CN112069741A - 燃料电池电堆暂态老化预测方法、装置、设备及储存介质 - Google Patents

燃料电池电堆暂态老化预测方法、装置、设备及储存介质 Download PDF

Info

Publication number
CN112069741A
CN112069741A CN202011026357.9A CN202011026357A CN112069741A CN 112069741 A CN112069741 A CN 112069741A CN 202011026357 A CN202011026357 A CN 202011026357A CN 112069741 A CN112069741 A CN 112069741A
Authority
CN
China
Prior art keywords
fuel cell
hydrogen
cell stack
data set
transient
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
Application number
CN202011026357.9A
Other languages
English (en)
Inventor
刘嘉蔚
唐权
李婷
王云玲
刘方
苏韵掣
朱觅
雷云凯
李奥
苟竞
刘莹
杨新婷
张琳
陈玮
刘阳
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.)
Economic and Technological Research Institute of State Grid Sichuan Electric Power Co Ltd
Original Assignee
Economic and Technological Research Institute of State Grid Sichuan Electric Power Co Ltd
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 Economic and Technological Research Institute of State Grid Sichuan Electric Power Co Ltd filed Critical Economic and Technological Research Institute of State Grid Sichuan Electric Power Co Ltd
Priority to CN202011026357.9A priority Critical patent/CN112069741A/zh
Publication of CN112069741A publication Critical patent/CN112069741A/zh
Pending legal-status Critical Current

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M8/00—Fuel cells; Manufacture thereof
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
    • H01M8/04537—Electric variables
    • H01M8/04544—Voltage
    • H01M8/04552—Voltage of the individual fuel cell
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M8/00—Fuel cells; Manufacture thereof
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
    • H01M8/04537—Electric variables
    • H01M8/04574—Current
    • H01M8/04582—Current of the individual fuel cell
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M8/00—Fuel cells; Manufacture thereof
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H01M8/04992—Processes for controlling fuel cells or fuel cell systems characterised by the implementation of mathematical or computational algorithms, e.g. feedback control loops, fuzzy logic, neural networks or artificial intelligence
    • 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
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • 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)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • General Chemical & Material Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Electrochemistry (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Fuel Cell (AREA)

Abstract

本发明公开了基于燃料电池电堆暂态老化预测方法、装置、设备及储存介质，涉及氢燃料电池技术领域，其技术要点为本方法使用等间隔采样法以一定时间间隔从氢燃料电池电堆老化实验原始数据中提取关键数据集，采用高斯加权移动平均滤波器对关键数据集的电流和电压信号实现平滑滤波，将平滑滤波后的功率作为老化评价指标。通过变分自编码器实现老化预测特征自动抽取，采用深度神经网络完成氢燃料电池电堆暂态寿命预测，本装置结构组合简单便于稳定采集实验原始数据。本发明能显著减小老化预测的计算复杂度和问题难度，在预测精度和时间花费上具有较大优势。

Description

燃料电池电堆暂态老化预测方法、装置、设备及储存介质
技术领域
本发明涉及氢燃料电池技术领域，具体涉及燃料电池电堆暂态老化预测方法、装置、设备及储存介质。
背景技术
燃料电池作为一种新型高效的清洁能源，是一种直接将化学能转化为电能的新能源发电装置，在燃料电池汽车和发电站中都逐步得到示范性应用。因其具有环保无污染、无卡诺循环、发电效率高、噪声小等优点，逐渐得到广大科研工作者的关注。然而，燃料电池具有使用寿命短的缺点。尤其在动态或暂态条件下，燃料电池的使用寿命会显著缩短。准确高效地预测氢燃料电池电堆的使用寿命可以在电堆失效前进行更换或维修电堆，能显著提高燃料电池发电系统的可靠性和稳定性。
目前，氢燃料电池电堆老化预测方法的研究主要分为基于模型的氢燃料电池预测方法、基于数据驱动的氢燃料电池预测方法和融合模型与数据驱动的氢燃料电池预测方法。由于氢燃料电池发电系统是一种复杂多维动态非线性的系统，因此建立准确的氢燃料电池老化预测模型是非常困难的。融合模型与数据驱动的氢燃料电池方法具有建模复杂、系统过程庞杂和效率低等缺陷。基于数据驱动的氢燃料电池预测方法无需对氢燃料电池电堆内部具有较深入的研究，仅需较少的专业知识，可推广性强。随着机器学习及人工智能领域的发展，基于数据驱动的氢燃料电池预测方法得到长足进步，预测精度和效率也有很大的发展。
发明内容
为了解决现有技术的不足，有必要提出一种可适用于动态/暂态条件下的氢燃料电池电堆老化预测手段，本发明提出一种燃料电池电堆暂态老化预测方法、装置、设备及储存介质。
一种燃料电池电堆暂态老化预测方法，包括：
S1：对氢燃料电池进行暂态条件下的长期运行实验并提取原始实验数据；S2：采用等间隔采样法在所述原始实验数据中提取数据集A；S3：对提取的所述数据集A中的含噪声的电堆输出电压信号和电流信号导入平均滤波器，通过高斯加权移动平均滤波器进行平滑滤波；S4：将平滑滤波后的电压信号和电流信号的乘积作为电堆输出功率信号，选用电堆输出功率信号作为氢燃料电池电堆暂态老化预测评价指标；S5：将所述数据集A输入到变分自编码器中实现上述信号特征的自动提取，并将特征提取后的数据集作为数据集B；S6：对特征提取后的所述数据集B做数据归一化预处理并记为数据集C；S7：将所述数据集C拆分为训练数据集与测试数据集；S8：把所述训练数据集输入到深层神经网络中，基于所述深层神经网络，学习训练出氢燃料电池暂态老化预测模型；S9：把所述测试数据集输入到训练完毕后的所述氢燃料电池暂态老化预测模型中，实现氢燃料电池电堆暂态老化预测。
在上述方案中，通过对原始实验数据等间隔采样实现减少了数据量减低了运算复杂性，通过高斯平滑滤波处理进一步消除原始数据的尖峰、噪声和毛刺，能较好的反映原始数据的特征，其中，变分自编码器实现对自动对原始数据提取特征，此外深层神经网络对提取后的特征的寿命进行预测。
进一步地，所述步骤S5还包括：S51：设置变分自编码器隐含层的大小以及最大期数来实现特征数据提取的连续性；S52：选择线性传递函数作为变分编码器的传递函数调节数据的局域变化；S53：将均方误差作为所述变分编码器的训练评价指标提高了数据的准确性。
优选地，所述步骤S4还包括：在所述氢燃料电池电堆暂态老化预测指标中，选取均方误差、均方根误差与相对误差三个指标来对氢燃料电池电堆老化预测做评价。
优选地，在所述步骤S8中，所述深层神经网络预测过程中，所述深层神经网络学习训练至少包括迭代次数、学习率和最大值来达到较好的老化预测效果。
本申请提供了一种燃料电池电堆暂态老化预测设备，包括计算机和示波器，所述计算机设有存储器和处理器，所述存储器上存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任一种上述的方法步骤，所述示波器显示上述任一种方法步骤得到的结果。
本申请提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序包括变分自编码器和深层神经网络，所述计算机程序被处理器执行时可以实现任一种上述的步骤。
此外，本申请还提供了一种燃料电池电堆暂态老化预测方法的装置
本发明通过下述技术方案实现：
一种燃料电池电堆暂态老化预测装置，包括空气输入系统、氢气输入系统和氢燃料电池电堆，所述空气输入系统用于向所述氢燃料电池电堆的阴极输入空气，所述氢气输入系统用于向所述氢燃料电池电堆阳极输入氢气；所述氢燃料电池电堆接有电子负载、电压测量表和电流测量表，所述电压测量表和所述电流测量表连接有计算机，所述计算机连接有示波器；所述计算机至少采集所述电压测量表和所述电流测量表的数据作为电压信号和电流信号，所述电压信号与所述电流信号作为数据集A存入计算机中，所述计算机内设有计算机程序，所述计算机程序将数据集A转化数据集B，数据集B转换为数据集C，并在计算机程序中建立氢燃料电池暂态老化预测模型用于实现氢燃料电池电堆暂态老化预测，所述示波器用于显示氢燃料电池暂态老化结果。
在上述方案中，氢气通过氢气输入系统流入氢燃料电池电堆阳极中，空气通过空气输入系统流入氢燃料电池电堆阴极中，氢燃料电池工作时，电流测量表获取电流信号、电压测量表获取电压信号，其中，通过调节电子负载可调控电流信号与电压信号，所述电压测量表和所述电流测量将采集的信息留向计算机，所述计算机内设有计算机程序对采集的原始数据处理后流入示波器中，示波器显示器氢燃料电池电堆暂态老化结果，本装置通过调节电子负载可实现对电流信号与电压信号的调节，且本装置结构简单，具有良好的稳定性。
进一步地，所述氢燃料电池电堆包括依次固定连接的第一极板、第二极板和质子交换膜，所述第一极板一侧开设有氢气注入口和空气注入口，所述第一极板另一侧贴合质子交换膜，所述第一极板底端设有注水口，所述第一极板和所述第二极板顶部均设有接线口，所述第二极板一侧设有氢气排出口和空气排出口，所述第二极板底部设有出水口。
优选地，所述氢气输入系统包括依次连接的氢气罐、第一阀门、第一控制器和第一加湿器，所述空气输入系统包括依次连接的空气罐、第二阀门、第二控制器和第二加湿器，所述第一加湿器连接所述氢气注入口，所述第二加湿器连接所述空气注入口，所述注水口连接有冷却注水装置，所述电子负载、电压测量表与电流测量表连接所述第一极板和所述第二极板顶部的接线口，所述第一阀门和第二阀门用于控制氢气罐和空气罐的启闭，所述第一控制器和第二控制器用于控制氢气罐和空气罐内氢气和空气流速。
在上述方案中，在进入氢燃料电池之前，氢气与空气分别通过第一加湿气和第二加湿器来进行气体加湿。其中，仅第二加湿器被加热来获取合适的相对湿度，在干燥阳极气体的运行下将第一加湿器保持在恒温。其中氢燃料电池电堆的温度通过冷却注水装置调控，所述氢燃料电池电堆供给的电流由有功电子负载调整。
优选地，所述计算机采集的数据集特征包括电堆输出总电压、输出电流值与电流密度值、氢气注入口温度与氢气排出口温度、空气注入口温度与空气排出口温度、注水口温度与出水口温度、氢气注入口压力与氢气排出口压力、氢气注入口流速与氢气排出口流速、空气注入口流速与空气排出口流速和空气入口湿度，上述数据集的采集便于分析筛选上述部分数据对实验的结果产生较大影响的数据，并找到相关性较大的部分数据集。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明一种氢燃料电池电堆暂态老化预测方法、装置、设备及储存介质，通过等间隔采样从原始数据中重构数据，可以在保持原始实验数据老化下同时减低运算的复杂性；通过高斯加权移动平均滤波器对含噪数据进行平滑滤波处理，让电堆输出电压指标和电流信号老化趋势变得更平滑，便于数据的提取与进一步计算处理；借助变分自编码器中从原始数据中自动提取特征克服传统神经网络中稀疏初始化存在随机性的缺点；使用深层神经网络算法对提取后特征进行寿命预测，通过动态条件下的历史实验数据实现实验验证，且本装置各个器件容易采购，其组装后结构简单，采集的数据较为稳定，且计算机内对原始数据处理后实现氢燃料电池电堆暂态老化可预测。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明实施例中的燃料电池电堆暂态老化预测方法；
图2为本发明实施例中基于变分自编码器与深层神经网络的燃料电池电堆暂态老化预测流程示意图；
图3为本发明实施例中燃料电池电堆暂态老化预测装置结构示意图；
图4为本发明实施例中氢燃料电池电堆结构示意图；
图5为本发明实施例中的氢燃料电池电堆输出功率预测老化结果图。
附图标记及对应的零部件名称：
1、氢气输入系统；11、氢气罐；12、第一阀门；13、第一控制器；14、第一加湿器；2、空气输入系统；21、空气罐；22、第二阀门；23、第二控制器；24、第二加湿器；3、氢燃料电池电堆；31、第一极板；311、氢气注入口；312、空气注入口；313、注水口；32、第二极板；321、氢气排出口；322、空气排出口；323、出水口；33、质子交换膜；4、电压测量表；5、电流测量表；6、电子负载；7、计算机；8、示波器；9、冷却注入装置。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
在以下描述中，为了提供对本发明的透彻理解阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的结构、电路、材料或方法。
在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“一个实施例”、“实施例”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。这里使用的术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。
在本发明的描述中，需要理解的是，术语“前”、“后”、“左”、“右”、“上”、“下”、“竖直”、“水平”、“高”、“低”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制。
实施例
如图1与图3所示，本申请一种氢燃料电池电堆暂态老化预测装置，包括空气输入系统2、氢气输入系统1和氢燃料电池电堆3，空气输入系统2用于向氢燃料电池电堆3的阴极输入空气，空气通过空气输入系统2流入氢燃料电池电堆3阴极中，氢气输入系统1用于向氢燃料电池电堆3阳极输入氢气；氢气通过氢气输入系统1流入氢燃料电池电堆3阳极中，氢燃料电池电堆3接有电子负载6、电压测量表4和电流测量表5，电压测量表4和电流测量表5连接有计算机7，计算机7连接有示波器8；计算机7至少采集电压测量表4和电流测量表5的数据作为电压信号和电流信号，电压信号与电流信号作为数据集A存入计算机7中，计算机7内设有计算机程序，计算机程序将数据集A转化数据集B，数据集B转换为数据集C，并在计算机程序中建立氢燃料电池暂态老化预测模型用于实现氢燃料电池电堆3暂态老化预测，示波器8用于显示氢燃料电池暂态老化结果，，氢燃料电池工作时，电流测量表5获取电流信号、电压测量表4获取电压信号，计算机7内设有计算机程序对采集的原始数据处理后流入示波器8中，示波器8显示器氢燃料电池电堆3暂态老化结果，本装置通过调节电子负载6可实现对电流信号与电压信号的调节，且本装置结构简单，具有良好的稳定性。
需要提交的是，本装置采用的1千瓦PEMFC堆已经进行测试与组装。燃料电池由5个单电池构成。电池的额定电流密度是0.70A/cm2，最大电流密度是1A/cm2。每个单电池的激活面积是100cm2。
作为上述实施例的优选如图4所示，氢燃料电池电堆3包括依次固定连接的第一极板31、第二极板32和质子交换膜33，第一极板31一侧开设有氢气注入口311和空气注入口312，第一极板31另一侧贴合质子交换膜33，第一极板31底端设有注水口313，第一极板31和第二极板32顶部均设有接线口，第二极板32一侧设有氢气排出口321和空气排出口322，第二极板32底部设有出水口323，其中关联的物理参量范围为：气体温度的控制范围是20℃～80℃；气体湿度的控制范围是0～100％；空气流速的控制范围是0～100L/min；氢气流速的控制范围是0～30L/min；气体压力的控制范围是0～2bars；氢燃料电池电流的控制范围是0～300A来实现装置的正常运作。
作为上述实施例的优选，如图3所示，氢气输入系统1包括依次连接的氢气罐11、第一阀门12、第一控制器13和第一加湿器14，空气输入系统2包括依次连接的空气罐21、第二阀门22、第二控制器23和第二加湿器24，第一加湿器14连接氢气注入口311，第二加湿器24连接空气注入口312，注水口313连接有冷却注水装置，电子负载6、电压测量表4与电流测量表5连接第一极板31和第二极板32顶部的接线口，其中，冷却水温度的控制范围是20℃～80℃；冷却水流速的控制范围是0～101L/min，在进入氢燃料电池之前，氢气与空气分别通过第一加湿气和第二加湿器24来进行气体加湿。其中，仅第二加湿器24被加热来获取合适的相对湿度，在干燥阳极气体的运行下将第一加湿器14保持在恒温。其中氢燃料电池电堆3的温度通过冷却注水装置调控。
作为上述实施例的优选，计算机7采集的数据集特征包括电堆输出总电压、输出电流值与电流密度值、氢气注入口311温度与氢气排出口321温度、空气注入口312温度与空气排出口322温度、注水口313温度与出水口323温度、氢气注入口311压力与氢气排出口321压力、氢气注入口311流速与氢气排出口321流速、空气注入口312流速与空气排出口322流速和空气入口湿度，上述数据集的采集便于分析筛选上述部分数据对实验的结果产生较大影响的数据，并找到相关性较大的部分数据集。
此外，如图1与图2所示，本申请提供一种燃料电池电堆暂态老化预测方法，包括以下步骤；S1：构建氢燃料电池测试平台，并于测试平台进行暂态条件下的长期运行实验；S2：采用等间隔采样法对测试平台长期运行试验过程中的原始实验数据中提取数据集A；S3：对提取的数据集A中的含噪声的电堆输出电压信号和电流信号导入平均滤波器，通过高斯加权移动平均滤波器进行平滑滤波；S4：将平滑滤波后的电压信号和电流信号的乘积作为电堆输出功率信号，选用电堆输出功率信号作为氢燃料电池电堆3暂态老化预测评价指标；S5：将数据集A输入到变分自编码器中实现上述信号特征的自动提取，并将特征提取后的数据集作为数据集B；S6：对特征提取后的数据集B做数据归一化预处理并记为数据集C；S7：将数据集C拆分为训练数据集与测试数据集；S8：把训练数据集输入到深层神经网络中，基于深层神经网络，学习训练出氢燃料电池暂态老化预测模型；S9：把测试数据集输入到训练完毕后的氢燃料电池暂态老化预测模型中，实现氢燃料电池电堆3暂态老化预测。其中变分自编码器和深度神经网络属于现有计算机技术，首先编码器作用于输入层与隐含层之间，将原始数据映射到数据的隐含表示h＝f(x)，将信息的输入向量带入x中，h为隐含层向量，另外r＝g(h)，h为隐含层向量；由此的得到
Figure BDA0002702221060000061
进一步的，使用线性整流函数作为神经元的激活函数，用于衡量重构向量r与输入向量x相似性的损失函数见公式如下；
Figure BDA0002702221060000071
其中p为梯度下降过程中批处理的数量；x(k)与r(k)分别为第k个样本的输入与重构向量；Wij与Wj'i分别为编码器与解码器的权值矩阵；bi与bj分别为编码器与解码器的偏置向量。与r为重构向量对于变分自编码器中要求隐含层神经元的激活度满足一定的稀疏性，则
Figure BDA0002702221060000072
其中
Figure BDA0002702221060000073
表示隐含层上第j号神经元在样本数据集
Figure BDA0002702221060000074
上的平均激活度。为了保证隐含层上的神经元满足稀疏性限制，要求
Figure BDA0002702221060000075
要求ρ为稀疏性参数。通常取一个很小的数(ρ＝0.05)，对于与ρ相差太远的
Figure BDA0002702221060000076
需要进行调整，通过如下函数进行调整，
Figure BDA0002702221060000077
其中函数值随着ρ与
Figure BDA0002702221060000078
之间的差异值增大而单调递增。当
Figure BDA0002702221060000079
时，
Figure BDA00027022210600000710
达到最小值。因此，若将函数
Figure BDA00027022210600000711
加入到自动编码器损失函数中，在求损失函数最小化值的时候，就可以达到
Figure BDA00027022210600000712
与ρ尽量靠近的效果。由此可以归纳出稀疏自动编码器的损失函数为：
Figure BDA00027022210600000713
其中β为控制稀疏性惩罚项的权重系数。对损失函数JSAE(θ)最小化处理，即可求出参数θ。对于深层神经网络而言，通过函数al＝δ(Zi)＝δ(wlal-1+bl)来表示，其中以ReLU作为神经元激活函数，其具体为δ(z)＝max(0,z)。
优选地，步骤S5还包括：S51：设置变分自编码器隐含层的大小以及最大期数来实现特征数据提取的连续性；S52：选择线性传递函数作为变分编码器的传递函数调节数据的局域变化；S53：将均方误差作为变分编码器的训练评价指标提高了数据的准确性。
优选地，步骤S4还包括：在氢燃料电池电堆3暂态老化预测指标中，选取均方误差、均方根误差与相对误差三个指标来对氢燃料电池电堆3老化预测做评价。
此外，在步骤S8中，深层神经网络预测过程中，深层神经网络学习训练至少包括迭代次数、学习率和最大值来达到较好的老化预测效果。
本申请提供了一种燃料电池电堆暂态老化预测设备，包括计算机7和示波器8，计算机7设有存储器和处理器，存储器上存储有可在处理器上运行的计算机程序，处理器执行计算机程序时实现任一种上述的方法步骤，示波器8显示上述任一种方法步骤得到的结果。
本申请提供一种计算机可读存储介质，其存储有计算机程序，计算机程序包括变分自编码器和深层神经网络，计算机程序被处理器执行时可以实现任一种上述的步骤。
需要提及的是，在深层神经网络预测阶段，模型基于Python语言实现，需要划定训练数据集与测试数据集的边界。
本申请处理过程中，氢燃料电池电堆3测试平台在暂态条件下运行1020小时，使用高斯加权移动平均滤波器对等间隔采样后的电流和电压信号进行平滑处理，根据功率公式得出电堆输出功率，选取电堆输出功率作为氢燃料电池老化评估指标。设置高斯加权移动平均滤波器的移动窗口长度为4，设置变分自编码器的隐含层大小为10，设置迭代最大期数为1000。使用深层神经网络对提取后的特征进行老化预测，其中训练集长度设置为500，剩余的时间长度设置为测试数据集。得到的氢燃料电池电堆3输出变化结果见图5。预测精度为99.68％，平均绝对误差、均方误差与均方根误差分别为0.2035、0.1121和0.3348。表明本发明所提出的装置及方法可适用于氢燃料电池电堆3暂态老化预测，所提装置及方法具有较高的预测精度。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种燃料电池电堆暂态老化预测方法，其特征在于，包括以下步骤：
S1：对氢燃料电池进行暂态条件下的长期运行实验并提取原始实验数据；
S2：采用等间隔采样法在所述原始实验数据中提取数据集A；
S3：对提取的所述数据集A中的含噪声的电堆输出电压信号和电流信号导入平均滤波器，通过高斯加权移动平均滤波器进行平滑滤波；
S4：将平滑滤波后的电压信号和电流信号的乘积作为电堆输出功率信号，选用电堆输出功率信号作为氢燃料电池电堆暂态老化预测评价指标；
S5：将所述数据集A输入到变分自编码器中实现上述信号特征的自动提取，并将特征提取后的数据集作为数据集B；
S6：对特征提取后的所述数据集B做数据归一化预处理并记为数据集C；
S7：将所述数据集C拆分为训练数据集与测试数据集；
S8：把所述训练数据集输入到深层神经网络中，基于所述深层神经网络，学习训练出氢燃料电池暂态老化预测模型；
S9：把所述测试数据集输入到训练完毕后的所述氢燃料电池暂态老化预测模型中，实现氢燃料电池电堆暂态老化预测。
2.根据权利要求1所述的一种燃料电池电堆暂态老化预测方法，其特征在于，于步骤S5中包括：
S51：设置变分自编码器隐含层的大小以及最大期数；
S52：选择线性传递函数作为变分编码器的传递函数；
S53：将均方误差作为所述变分编码器的训练评价指标。
3.根据权利要求1所述的一种燃料电池电堆暂态老化预测方法，其特征在于，于步骤S4中，在所述氢燃料电池电堆(3)暂态老化预测指标中，选取均方误差、均方根误差与相对误差三个指标来对氢燃料电池电堆(3)老化预测做评价。
4.根据权利要求1所述的一种燃料电池电堆暂态老化预测方法，其特征在于，于步骤S8中，在所述深层神经网络预测过程中，所述深层神经网络学习训练至少包括迭代次数、学习率和最大值。
5.使用权利要求1-4任意一项所述的一种燃料电池电堆暂态老化预测方法的装置，其特征在于，所述装置包括空气输入系统(2)、氢气输入系统(1)和氢燃料电池电堆(3)，所述空气输入系统(2)用于向所述氢燃料电池电堆(3)的阴极输入空气，所述氢气输入系统(1)用于向所述氢燃料电池电堆(3)阳极输入氢气；所述氢燃料电池电堆(3)接有电子负载(6)、电压测量表(4)和电流测量表(5)，所述电压测量表(4)和所述电流测量表(5)连接有计算机(7)，所述计算机(7)连接有示波器(8)；所述计算机(7)至少采集所述电压测量表(4)和所述电流测量表(5)的数据作为电压信号和电流信号，所述电压信号与所述电流信号作为数据集A存入计算机(7)中，所述计算机(7)内设有计算机程序，所述计算机程序将数据集A转化数据集B，数据集B转换为数据集C，并在计算机(7)程序中建立氢燃料电池暂态老化预测模型用于实现氢燃料电池电堆(3)暂态老化预测，所述示波器(8)用于显示氢燃料电池电堆(3)暂态老化结果。
6.根据权利要求5所述的一种燃料电池电堆暂态老化预测装置，其特征在于，所述氢燃料电池电堆(3)包括依次固定连接的第一极板(31)、第二极板(32)和质子交换膜(33)，所述第一极板(31)一侧开设有氢气注入口(311)和空气注入口(312)，所述第一极板(31)另一侧贴合质子交换膜(33)，所述第一极板(31)底端设有注水口(313)，所述第一极板(31)和所述第二极板(32)顶部均设有接线口，所述第二极板(32)一侧设有氢气排出口(321)和空气排出口(322)，所述第二极板(32)底部设有出水口(323)。
7.根据权利要求6所述的一种燃料电池电堆暂态老化预测装置，其特征在于，所述氢气输入系统(1)包括依次连接的氢气罐(11)、第一阀门(12)、第一控制器(13)和第一加湿器(14)，所述空气输入系统(2)包括依次连接的空气罐(21)、第二阀门(22)、第二控制器(23)和第二加湿器(24)，所述第一加湿器(14)连接所述氢气注入口(311)，所述第二加湿器(24)连接所述空气注入口(312)，所述注水口(313)连接有冷却注水装置，所述电子负载(6)、电压测量表(4)与电流测量表(5)连接所述第一极板(31)和所述第二极板(32)顶部的接线口。
8.根据权利要求7所述的一种燃料电池电堆暂态老化预测装置，其特征在于，所述计算机(7)采集的数据集特征包括电堆输出总电压、输出电流值与电流密度值、氢气注入口(311)温度与氢气排出口(321)温度、空气注入口(312)温度与空气排出口(322)温度、注水口(313)温度与出水口(323)温度、氢气注入口(311)压力与氢气排出口(321)压力、氢气注入口(311)流速与氢气排出口(321)流速、空气注入口(312)流速与空气排出口(322)流速和空气入口湿度。
9.一种燃料电池电堆暂态老化预测设备，其特征在于，包括计算机(7)和示波器(8)，所述计算机(7)设有存储器和处理器，所述存储器上存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1-4中任一所述的方法步骤，所述示波器(8)显示权利要求1-4中所述的方法步骤得到的结果。
10.一种计算机可读存储介质，其存储有计算机程序，其特征在于，所述计算机程序包括变分自编码器和深层神经网络，所述计算机程序被处理器执行时实现权利要求1-4中任一项所述的方法的步骤。
CN202011026357.9A 2020-09-25 2020-09-25 燃料电池电堆暂态老化预测方法、装置、设备及储存介质 Pending CN112069741A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011026357.9A CN112069741A (zh) 2020-09-25 2020-09-25 燃料电池电堆暂态老化预测方法、装置、设备及储存介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011026357.9A CN112069741A (zh) 2020-09-25 2020-09-25 燃料电池电堆暂态老化预测方法、装置、设备及储存介质

Publications (1)

Publication Number Publication Date
CN112069741A true CN112069741A (zh) 2020-12-11

Family

ID=73683563

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011026357.9A Pending CN112069741A (zh) 2020-09-25 2020-09-25 燃料电池电堆暂态老化预测方法、装置、设备及储存介质

Country Status (1)

Country Link
CN (1) CN112069741A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114267844A (zh) * 2021-11-09 2022-04-01 深圳市氢瑞燃料电池科技有限公司 一种燃料电池极板生产的系统与方法
CN115084600A (zh) * 2022-07-26 2022-09-20 北理新源(佛山)信息科技有限公司 基于大数据的氢燃料电池电堆输出性能分析方法
CN116544458A (zh) * 2023-07-04 2023-08-04 国家电投集团氢能科技发展有限公司 燃料电池系统的故障告警方法及其装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201307959D0 (en) * 2013-05-02 2013-06-12 Intelligent Energy Ltd A fuel cell system
CN104914844A (zh) * 2014-03-11 2015-09-16 上海通用汽车有限公司 燃料电池汽车的空调压缩机控制器的测试系统
US20190181465A1 (en) * 2017-12-12 2019-06-13 Hyundai Motor Company Fuel cell control method and control system
CN110059377A (zh) * 2019-04-02 2019-07-26 西南交通大学 一种基于深度卷积神经网络的燃料电池寿命预测方法
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201307959D0 (en) * 2013-05-02 2013-06-12 Intelligent Energy Ltd A fuel cell system
CN104914844A (zh) * 2014-03-11 2015-09-16 上海通用汽车有限公司 燃料电池汽车的空调压缩机控制器的测试系统
US20190181465A1 (en) * 2017-12-12 2019-06-13 Hyundai Motor Company Fuel cell control method and control system
CN110059377A (zh) * 2019-04-02 2019-07-26 西南交通大学 一种基于深度卷积神经网络的燃料电池寿命预测方法
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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JIAWEI LIU等: "EMFC Residual Life Prediction Using Sparse Autoencoder-Based Deep Neural Network", 《IEEE TRANSACTIONS ON TRANSPORTATION ELECTRIFICATION 》, vol. 5, no. 4, 14 October 2019 (2019-10-14), pages 1279 - 1293, XP011765669, DOI: 10.1109/TTE.2019.2946065 *
刘嘉蔚等: "基于核超限学习机和局部加权回归散点平滑法的PEMFC剩余使用寿命预测方法", 《中国电机工程学报》, vol. 39, no. 24, 31 December 2019 (2019-12-31), pages 7272 - 7279 *
张雪霞等: "基于数据驱动的质子交换膜燃料电池寿命预测", 《西南交通大学学报》, vol. 55, no. 02, 30 April 2020 (2020-04-30), pages 417 - 427 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114267844A (zh) * 2021-11-09 2022-04-01 深圳市氢瑞燃料电池科技有限公司 一种燃料电池极板生产的系统与方法
CN114267844B (zh) * 2021-11-09 2024-02-27 深圳市氢瑞燃料电池科技有限公司 一种燃料电池极板生产的系统与方法
CN115084600A (zh) * 2022-07-26 2022-09-20 北理新源(佛山)信息科技有限公司 基于大数据的氢燃料电池电堆输出性能分析方法
CN115084600B (zh) * 2022-07-26 2023-11-24 北理新源(佛山)信息科技有限公司 基于大数据的氢燃料电池电堆输出性能分析方法
CN116544458A (zh) * 2023-07-04 2023-08-04 国家电投集团氢能科技发展有限公司 燃料电池系统的故障告警方法及其装置

Similar Documents

Publication Publication Date Title
CN112069741A (zh) 燃料电池电堆暂态老化预测方法、装置、设备及储存介质
CN109543317B (zh) 一种pemfc剩余使用寿命预测的方法及装置
CN105938578A (zh) 一种基于聚类分析的大规模光伏电站等值建模方法
CN113917334B (zh) 基于进化lstm自编码器的电池健康状态估计方法
CN110929451A (zh) 一种燃料电池单体电压一致性预测方法
CN113484774B (zh) 一种基于温度校准和神经网络的锂电池组容量估计方法
CN110363334B (zh) 基于灰色神经网络模型的光伏并网的电网线损预测方法
CN116068399A (zh) 基于特征选择和时序注意力的锂电池健康状态估计方法
CN103336867A (zh) 质子交换膜燃料电池模型优化处理方法
CN110287540A (zh) 一种基于精英群众差分进化算法的光伏电池参数辨识方法
CN115759321A (zh) 一种以线损最小为优化目标的智能无功补偿方法
CN115905904A (zh) 一种配电网馈线的线损异常评估方法及装置
CN115308608A (zh) 一种全钒液流电池电压预测方法、装置及介质
Xiao et al. Water management fault diagnosis for proton-exchange membrane fuel cells based on deep learning methods
CN113359037A (zh) 基于bp神经网络的燃料电池故障诊断方法
CN112836876A (zh) 一种基于深度学习的配电网线路负荷预测方法
CN117517963A (zh) 一种基于膨胀力的多尺度的锂离子电池荷电状态评估方法
CN113780537B (zh) 一种质子交换膜燃料电池发电系统的故障诊断方法及装置
CN116031453A (zh) 一种质子交换膜燃料电池特征频率阻抗在线估计方法
CN109638892B (zh) 一种基于改进模糊聚类算法的光伏电站等值建模方法
CN116015209A (zh) 一种光伏电站组件性能管理方法、系统、装置及存储介质
CN116611702A (zh) 一种面向楼宇综合能源管理的集成学习光伏发电预测方法
Yuan et al. Fault Diagnosis of Fuel Cells by a Hybrid Deep Learning Network Fusing Characteristic Impedance
CN115331745A (zh) 基于历史数据校验的改进单粒子电化学模型建模方法
CN114818827A (zh) 基于seq2point网络的非侵入式负荷分解方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201211