CN114626195A - 一种利用时空数据进行固体氧化物燃料电池系统的建模方法及系统 - Google Patents
一种利用时空数据进行固体氧化物燃料电池系统的建模方法及系统 Download PDFInfo
- Publication number
- CN114626195A CN114626195A CN202210057180.1A CN202210057180A CN114626195A CN 114626195 A CN114626195 A CN 114626195A CN 202210057180 A CN202210057180 A CN 202210057180A CN 114626195 A CN114626195 A CN 114626195A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- fuel cell
- solid oxide
- oxide fuel
- 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.)
- Granted
Links
- 239000000446 fuel Substances 0.000 title claims abstract description 65
- 239000007787 solid Substances 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000007246 mechanism Effects 0.000 claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000011156 evaluation Methods 0.000 claims description 26
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000013179 statistical model Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 9
- 238000002485 combustion reaction Methods 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 7
- 238000007476 Maximum Likelihood Methods 0.000 claims description 6
- 238000013499 data model Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 6
- 238000005094 computer simulation Methods 0.000 abstract 2
- 238000011157 data evaluation Methods 0.000 abstract 1
- 210000004027 cell Anatomy 0.000 description 45
- 210000002569 neuron Anatomy 0.000 description 17
- 230000006870 function Effects 0.000 description 9
- 238000010248 power generation Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000011259 mixed solution Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
- G06F2119/10—Noise analysis or noise optimisation
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Neurology (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Public Health (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Fuel Cell (AREA)
Abstract
本发明公开了一种利用时空数据进行固体氧化物燃料电池系统的建模方法及系统，包括(1)构建基于固体氧化物燃料电池系统的机理模型，获取由机理模型仿真得到的运行参数；(2)针对实验系统运行情况进行时空数据采集、获取系统建模所需的时空数据；(3)时空数据与机理模型的残差值计算；(4)残差数据的处理；(5)残差数据的评估；(6)机理模型的补偿；(7)残差时空数据评估模型训练，获得训练完成的高精度固体氧化物燃料电池系统模型。通过采用本发明方法能够在处理过程中将机理模型数据与时空数据相结合，充分利用机理模型和时空数据的时空特性，能够大幅提升系统建模效率和精度，为后期的系统性能预测和故障诊断提供指导。
Description
技术领域
本发明属于高温燃料电池系统发电技术领域，具体涉及一种利用时空数据进行固体氧化物燃料电池系统的建模方法及系统。
背景技术
固体氧化物燃料电池作为一种高温发电技术，其具有能量转换效率高、无机械运动、可借助热电联供二次提升能耗利用率等优势，已成为极具发展潜力的新能源技术。但固体氧化物燃料电池作为一种涉及电化学反应、传热传质过程的发电技术，其过程充满了多种耦合因素，且耦合机理复杂，单纯依靠传统的机理建模难以避免发电过程中忽略关键因素，从而影响建模的精度，进而影响到系统热电特性的分析。为了提升固体氧化物燃料电池系统的建模精度，通过查阅资料显示，借助时空数据统计的方法能够有效提升建模的精度。这是因为时空数据能够有效地涉及到固体氧化物燃料电池系统在各方面的发电过程数据，如电堆的温度、气体流速、负载需求、电堆放电电压、电流等在空间中的分布特征、内在联系及规律等，不仅具有明显的空间分布特征，而且具有数据量庞大、非线性以及时变等特征。因此，基于时空数据进行固体氧化物燃料电池系统的建模具有多维度、海量、更新快速的综合特点。
在采用时空数据对固体氧化物燃料电池系统的运行特性进行预测的问题上，目前尚缺少清晰明确的体系，在面对相似的燃料电池系统时空数据统计任务时，需要进行重复的处理过程，且该处理过程需要大量人力干预，严重影响了建模时效，且无法充分利用计算机的计算能力提升时空统计效果。因此，针对上述问题提出一种利用时空数据进行固体氧化物燃料电池系统的建模方法。
发明内容
针对现有技术中的不足与难题，本发明旨在提供利用时空数据进行固体氧化物燃料电池系统的建模方法来解决在固体氧化物燃料电池运行状态的预测建模问题上，缺少清晰明确的体系，在面对相似的时空数据统计任务时，需要进行重复的处理过程，且该处理过程需要大量人力干预，严重影响了建模时效，且无法充分利用计算机的计算能力提升时空统计效果的问题。
本发明通过以下技术方案予以实现：
本发明一方面提供一种利用时空数据进行固体氧化物燃料电池系统的建模方法，包括如下步骤：
(1)根据物理第一性方程，构建固体氧化物燃料电池系统中电堆、尾气燃烧室、热交换器、重整器等关键部件的机理模型，并且根据系统的布局方式进行系统模型的连接，并以此模型进行动静态模拟仿真；
(2)根据安装在实验系统上的温度传感器和电压、电流、功率传感器等元件采集在上述步骤(1)中提及各部件的热电特性参数，这样即完成了系统时空数据的采集；
(3)时空数据与机理模型的残差值计算：根据采用相同系统输入量(气体流速、气体温度、气体组分、外部负载需求)观察机理模型与时空数据的输出值，并按照时间区间进行相减求差值，以获得二者的残差数据。
(4)残差数据的处理：对所述初始残差数据的初始特征利用自组织特征映射和径向基函数神经网络的非线性处理，获得训练集特征；
(5)残差数据的评估：采用EMD间隔阈值消噪与极大似然估计相结合的分类机制对所述训练集特征进行评估，获得评估结果并分类；
(6)机理模型的补偿、利用评估后的残差数据模型对机理模型进行补偿，消除机理模型与实验系统间因不明机理引起的运行数据差异。
(7)根据机理补偿模型获得的数据，确定系统的准确输入输出变量，并以此为依据训练时空数据统计模型、将步骤(5)中获得的评估结果进行模型训练，进而在训练完成的获得能够准确反映固体氧化物燃料电池系统运行特性的时空数据统计模型。
进一步地，所述步骤(4)中的非线性处理处理包括对初始残差数据进行数据异常识别、残差数据融合、动态特征残差数据生成三个基本数据特征。
进一步地，所述步骤(5)中采用EMD间隔阈值消噪与极大似然估计相结合的分类机制对训练集特征进行评估和归类，获得评估结果包括：从训练集特征中选取预定数量的目标特征作为当前评估特征集合。
进一步地，所述步骤(5)中对所述评估结果进行统计，获得所述当前评估特征中各个目标特征的评估得分统计结果。
进一步地，所述步骤(7)中模型训练使用支持向量机算法，在训练集上通过十折交叉验证进行模型参数选择和训练，以获得能准确反映固体氧化物燃料电池系统运行特性的时空数据统计模型。
本发明根据训练完成的所述时空数据统计模型可为后期的系统性能预测与故障诊断提供指导，具体为：根据固体氧化物燃料电池系统运行的时空数据中蕴含的目标特征信息，在数据库中分别查找各单元部件对应的历史数据，从而为系统性能预测和故障诊断作指导。
本发明另一方面提供一种利用时空数据进行固体氧化物燃料电池系统的建模系统，包括固体氧化物燃料电池系统机理模型模块、外部输入信息采集模块、外部数据分析模块、系统数据关系逻辑分析模块、系统查询接口模块、数据融合模块以及高精度模型重构模块；其中，
所述固体氧化物燃料电池系统机理模型模块，用于根据物理第一性原理构建初步的系统模型，所述机理反映的是系统运行过程中的传热、传质的过程形式；
所述外部输入信息采集模块，用于从固体氧化物燃料电池系统实验系统中采集数据，从而形成大数据集群，包含了实验系统的电堆尺寸、功率、电池片数量等恒值数据，以及电堆温度、阳极燃料流速和温度、阴极空气流速和温度、以及外部负载功率需；
所述外部数据分析模块，用于对外部数据进行分析，判别其蕴含的物理单位，包括对外部采集数据进行单元的切分(正常、异常)、归类(属于电堆、尾气燃烧室、热交换器、重整器)和分组(组别确定)等；
所述系统数据关系逻辑分析模块，用于对采集的数据信息进行逻辑分析，确立与机理模型间的匹配关系；
所述系统查询接口模块，用于供外部终端访问、查询实验系统和系统模型信息；
所述数据融合模块，用于将机理模型和实验数据在时间域和空间域进行信息的匹配；
所述高精度模型重构模块，用于实现数据模型对机理模型进行修正。
与现有技术相比，本发明有益效果包括：
(1)本发明首先通过构建机理模型，再利用温度、电特性传感器采集系统运行数据，得到系统输入、时间与系统放电电压、温度的关系，并结合构建的机理模型，形成时空数据与机理模型相结合的固体氧化物燃料电池(SOFC)系统高精度模型；其次，利用该高精度模型可获得系统从启动后所获得的人为选定及外部负载需求输入的系统时空热电特性输出数据，进而可以获得不同外部负载的目标功率下，尾气燃烧室、电堆、重整器、热交换器的多空间位置温度分布，同时可以获得在任意时空的负载需求下，系统所发电的功率、电压、电流等参数。
(2)本发明通过获得的系统模型输出参数，可与实验系统进行比对，若发现偏差逐步增大，则可以为系统的故障诊断作指导；另外，因模型的运行时域快于实验系统，可由此快速预测未来固体氧化物燃料电池系统的运行趋势，适用于实际工程的应用。
附图说明
图1为本发明建模方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
实施例1
利用时空数据进行固体氧化物燃料电池系统的建模方法的流程如图1所示，具体包括如下步骤：
(1)根据物理第一性方程，构建固体氧化物燃料电池系统中电堆、尾气燃烧室、热交换器、重整器等关键部件的机理模型，并且根据系统的布局方式进行系统模型的连接，并以此模型进行动静态模拟仿真；
(2)根据安装在实验系统上的温度传感器和电压、电流、功率传感器等元件采集在上述步骤(1)中提及各部件的热电特性参数，这样即完成了系统时空数据的采集；
(3)时空数据与机理模型的残差值计算：根据采用相同系统输入量(气体流速、气体温度、气体组分、外部负载需求)观察机理模型与时空数据的输出值，并按照时间区间进行相减求差值，以获得二者的残差数据。
(4)残差数据的处理：对所述初始残差数据的初始特征利用自组织特征映射和径向基函数神经网络的非线性处理，获得训练集特征；非线性处理包括对初始残差数据进行数据异常识别、残差数据融合、动态特征残差数据生成三个基本数据特征；
(5)残差数据的评估：采用EMD间隔阈值消噪与极大似然估计相结合的分类机制对所述训练集特征进行评估，获得评估结果并分类；获得评估结果包括：从训练集特征中选取预定数量的目标特征作为当前评估特征集合；对所述评估结果进行统计，获得所述当前评估特征中各个目标特征的评估得分统计结果
(6)机理模型的补偿：利用评估后的残差数据模型对机理模型进行补偿，消除机理模型与实验系统间因不明机理引起的运行数据差异。
(7)根据机理补偿模型获得的数据，确定系统的准确输入输出变量，并以此为依据训练时空数据统计模型、将步骤(5)获得的评估结果进行模型训练，模型训练使用支持向量机算法，在训练集上通过十折交叉验证进行模型参数选择和训练，进而在训练完成的获得能够准确反映固体氧化物燃料电池系统运行特性的时空数据统计模型。
固体氧化物燃料电池系统时空数据统计模型的构建任务完成、根据训练完成的所述时空数据统计模型可为后期的系统性能预测与故障诊断提供指导。根据固体氧化物燃料电池系统运行的时空数据中蕴含的目标特征信息，在数据库中分别查找各单元部件对应的历史数据，从而为系统性能预测和故障诊断作指导。
上述建模方法仅需要少量人工，能够体现建模时效，是一种利用时空数据进行固体氧化物燃料电池系统的建模方法。
实施例2
利用时空数据进行固体氧化物燃料电池系统的建模方法可以用于固体氧化物燃料电池系统发电特性的建模，本实施例为基于电压运行趋势来获取固体氧化物燃料电池系统的运行工况的建模，需要利用到的时空数据包括随时间变化的固体氧化物燃料电池电堆温度、阳极燃料流速和温度、阴极空气流速和温度、以及外部负载功率需求。
本实施例利用工作站进行分析建模，其中包含的部件有固体氧化物燃料电池系统机理模型模块、外部输入信息采集模块、外部数据分析模块、系统数据关系逻辑分析模块、系统查询接口模块、数据融合模块、以及高精度模型重构模块
所述固体氧化物燃料电池系统机理模型模块用于根据物理第一性原理构建初步的系统模型，所述机理反映的是系统运行过程中的传热、传质等过程形式；
所述外部输入信息采集模块用于从固体氧化物燃料电池系统实验系统中采集数据，从而形成大数据集群，所述外部输入信息包含了实验系统的电堆尺寸、功率、电池片数量等恒值数据，同时包含了电堆温度、阳极燃料流速和温度、阴极空气流速和温度、以及外部负载功率需求；
所述外部数据分析模块用于对外部数据进行分析，判别其蕴含的物理单位，包括对外部采集数据进行单元的切分(正常、异常)、归类(属于电堆、尾气燃烧室、热交换器、重整器)和分组(组别确定)等；
所述系统数据关系逻辑分析模块用于对采集的数据信息进行逻辑分析，确立与机理模型间的匹配关系；
机理模型数据与系统数据进行残差计算：e＝ys-ym，其中ys为系统在相同输入量下的输出值，ym为模型在相同输入量下的输出值。
根据得到的残差值e进行自组织特征映射聚类模型训练，模型的输入为预测样本x＝(x1,x2,x3)T。输入层与竞争层的连线是竞争层神经元的聚类中心。cj＝(cj1,cj2,cj3)T表示第 j个竞争层神经元的聚类中心。同时，竞争层神经元将输入向量与聚类中心的距离映射到一个(0,1)区间的概率值pj。
输入向量与聚类中心的距离越小，pj越大，表示相应神经元的竞争力越强。激活层神经元根据竞争层的概率和二值伯努利公式
生成一个0-1变量判别竞争层神经元的激活情况。qj＝1表示相应竞争层神经元被激活，此时该神经元获得正向奖励，从趋向样本的方向修正神经元的聚类中心，以增强神经元的竞争力。qj＝0的情况与qj＝1 的情况相反。
模型的训练过程如下：
1)初始化各个聚类中心，计算随机样本到各个聚类中心的欧式距离dj＝||cj-x||2。
2)计算竞争层每个神经元输出的概率值pj＝2(1-f(dj))，f为Sigmoid函数，即 f(x)＝1/(1+e-x)。然后根据该概率和二值伯努利公式生成竞争层神经元的激活情况。
3)运用改进随机梯度强化法求解竞争层神经元聚类中心的更新量Δcj。
4)以式cj(t+1)＝cj(t)+Δcj更新聚类中心，直至聚类中心的精度满足要求。其中，Δcij的求解是训练计算的关键。Δcij的计算公式如下：
式中：η是学习率；r是奖励，当qj＝1时，
当qj＝0时，
σ是更新邻域的有效宽度；c*为获胜神经元的聚类中心位置；bij是强化基准值，令bij＝0；g(qj,pj)是二值伯努利公式。
通过运用随机样本不断迭代计算，直至神经元聚类中心满足精度，最终获得历史预测样本的聚类中心，作为径向基函数神经网络模型的径向基中心。
在训练径向基函数网络时采用如下关系，
式中：x和y分别是样本和预测的负荷；M为隐含层神经元数；cj为第j个径向基中心； exp(·)是高斯函数，并作为径向基函数；
为第j个径向基中心对应的高斯函数宽度的二次方，用于调节样本与径向基中心的距离的影响程度；ωj表示第j个隐含层神经元到输出层的连接权值。
完成自组织特征映射和径向基函数神经网络模型参数训练后，进一步地采用EMD间隔阈值消噪与极大似然估计相结合的分类机制对所述训练集特征进行评估，具体地方式为：
其算法流程如下：
1)对观察到的原始信号x(t)进行EMD分解，得基本模式分量h(i)(t),i＝1,2,3,...L；
2)对h(l)(t)进行传统的阈值操作获得降噪后的
3)对h(l)(t)中的噪声成分
进行估计，
4)对剩余的L-1个IMF和
求和，得一有用信号的重构，
5)随机改变第一个IMF中噪声
6)重构一不同于x(t)的信号
并对其进行EMD分解；
7)对xa(t)的每个IMF按式5)、6)进行阈值消噪，重构x(t)的降噪信号
8)重复步骤(5)～(7)K-1次，获得
9)对步骤8)结果进行平均计算，获得降噪信号
K为平均次数。
步骤5)随机改变方法有两种形式，①随机循环：
的采样点值随机循环变化；②随机置换：
的采样点处的值与位置随机变化。
完成上述步骤后，利用下式进行阈值设计：
式中：
为反映每层IMF中噪声成分能量Ei的估计值，Ti为第i层IMF中所用阈值。
若分类评价效果好，则建模完成；否则再利用极大似然估计进行二次消噪，进而实现有效分类评价。
这样既可获得固体氧化物燃料电池系统的高精度模型。
在获取的高精度模型中输入实验系统中相同的输入量，可快速计算得到未来时刻固体氧化物燃料电池系统的输出热电特性参数——电堆温度和放电电流、电压，以及尾气燃烧室、重整器和热交换器的温度值等。
所述系统查询接口模块用于供外部终端访问和查询实验系统和系统模型等信息；所述数据融合模块，用于将机理模型和实验数据在时间域和空间域进行信息的匹配；所述高精度模型重构模块，用于实现数据模型对机理模型进行修正。
具体地，高精度系统模型信息可以存储在系统特性分析工作站内部，从而构成一个具有高精度、高鲁棒性的固体氧化物燃料电池系统模型，该模型可用于系统性能工况的预测和故障诊断。
需要说明的是，本实施例中所构建的高精度系统模型是工作在实验系统与机理模型端的可插拔式服务程序，其针对不同输入变量(气体温度、流速和负载需求)的运行大数据集群可以进行相应的扩展和适配，灵活性高。在完成与实验系统的适配工作后，可以在实验系统端安装与部署构建好的模型包。大数据集群可以正常进行固体氧化物燃料电池系统数据的ETL 工作，模型包不会对原有工作产生任何影响。大数据集群在进行ETL处理的任务或工作时，数据处理方式会体现出固体氧化物燃料电池系统中各部件在时空范围内的传热传质关系流向，而部署在实验系统端的模型包在大数据集群处理数据ETL工作时，就可以动态地获取到处理固体氧化物燃料电池系统数据信息。
以上所述仅表达了本发明的优选实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形、改进及替代，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.利用时空数据进行固体氧化物燃料电池系统的建模方法，其特征在，所述方法包括以下步骤：
(1)根据物理第一性方程，构建固体氧化物燃料电池系统中关键部件电堆、尾气燃烧室、热交换器、重整器的机理模型，并且根据系统的布局方式进行系统模型的连接，并以此模型进行动静态模拟仿真；
(2)根据安装在实验系统上的温度传感器和电压、电流、功率传感器等元件采集在所述步骤(1)中提及各部件的热电特性参数，进而完成系统时空数据的采集；
(3)时空数据与机理模型的残差值计算：根据采用相同系统中气体流速、气体温度、气体组分、外部负载需求的输入量观察机理模型与时空数据的输出值，并按照时间区间进行相减求差值，以获得二者的残差数据；
(4)残差数据的处理：对所述初始残差数据的初始特征利用自组织特征映射和径向基函数神经网络进行非线性处理，获得训练集特征；
(5)残差数据的评估：采用EMD间隔阈值消噪与极大似然估计相结合的分类机制对所述训练集特征进行评估，获得评估结果并分类；
(6)机理模型的补偿：利用评估后的残差数据模型对机理模型进行补偿，消除机理模型与实验系统间因不明机理引起的运行数据差异；
(7)根据机理补偿模型获得的数据，确定系统的准确输入输出变量，并以此为依据训练时空数据统计模型，将所述步骤(5)获得的评估结果进行模型训练，进而在训练完成的获得能够准确反映固体氧化物燃料电池系统运行特性的时空数据统计模型。
2.根据权利要求1所述的利用时空数据进行固体氧化物燃料电池系统的建模方法，其特征在于：所述步骤(4)中所述非线性处理包括：对初始残差数据进行数据异常识别、残差数据融合、动态特征残差数据生成三个基本数据特征。
3.根据权利要求1所述的利用时空数据进行固体氧化物燃料电池系统的建模方法，其特征在于：所述步骤(5)中获得评估结果包括：从所述训练集特征中选取预定数量的目标特征作为当前评估特征集合。
4.根据权利要求3所述的利用时空数据进行固体氧化物燃料电池系统的建模方法，其特征在于：所述步骤(5)对所述评估结果进行统计，获得所述当前评估特征中各个目标特征的评估得分统计结果。
5.根据权利要求1所述的利用时空数据进行固体氧化物燃料电池系统的建模方法，其特征在于：所述步骤(7)中模型训练使用支持向量机算法，在训练集上通过十折交叉验证进行模型参数选择和训练，以获得能准确反映固体氧化物燃料电池系统运行特性的时空数据统计模型。
6.利用时空数据进行固体氧化物燃料电池系统的建模系统，其特征在于：包括固体氧化物燃料电池系统机理模型模块、外部输入信息采集模块、外部数据分析模块、系统数据关系逻辑分析模块、系统查询接口模块、数据融合模块以及高精度模型重构模块；其中，
所述固体氧化物燃料电池系统机理模型模块，用于根据物理第一性原理构建初步的系统模型，所述机理反映的是系统运行过程中的传热、传质的过程形式；
所述外部输入信息采集模块，用于从固体氧化物燃料电池系统实验系统中采集数据，从而形成大数据集群；
所述外部数据分析模块，用于对外部数据进行分析，判别其蕴含的物理单位；
所述系统数据关系逻辑分析模块，用于对采集的数据信息进行逻辑分析，确立与机理模型间的匹配关系；
所述系统查询接口模块，用于供外部终端访问、查询实验系统和系统模型信息；
所述数据融合模块，用于将机理模型和实验数据在时间域和空间域进行信息的匹配；
所述高精度模型重构模块，用于实现数据模型对机理模型进行修正。
7.根据权利要求6所述的利用时空数据进行固体氧化物燃料电池系统的建模系统，其特征在于：所述外部输入信息采集模块采集的数据包含了实验系统的电堆尺寸、功率、电池片数量的恒值数据，以及电堆温度、阳极燃料流速和温度、阴极空气流速和温度、以及外部负载功率需求。
8.根据权利要求6所述的利用时空数据进行固体氧化物燃料电池系统的建模系统，其特征在于：所述外部数据分析模块具体用于对外部采集数据进行单元的切分、归类和分组，其中所述切分是指分为正常或异常，所述归类是指分属为电堆、尾气燃烧室、热交换器或重整器，所述分组是指组别确定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210057180.1A CN114626195B (zh) | 2022-01-18 | 2022-01-18 | 一种利用时空数据进行固体氧化物燃料电池系统的建模方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210057180.1A CN114626195B (zh) | 2022-01-18 | 2022-01-18 | 一种利用时空数据进行固体氧化物燃料电池系统的建模方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114626195A true CN114626195A (zh) | 2022-06-14 |
| CN114626195B CN114626195B (zh) | 2024-05-03 |
Family
ID=81899019
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210057180.1A Active CN114626195B (zh) | 2022-01-18 | 2022-01-18 | 一种利用时空数据进行固体氧化物燃料电池系统的建模方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114626195B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013083872A1 (en) * | 2011-12-09 | 2013-06-13 | Convion Oy | Method and arrangement for indicating solid oxide cell operating conditions |
| CN112038671A (zh) * | 2020-08-21 | 2020-12-04 | 华中科技大学 | 一种固体氧化物燃料电池温度分布估计方法与系统 |
| CN113722288A (zh) * | 2021-07-27 | 2021-11-30 | 张博 | 一种时空数据统计的建模方法 |
-
2022
- 2022-01-18 CN CN202210057180.1A patent/CN114626195B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013083872A1 (en) * | 2011-12-09 | 2013-06-13 | Convion Oy | Method and arrangement for indicating solid oxide cell operating conditions |
| CN112038671A (zh) * | 2020-08-21 | 2020-12-04 | 华中科技大学 | 一种固体氧化物燃料电池温度分布估计方法与系统 |
| CN113722288A (zh) * | 2021-07-27 | 2021-11-30 | 张博 | 一种时空数据统计的建模方法 |
Non-Patent Citations (1)
| Title |
|---|
| 彭继慎;董晶;: "基于RBF神经网络的控制系统传感器故障诊断方法", 现代电子技术, no. 12, 15 June 2009 (2009-06-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114626195B (zh) | 2024-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tong et al. | Early prediction of remaining useful life for Lithium-ion batteries based on a hybrid machine learning method | |
| Wu et al. | State of health estimation of lithium-ion battery with improved radial basis function neural network | |
| CN111563611B (zh) | 面向图卷积网络的云数据中心可再生能源时空预测方法 | |
| CN109324291B (zh) | 一种针对质子交换膜燃料电池寿命预测的预测方法 | |
| Zhang et al. | Cloud-based in-situ battery life prediction and classification using machine learning | |
| Wang et al. | Health diagnosis for lithium-ion battery by combining partial incremental capacity and deep belief network during insufficient discharge profile | |
| Fei et al. | A deep attention-assisted and memory-augmented temporal convolutional network based model for rapid lithium-ion battery remaining useful life predictions with limited data | |
| 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 | |
| CN116449218B (zh) | 一种锂电池健康状态的估计方法 | |
| Huang et al. | Research on transformer fault diagnosis method based on GWO optimized hybrid kernel extreme learning machine | |
| CN112731183A (zh) | 一种基于改进的elm的锂离子电池寿命预测方法 | |
| CN116609668A (zh) | 一种锂离子电池健康状态和剩余寿命预测方法 | |
| Zhang et al. | State of health estimation for lithium-ion batteries on few-shot learning | |
| Sun et al. | A novel fault prediction method based on convolutional neural network and long short-term memory with correlation coefficient for lithium-ion battery | |
| Sun et al. | An improved neural network model for predicting the remaining useful life of proton exchange membrane fuel cells | |
| CN101206727B (zh) | 数据处理装置和数据处理方法 | |
| CN112327165B (zh) | 一种基于无监督迁移学习的电池soh预测方法 | |
| Song et al. | Capacity estimation method of lithium-ion batteries based on deep convolution neural network | |
| CN114626195B (zh) | 一种利用时空数据进行固体氧化物燃料电池系统的建模方法及系统 | |
| CN116400266A (zh) | 基于数字孪生模型的变压器故障检测方法、装置及介质 | |
| Mehta et al. | A Comprehensive study of Machine Learning Techniques used for estimating State of Charge for Li-ion Battery | |
| Xiao et al. | Battery state of health prediction based on voltage intervals, BP neural network and genetic algorithm | |
| Wang et al. | A conditional random field based feature learning framework for battery capacity prediction | |
| CN114295994A (zh) | 一种基于pca-rvm的锂离子电池剩余使用寿命预测方法 | |
| Sui | Robust State of Health Estimation for Lithium-Ion Batteries Using Machines Learning |
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 |