CN113809365B - 氢燃料电池系统电压衰减的确定方法、系统及电子设备 - Google Patents
氢燃料电池系统电压衰减的确定方法、系统及电子设备 Download PDFInfo
- Publication number
- CN113809365B CN113809365B CN202110949339.6A CN202110949339A CN113809365B CN 113809365 B CN113809365 B CN 113809365B CN 202110949339 A CN202110949339 A CN 202110949339A CN 113809365 B CN113809365 B CN 113809365B
- Authority
- CN
- China
- Prior art keywords
- data
- time sequence
- sequence data
- arima
- training
- 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
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 title claims abstract description 85
- 239000000446 fuel Substances 0.000 title claims abstract description 76
- 239000001257 hydrogen Substances 0.000 title claims abstract description 75
- 229910052739 hydrogen Inorganic materials 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 66
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract description 147
- 238000012549 training Methods 0.000 claims abstract description 117
- 238000012360 testing method Methods 0.000 claims abstract description 58
- 238000013213 extrapolation Methods 0.000 claims abstract description 41
- 230000010354 integration Effects 0.000 claims abstract description 18
- 238000012795 verification Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 22
- 238000010009 beating Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013179 statistical model Methods 0.000 claims description 4
- 230000002427 irreversible effect Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 13
- 238000012545 processing Methods 0.000 abstract description 12
- 238000011156 evaluation Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 11
- 230000008901 benefit Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 208000025174 PANDAS Diseases 0.000 description 3
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 3
- 240000004718 Panda Species 0.000 description 3
- 235000016496 Panda oleosa Nutrition 0.000 description 3
- 241001123248 Arma Species 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011985 exploratory data analysis Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- H01M8/04305—Modeling, demonstration models of fuel cells, e.g. for training purposes
-
- 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
Abstract
本发明公开了一种氢燃料电池系统输出电压衰减的确定方法,包括:获得历史时序数据;所述历史时序数据是氢燃料电池电堆的输出电压与时间的历史试验数据;根据所述历史时序数据,利用差分整合移动平均自回归ARIMA训练模型进行模型训练,获得目标ARIMA预测模型和目标差分时序数据;将所述目标差分时序数据输入所述目标ARIMA预测模型,获得外推时序数据;所述外推时序数据是从当前时刻开始的所述氢燃料电池电堆的输出电压的时序数据;根据所述历史时序数据和所述外推时序数据,确定所述氢燃料电池系统的衰减时间和衰减电压。上述方法能够节省试验成本,试验数据的处理工作量和数据计算的工作量。
Description
技术领域
本申请涉及燃料电池车辆技术领域,尤其涉及一种氢燃料电池系统电压衰减的确定方法、系统及电子设备。
背景技术
随着目前对节能减排发展需求的不断提升,清洁能源在能源系统中占据了越来越重要的位置。氢燃料电池具有高能量密度、零排放、高效率和高适应等优点,在新能源汽车等领域具有良好的应用前景。而电池耐久性是目前制约车用氢燃料电池技术进一步推广的重要因素之一,其中的氢燃电系统的输出电压随着时间的衰减趋势或程度是衡量氢燃电系统耐久性能的关键指标。通常来说,氢燃电系统耐久性能,通常是采用长达数千小时,如5000小时或更多的整车转鼓耐久试验,采集试验过程中的氢燃电输出电压时序数据进行评价。由于需要采集数千小时的时序数据,不仅存在转鼓耐久试验周期长,试验成本巨大的问题,也存在海量数据的处理、计算工作量大的问题,导致氢燃电系统的耐久性能评价耗时长,成本高的问题。
发明内容
本发明提供了一种氢燃料电池系统电压衰减的确定方法、系统及电子设备,以解决或者部分解决目前的氢燃料电池系统耐久性能评估方法,存在周期长,数据处理量大,成本高的技术问题。
为解决上述技术问题,根据本发明一个可选的实施例,提供了一种氢燃料电池系统输出电压衰减的确定方法,包括:
获得历史时序数据;所述历史时序数据是氢燃料电池电堆的输出电压与时间的历史试验数据;
根据所述历史时序数据,利用差分整合移动平均自回归ARIMA训练模型进行模型训练,获得目标ARIMA预测模型和目标差分时序数据;
将所述目标差分时序数据输入所述目标ARIMA预测模型,获得外推时序数据;所述外推时序数据是从当前时刻开始的所述氢燃料电池电堆的输出电压的时序数据;
根据所述历史时序数据和所述外推时序数据,确定所述氢燃料电池系统的衰减时间和衰减电压。
可选的,所述根据所述历史时序数据和所述外推时序数据,确定所述氢燃料电池系统的衰减时间和衰减电压,包括:
根据时间先后顺序,将所述历史时序数据和所述外推时序数据合并,获得整合时序数据;
对所述整合时序数据进行M次多项式拟合,获得拟合方程,M的取值范围为3~10;
根据所述拟合方程,确定拐点坐标;
将所述拐点坐标对应的时间确定为所述衰减时间,将所述拐点坐标对应的输出电压确定为所述衰减电压。
可选的,所述根据所述历史时序数据,利用差分整合移动平均自回归ARIMA训练模型进行模型训练,获得目标ARIMA预测模型和目标差分时序数据,包括:
根据所述历史时序数据,确定训练数据和验证数据;
将所述训练数据输入所述ARIMA训练模型进行模型训练,获得待选ARIMA预测模型,所述待选ARIMA预测模型对应的待选差分训练数据和待选差分时序数据;
将所述待选差分训练数据输入所述待选ARIMA预测模型,获得预测数据;
对所述预测数据进行反差分,获得反差分预测数据;
根据所述反差分预测数据和所述验证数据,确定所述反差分预测数据与所述验证数据之间的匹配度;
将所述匹配度符合预设条件的待选ARIMA预测模型确定为所述目标ARIMA预测模型,并将所述待选ARIMA预测模型对应的待选差分时序数据确定为所述目标差分时序数据。
进一步的,所述将所述训练数据输入所述ARIMA训练模型进行模型训练,获得待选ARIMA预测模型,包括:
根据预设的自回归阶数p取值范围,滑动平均阶数q取值范围和差分阶数d取值范围,确定参数数据集;所述参数数据集中包括N组p,q,d的取值数据对,N>2且为整数;
根据每一组取值数据对中的d值,对所述训练数据进行d阶差分,获得候选差分训练数据;
根据所述候选差分训练数据以及所述每一组取值数据对中的p值,q值进行模型训练,获得候选ARIMA预测模型;
根据所述候选ARIMA预测模型和赤池信息准则,确定所述候选ARIMA预测模型对应的AIC值;
根据每一个候选ARIMA预测模型对应的AIC值,采用打擂法确定所述待选ARIMA预测模型和所述待选ARIMA预测模型对应的AIC值;所述待选ARIMA预测模型具有最小的AIC值;
根据所述待选ARIMA预测模型,输出对应的p,q,d的取值数据对。
进一步的,所述根据所述历史时序数据,确定训练数据和验证数据,包括:
对所述历史时序数据进行数据预处理,获得预处理后的历史时序数据;
根据设定时间比例,将所述预处理后的历史时序数据划分为所述训练数据和所述验证数据。
进一步的,对所述历史时序数据进行数据预处理,获得预处理后的历史时序数据,包括:
对所述历史时序数据中的空数据进行数据填充,获得填充后的历史时序数据;
采用滑动平均值滤波方法,对所述填充后的历史时序数据进行滤波处理,获得所述预处理后的历史时序数据。
可选的,所述获得历史时序数据,包括:
通过整车耐久转鼓试验,获得1200小时~1800小时的历史时序数据;
所述将所述目标差分时序数据输入所述目标ARIMA预测模型,获得外推时序数据,包括:
将所述目标差分时序数据输入所述目标ARIMA预测模型,获得3000小时~4000小时的外推时序数据。
可选的,在所述根据所述历史时序数据和所述外推时序数据,确定所述氢燃料电池系统的衰减时间和衰减电压之后,所述确定方法还包括:
根据所述历史时序数据和所述外推时序数据,确定输出电压极大值和输出电压极小值;
根据所述输出电压极大值和所述输出电压极小值,确定电压衰减率。
根据本发明另一个可选的实施例,提供了一种氢燃料电池系统输出电压衰减的确定系统,包括:
获得模块,用于获得历史时序数据;所述历史时序数据是氢燃料电池电堆的输出电压与时间的历史试验数据;
训练模块,用于根据所述历史时序数据,利用差分整合移动平均自回归ARIMA训练模型进行模型训练,获得目标ARIMA预测模型和目标差分时序数据;
外推模块,用于将所述目标差分时序数据输入所述目标ARIMA预测模型,获得外推时序数据;所述外推时序数据是从当前时刻开始的所述氢燃料电池电堆的输出电压的时序数据;
确定模块,用于根据所述历史时序数据和所述外推时序数据,确定所述氢燃料电池系统的衰减时间和衰减电压。
根据本发明又一个可选的实施例,提供了一种电子设备,包括存储器、处理器及存储在存储器上并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前述技术方案中任一项所述的确定方法的步骤。
通过本发明的一个或者多个技术方案,本发明具有以下有益效果或者优点:
本发明提供了一种氢燃料电池系统输出电压衰减的确定方法:通过试验获得一段时间内的氢燃电系统的输出电压与时间的历史时序数据;然后根据历史时序数据,采用差分整合移动平均自回归ARIMA训练模型进行模型训练,得出ARIMA预测模型和差分后的时序数据;接下来将差分后的时序数据输入ARIMA预测模型进行计算,得到从当前开始至未来一段时间内的外推时序数据;通过结合历史时序数据和外推时序数据,得到进行氢燃电系统耐久性能评估所需时长的输出电压的完整时序数据,基于此完整时序数据,可确定出氢燃料电池系统发生电压衰减的衰减时间和对应的衰减电压。由于是试验数据和预测模型的外推数据相结合,一方面,可以显著缩短评估氢燃电系统耐久性能的整车转鼓耐久试验的试验时间,不仅有效节省了试验成本,也减少了试验数据的处理工作量,缩短了电压衰减的评估周期;另一方面,由于是基于时间序列上的输出电压这单一特征量确定衰减电压和衰减时间,利用衰减电压和衰减时间去评估氢燃电系统的耐久性能,可以显著缩减数据计算的工作量。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了根据本发明一个实施例的氢燃料电池系统输出电压衰减的确定方法流程示意图;
图2示出了根据本发明一个实施例的ECE循环工况加载示意图;
图3示出了根据本发明一个实施例的在底盘测功机上运转循环1部循环单元的试验条件示意图;
图4示出了根据本发明一个实施例的目标ARIMA预测模型的训练流程示意图;
图5示出了根据本发明一个实施例的1500h的输出电压-时间的时序数据示意图;
图6示出了根据本发明一个实施例的目标ARIMA预测模型的详细训练过程示意图;
图7示出了根据本发明一个实施例的历史时序数据与外推时序数据整合后的时序数据的示意图;
图8示出了根据本发明一个实施例的输出电压衰减的拐点示意图;
图9示出了根据本发明另一个实施例的氢燃料电池系统输出电压衰减的确定系统示意图。
具体实施方式
为了使本申请所属技术领域中的技术人员更清楚地理解本申请,下面结合附图,通过具体实施例对本申请技术方案作详细描述。在整个说明书中,除非另有特别说明,本文使用的术语应理解为如本领域中通常所使用的含义。因此,除非另有定义,本文使用的所有技术和科学术语具有与本发明所属领域技术人员的一般理解相同的含义。若存在矛盾,本说明书优先。除非另有特别说明,本发明中用到的各种设备等,均可通过市场购买得到或者可通过现有方法制备得到。
为了解决传统的氢燃电系统的耐久性能评价耗时长,成本高,数据处理量大的问题,本发明提供了一种氢燃料电池系统输出电压衰减的确定方法,其整体思路如下:
获得历史时序数据;所述历史时序数据是氢燃料电池电堆的输出电压与时间的历史试验数据;根据所述历史时序数据,利用差分整合移动平均自回归ARIMA训练模型进行模型训练,获得目标ARIMA预测模型和目标差分时序数据;将所述目标差分时序数据输入所述目标ARIMA预测模型,获得外推时序数据;所述外推时序数据是从当前时刻开始的所述氢燃料电池电堆的输出电压的时序数据;根据所述历史时序数据和所述外推时序数据,确定所述氢燃料电池系统的衰减时间和衰减电压。
上述方案的改进原理是:先通过试验,获得一段时间内的氢燃电系统的输出电压与时间的历史时序数据;然后根据历史时序数据,采用差分整合移动平均自回归ARIMA训练模型进行模型训练,一步得出ARIMA预测模型和差分后的时序数据;接下来将差分后的时序数据输入ARIMA预测模型进行计算,得到从当前开始至未来一段时间内的外推时序数据;通过结合历史时序数据和外推时序数据,得到进行氢燃电系统耐久性能评估所需时长的输出电压的完整时序数据,基于此完整时序数据,可确定出氢燃料电池系统发生电压衰减的衰减时间和对应的衰减电压。由于是试验数据和预测模型的外推数据相结合,一方面,可以显著缩短评估氢燃电系统耐久性能的整车转鼓耐久试验的试验时间,不仅有效节省了试验成本,也减少了试验数据的处理工作量,缩短电压衰减的评估周期,;另一方面,由于是基于时间序列上的输出电压这单一特征量确定衰减电压和衰减时间,利用衰减电压和衰减时间去评估氢燃电系统的耐久性能,可以显著缩减数据计算的工作量。
为了更直观的说明上述方案,在接下来的内容中,结合具体实施例,对上述方案进行详细说明。
在一个可选的实施例中,将所述氢燃料电池系统输出电压衰减的确定方法应用于某车型的氢燃料电池系统的耐久性能评估,如图1所示,方案包括:
S1:获得历史时序数据;所述历史时序数据是氢燃料电池电堆的输出电压与时间的历史试验数据。
具体的,可通过整车转鼓耐久试验,获得所需时长的历史试验数据。所需时长根据实际情况确定。例如,可以根据GB18352-2013中循环NEDC第一阶段市区工况(即ECE工况)行驶,对氢燃料电池整车可靠性能进行验证。可选的,所需时长可以是1200小时~1800小时。为了直观起见,本实施例通过1500h时长的整车转鼓耐久试验,获得对应的1500h的输出电压的历史时间序列数据。
通过整车耐久转鼓试验,采集输出电压的历史时序数据的过程如下:
根据GB18352-2013中循环NEDC第一阶段市区工况(ECE工况)行驶,对氢燃料电池整车可靠性能进行验证;ECE循环工况加载如图2和图3所示。
通过CANalyzer工具进行整车CAN网络上的报文信号的实时采集,数据采样周期20ms;数据保存格式.asc。将asc格式文件,以每1s为间隔,导出电压采集时间及电压数据,并最终以.csv格式输出。
S2:根据所述历史时序数据,利用差分整合移动平均自回归ARIMA训练模型进行模型训练,获得目标ARIMA预测模型和目标差分时序数据。
具体的,基于整车耐久转鼓试验得到的试验数据,利用预先训练好的ARIMA训练模型进行模型训练,同时得到所需的ARIMA预测模型和差分后的时序数据。
本实施例采用ARIMA模型(Autoregressive Integrated Moving Average model,即差分整合滑动平均自回归模型),属于时间序列预测分析方法之一。其中,在ARIMA(p,d,q)中,AR表示“自回归”,p为对应的自回归项数或阶数;MA表示“滑动平均”,q为对应的滑动平均项数或阶数,d为使之成为平稳序列所做的差分次数或阶数。可选的,实现电压衰减预测的具体工具为Python和statsmodels(统计模型库)。
p阶AR自回归模型的原理如下:
AR模型存在一个阶数p,即AR(p),指的是通过这个时刻点的前p个点,线性组合再加上白噪声来预测当前时刻点的值
xt=φ1xt-1+φ2xt-2+…+φpxt-p+ut (1)
AR(p),表示p阶的自回归过程,φ为自回归系数;
ut表示白噪声,是时间序列中的数值的随机波动。这些波动会相互抵消,即累计为0。
q阶MA滑动平均模型的原理如下:
MA模型存在一个阶数q,即MA(q)模型,也叫作q阶滑动平均模型;MA模型是历史白噪声的线性组合;
MA模型,通过将一段时间序列中白噪声序列进行加权和,可以得到滑动平均方程,具体如下:
xt=ut+φ1ut-1+φ2ut-2+…+φqut-q (2)
MA(q)表示q阶滑动平均过程,φ为滑动回归系数,ut为不同时间点的白噪声;
Xt为第t天的氢燃电输出电压,而Ut为第t天的偶然因素影响,当天的氢燃电电压受当天的偶然因素影响,也受其前一天的的偶然因素影响(但影响力要弱,所以需要乘以系数φq)。
ARMA自回归滑动平均模型的原理如下:
ARMA模型是AR模型和MA模型的混合,相比AR模型和MA模型,它有更准确的估计,其方程如下:
自回归滑动平均模型结合了两个模型的特点,AR解决当前数据与后期数据之间的关系,MA则可以解决随机变动,即噪声问题。
ARIMA差分自回归滑动平均模型的原理如下:
ARIMA是在ARMA的基础上加入差分演变来的。而基于ARIMA的时间序列预测的前提条件,一定是平稳序列数据,如果输入数据是非平稳时间序列数据,必须进行数据差分处理,将非平稳的时间序列数据转化为平稳的时间序列数据;平稳性即要求序列的均值和方差不发生明显变化。根据先验知识,氢燃电系统的输出电压随时间变化是逐渐衰减的,因此无须进行数据是否平稳序列判断,可直接认为是非平稳的时间序列数据,一定要进行时间序列数据的差分处理。差分即序列之间做差值,目的是为了得到平稳的序列,也就是去掉前面序列数值的影响;一阶差分为序列之间做一次差值,二阶差分为在一阶差分的基础上再做一次差分。
通过分析,本实施例确定最终的氢燃电电压衰减预测采用ARIMA差分自回归滑动平均模型方法。
可选的,本实施例提供的ARIMA时间序列模型预测步骤如图4所示,具体如下:
S21:根据所述历史时序数据,确定训练数据和验证数据;
具体的,由于通过耐久试验得到的氢燃电系统的输出电压是时序数据,因此可根据设定时间比例,将所述历史时序数据划分为训练数据和验证数据。设定时间比例可以是70%~90%。以80%为例,将1500h的试验数据,按照0~1200h的时序数据划分为训练数据,1200h~1500h的时序数据划分为验证数据。0~1200h的训练数据用来训练ARIMA预测模型,1200h~1500h的数据用来验证ARIMA预测模型的准确性。
通常来说,在获得转鼓耐久试验数据之后,在进行训练数据和验证数据的划分之前,有必要对试验数据,即历史时序数据进行数据预处理,以提高数据质量,保证预测精度。数据预处理方法包括数据探索(Exploratory Data Analysis,EDA),数据填充和数据滤波。
数据探索分析:
可通过pandas的set_option()函数,显示所有列;
可通过pandas的info()函数查看数据信息:列名、非空个数、类型等;
可通过pandas的describe()函数查看数据摘要;
可通过matplotlib的polt()函数对时间-电压数据进行可视化,如图5所示。
通过观察数据整体趋势,由可视化的时间-电压曲线发现,原始数据的时间-电压曲线突变较大且频繁。
数据填充:
通过数据探索分析,发现试验的原始数据存在少量的空数据行,因此需要进行数据填充。数据填充方法是采用上一条数据记录进行填充,即认为空数据行保持前一条数据记录状态。
数据滤波:
通过数据探索分析,发现原始数据的时间-电压曲线突变较大且频繁,可采用滑动平均值滤波方法进行滤波处理。
滑动平均值滤波方法,是在内存(RAM)中建立一个数据缓冲区,依顺序存放N个采样数据,每采进一个新数据,就将最早采集的那个数据丢掉,而后求包括新数据在内的N个数据的算术平均值平均值。这样,每进行一次采样,就可计算出一个新的平均值,从而加快了数据处理的速度。
在完成数据预处理后,将所述预处理后的历史时序数据按照设定时间间隔,如80%:20%划分训练数据和验证数据,使用训练数据进行接下里的ARIMA模型训练。
S22:将所述训练数据输入所述ARIMA训练模型进行模型训练,获得待选ARIMA预测模型,所述待选ARIMA预测模型对应的待选差分训练数据和待选差分时序数据。
在面对相似的问题,采用ARIMA方法训练预测模型时,目前通常是将时序数据的差分和模型训练分步实施;例如,某相关技术在使用ARIMA模型预测锂电池在线寿命时,先对训练数据进行d阶差分,确认ARIMA模型的参数d,然后再确定另外两个参数p、q的寻优范围,包含自回归的阶数p、移动平均的阶数q,并训练各参数下的ARIMA模型,利用贝叶斯信息准则估计最优的ARIMA模型参数。由于时序数据差分和模型训练分多步实施,因此方案过程不够简化。
而在本实施例的S22步骤中,差分时序数据,以及较优的待选ARIMA预测模型训练是使用一个模型函数同时完成的,从而简化了模型训练方法。该模型函数的处理过程如下:
根据预设的自回归阶数p取值范围,滑动平均阶数q取值范围和差分阶数d取值范围,确定参数数据集;所述参数数据集中包括N组p,q,d的取值数据对,N>2且为整数;根据每一组取值数据对中的d值,对所述训练数据进行d阶差分,获得候选差分训练数据;根据所述候选差分训练数据以及所述每一组取值数据对中的p值,q值进行模型训练,获得候选ARIMA预测模型;根据所述候选ARIMA预测模型和赤池信息准则,确定所述候选ARIMA预测模型对应的AIC值;根据每一个候选ARIMA预测模型对应的AIC值,采用打擂法确定所述待选ARIMA预测模型和所述待选ARIMA预测模型对应的AIC值;所述待选ARIMA预测模型具有最小的AIC值;根据所述待选ARIMA预测模型,输出对应的p,q,d的取值数据对。
具体的,根据设计经验,确定p,q,d的取值范围:ps=range(0,9);qs=range(0,9);ds=range(1,2);根据取值范围和设定步长,获得待训练的模型参数集,所述模型参数集中包括多组(p,q,d)数据对。
构建函数best_M_pdq(p,d,q),寻找最优ARIMA模型参数(p,q,d):
best_M_pdq(p,d,q)此函数用于对时间序列数据进行差分,以及AR的p阶自回归和MA的q阶滑动平均(p、d、q)定阶。可调用Python的statsmodels(统计模型库)中的sm.tsa.statespace.SARIMAX()获得预测模型;并通过打AIC打擂法获得最小AIC(best_aic)以及最小AIC对应的预测模型(best_model)。best_M_pdq(p,d,q)函数的代码形式如下:
其中:
SARIMAX是包含时间序列的氢燃电系统输出电压经过预处理和滤波后的时间序列数据集;
order=(param[0],param[1],param[2]),order是包含param[0],param[1],param[2]三个参数的元组;
param[0]:p,AR自回归模型的阶数;
param[1]:q,MA滑动平均模型的阶数;
param[2]:d,差分阶数;
enforce_stationarity:enforce_stationarity=False,表示当前要处理的数据源为强制性的非平稳序列数据;
enforce_invertibility:enforce_invertibility=False,表示当前要处理的数据为强制不可逆的数据源。
AIC打擂:待选(最优)ARIMA模型参数(p,q,d)的评估标准:
赤池信息准则(Akaike Information Criterion,AIC)是建立在熵的概念上,可以权衡所估计模型的复杂度和此模型拟合数据的优良,是衡量统计模型拟合好坏的一个标准,AIC数值越小代表模型拟合得越好。
采用AIC准则计算AIC数值的计算原理为:
aic=2×(模型参数的数量)-2×ln(模型的极大似然函数);
其中,似然函数是一种关于统计模型参数的函数:给定输出x时,关于参数θ的似然函数L(θ|x)(在数值上)等于给定参数θ后变量X的概率:L(θ|x)=P(X=x|θ)。
若假设条件模型的误差服从独立正态分布,那么AIC:
aic=2×(模型参数的数量)-观察数×ln(残差平方和/观察数);
其中,观察数为参与模型训练的输出电压值的数量。
具体的,将每一次不同参数(ps,ds,qs)组合进行模型训练得到预测模型,根据AIC准则进行aic计算并保存,采用打擂法找到最小的aic对应的模型,此模型为对应的待选(最优)预测模型,同时对应的(ps,ds,qs)就是最优的ARIMA定阶参数。打擂法获取最小的aic、最优的预测模型及最佳的参数组合(ps,ds,qs)的代码实现如下:
结合上述代码实现,一种详细的实施流程如图6所示:
1)给定p、d、q三个参数范围
根据经验,ps=range(0,9);qs=range(0,9);ds=range(1,2)
2)确定p、d、q组合:cp 1*cd 1*cq 1;
3)将时间序列数据集进行2:8分为验证数据和训练数据:
80%的时间序列数据集用于ARIMA模型训练,20%的时间序列数据集用于训练模型的测试,用来验证待选/最优预测模型的精度。
4)通过不同的p、d、q组合值,调用sm.tsa.statespace.SARIMAX()函数获得候选测试模型;
5)通过假设条件模型误差服从独立正态分布情况下的aic=2×(模型参数的数量)-观察数×ln(残差平方和/观察数),获得每个候选预测模型对应的aic值;
6)通过打擂法,获得最小aic及其对应的候选预测模型,即待选/最优预测模型。
总之,上述方案通过建立一个函数best_M_pdq(p,d,q),通过高集成度的编程代码整合,完成(p,d,q)的定阶、模型训练、aic计算、模型寻优功能;借助打擂法,对不同的模型参数(ps,ds,qs)组合进行模型训练,获取最优/待选ARIMA预测模型best_model和对应的最小aic(best_aic)。
S23:将所述待选差分训练数据输入所述待选ARIMA预测模型,获得预测数据。
在得到待选(最优)ARIMA预测模型后,将在训练模型时同步输出的0~1200h的差分后训练数据输入预测模型进行预测,获得1200h~1500h的预测数据,此预测数据用于与前面步骤划分的1200h~1500h的验证数据进行对比,以验证确定的预测模型的精度是否符合预期。
S24:对所述预测数据进行反差分,获得反差分预测数据。
由于ARIMA预测模型只能处理差分后的平稳时序数据,而划分验证数据时,是基于差分前的非平稳时序,因此,在确定预测数据与验证数据的匹配度之前,需要先将预测数据反差分,将平稳时序数据从平稳控件映射回原先的非平稳空间。反差分的阶数与差分阶数相同,例如在ARIMA定阶参数中,ds=2,即对训练数据进行了二阶差分,则在反差分时,同样需要进行两次差分序列的积分,以还原到原来的时间序列数据。
S25:根据所述反差分预测数据和所述验证数据,确定所述反差分预测数据与所述验证数据之间的匹配度。
在前面的计算过程中,得到了基于待选ARIMA预测模型、0~1200h的训练数据的1200h~1500h的反差分后的预测数据,然后可以计算反差分后的预测数据与验证数据之间的数据相似度或数据匹配度,以验证在前述过程中训练的待选ARIMA模型的精度。
由于预测数据与验证数据相当于是时间序列上的一维数组,因此在计算匹配度时,可以根据欧几里得相关度、皮尔逊相关度或均方差方法进行评价。以均方差评价两组数据之间的匹配度为例,其计算方式如下:
上式中:
observedt:某一时间下的电压实际值,源自验证数据;
predictedt:某一时间下的电压预测值,源自预测数据。
S26:将所述匹配度符合预设条件的待选ARIMA预测模型确定为所述目标ARIMA预测模型,并将所述待选ARIMA预测模型对应的待选差分时序数据确定为所述目标差分时序数据。
根据统计学理论,均方差MSE的值越小,越接近0,表示数据匹配度或拟合度越好。在当MSE不超过预设阈值时,可确认待选ARIMA预测模型的精度达到了要求,将待选ARIMA预测模型确定为所需的目标ARIMA预测模型。同时,将在训练目标ARIMA预测模型时输出的对应待选差分时序数据,确定为外推时所需的输入数据。
S3:将所述目标差分时序数据输入所述目标ARIMA预测模型,获得外推时序数据。
外推时序数据是基于历史时序数据,外推到从历史时序的结束时刻开始,到未来一定时间内的预测数据。通常的,外推时长根据氢燃料电池耐久性能评价所需总时长和已经通过试验确定的历史时长综合确定。举例来说,评价电压衰减总共需要4500~5500h的电压时序数据,而通过转鼓耐久试验,得到了1500h的试验数据,则外推时长可以是3000小时~4000小时。若无特别说明,本实施例是根据1500h的转鼓试验数据,通过ARIMA预测模型外推至未来3500h,获得总共5000h的输出电压时序数据,基于5000h的输出电压时序数据,确定对应的电压衰减规律,最终评价氢燃电系统耐久性能的优劣。
S4:根据所述历史时序数据和所述外推时序数据,确定所述氢燃料电池系统的衰减时间和衰减电压。
首先,根据时间先后顺序,将所述历史时序数据和所述外推时序数据合并,获得整合时序数据;
具体的,将未来时间的3500h转化成与过去时间序列相接的时间序列,即将小时转化成“yyyy/m/d h:mm”格式。并将生成的时间序列格式放置在Python的list中,利用Python的concat()函数,将过去时间序列与上述新的时间序列合并,生成全新的预测时间序列集。由于get_prediction()函数得到的是区间,可使用predicted_mean()获得预测电压的平均值。然后再利用Python matplotlib工具对上述预测得到的5000h的氢燃电电压进行可视化呈现,观察电压的衰减情况是否符合1500h的电压衰减延续的预期。
最后,5000h的氢燃电系统的输出电压整合时序数据的可视化示意如图7所示。根据可视化的外推数据,可以清楚的看到电压衰减趋势,印证了本实施例采用ARIMA算法的可行性及合理性。
接着,对所述整合时序数据进行M次多项式拟合,获得拟合方程,M的取值范围为3~10。
可使用numpy的polyfit()函数进行多项式拟合。对于本实施例应用的氢燃电系统,研究表明,若拟合次数小于八次时,曲线欠拟合,大于八次过拟合。八次多项式拟合,可以清楚找到在5000h内的氢燃电系统电压衰减的拐点位置,因此多项式拟合阶数定为8
接下来,根据所述拟合方程,确定拐点坐标。将所述拐点坐标对应的时间确定为所述衰减时间,将所述拐点坐标对应的输出电压确定为所述衰减电压。
拐点又称反曲点,在数学上指改变曲线向上或向下方向的点。通常采用二阶导数在某点处异号或不存在的方式确定拐点坐标。故而,基于前述8次多项式的拟合方程求二阶导数,根据二阶导数异号的判断,找到八次多项式曲线的拐点位置,即找到在氢燃电系统输出电压衰减的拐点位置,并给出拐点对应的时间点及电压值,如图8所示。
另一方面,在得到整合时序数据后,可以基于此得到整个时序内的输出电压极大值Vmax和输出电压极小值Vmin,或者根据多项式拟合方程,求出Vmax和Vmin,基于此可以确定出电压衰减率K,具体如下:
K=100%×(Vmax-Vmin)/ Vmax (5)
若5000h的电压衰减率K在10%以内,说明氢燃料电池系统的电压下降趋势符合预期的电压衰减规律,若电压衰减率K在10%以上,说明氢燃电系统的电压衰减较快,需要注意这一批次的氢燃电系统。
总的来说,本实施例提供的氢燃料电池系统输出电压衰减的确定方法,具有如下的特点:
1)基于1500h的转鼓耐久试验的电压采样值,将其外推到5000h的电压,得到完整的电压衰减评估所需的数据量。由于ARIMA预测的数据源特征量是基于时间序列上的输出电压这单一的特征量,因此在海量数据处理方面,可以大大缩减数据的计算量,并显著缩短转鼓耐久试验的时长;
2)基于ARIMA方法,将寻找最优预测模型参数(p,q,d)、打擂法获得最优模型和最优化模型拟合的AIC评估方法,完全整合到一个过程函数中一起解决;故而,整个过程具有操作方法简单,且能够达到预期的电压衰减趋势预测效果;
3)对于整合时序数据,通过多项式拟合曲线方法,可以直观的分析电压衰减的趋势,并计算出电压衰减率,具有可解释性,能够判断是否符合氢燃料电池电堆的实际情况,此为研究氢电堆耐久性能的有效方法;对于1500h以后的时序数据,在投入极小的情况下,利用ARIMA算法对整车转鼓试验采集的海量数据进行分析,其外推结果符合预期。
基于前述实施例相同的发明构思,在另一个可选的实施例中,如图9所示,提供了一种氢燃料电池系统输出电压衰减的确定系统,包括:
获得模块10,用于获得历史时序数据;所述历史时序数据是氢燃料电池电堆的输出电压与时间的历史试验数据;
训练模块20,用于根据所述历史时序数据,利用差分整合移动平均自回归ARIMA训练模型进行模型训练,获得目标ARIMA预测模型和目标差分时序数据;
外推模块30,用于将所述目标差分时序数据输入所述目标ARIMA预测模型,获得外推时序数据;所述外推时序数据是从当前时刻开始的所述氢燃料电池电堆的输出电压的时序数据;
确定模块40,用于根据所述历史时序数据和所述外推时序数据,确定所述氢燃料电池系统的衰减时间和衰减电压。
可选的,所述获得模块10用于:
通过整车耐久转鼓试验,获得1200小时~1800小时的历史时序数据;
所述将所述目标差分时序数据输入所述目标ARIMA预测模型,获得外推时序数据,包括:
将所述目标差分时序数据输入所述目标ARIMA预测模型,获得3000小时~4000小时的外推时序数据。
可选的,所述训练模块20用于:
根据所述历史时序数据,确定训练数据和验证数据;
将所述训练数据输入所述ARIMA训练模型进行模型训练,获得待选ARIMA预测模型,所述待选ARIMA预测模型对应的待选差分训练数据和待选差分时序数据;
将所述待选差分训练数据输入所述待选ARIMA预测模型,获得预测数据;
对所述预测数据进行反差分,获得反差分预测数据;
根据所述反差分预测数据和所述验证数据,确定所述反差分预测数据与所述验证数据之间的匹配度;
将所述匹配度符合预设条件的待选ARIMA预测模型确定为所述目标ARIMA预测模型,并将所述待选ARIMA预测模型对应的待选差分时序数据确定为所述目标差分时序数据。
进一步的,所述训练模块20用于:
根据预设的自回归阶数p取值范围,滑动平均阶数q取值范围和差分阶数d取值范围,确定参数数据集;所述参数数据集中包括N组p,q,d的取值数据对,N>2且为整数;
根据每一组取值数据对中的d值,对所述训练数据进行d阶差分,获得候选差分训练数据;
根据所述候选差分训练数据以及所述每一组取值数据对中的p值,q值进行模型训练,获得候选ARIMA预测模型;
根据所述候选ARIMA预测模型和赤池信息准则,确定所述候选ARIMA预测模型对应的AIC值;
根据每一个候选ARIMA预测模型对应的AIC值,采用打擂法确定所述待选ARIMA预测模型和所述待选ARIMA预测模型对应的AIC值;所述待选ARIMA预测模型具有最小的AIC值;
根据所述待选ARIMA预测模型,输出对应的p,q,d的取值数据对。
进一步的,所述训练模块20用于:
对所述历史时序数据进行数据预处理,获得预处理后的历史时序数据;
根据设定时间比例,将所述预处理后的历史时序数据划分为所述训练数据和所述验证数据。
进一步的,所述训练模块20用于:
对所述历史时序数据中的空数据进行数据填充,获得填充后的历史时序数据;
采用滑动平均值滤波方法,对所述填充后的历史时序数据进行滤波处理,获得所述预处理后的历史时序数据。
可选的,所述确定模块40用于:
根据时间先后顺序,将所述历史时序数据和所述外推时序数据合并,获得整合时序数据;
对所述整合时序数据进行M次多项式拟合,获得拟合方程,M的取值范围为3~10;
根据所述拟合方程,确定拐点坐标;
将所述拐点坐标对应的时间确定为所述衰减时间,将所述拐点坐标对应的输出电压确定为所述衰减电压。
可选的,所述确定模块40还用于:
根据所述历史时序数据和所述外推时序数据,确定输出电压极大值和输出电压极小值;
根据所述输出电压极大值和所述输出电压极小值,确定电压衰减率。
基于前述实施例相同的发明构思,在又一个可选的实施例中,提供了一种电子设备,包括存储器、处理器及存储在存储器上并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前述实施例中的确定方法的步骤。
通过本发明的一个或者多个实施例,本发明具有以下有益效果或者优点:
本发明提供了一种氢燃料电池系统输出电压衰减的确定方法、系统及电子设备,通过试验获得一段时间内的氢燃电系统的输出电压与时间的历史时序数据;然后根据历史时序数据,采用差分整合移动平均自回归ARIMA训练模型进行模型训练,得出ARIMA预测模型和差分后的时序数据;接下来将差分后的时序数据输入ARIMA预测模型进行计算,得到从当前开始至未来一段时间内的外推时序数据;通过结合历史时序数据和外推时序数据,得到进行氢燃电系统耐久性能评估所需时长的输出电压的完整时序数据,基于此完整时序数据,可确定出氢燃料电池系统发生电压衰减的衰减时间和对应的衰减电压。由于是试验数据和预测模型的外推数据相结合,一方面,可以显著缩短评估氢燃电系统耐久性能的整车转鼓耐久试验的试验时间,不仅有效节省了试验成本,也减少了试验数据的处理工作量,缩短了电压衰减的评估周期;另一方面,由于是基于时间序列上的输出电压这单一特征量确定衰减电压和衰减时间,利用衰减电压和衰减时间去评估氢燃电系统的耐久性能,可以显著缩减数据计算的工作量。
尽管已描述了本申请的优选实施例,但本领域内的普通技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (9)
1.一种氢燃料电池系统输出电压衰减的确定方法,其特征在于,所述确定方法包括:
获得历史时序数据;所述历史时序数据是氢燃料电池电堆的输出电压与时间的历史试验数据,所述历史试验数据通过整车转鼓耐久试验获得;
根据所述历史时序数据,利用差分整合移动平均自回归ARIMA训练模型进行模型训练,获得目标ARIMA预测模型和目标差分时序数据;
将所述目标差分时序数据输入所述目标ARIMA预测模型,获得外推时序数据;所述外推时序数据是从当前时刻开始的所述氢燃料电池电堆的输出电压的时序数据;
根据所述历史时序数据和所述外推时序数据,确定所述氢燃料电池系统的衰减时间和衰减电压,包括:根据时间先后顺序,将所述历史时序数据和所述外推时序数据合并,获得整合时序数据;对所述整合时序数据进行M次多项式拟合,获得拟合方程,M的取值范围为3~10;根据所述拟合方程,确定拐点坐标;将所述拐点坐标对应的时间确定为所述衰减时间,将所述拐点坐标对应的输出电压确定为所述衰减电压。
2.如权利要求1所述的确定方法,其特征在于,所述根据所述历史时序数据,利用差分整合移动平均自回归ARIMA训练模型进行模型训练,获得目标ARIMA预测模型和目标差分时序数据,包括:
根据所述历史时序数据,确定训练数据和验证数据;
将所述训练数据输入所述ARIMA训练模型进行模型训练,获得待选ARIMA预测模型,所述待选ARIMA预测模型对应的待选差分训练数据和待选差分时序数据;
将所述待选差分训练数据输入所述待选ARIMA预测模型,获得预测数据;
对所述预测数据进行反差分,获得反差分预测数据;
根据所述反差分预测数据和所述验证数据,确定所述反差分预测数据与所述验证数据之间的匹配度;
将所述匹配度符合预设条件的待选ARIMA预测模型确定为所述目标ARIMA预测模型,并将所述待选ARIMA预测模型对应的待选差分时序数据确定为所述目标差分时序数据。
3.如权利要求2所述的确定方法,其特征在于,所述将所述训练数据输入所述ARIMA训练模型进行模型训练,获得待选ARIMA预测模型,包括:
根据预设的自回归阶数p取值范围,滑动平均阶数q取值范围和差分阶数d取值范围,确定参数数据集;所述参数数据集中包括N组p,q,d的取值数据对,N>2且为整数;
构建best_M_pdq(p,d,q)函数,用于对所述训练数据进行差分,以及AR的p阶自回归和MA的q阶滑动平均(p、d、q)定阶,具体包括:根据每一组取值数据对中的d值,对所述训练数据进行d阶差分,获得候选差分训练数据;根据所述候选差分训练数据以及所述每一组取值数据对中的p值,q值进行模型训练,获得候选ARIMA预测模型;根据所述候选ARIMA预测模型和赤池信息准则,确定所述候选ARIMA预测模型对应的AIC值;根据每一个候选ARIMA预测模型对应的AIC值,采用打擂法确定所述待选ARIMA预测模型和所述待选ARIMA预测模型对应的AIC值;所述待选ARIMA预测模型具有最小的AIC值;根据所述待选ARIMA预测模型,输出对应的p,q,d的取值数据对;
其中,best_M_pdq(p,d,q)=sm.tsa.statespace.SARIMAX(df.arima_v,
order=(param[0],param[1],param[2]),
enforce_stationarity=False,
enforce_invertibility=False,
).fit();
sm.tsa.statespace.SARIMAX()为Python的统计模型库中的函数,df.arima_v为包含所述候选差分训练数据的时间序列数据集,param[0]为AR自回归模型的阶数p,param[1]为MA滑动平均模型的阶数q,param[2]为差分阶数d,enforce_stationarity=False表示所述候选差分训练数据为强制性的非平稳序列数据,enforce_invertibility=False表示所述候选差分训练数据为强制不可逆的数据源。
4.如权利要求2所述的确定方法,其特征在于,所述根据所述历史时序数据,确定训练数据和验证数据,包括:
对所述历史时序数据进行数据预处理,获得预处理后的历史时序数据;
根据设定时间比例,将所述预处理后的历史时序数据划分为所述训练数据和所述验证数据。
5.如权利要求4所述的确定方法,其特征在于,对所述历史时序数据进行数据预处理,获得预处理后的历史时序数据,包括:
对所述历史时序数据中的空数据进行数据填充,获得填充后的历史时序数据;
采用滑动平均值滤波方法,对所述填充后的历史时序数据进行滤波处理,获得所述预处理后的历史时序数据。
6.如权利要求1所述的确定方法,其特征在于,所述获得历史时序数据,包括:
通过整车耐久转鼓试验,获得1200小时~1800小时的历史时序数据;
所述将所述目标差分时序数据输入所述目标ARIMA预测模型,获得外推时序数据,包括:
将所述目标差分时序数据输入所述目标ARIMA预测模型,获得3000小时~4000小时的外推时序数据。
7.如权利要求1所述的确定方法,其特征在于,在所述根据所述历史时序数据和所述外推时序数据,确定所述氢燃料电池系统的衰减时间和衰减电压之后,所述确定方法还包括:
根据所述历史时序数据和所述外推时序数据,确定输出电压极大值和输出电压极小值;
根据所述输出电压极大值和所述输出电压极小值,确定电压衰减率。
8.一种氢燃料电池系统输出电压衰减的确定系统,其特征在于,所述确定系统包括:
获得模块,用于获得历史时序数据;所述历史时序数据是氢燃料电池电堆的输出电压与时间的历史试验数据,所述历史试验数据通过整车转鼓耐久试验获得;
训练模块,用于根据所述历史时序数据,利用差分整合移动平均自回归ARIMA训练模型进行模型训练,获得目标ARIMA预测模型和目标差分时序数据;
外推模块,用于将所述目标差分时序数据输入所述目标ARIMA预测模型,获得外推时序数据;所述外推时序数据是从当前时刻开始的所述氢燃料电池电堆的输出电压的时序数据;
确定模块,用于根据所述历史时序数据和所述外推时序数据,确定所述氢燃料电池系统的衰减时间和衰减电压,包括:根据时间先后顺序,将所述历史时序数据和所述外推时序数据合并,获得整合时序数据;对所述整合时序数据进行M次多项式拟合,获得拟合方程,M的取值范围为3~10;根据所述拟合方程,确定拐点坐标;将所述拐点坐标对应的时间确定为所述衰减时间,将所述拐点坐标对应的输出电压确定为所述衰减电压。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一权项所述的确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110949339.6A CN113809365B (zh) | 2021-08-18 | 2021-08-18 | 氢燃料电池系统电压衰减的确定方法、系统及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110949339.6A CN113809365B (zh) | 2021-08-18 | 2021-08-18 | 氢燃料电池系统电压衰减的确定方法、系统及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113809365A CN113809365A (zh) | 2021-12-17 |
CN113809365B true CN113809365B (zh) | 2024-03-26 |
Family
ID=78893743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110949339.6A Active CN113809365B (zh) | 2021-08-18 | 2021-08-18 | 氢燃料电池系统电压衰减的确定方法、系统及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113809365B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117236082B (zh) * | 2023-11-15 | 2024-01-23 | 中汽研新能源汽车检验中心(天津)有限公司 | 一种基于大数据平台的燃料电池性能衰减预测方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
KR20210036642A (ko) * | 2019-09-26 | 2021-04-05 | 금오공과대학교 산학협력단 | 하이브리드 varma 및 lstm을 이용한 배터리의 출력 전압 응답 및 충전 상태 예측 방법 |
KR20210036638A (ko) * | 2019-09-26 | 2021-04-05 | 금오공과대학교 산학협력단 | 하이브리드 varma 및 lstm을 이용한 배터리의 출력 전압 응답 및 충전 상태 예측 최적화 방법 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11691518B2 (en) * | 2017-07-21 | 2023-07-04 | Quantumscape Battery, Inc. | Predictive model for estimating battery states |
-
2021
- 2021-08-18 CN CN202110949339.6A patent/CN113809365B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
KR20210036642A (ko) * | 2019-09-26 | 2021-04-05 | 금오공과대학교 산학협력단 | 하이브리드 varma 및 lstm을 이용한 배터리의 출력 전압 응답 및 충전 상태 예측 방법 |
KR20210036638A (ko) * | 2019-09-26 | 2021-04-05 | 금오공과대학교 산학협력단 | 하이브리드 varma 및 lstm을 이용한 배터리의 출력 전압 응답 및 충전 상태 예측 최적화 방법 |
Also Published As
Publication number | Publication date |
---|---|
CN113809365A (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113962364A (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
CN108556682B (zh) | 一种续驶里程预测方法、装置及设备 | |
CN111339712A (zh) | 质子交换膜燃料电池剩余寿命预测方法 | |
CN112633604B (zh) | 一种基于i-lstm的短期用电量预测方法 | |
CN109920248B (zh) | 一种基于gru神经网络的公交到站时间预测方法 | |
CN110852476A (zh) | 客流预测方法、装置、计算机设备和存储介质 | |
CN111310387A (zh) | 一种燃料电池寿命预测方法 | |
CN117078048B (zh) | 基于数字孪生的智慧城市资源管理方法及系统 | |
CN113809365B (zh) | 氢燃料电池系统电压衰减的确定方法、系统及电子设备 | |
CN116298934A (zh) | 一种用于锂电池健康状态估算的预测网络的建模方法 | |
CN116298936A (zh) | 在不完全电压范围内的锂离子电池智能健康状态预测方法 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
CN110837934A (zh) | 一种基于深度学习的智能电网短期住宅负荷预测方法 | |
Zhou et al. | A light-weight feature extractor for lithium-ion battery health prognosis | |
CN116691418B (zh) | 一种可自动分配控制功率的充电方法 | |
Wang et al. | A Transformer-based multi-entity load forecasting method for integrated energy systems | |
CN115170304B (zh) | 风险特征描述的提取方法和装置 | |
CN116561569A (zh) | 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法 | |
CN117556369B (zh) | 一种动态生成的残差图卷积神经网络的窃电检测方法及系统 | |
CN113554106B (zh) | 一种面向电力缺失数据的协同补全方法 | |
CN116774053A (zh) | 一种电池剩余使用寿命的预测方法、系统及存储介质 | |
CN116544910A (zh) | 一种电动汽车充电行为预测方法及系统 | |
CN114156876A (zh) | 一种数据驱动的新能源电力系统非参数概率预测方法 | |
Yu et al. | An Enhanced Performance Evaluation Metrics for Wind Power Ramp Event Forecasting | |
CN117851802A (zh) | 一种水质预测方法、装置及计算机可读存储介质 |
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 |