CN113506901B - 燃料电池系统动态性能预测方法及装置 - Google Patents

燃料电池系统动态性能预测方法及装置 Download PDF

Info

Publication number
CN113506901B
CN113506901B CN202110637431.9A CN202110637431A CN113506901B CN 113506901 B CN113506901 B CN 113506901B CN 202110637431 A CN202110637431 A CN 202110637431A CN 113506901 B CN113506901 B CN 113506901B
Authority
CN
China
Prior art keywords
fuel cell
cell system
hidden layer
output
data
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
CN202110637431.9A
Other languages
English (en)
Other versions
CN113506901A (zh
Inventor
徐晓明
洪吉超
赤骋
赵磊
陈东方
胡松
王越
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.)
Beijing Gerui Energy Technology Co ltd
Original Assignee
Beijing Gerui Energy Technology 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 Beijing Gerui Energy Technology Co ltd filed Critical Beijing Gerui Energy Technology Co ltd
Priority to CN202110637431.9A priority Critical patent/CN113506901B/zh
Publication of CN113506901A publication Critical patent/CN113506901A/zh
Application granted granted Critical
Publication of CN113506901B publication Critical patent/CN113506901B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06N3/045—Combinations of networks
    • 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)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Medical Informatics (AREA)
  • Manufacturing & Machinery (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Fuel Cell (AREA)

Abstract

本发明公开了一种燃料电池系统动态性能预测方法及装置，其中方法包括：获取燃料电池系统的运行数据；将运行数据输入至基于注意力机制的循环神经网络，得到注意力在输入向量中的分布，并计算加权平均值，基于加权平均值预测燃料电池系统在预设时长内的动态性能。该方法克服了传统燃料电池性能预测精度不高的问题，不仅实现了对燃料电池动态性能的预测，使得预测结果准确，且对燃料电池的设计和优化提供有力的指导，并且可以实现对电池耐久性的预测，有效节省时间和成本。

Description

燃料电池系统动态性能预测方法及装置
技术领域
本发明涉及电池技术领域，特别涉及一种燃料电池系统动态性能预测方法及装置。
背景技术
燃料电池由于具有发电效率高、零排放、无噪声、模块化等优点，已经成为各类分布式发电及便携式设备的首选备用电源。在实际应用中，准确预测燃料电池的性能可以使设计人员进行有针对性的调整，提高电池系统的设计和优化效率。
相关技术中，一般是通过训练递归神经网络，以给出输入和输出间良好的映射关系，非常适用于燃料电池等复杂系统的预测问题。
然而，相关技术中的递归神经网络预测的多为燃料电池稳态工况，对于动态负载条件下性能预测研究较少，且由于递归神经网络梯度爆炸和梯度消失问题，使其容易陷入局部最小点，导致网络的预测精度不高，有待解决。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的一个目的在于提出一种燃料电池系统动态性能预测方法，克服了传统燃料电池性能预测精度不高的问题，不仅实现了对燃料电池动态性能的预测，使得预测结果准确，且对燃料电池的设计和优化提供有力的指导，并且可以实现对电池耐久性的预测，有效节省时间和成本。
本发明的另一个目的在于提出一种燃料电池系统动态性能预测装置。
为达到上述目的，本发明一方面实施例提出了燃料电池系统动态性能预测方法，包括以下步骤：
获取燃料电池系统的运行数据；
将所述运行数据输入至基于注意力机制的循环神经网络，得到注意力在输入向量中的分布，并计算加权平均值；以及
基于所述加权平均值预测所述燃料电池系统在预设时长内的动态性能。
本发明实施例的燃料电池系统动态性能预测方法，获取燃料电池系统的运行数据，并将运行数据输入至基于注意力机制的循环神经网络，得到注意力在输入向量中的分布，并计算加权平均值，并于基于加权平均值预测燃料电池系统在预设时长内的动态性能。由此，克服了传统燃料电池性能预测精度不高的问题，不仅实现了对燃料电池动态性能的预测，使得预测结果准确，且对燃料电池的设计和优化提供有力的指导，并且可以实现对电池耐久性的预测，有效节省时间和成本。
另外，根据本发明上述实施例的燃料电池系统动态性能预测方法还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，在获取所述燃料电池系统的运行数据之后，包括：
筛除所述运行数据中异常数据，并对筛除后的运行数据进行空白填充，得到用于最终使用的运行数据。
进一步地，在本发明的一个实施例中，在获取所述燃料电池系统的运行数据之后，还包括：
对所述运行数据进行平滑处理，以取每一个分段中满足预设提要求的位置数据，并由所述位置数据确定最终值。
进一步地，在本发明的一个实施例中，在所述基于注意力机制的循环神经网络中，RNN (Recurrent Neural Network，循环神经网络)中前向传播的公式表示为：
Figure BDA0003106330740000021
Figure BDA0003106330740000022
其中，ot为t时刻输出层的输出，g()为输出层中神经元的激活函数，V为t时刻隐藏层输出到输出层对应的权重参数；st为隐藏层t时刻的输出，f()为隐藏层中神经元的激活函数，xt为t时刻输入层的输出，st-1为上一时刻隐藏层的输出，U为输入层到隐藏层对应的权重参数，W为上一时刻隐藏层输出到t时刻隐藏层的权重参数。
进一步地，在本发明的一个实施例中，所述加权平均值的计算公式为：
Figure BDA0003106330740000023
其中，αi为注意力分布，xi为输入值。
为达到上述目的，本发明另一方面实施例提出了一种燃料电池系统动态性能预测装置，包括：
获取模块，用于获取燃料电池系统的运行数据；
计算模块，用于将所述运行数据输入至基于注意力机制的循环神经网络，得到注意力在输入向量中的分布，并计算加权平均值；以及
预测模块，用于基于所述加权平均值预测所述燃料电池系统在预设时长内的动态性能。
本发明实施例的燃料电池系统动态性能预测装置，获取燃料电池系统的运行数据，并将运行数据输入至基于注意力机制的循环神经网络，得到注意力在输入向量中的分布，并计算加权平均值，并于基于加权平均值预测燃料电池系统在预设时长内的动态性能。由此，克服了传统燃料电池性能预测精度不高的问题，不仅实现了对燃料电池动态性能的预测，使得预测结果准确，且对燃料电池的设计和优化提供有力的指导，并且可以实现对电池耐久性的预测，有效节省时间和成本。
另外，根据本发明上述实施例的燃料电池系统动态性能预测装置还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，在获取所述燃料电池系统的运行数据之后，所述获取模块，具体用于：
筛除所述运行数据中异常数据，并对筛除后的运行数据进行空白填充，得到用于最终使用的运行数据。
进一步地，在本发明的一个实施例中，在获取所述燃料电池系统的运行数据之后，所述获取模块，还用于：
对所述运行数据进行平滑处理，以取每一个分段中满足预设提要求的位置数据，并由所述位置数据确定最终值。
进一步地，在本发明的一个实施例中，在所述基于注意力机制的循环神经网络中，循环神经网络RNN中前向传播的公式表示为：
Figure BDA0003106330740000031
Figure BDA0003106330740000032
其中，ot为t时刻输出层的输出，g()为输出层中神经元的激活函数，V为t时刻隐藏层输出到输出层对应的权重参数；st为隐藏层t时刻的输出，f()为隐藏层中神经元的激活函数，xt为t时刻输入层的输出，st-1为上一时刻隐藏层的输出，U为输入层到隐藏层对应的权重参数，W为上一时刻隐藏层输出到t时刻隐藏层的权重参数。
进一步地，在本发明的一个实施例中，所述加权平均值的计算公式为：
Figure BDA0003106330740000033
其中，αi为注意力分布，xi为输入值。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明一个实施例的燃料电池系统动态性能预测方法的流程图；
图2为根据本发明一个实施例的循环神经网络结构及前向传播示意图；
图3为根据本发明一个实施例的注意力机制原理示意图；
图4为根据本发明一个实施例的基于注意力机制的循环神经网络模型的示意图；
图5为根据本发明一个实施例的燃料电池系统动态性能预测装置的方框示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的燃料电池系统动态性能预测方法及装置，首先将参照附图描述根据本发明实施例提出的燃料电池系统动态性能预测方法。
图1是本发明一个实施例的燃料电池系统动态性能预测方法的流程图。
如图1所示，该燃料电池系统动态性能预测方法包括：
在步骤S101中，获取燃料电池系统的运行数据。
可以理解的是，本申请实施例可以收集燃料电池汽车实际运行过程中数据，例如，电压和电流数据。
进一步地，在本发明的一个实施例中，在获取燃料电池系统的运行数据之后，包括：筛除运行数据中异常数据，并对筛除后的运行数据进行空白填充，得到用于最终使用的运行数据。
也就是说，为保证采集到的数据的准确性，本申请实施例需要对异常数据进行删除，对空白数据进行填充。其中，异常数据可以为运行中的电压数据，若存在空值，或与此组数据平均值的偏差大于一定倍数，则定义为异常数据，并用相邻正常数据的平均值进行填充。
进一步地，在本发明的一个实施例中，在获取燃料电池系统的运行数据之后，还包括：对运行数据进行平滑处理，以取每一个分段中满足预设提要求的位置数据，并由位置数据确定最终值。
应当理解的是，由于燃料电池动态响应过程中会出现暂态现象，导致原始数据波动较大，需要对原始数据进行特殊的平滑处理，取每一个分段中间靠后的电压数据(数据点大约为10个，取平均值)作为该段的最终值。
在步骤S102中，将运行数据输入至基于注意力机制的循环神经网络，得到注意力在输入向量中的分布，并计算加权平均值。
可以理解的是，循环神经网络是一种具有记忆能力和参数共享的新型神经网络。它由三个基本层组成：输入层、隐藏层和输出层。相较于普通的全连接神经网络，其隐藏层多了一个信息记忆功能，即每一时刻隐藏层的输入不仅是输入层的输出，还包含上一时刻隐藏层的输出。所以，输出层每一时刻的输出都会考虑序列数据之前的信息。以t时刻为例，隐藏层st的输入除了当前时刻输入层的输出xt，还包含上一时刻隐藏层的输出状态st-1。
进一步地，如图2所示，图2为本申请实施例的循环神经网络结构及前向传播示意图。在本发明的一个实施例中，在基于注意力机制的循环神经网络中，循环神经网络RNN中前向传播的公式表示为：
Figure BDA0003106330740000051
Figure BDA0003106330740000052
其中，ot为t时刻输出层的输出，g()为输出层中神经元的激活函数，V为t时刻隐藏层输出到输出层对应的权重参数；st为隐藏层t时刻的输出，f()为隐藏层中神经元的激活函数，xt为t时刻输入层的输出，st-1为上一时刻隐藏层的输出，U为输入层到隐藏层对应的权重参数，W为上一时刻隐藏层输出到t时刻隐藏层的权重参数。
进一步地，RNN中隐藏层可以完成对信息的记忆，理论上RNN每一时刻的隐藏层都可以完成对上一时刻信息的记忆，也就是说在理论上RNN的隐藏层可以对信息无限记忆，处理任意长度的序列数据，但是在实际中会存在梯度消失或者梯度爆炸的问题，因此，本申请实施例在RNN中隐藏层和输出层之间加入了一个注意力层，数据经注意力层的运算和判别后再输出。
下面结合图3进行详细说明。
如图3所示，图3为注意力机制的原理示意图。该注意力层基本原理如下：假设RNN神经网络有一个输入向量X＝[x1,x2，…，xN]，注意力机制应用于RNN从X中提取有用的信息。注意力机制一般有两个关键计算步骤，为了计算注意力在输入向量中的分布，根据分布计算输入向量的加权平均值。给定与特定任务相关的查询向量q，注意变量z∈[1,N]表示所选信息inX的索引，给定q和X的条件概率计算如下：
αi＝softmas(s(xi,q)) (1)
其中，αi称为注意力分布，s(xi,q)是注意力评分函数。
评分函数是通过比点乘模型计算的：
Figure BDA0003106330740000061
其中，d代表x的维度。比点乘模型可以避免处理高维输入时的梯度消失问题，因此，选择该模型来构建基于注意力的RNN框架。
进一步地，在本发明的一个实施例中，加权平均值的计算公式为：
Figure BDA0003106330740000062
其中，αi为注意力分布，xi为输入值。
在步骤S103中，基于加权平均值预测燃料电池系统在预设时长内的动态性能。
为使得本领域技术人员进一步了解本申请实施例的燃料电池系统动态性能预测方法，下面结合图4进行详细说明。
如图4所示，图4为基于注意力机制的循环神经网络模型的示意图。该模型主要包括： PEMFC(Proton Exchange Membrane Fuel Cell，质子交换膜燃料电池)耐久性测试、数据处理过程、输入层、隐藏层、注意力层和输出层。其中，通过PEMFC耐久性测试可以得到原始数据，并对原始数据进行平滑处理、异常数据剔除以及空白数据的填充，从而进一步动态加载数据集，并通过输入层、隐藏层、注意力层和输出层，最终进行模型输出。
由此，根据所提出的注意力机制结合RNN算法，可有效提高RNN神经网络预测的准确性。
根据本发明实施例提出的燃料电池系统动态性能预测方法，获取燃料电池系统的运行数据，并将运行数据输入至基于注意力机制的循环神经网络，得到注意力在输入向量中的分布，并计算加权平均值，并于基于加权平均值预测燃料电池系统在预设时长内的动态性能。由此，克服了传统燃料电池性能预测精度不高的问题，不仅实现了对燃料电池动态性能的预测，使得预测结果准确，且对燃料电池的设计和优化提供有力的指导，并且可以实现对电池耐久性的预测，有效节省时间和成本。
其次参照附图描述根据本发明实施例提出的燃料电池系统动态性能预测装置。
图5是本发明实施例的燃料电池系统动态性能预测装置的方框示意图。
如图5所示，该燃料电池系统动态性能预测装置包括：获取模块100、计算模块200和预测模块300。
其中，获取模块100用于获取燃料电池系统的运行数据；
计算模块200用于将运行数据输入至基于注意力机制的循环神经网络，得到注意力在输入向量中的分布，并计算加权平均值；以及
预测模块300用于基于加权平均值预测燃料电池系统在预设时长内的动态性能。
进一步地，在本发明的一个实施例中，在获取燃料电池系统的运行数据之后，获取模块100具体用于：
筛除运行数据中异常数据，并对筛除后的运行数据进行空白填充，得到用于最终使用的运行数据。
进一步地，在本发明的一个实施例中，在获取燃料电池系统的运行数据之后，获取模块100还用于：
对运行数据进行平滑处理，以取每一个分段中满足预设提要求的位置数据，并由位置数据确定最终值。
进一步地，在本发明的一个实施例中，在基于注意力机制的循环神经网络中，循环神经网络RNN中前向传播的公式表示为：
Figure BDA0003106330740000071
Figure BDA0003106330740000072
其中，ot为t时刻输出层的输出，g()为输出层中神经元的激活函数，V为t时刻隐藏层输出到输出层对应的权重参数；st为隐藏层t时刻的输出，f()为隐藏层中神经元的激活函数，xt为t时刻输入层的输出，st-1为上一时刻隐藏层的输出，U为输入层到隐藏层对应的权重参数，W为上一时刻隐藏层输出到t时刻隐藏层的权重参数。
进一步地，在本发明的一个实施例中，加权平均值的计算公式为：
Figure BDA0003106330740000073
其中，αi为注意力分布，xi为输输入值。
需要说明的是，前述对燃料电池系统动态性能预测方法实施例的解释说明也适用于该实施例的燃料电池系统动态性能预测装置，此处不再赘述。
根据本发明实施例提出的燃料电池系统动态性能预测装置，获取燃料电池系统的运行数据，并将运行数据输入至基于注意力机制的循环神经网络，得到注意力在输入向量中的分布，并计算加权平均值，并于基于加权平均值预测燃料电池系统在预设时长内的动态性能。由此，克服了传统燃料电池性能预测精度不高的问题，不仅实现了对燃料电池动态性能的预测，使得预测结果准确，且对燃料电池的设计和优化提供有力的指导，并且可以实现对电池耐久性的预测，有效节省时间和成本。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种燃料电池系统动态性能预测方法，其特征在于，包括以下步骤：
获取燃料电池系统的运行数据；
将所述运行数据输入至基于注意力机制的循环神经网络，得到注意力在输入向量中的分布，并计算加权平均值；以及
基于所述加权平均值预测所述燃料电池系统在预设时长内的动态性能。
2.根据权利要求1所述的方法，其特征在于，在获取所述燃料电池系统的运行数据之后，包括：
筛除所述运行数据中异常数据，并对筛除后的运行数据进行空白填充，得到用于最终使用的运行数据。
3.根据权利要求2所述的方法，其特征在于，在获取所述燃料电池系统的运行数据之后，还包括：
对所述运行数据进行平滑处理，以取每一个分段中满足预设提要求的位置数据，并由所述位置数据确定最终值。
4.根据权利要求1所述的方法，其特征在于，在所述基于注意力机制的循环神经网络中，循环神经网络RNN中前向传播的公式表示为：
ot＝g(Vst)，
Figure FDA0003106330730000012
其中，ot为t时刻输出层的输出，g()为输出层中神经元的激活函数，V为t时刻隐藏层输出到输出层对应的权重参数；st为隐藏层t时刻的输出，f()为隐藏层中神经元的激活函数，xt为t时刻输入层的输出，st-1为上一时刻隐藏层的输出，U为输入层到隐藏层对应的权重参数，W为上一时刻隐藏层输出到t时刻隐藏层的权重参数。
5.根据权利要求4所述的方法，其特征在于，所述加权平均值的计算公式为：
Figure FDA0003106330730000011
其中，αi为注意力分布，xi为输入值。
6.一种燃料电池系统动态性能预测装置，其特征在于，包括：
获取模块，用于获取燃料电池系统的运行数据；
计算模块，用于将所述运行数据输入至基于注意力机制的循环神经网络，得到注意力在输入向量中的分布，并计算加权平均值；以及
预测模块，用于基于所述加权平均值预测所述燃料电池系统在预设时长内的动态性能。
7.根据权利要求6所述的装置，其特征在于，在获取所述燃料电池系统的运行数据之后，所述获取模块，具体用于：
筛除所述运行数据中异常数据，并对筛除后的运行数据进行空白填充，得到用于最终使用的运行数据。
8.根据权利要求7所述的装置，其特征在于，在获取所述燃料电池系统的运行数据之后，所述获取模块，还用于：
对所述运行数据进行平滑处理，以取每一个分段中满足预设提要求的位置数据，并由所述位置数据确定最终值。
9.根据权利要求6所述的装置，其特征在于，在所述基于注意力机制的循环神经网络中，循环神经网络RNN中前向传播的公式表示为：
ot＝g(Vst)，
Figure FDA0003106330730000022
其中，ot为t时刻输出层的输出，g()为输出层中神经元的激活函数，V为t时刻隐藏层输出到输出层对应的权重参数；st为隐藏层t时刻的输出，f()为隐藏层中神经元的激活函数，xt为t时刻输入层的输出，st-1为上一时刻隐藏层的输出，U为输入层到隐藏层对应的权重参数，W为上一时刻隐藏层输出到t时刻隐藏层的权重参数。
10.根据权利要求9所述的装置，其特征在于，所述加权平均值的计算公式为：
Figure FDA0003106330730000021
其中，αi为注意力分布，xi为输入值。
CN202110637431.9A 2021-06-08 2021-06-08 燃料电池系统动态性能预测方法及装置 Active CN113506901B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110637431.9A CN113506901B (zh) 2021-06-08 2021-06-08 燃料电池系统动态性能预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110637431.9A CN113506901B (zh) 2021-06-08 2021-06-08 燃料电池系统动态性能预测方法及装置

Publications (2)

Publication Number Publication Date
CN113506901A CN113506901A (zh) 2021-10-15
CN113506901B true CN113506901B (zh) 2022-07-12

Family

ID=78009145

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110637431.9A Active CN113506901B (zh) 2021-06-08 2021-06-08 燃料电池系统动态性能预测方法及装置

Country Status (1)

Country Link
CN (1) CN113506901B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101734249A (zh) * 2010-01-08 2010-06-16 清华大学 一种燃料电池发动机稳态运行控制方法
CN111428913A (zh) * 2020-03-06 2020-07-17 中国科学技术大学 一种质子交换膜燃料电池的性能预测方法及性能预测系统
CN112287463A (zh) * 2020-11-03 2021-01-29 重庆大学 一种基于深度强化学习算法的燃料电池汽车能量管理方法
KR102216850B1 (ko) * 2019-12-05 2021-02-18 (주)프라즈마 사이언스 인공지능 기반의 연료 전지 관리 시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101734249A (zh) * 2010-01-08 2010-06-16 清华大学 一种燃料电池发动机稳态运行控制方法
KR102216850B1 (ko) * 2019-12-05 2021-02-18 (주)프라즈마 사이언스 인공지능 기반의 연료 전지 관리 시스템
CN111428913A (zh) * 2020-03-06 2020-07-17 中国科学技术大学 一种质子交换膜燃料电池的性能预测方法及性能预测系统
CN112287463A (zh) * 2020-11-03 2021-01-29 重庆大学 一种基于深度强化学习算法的燃料电池汽车能量管理方法

Also Published As

Publication number Publication date
CN113506901A (zh) 2021-10-15

Similar Documents

Publication Publication Date Title
Junior et al. Optimized hybrid ensemble learning approaches applied to very short-term load forecasting
Wu et al. Modeling a SOFC stack based on GA-RBF neural networks identification
Hagmar et al. Voltage instability prediction using a deep recurrent neural network
US11593618B2 (en) Data processing apparatus, data processing method, and storage medium
CN113759708B (zh) 系统的优化控制方法、装置和电子设备
CN116804706A (zh) 一种电动汽车锂电池温度预测方法及装置
Castellanos et al. Average hourly wind speed forecasting with ANFIS
Chen et al. An environment-driven hybrid evolutionary algorithm for dynamic multi-objective optimization problems
CN114707422A (zh) 一种基于负荷预测的智能电力缉查方法
Qi et al. Optimal scheduling in IoT-driven smart isolated microgrids based on deep reinforcement learning
CN113506901B (zh) 燃料电池系统动态性能预测方法及装置
Xue et al. Enterprise information system structure optimization based on time property with improved immune genetic algorithm and binary tree
CN116861256A (zh) 一种固废焚烧过程的炉温预测方法、系统、设备及介质
CN116523001A (zh) 电网薄弱线路识别模型构建方法、装置和计算机设备
Hatherall et al. Load prediction based remaining discharge energy estimation using a combined online and offline prediction framework
CN115593264A (zh) 基于边缘计算的充电优化控制方法、装置和计算机设备
KR102507185B1 (ko) 전력 계통 클러스터링 방법 및 장치
Du et al. Generative adversarial framework‐based one‐day‐ahead forecasting method of photovoltaic power output
Tao et al. Residual life prediction of lithium battery based on hybrid model of WOA–VMD and attention mechanism
Yu et al. A Predictive Dispatching Rule Assisted by Multi-Layer Perceptron for Scheduling Wafer Fabrication Lines
CN113807019A (zh) 基于改进场景分类和去粗粒化的mcmc风电模拟方法
Bin et al. Simple and effective fault diagnosis method of power lithium-ion battery based on GWA-DBN
Gehbauer et al. Autonomous load forecast framework with dynamic model selection
CN113313313B (zh) 一种面向城市感知的移动节点任务规划方法
Liu et al. Ultra-short-term wind power forecasting based on stacking model

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