CN114384423A - 一种基于典型运行参数的燃料电池健康状态识别方法 - Google Patents
一种基于典型运行参数的燃料电池健康状态识别方法 Download PDFInfo
- Publication number
- CN114384423A CN114384423A CN202210015506.4A CN202210015506A CN114384423A CN 114384423 A CN114384423 A CN 114384423A CN 202210015506 A CN202210015506 A CN 202210015506A CN 114384423 A CN114384423 A CN 114384423A
- Authority
- CN
- China
- Prior art keywords
- health
- fuel cell
- value
- state
- health state
- 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
Links
Images
Classifications
-
- 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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- 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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- 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
Abstract
本发明涉及一种基于典型运行参数的燃料电池健康状态识别方法,属于燃料电池技术领域。该方法首先采用非参数统计和无监督学习算法计算出健康评价指标的阈值,并通过线性矩阵对评价指标进行标签;然后,采用采用卡方检验、斯皮尔曼相关分析和包装特征选择方法选出对燃料电池健康状态影响相对显著的特征;最后采用随机森林算法对选取的特征进行识别,从而识别出燃料电池健康状态。本发明可以准确地预测健康状态,用于优化加载策略,还可以返回特征对健康的重要排名,用于简化仿真模型,提升燃料电池系统耐久性。
Description
技术领域
本发明属于燃料电池技术领域,涉及一种基于典型运行参数的燃料电池健康状态识别方法。
背景技术
交通用燃料电池和固定式燃料电池的主要差异体现在变载频率和变载幅度。在加载过程中,由于单体电池间的气体分布不均匀导致电压一致性很差,最小单体电压值较低。而燃料电池的寿命主要取决于最小单体电压的性能。为了避免在加载过程中电压差过大,需要准确地识别加载前的燃料电池健康状态,用于优化加载策略,这样可提高车用燃料电池系统的耐久性。传统燃料电池健康状态表征方法中大多将电压衰退率作为指标,忽略了最小单体电压电池的健康状态。此外,现有常用方法中需要采集各单体电池电压才能评估单体电池健康状态。因此,亟需一种新的燃料电池健康状态识别方法。
发明内容
有鉴于此,本发明的目的在于提供一种基于典型运行参数的燃料电池健康状态识别方法,避免燃料电池处于不健康状态时加载速率过快或大幅度加载,提高车用燃料电池系统的使用寿命。以单体电压一致性的两个指标构成的线性矩阵表征燃料电池健康状态,通过非参数统计和机器学习算法识别燃料电池健康。
为达到上述目的,本发明提供如下技术方案:
一种基于典型运行参数的燃料电池健康状态识别方法,首先采用非参数统计和无监督学习算法计算出健康评价指标的阈值,并通过线性矩阵对评价指标进行标签;然后,采用采用卡方检验、斯皮尔曼相关分析和包装特征选择方法选出对燃料电池健康状态影响相对显著的特征;最后采用随机森林算法对选取的特征进行识别,从而识别出燃料电池健康状态。
该方法以燃料电池的平均单体电压变化率和最小距两个指标表征健康状态,考虑了最小单体电压电池的性能。由于燃料电池不同等级的健康程度难以模拟,采用数值离群值和K均值聚类算法将未带健康等级的样本打上标签。为了提高健康模式识别模型的判别效率,分别采用卡方检验、斯皮尔曼相关分析和包装特征选择方法选出对燃料电池健康状态影响相对显著的。基于选出的特征,利用随机森林算法识别燃料电池健康状态,可用于指导燃料电池系统健康管理控制策略。
进一步,该方法具体包括以下步骤:
S1:获取车用燃料电池常用工况的运行参数,主要包括负载电流、化学计量比、入口压力、入口流量、相对湿度和单体电压;
S2:统计单体电压数据样本,分别求取平均值和最小值;计算平均单体电压波动率和最小距,并将其作为评价燃料电池健康状态的健康指标;
S3:基于非参数统计法(数字异常值)的第一和第三分位数确定两个健康指标的异常值;并将其设定为工程故障值;
S4:分别确定两个健康指标的最优分类数k;依据组内平方和确定正常类样本的最佳分类数量;
S5:分别对两个健康指标聚类:通过K均值聚类算法计算每类健康类别样本的聚类中心;
S6:依据步骤S5的聚类结果,分别统计每一类别健康指标的最大值和最小值,并作为类别间的阈值;由于只对单一变量聚类,因此统计的最值即为阈值;
S7:依据两个健康指标最差原则构建燃料电池健康状态线性矩阵;
S8:求取训练样本特征的平均值和标准差,将其标准化;
S9:根据两两特征间的特征值之差和样本数量求取斯皮尔曼相关系数;
S10:采用包装特征选择方法将随机森林分类器作为包装特征选择的参数,递归特征排除作为目标函数获取特征对分类的贡献排名;即选出相对排名较高且容易在实车上采集的运行参数,包括负载电流、温度、阴极和阳极入口压力,以及阴极和阳极化学计量比;
S11:采用方差膨胀因子法(VIF)计算每个特征对应的因子值,筛除因子值大于10的特征用于排除具有线性相关的特征参数;
S12:将最终选出的运行参数(负载电流、阴极化学计量比、阳极入口压力和温度)作为随机森林模型输入变量,标签值即非参数统计和聚类算法结果作为模型输出变量,并采用交叉验证方法确定健康识别模型的超参数;
S13:用实时采集到的电流、温度、阴极化学计量比和阳极入口压力驱动训练好的随机森林模型识别燃料电池健康状态。
进一步,步骤S2中,平均单体电压波动率和最小距的计算公式为:
其中,Cv表示平均单体电压波动率,Vr表示最小距,Vi表示单体电压,表示平均单体电压,n表示单体电池的数量,Vmin表示最小单体电压。Cv表明单体电压偏离平均单体电压的偏离程度,Vr反映最小单体电压偏离平均电压的波动程度,两者均可以反应单体电压的空间波动程度。同时这两个指标越大,表明燃料电池健康状态越差。因此将这两个指标作为评价燃料电池健康状态。
进一步,步骤S3中,异常值,即工程故障值IQR的表达式为:IQR=q3-q1,其中,q1表示第一分位数,q3表示第三分位数;健康指标正常值中的最小值为q1-1.5IQR,最大值为q3+1.5IQR。
进一步,步骤S4中,组内平方和即是各个点到聚类中心的距离平方和,表达式为:
其中,Dk表示组内距离平方和,k表示聚类数目,m示每类样本的数量,xij表示第i类第j个样本,Ci表示第i类样本的聚类中心。
进一步,步骤S8中,采用z-score标准化方法进行标准化,表达式为:
其中,Zij为标准化后的变量值,lij为实际变量值,li为变量的平均值,si为变量的标准。
进一步,步骤S9中,斯皮尔曼相关系数p的表达式为:
其中,di=xi-yi,xi和yi分别是两个运行参数按从小到大排序的秩,n是样本的容量。
本发明的有益效果在于:本发明通过单体电压一致性的两个指标,基于统计学和无监督学习算法构建了燃料电池线性健康矩阵,可以表征最小单体电压电池的健康状态。此外,传统方法中需要采集各单体电池电压才能评估单体电池健康状态,本发明基于各种特征选择方法选择对燃料电池健康影响显著的典型运行参数判别健康状态,这些运行参数在燃料电池汽车上很容易采集。提出的健康识别方法不仅可以准确地预测健康状态,用于优化加载策略,还可以返回特征对健康的重要排名,用于简化仿真模型,提升燃料电池系统耐久性。具体有益效果为:
1)本发明燃料电池健康状态考虑了最小单体电压电池的性能。
2)本发明通过采集的典型运行参数就可以准确地识别燃料电池健康状态,避免使用电压巡检仪。
3)本发明采用的标签方法对数据分布无明确要求,对其他难以模拟的故障同样适用。
4)本发明采用的特征选择方法可以返回特征相对重要性,选取的参数在车上方便采集。
5)本发明应用的健康模式判别算法运行速度快,容易实现,而且对各类别样本数量分布无要求。
6)本发明加载前的健康状态识别可用于优化加载过程的加载策略。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明基于典型运行参数的燃料电池健康状态识别方法的流程图;
图2为支持向量机算法识别结果;
图3为随机森林算法识别结果;
图4为随机森林返回的特征对燃料电池健康影响的相对重要排名。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
请参阅图1~图4,图1为基于典型运行参数的燃料电池健康状态识别方法的流程图,如图1所示,该方法每当燃料电池收到加载信号时,燃料电池加载策略触发。依据这一时刻的健康状态识别结果,合理地控制燃料电池输出功率上升速率。具体做法如下:
(1)获取车用燃料电池常用工况的运行参数数据;主要包括负载电流、化学计量比、入口压力、入口流量、相对湿度和单体电压。
(2)统计单体电压数据(样本)分别求取平均值和最小值,并计算平均单体电压波动率和最小距;其表达式分别为:
其中,Cv表示平均单体电压波动率,Vr表示最小距,Vi表示单体电压,表示平均单体电压,n表示单体电池的数量,Vmin表示最小单体电压。Cv表明单体电压偏离平均单体电压的偏离程度,Vr反映最小单体电压偏离平均电压的波动程度,两者均可以反应单体电压的空间波动程度。同时这两个指标越大,表明燃料电池健康状态越差。因此将这两个指标作为评价燃料电池健康状态。
(3)基于非参数统计法(数字异常值)的第一和第三分位数确定两个健康指标的异常值;并将其设定为工程故障值,其表达式如下:
IQR=q3-q1
其中,q1表示第一分位数,q3表示第三分位数;q1-1.5IQR、q3+1.5IQR分别代表健康指标的正常值中的最小值和最大值。因此将q3+1.5IQR作为计算两个健康指标故障阈值的依据。
(4)分别确定两个健康指标的最优分类数k。依据组内平方和确定正常类样本的最佳分类数量;组内平方和就是各个点到聚类中心的距离平方和。
其中,Dk表示组内距离平方和,k表示聚类数目,m表示每类样本的数量,xij表示第i类第j个样本,Ci表示第i类样本的聚类中心。根据手肘法则选取不同的k值,一般从1-9,然后画出每一个k值的距离之和与k的关系图,当Dk足够小时(曲线拐点)即为最优的k值。
(5)分别对Cv和Vr两个健康指标聚类。通过K均值聚类算法计算每类健康类别样本的聚类中心;
K均值聚类算法的实现过程如下:
1)选定k个“种子”作为初始族群代表。
2)每个个体归入距离其最近的种子所在的族群。
3)归类完成后,将新产生的族群的质心定为新的种子。
4)重复步骤2)和步骤3),直到不再需要移动。
当聚类中心不发生移动时,聚类刚好完成,因此聚类的过程就是聚类中心不断自适应更新的过程。由于该算法受异常值影响很大,因此K均值聚类只适用于健康类别样本。
(6)依据上一步Cv和Vr的聚类结果,分别统计每一类别健康指标的最大值和最小值,并作为类别间的阈值。由于只对单一变量聚类,因此统计的最值即为阈值。
(7)依据两个健康指标最差原则构建燃料电池健康状态线性矩阵;
其中,行标i代表第i类Cv,列表j代表第j类Vr。矩阵中,第4行和第4列的所有元素代表燃料电池出现故障,其余元素别代表健康状态,第1行第1列元素表明最健康类别,一共四类状态,另外两种状态分别是:1)第2行第1~2个元素和第2列第1~2个元素;2)第3行第1~3个元素和第3列第1~3个元素。
(8)求取训练样本特征的平均值和标准差,将其标准化;采用z-score标准化方法。因为燃料电池运行参数存在一些离群值,因此采用该方法。
其中,Zij为标准化后的变量值;lij为实际变量值;li为变量的平均值;si为变量的标准。这里的变量指运行工况期间获取的燃料电池典型运行参数(空气参数、氢气参数、负载电流和温度)。
(9)为了探究采集运行参数对燃料电池健康指标影响是否显著,根据两两特征间的特征值之差和样本数量求取斯皮尔曼相关系数;斯皮尔曼等级相关系数适用于衡量变量间的非线性关系,主要指单调关系,不要求数据是连续的,正太分布或线性的。其相关系数表达式如下:
其中,di=xi-yi,xi和yi分别是两个运行参数按从小到大排序的秩,n是样本的容量。
(10)为了降低系统成本,使用更少的运行参数识别健康状态。采用包装特征选择方法将随机森林分类器作为包装特征选择的参数,递归特征排除作为目标函数获取特征对分类的贡献排名;即选出相对排名较高且容易在实车上采集的运行参数:包括负载电流,温度,阴极和阳极入口压力,阴极和阳极化学计量比。
(11)为了近一步提高后续机器学习模型识别效率,采用方差膨胀因子法(VIF)计算每个特征对应的因子值VIF,筛除VIF值大于10的特征用于排除具有线性相关的特征参数;第i个运行参数的VIF值计算公式如下:
P为皮尔逊相关系数矩阵,用于衡量变量之间的线性相关程度。而Mii则指的是将相关系数矩阵的第i行i列去掉,剩下的部分计算行列式,矩阵P的余子式。
(12)将最终选出的运行参数(负载电流,阴极化学计量比,阳极入口压力和温度)作为随机森林模型输入变量,标签值(非参数统计和聚类算法结果)作为模型输出变量,并采用交叉验证方法确定健康识别模型的超参数;
(13)用实时采集到的电流、温度、阴极化学计量比和阳极入口压力驱动训练好的随机森林模型识别燃料电池健康状态;
(14)依据识别的燃料电池健康状态控制燃料电池功率上升速率,直至输出功率上升至目标功率。
识别结果如图2、图3和图4所示。图2为支持向量机算法识别结果,作为对比。图3为随机森林算法识别结果,图4为随机森林返回的特征对燃料电池健康影响的相对重要排名。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种基于典型运行参数的燃料电池健康状态识别方法,其特征在于,首先采用非参数统计和无监督学习算法计算出健康评价指标的阈值,并通过线性矩阵对评价指标进行标签;然后,采用采用卡方检验、斯皮尔曼相关分析和包装特征选择方法选出对燃料电池健康状态影响相对显著的特征;最后采用随机森林算法对选取的特征进行识别,从而识别出燃料电池健康状态。
2.根据权利要求1所述的燃料电池健康状态识别方法,其特征在于,该方法具体包括以下步骤:
S1:获取车用燃料电池常用工况的运行参数;
S2:统计单体电压数据样本,分别求取平均值和最小值;计算平均单体电压波动率和最小距,并将其作为评价燃料电池健康状态的健康指标;
S3:基于非参数统计法的第一和第三分位数确定两个健康指标的异常值;并将其设定为工程故障值;
S4:分别确定两个健康指标的最优分类数k;依据组内平方和确定正常类样本的最佳分类数量;
S5:分别对两个健康指标聚类:通过K均值聚类算法计算每类健康类别样本的聚类中心;
S6:依据步骤S5的聚类结果,分别统计每一类别健康指标的最大值和最小值,并作为类别间的阈值;
S7:依据两个健康指标最差原则构建燃料电池健康状态线性矩阵;
S8:求取训练样本特征的平均值和标准差,将其标准化;
S9:根据两两特征间的特征值之差和样本数量求取斯皮尔曼相关系数;
S10:采用包装特征选择方法将随机森林分类器作为包装特征选择的参数,递归特征排除作为目标函数获取特征对分类的贡献排名;
S11:采用方差膨胀因子法计算每个特征对应的因子值,筛除因子值大于10的特征用于排除具有线性相关的特征参数;
S12:将最终选出的运行参数作为随机森林模型输入变量,标签值即非参数统计和聚类算法结果作为模型输出变量,并采用交叉验证方法确定健康识别模型的超参数;
S13:用实时采集到的电流、温度、阴极化学计量比和阳极入口压力驱动训练好的随机森林模型识别燃料电池健康状态。
4.根据权利要求2所述的燃料电池健康状态识别方法,其特征在于,步骤S3中,异常值,即工程故障值IQR的表达式为:IQR=q3-q1,其中,q1表示第一分位数,q3表示第三分位数;健康指标正常值中的最小值为q1-1.5IQR,最大值为q3+1.5IQR。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210015506.4A CN114384423A (zh) | 2022-01-07 | 2022-01-07 | 一种基于典型运行参数的燃料电池健康状态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210015506.4A CN114384423A (zh) | 2022-01-07 | 2022-01-07 | 一种基于典型运行参数的燃料电池健康状态识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114384423A true CN114384423A (zh) | 2022-04-22 |
Family
ID=81200619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210015506.4A Pending CN114384423A (zh) | 2022-01-07 | 2022-01-07 | 一种基于典型运行参数的燃料电池健康状态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114384423A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4270130A1 (en) * | 2022-04-26 | 2023-11-01 | Transportation IP Holdings, LLC | Shift detection system and method for a power supply system |
CN117574788A (zh) * | 2024-01-17 | 2024-02-20 | 中国第一汽车股份有限公司 | 一种基于多尺度建模的电池健康度预测方法及装置 |
-
2022
- 2022-01-07 CN CN202210015506.4A patent/CN114384423A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4270130A1 (en) * | 2022-04-26 | 2023-11-01 | Transportation IP Holdings, LLC | Shift detection system and method for a power supply system |
CN117574788A (zh) * | 2024-01-17 | 2024-02-20 | 中国第一汽车股份有限公司 | 一种基于多尺度建模的电池健康度预测方法及装置 |
CN117574788B (zh) * | 2024-01-17 | 2024-05-14 | 中国第一汽车股份有限公司 | 一种基于多尺度建模的电池健康度预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109931678B (zh) | 基于深度学习lstm的空调故障诊断方法 | |
Deng et al. | Battery health estimation with degradation pattern recognition and transfer learning | |
JP7240691B1 (ja) | データドライブの能動配電網異常状態検知方法及びシステム | |
CN114384423A (zh) | 一种基于典型运行参数的燃料电池健康状态识别方法 | |
CN107992976B (zh) | 热点话题早期发展趋势预测系统及预测方法 | |
CN111105104A (zh) | 一种基于相似日和rbf神经网络的短期电力负荷预测方法 | |
CN111476435B (zh) | 基于密度峰值的充电桩负荷预测方法 | |
CN111723925B (zh) | 一种在途智能列车空调机组故障诊断方法、装置、设备及介质 | |
CN111401785A (zh) | 一种基于模糊关联规则的电力系统设备故障预警方法 | |
CN114114039B (zh) | 一种电池系统的单体电芯一致性的评估方法和装置 | |
CN116306320A (zh) | 非血管腔道导丝生产质量管理方法及系统 | |
CN113821976A (zh) | 一种基于集成算法的锂电池故障诊断建模方法 | |
CN106896219A (zh) | 基于变压器油中溶解气体数据的变压器亚健康状态识别及平均剩余寿命估计方法 | |
CN116226469B (zh) | 一种储能设备故障的智能诊断方法及系统 | |
CN115372828A (zh) | 基于充电片段数据和无监督算法的电芯一致性评估方法 | |
CN113887729A (zh) | 一种低压电力线载波通信系统故障诊断方法 | |
CN116245227A (zh) | 逐日气象干旱预测方法、装置、存储介质和设备 | |
CN111882114A (zh) | 一种短时交通流量预测模型构建方法及预测方法 | |
CN114880939A (zh) | 一种动力电池寿命的智能预测方法及装置 | |
CN114460481A (zh) | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 | |
CN116449218B (zh) | 一种锂电池健康状态的估计方法 | |
US20230305073A1 (en) | Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern | |
CN109342862A (zh) | 基于非监督聚类与和svm分类的变压器故障诊断方法 | |
CN112305442B (zh) | 一种基于kmeans聚类的动力电池SOH快速估计方法 | |
CN113807019A (zh) | 基于改进场景分类和去粗粒化的mcmc风电模拟方法 |
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 |