (zh) | 2018-08-21 | 2018-08-21 | 一种针对质子交换膜燃料电池寿命预测的预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109324291A CN109324291A (zh) | 2019-02-12 |
| CN109324291B true CN109324291B (zh) | 2020-09-11 |
Family
ID=65264259
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810951160.2A Active CN109324291B (zh) | 2018-08-21 | 2018-08-21 | 一种针对质子交换膜燃料电池寿命预测的预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109324291B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102017127276A1 (de) * | 2017-08-30 | 2019-02-28 | Taiwan Semiconductor Manufacturing Co., Ltd. | Standardzellen und abwandlungen davon innerhalb einer standardzellenbibliothek |
| CN110137547B (zh) * | 2019-06-20 | 2022-04-26 | 华中科技大学鄂州工业技术研究院 | 带重整器的燃料电池系统的控制方法、装置及电子设备 |
| CN110412103B (zh) * | 2019-07-22 | 2022-03-29 | 东风汽车集团有限公司 | 一种质子交换膜燃料电池的膜电极耐久性评价方法 |
| CN110333462B (zh) * | 2019-08-08 | 2021-04-30 | 首都师范大学 | 一种在随机放电环境下基于dgwo-elm的锂离子电池寿命预测方法 |
| CN111046491B (zh) * | 2019-11-28 | 2023-07-25 | 中国船舶工业系统工程研究院 | 预估大型船舶柴油主机油耗的方法和装置 |
| CN111339712B (zh) * | 2020-02-24 | 2023-05-30 | 电子科技大学 | 质子交换膜燃料电池剩余寿命预测方法 |
| CN112133941B (zh) * | 2020-10-10 | 2021-07-30 | 西南交通大学 | 一种机车质子交换膜燃料电池系统的快速故障诊断方法 |
| CN115792677A (zh) * | 2020-12-21 | 2023-03-14 | 首都师范大学 | 一种基于改进的elm的锂离子电池寿命预测方法 |
| CN112965000B (zh) * | 2021-02-01 | 2022-10-14 | 惠州亿纬锂能股份有限公司 | 一种电池使用寿命的预测方法、装置及系统 |
| CN115310373B (zh) * | 2022-10-11 | 2023-05-23 | 国网浙江省电力有限公司电力科学研究院 | 一种制氢电解槽剩余寿命预测方法 |
| CN116840722B (zh) * | 2023-06-09 | 2024-02-23 | 淮阴工学院 | 一种质子交换膜燃料电池性能退化评估及寿命预测方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102968573A (zh) * | 2012-12-14 | 2013-03-13 | 哈尔滨工业大学 | 基于相关向量回归的在线预测锂离子电池剩余寿命的方法 |
| CN103033761B (zh) * | 2012-12-17 | 2014-12-10 | 哈尔滨工业大学 | 动态灰色相关向量机的锂离子电池剩余寿命预测方法 |
| CN104459560B (zh) * | 2014-12-29 | 2017-04-05 | 合肥工业大学 | 基于小波降噪和相关向量机的锂电池剩余寿命预测方法 |
| CN107843843A (zh) * | 2017-09-30 | 2018-03-27 | 江苏理工学院 | 一种基于大数据和极限学习机的车载电池soc在线预测方法 |
-
2018
- 2018-08-21 CN CN201810951160.2A patent/CN109324291B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109324291A (zh) | 2019-02-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109324291B (zh) | 一种针对质子交换膜燃料电池寿命预测的预测方法 | |
| CN110082682B (zh) | 一种锂电池荷电状态估计方法 | |
| Semeraro et al. | Digital twin application in energy storage: Trends and challenges | |
| CN111220921A (zh) | 基于改进卷积-长短时记忆神经网络的锂电池容量估算方法 | |
| CN111861013B (zh) | 一种电力负荷预测方法及装置 | |
| CN111310387B (zh) | 一种燃料电池寿命预测方法 | |
| CN114943372A (zh) | 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 | |
| CN111832221A (zh) | 基于特征筛选的锂电池寿命预测方法 | |
| CN116609668B (zh) | 一种锂离子电池健康状态和剩余寿命预测方法 | |
| CN113917334A (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
| CN108009585A (zh) | 基于局部信息融合的铅酸电池健康状态预测方法 | |
| CN111983474A (zh) | 一种基于容量衰退模型的锂离子电池寿命预测方法和系统 | |
| CN116151114A (zh) | 基于混合框架的元宇宙下燃料电池寿命预测方法及系统 | |
| Liu et al. | Energy storage battery SOC estimate based on improved BP neural network | |
| 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 | |
| CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| CN117289167A (zh) | 基于多重神经网络的电池剩余寿命预测方法、装置及介质 | |
| Xu et al. | Short-term electricity consumption forecasting method for residential users based on cluster classification and backpropagation neural network | |
| CN116338502A (zh) | 一种基于随机噪声增强和循环神经网络的燃料电池寿命预测方法 | |
| CN116184214A (zh) | 车用动力电池寿命在线快速预测方法、装置及存储介质 | |
| CN114234392B (zh) | 一种基于改进pso-lstm的空调负荷精细预测方法 | |
| CN115267586A (zh) | 锂电池soh评估方法 | |
| CN114415034A (zh) | 一种基于内部机理分析的锂离子电池容量预测方法 | |
| CN111859807A (zh) | 汽轮机初压寻优方法、装置、设备及存储介质 | |
| CN116306226B (zh) | 一种燃料电池性能退化预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |