CN114740361B - 基于长短期记忆神经网络模型的燃料电池电压预测方法 - Google Patents

基于长短期记忆神经网络模型的燃料电池电压预测方法 Download PDF

Info

Publication number
CN114740361B
CN114740361B CN202210378188.8A CN202210378188A CN114740361B CN 114740361 B CN114740361 B CN 114740361B CN 202210378188 A CN202210378188 A CN 202210378188A CN 114740361 B CN114740361 B CN 114740361B
Authority
CN
China
Prior art keywords
fuel cell
short
neural network
long
voltage
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
CN202210378188.8A
Other languages
English (en)
Other versions
CN114740361A (zh
Inventor
程军圣
左彬
杨宇
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.)
Hunan University
Original Assignee
Hunan University
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 Hunan University filed Critical Hunan University
Priority to CN202210378188.8A priority Critical patent/CN114740361B/zh
Publication of CN114740361A publication Critical patent/CN114740361A/zh
Application granted granted Critical
Publication of CN114740361B publication Critical patent/CN114740361B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • 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
    • 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
    • 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

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Fuel Cell (AREA)

Abstract

本发明公开了一种基于长短期记忆神经网络模型的燃料电池电压预测方法，首先获取燃料电池多种历史检测信号并进行预处理，分解出预测电压信号；然后对预测电压信号和历史检测信号进行归一化处理，获得特征信号并滤波；将滤波后的特征信号输入建立的组合式长短期记忆神经网络模型，重复训练得到燃料电池电压预测模型；最后将筛选出的特征信号实时采集后进行归一化处理和卡尔曼滤波，再输入到燃料电池电压预测模型中，获得的结果进行反归一化处理，获得燃料电池的预测电压，此方法能够对燃料电池，尤其是长周期工作的燃料电池发电系统进行实时电压状态的精准预测，可实现燃料电池故障提前感知，保证设备的安全、稳定和长期运行。

Description

基于长短期记忆神经网络模型的燃料电池电压预测方法
技术领域
本发明涉及燃料电池技术领域，特别涉及一种基于长短期记忆神经网络模型的燃料电池电压预测方法。
背景技术
燃料电池虽然具有清洁、高效等多重优点，但其商业化进程仍处在起步阶段，而它的使用寿命则是限制其大规模应用的重要因素。针对燃料电池耐久性不佳这一缺陷，预测与健康管理技术(PHM)成为当前燃料电池健康状态评估及剩余工作寿命预测的热门方法。燃料电池的健康状态可以由燃料电池的电压作为表征，利用燃料电池的的历史检测信号，预测燃料电池的电压，可以针对性地制定燃料电池管理与控制策略，可有效提高燃料电池发电系统的可靠性。
目前用于预测的方法主要有数据驱动、模型驱动及融合算法三类，基于数据驱动的预测方法利用大量数据完成非线性拟合，不需要先验的燃料电池组件退化模型，在预测方面具有较大优势。基于模型驱动的方法需要燃料电池内部反应机理，当前很难获得燃料电池内部机理，这给模型驱动带来了不小的挑战。基于数据的预测算法一般采用统计技术，通过算法如粒子滤波、局部加权投影回归等拟合预测方法，预测的精度较低。文献CN111413626 A通过定期测量燃料电池的极化曲线，并构建极化需求衰减的模型，预测燃料电池的寿命，然而在实际燃料电池汽车或者设备运行过程中，设备很难保证定期的策略燃料电池的极化曲线，使该方法在实际应用中面临困难。文献CN 109683093 B利用数据取拟合不同工况下衰减系数获得电压衰减的模型，该文献基于统计和模型回归获得电压衰减，但是在实际应用中工况的分类存在难度。文献CN 110059377 A采用卷积神经网络多燃料电池的电压进行预测，该文献采用的卷积网络更适合于图形处理的情况，在具有时间序列预测方面表现并不是很突出。
发明内容
为了解决上述技术问题，本发明提供一种算法简单、预测精度高的基于长短期记忆神经网络模型的燃料电池电压预测方法。
本发明解决上述问题的技术方案是：一种基于长短期记忆神经网络模型的燃料电池电压预测方法，包括离线训练和在线检测阶段；
离线训练阶段：
步骤1：获取燃料电池多种历史检测信号，包括电压、电流、进口水温、出口水温、冷却水压力、氢气压力、空气出口压力、空气进口压力、空气流量、空气温度；
步骤2：对步骤1所获取的历史检测信号进行预处理，分解出预测电压信号；
步骤3：对步骤2中的预测电压信号和步骤1中的信号进行归一化处理，将归一化的信号与预测电压信号进行相关性筛选，剔除与燃料电池预测电压相关度小于0.9的信号，获得特征信号；
步骤4：对步骤3中筛选的特征信号，进行卡尔曼滤波；
步骤5：建立组合式长短期记忆神经网络模型，将步骤4滤波后的特征信号输入组合式长短期记忆神经网络模型，即将包含各个时刻的状态向量按照时间顺序一一输入，将组合式长短期记忆神经网络模型的输出设为归一化后值，重复训练直至输出的归一化值与步骤3中已知的燃料电池预测电压归一化值之间的均方根值小于设定值，结束训练，得到长短期记忆神经网络模型的权重系数矩阵W’、偏移均值B’、状态矩阵C’的实际值，该参数实例化的模型即为预测模型，标记为Y＝net(W,B,C，Yk)，其中Yk为输入变量；
在线检测阶段：
步骤6：电压预测：将步骤3中筛选出的特征信号通过对应的传感器进行实时采集，采集的特征信号进行归一化处理和卡尔曼滤波获得的滤波值Yk，将Yk代入预测模型Y＝net(W,B,C，Yk)中，获得的结果Y进行反归一化处理，获得燃料电池的预测电压。
上述基于长短期记忆神经网络模型的燃料电池电压预测方法，所述步骤2中按如下公式获得燃料电池的预测电压信号：
V_pre(n)＝V_measure(n+1)
其中：V_pre为预测电压信号，V_measure为测量电压信号，n为当前时间点，n+1为下一个时间点。
上述基于长短期记忆神经网络模型的燃料电池电压预测方法，所述步骤3中按如下公式进行归一化：
其中X为归一化前的数据，Xstd为归一化后的数据，Xmin为该数据在燃料电池运行过程中的最小值，Xmax为该数据在燃料电池运行过程中的最大值。
上述基于长短期记忆神经网络模型的燃料电池电压预测方法，所述步骤3中，以如下公式中的SC为参考依据，对多种监测信号进行筛选，剔除与预测电压相关度SC小于0.9的信号：
其中N表示检测信号的总数量，A表示步骤1中的某种检测信号，i′表示检测信号的序号，μA为该种检测信号的平均值，σA为该种检测信号的标准方差，V_pre为步骤2的预测电压信号，μV_pre为预测电压的平均值，σV_pre为预测电压的标准方差。
上述基于长短期记忆神经网络模型的燃料电池电压预测方法，所述步骤4中按如下公式对每种信号进行单独卡尔曼滤波：
表示n时刻先验状态估计值，X(n)表示n时刻后验状态估计值，/>表示n时刻的先验估计协方差，P(n)表示n时刻的后验估计协方差，Z(n)表示n时刻的观测值，K(n)表示n时刻的卡尔曼滤波增益，Q表示过程激励噪声协方差，R表示测量噪声协方差。
上述基于长短期记忆神经网络模型的燃料电池电压预测方法，所述步骤5和步骤6中，组合式长短期记忆神经网络有六层，第一层为长短期记忆神经网络，第二层为全连接层，第三层为长短期记忆神经网络，第四层为dropout层，第五层为全连接层，第六层为回归层。
上述基于长短期记忆神经网络模型的燃料电池电压预测方法，所述步骤6中按如下公式对信号进行反归一化：
V′_pre＝Vstd*(Vmax-Vmin)+Vmin
其中V′_pre为反归一化后的预测电压结果，Vstd为燃料电池电压预测模型输出结果，Vmin为燃料电池运行过程中电压的最小值，Vmax为燃料电池运行过程中的电压最大值。
上述基于长短期记忆神经网络模型的燃料电池电压预测方法，组合式长短期记忆神经网络中，长短期记忆细胞的控制方程如下：
遗忘门fn＝σf(xnWxf+hn-1Whf+Cn-1Wcf+bf)
输入门:in＝σi(xnWxi+hn-1Whi+bi)
单元状态更新：Cn＝fn·Cn-1+in·tc(xnWxc+hn-1Whc+bc)
输出门:On＝σo(xnWxo+hn-1Who+bo)
隐含层更新：hn＝On·to(Cn)
其中Wxf、Wxi、Wxc和Wxo分别为长短期记忆细胞对应的遗忘门、输入门、单元状态更新和输出门的输入数据权重矩阵，Whf、Whi、Whc和Who是分别衡量上一个时刻遗忘门、输入门、状态更新和输出门的隐含层信息权重矩阵；WCf是衡量上一个单元状态更新信息权重的权重矩阵；bf、bi、bc和bo分别为遗忘门、输入门、单元状态更新和输出门操作运算中的偏置矩阵，xn为n时刻的输入值，fn和in为n时刻的遗忘门和输入门值，On为n时刻的输出值，Cn和Cn-1分别表示n时刻和n-1时刻的单元状态，hn和hn-1表示n时刻和n-1时刻隐含层值，σf、σi和σo分别为遗忘门、输入门和输出门的sigmoid函数，tc和to分别为状态更新和隐含层的tanh函数。
上述基于长短期记忆神经网络模型的燃料电池电压预测方法，组合式长短期记忆神经网络中，第一层与第三层的长短期记忆神经网络记忆神经细胞数为60～100个，第二层和第五层的全连接层的神经元数为50～100个。
本发明的有益效果在于：
1、本发明首先获取燃料电池多种历史检测信号，对所获取的历史检测信号进行预处理，分解出预测电压信号；然后对预测电压信号和历史检测信号进行归一化处理后进行筛选，剔除与燃料电池预测电压无关的信号，获得特征信号并滤波；再建立组合式长短期记忆神经网络模型，将滤波后的特征信号输入组合式长短期记忆神经网络模型，重复训练得到燃料电池电压预测模型；最后将筛选出的特征信号进行实时采集，采集的特征信号进行归一化处理和卡尔曼滤波，将滤波后的信号输入到燃料电池电压预测模型中，获得的结果进行反归一化处理，获得燃料电池的预测电压，此方法能够对燃料电池，尤其是长周期工作的燃料电池发电系统进行实时电压状态的精准预测，可实现燃料电池故障提前感知，保证设备的安全、稳定和长期运行。
2、本发明构建了组合式长短期记忆经网络模型，通过两层长短期记忆网络层与全连接层、dropout层的组合，能够有效地对信息进行筛选和分层记忆，从而强化非线性映射能力，提高了模型在复杂耦合情况下的适应性。
3、本发明将历史电压信号进行预处理，分解出预测电压信号，能够合理地反应历史电压对燃料电池衰减的的影响，并提高燃料电池电压预测的精度；引入卡尔曼滤波，能够有效降低采样噪声的信号的干扰。
附图说明
图1为本发明的流程图。
图2为卡尔曼滤波的流程图。
图3为本发明长短期记忆经网络模型的结构图。
图4为本发明实施例中记忆神经网络和全连接神经细胞数处于保护范围内的模型训练及预测效果图。
图5为记忆神经网络神经细胞数超过保护范围上限的模型训练及预测效果图。
图6为全连接神经细胞数超过保护范围上限的模型训练及预测效果图。
图7为记忆神经网络神经细胞数超过保护范围下限的模型训练及预测效果图。
图8为全连接神经细胞数超过保护范围下限的模型训练及预测效果图。
图9为记忆神经网络和全连接神经细胞数超过保护范围上限的模型训练及预测效果图。
图10为记忆神经网络和全连接神经细胞数超过保护范围下限的模型训练及预测效果图。
图11为不带卡尔曼滤波的模型训练及预测效果图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
如图1所示，一种基于长短期记忆神经网络模型的燃料电池电压预测方法，包括离线训练和在线检测阶段；
离线训练阶段：
步骤1：获取燃料电池多种历史检测信号，包括电压、电流、进口水温、出口水温、冷却水压力、氢气压力、空气出口压力、空气进口压力、空气流量、空气温度。
步骤2：对步骤1所获取的历史检测信号进行预处理，分解出预测电压信号。
步骤2中按如下公式获得燃料电池的预测电压信号：
V_pre(n)＝V_measure(n+1)
其中：V_pre为预测电压信号，V_measure为测量电压信号，n为当前时间点，n+1为下一个时间点。
步骤3：对步骤2中的预测电压信号和步骤1中的信号进行归一化处理，将归一化的信号与预测电压信号进行相关性筛选，剔除与燃料电池预测电压相关度小于0.9的信号，获得特征信号。
步骤3中按如下公式进行归一化：
其中X为归一化前的数据，Xstd为归一化后的数据，Xmin为该数据在燃料电池运行过程中的最小值，Xmax为该数据在燃料电池运行过程中的最大值。
以如下公式中的SC为参考依据，对多种监测信号进行筛选，剔除与预测电压相关度SC小于0.9的信号：
其中N表示检测信号的总数量，A表示步骤1中的某种检测信号，i′表示检测信号的序号，μA为该种检测信号的平均值，σA为该种检测信号的标准方差，V_pre为步骤2的预测电压信号，μV_pre为预测电压的平均值，σV_pre为预测电压的标准方差。
步骤4：对步骤3中筛选的特征信号，进行卡尔曼滤波。
如图2所示，步骤4中按如下公式对每种信号进行单独卡尔曼滤波：
表示n时刻先验状态估计值，X(n)表示n时刻后验状态估计值，/>表示n时刻的先验估计协方差，P(n)表示n时刻的后验估计协方差，Z(n)表示n时刻的观测值，K(n)表示n时刻的卡尔曼滤波增益，Q表示过程激励噪声协方差，R表示测量噪声协方差。
步骤5：建立组合式长短期记忆神经网络模型，将步骤4滤波后的特征信号输入组合式长短期记忆神经网络模型，即将包含各个时刻的状态向量按照时间顺序一一输入，将组合式长短期记忆神经网络模型的输出设为归一化后值，重复训练直至输出的归一化值与步骤3中已知的燃料电池预测电压归一化值之间的均方根值小于设定值，结束训练，得到长短期记忆神经网络模型的权重系数矩阵W’、偏移均值B’、状态矩阵C’的实际值，该参数实例化的模型即为预测模型，标记为Y＝net(W,B,C，Yk)，其中Yk为输入变量。
如图3所示，组合式长短期记忆神经网络中的长短期记忆网络的记忆细胞结构图。其对应的控制方程如下：
遗忘门fn＝σf(xnWxf+hn-1Whf+Cn-1Wcf+bf)
输入门:in＝σi(xnWxi+hn-1Whi+bi)
单元状态更新：Cn＝fn·Cn-1+in·tc(xnWxc+hn-1Whc+bc)
输出门:On＝σo(xnWxo+hn-1Who+bo)
隐含层更新：hn＝On·to(Cn)
其中Wxf、Wxi、Wxc和Wxo分别为长短期记忆细胞对应的遗忘门、输入门、单元状态更新和输出门的输入数据权重矩阵，Whf、Whi、Whc和Who是分别衡量上一个时刻遗忘门、输入门、状态更新和输出门的隐含层信息权重矩阵；WCf是衡量上一个单元状态更新信息权重的权重矩阵；bf、bi、bc和bo分别为遗忘门、输入门、单元状态更新和输出门操作运算中的偏置矩阵，xn为n时刻的输入值，fn和in为n时刻的遗忘门和输入门值，On为n时刻的输出值，Cn和Cn-1分别表示n时刻和n-1时刻的单元状态，hn和hn-1表示n时刻和n-1时刻隐含层值，σf、σi和σo分别为遗忘门、输入门和输出门的sigmoid函数，tc和to分别为状态更新和隐含层的tanh函数。
本发明对应的组合式长短期记忆神经网络包括六层，其中第一层和第三层为长短期记忆神经网络，第二层和第五层为全连接层，第六层为回归层。在本发明中，寻找出了一个较为合适的参数范围。第一层与第三层的长短期记忆神经网络记忆神经细胞数为60～100个，第二层和第五层的全连接层的神经元数为50～100个，并对在该参数范围外的记忆神经细胞数进行了对比，发现该参数为较优参数。
在线检测阶段：
步骤6：电压预测：将步骤3中筛选出的特征信号通过对应的传感器进行实时采集，采集的特征信号进行归一化处理和卡尔曼滤波获得的滤波值Yk，将Yk代入预测模型Y＝net(W,B,C，Yk)中，获得的结果Y进行反归一化处理，获得燃料电池的预测电压。
按如下公式对信号进行反归一化：
V′_pre＝Vstd*(Vmax-Vmin)+Vmin
其中V′_pre为反归一化后的预测电压结果，Vstd为燃料电池电压预测模型输出结果，Vmin为燃料电池运行过程中电压的最小值，Vmax为燃料电池运行过程中的电压最大值。
为了验证该算法的效果，本实例中将一组数据分为模型训练数据和验证数据，60％的数据为训练数据，40％的数据为验证数据。其他参数设置为：初始学习率为0.01，每100次迭代，学习率下降0.2，最大迭代次数为600次，mini-batch设置为20。
如图4-图11所示，本实施例中以FCLAB Federation(FR CNRS 3539,France)提供的数据验证该方法预测模型和组合网络参数的优势，确定了预测模型的神经网络的构建和具体参数的范围，图中的前面600个小时用于训练数据，后面600个小时的数据为预测数据与实际数据的对比。本实施例中，均方根误差(RMSE)，平均绝对误差(MAE)，平均绝对百分比误差(MAPE)和决定系数(R2)用于衡量其性能好坏。具体的性能，每张图片对应的神经网络的配置如表1所示；预测的效率如表2所示。
表1
表2
根据表1和表2可知，可以发现4中配置的参数其预测效果最好。证明本专利的保护范围为一个较为优秀的范围。对燃料电池寿命的预测拥有较为好的效果。

Claims (7)

1.一种基于长短期记忆神经网络模型的燃料电池电压预测方法，其特征在于，包括离线训练和在线检测阶段；
离线训练阶段：
步骤1：获取燃料电池多种历史检测信号，包括电压、电流、进口水温、出口水温、冷却水压力、氢气压力、空气出口压力、空气进口压力、空气流量、空气温度；
步骤2：对步骤1所获取的历史检测信号进行预处理，分解出预测电压信号；
步骤3：对步骤2中的预测电压信号和步骤1中的信号进行归一化处理，将归一化的信号与预测电压信号进行相关性筛选，剔除与燃料电池预测电压相关度小于0.9的信号，获得特征信号；
步骤4：对步骤3中筛选的特征信号，进行卡尔曼滤波；
步骤5：建立组合式长短期记忆神经网络模型，将步骤4滤波后的特征信号输入组合式长短期记忆神经网络模型，即将包含各个时刻的状态向量按照时间顺序一一输入，将组合式长短期记忆神经网络模型的输出设为归一化后值，重复训练直至输出的归一化值与步骤3中已知的燃料电池预测电压归一化值之间的均方根值小于设定值，结束训练，得到长短期记忆神经网络模型的权重系数矩阵W’、偏移均值B’、状态矩阵C’的实际值，该参数实例化的模型即为预测模型，标记为Y＝net(W,B,C，Yk)，其中Yk为输入变量；
在线检测阶段：
步骤6：电压预测：将步骤3中筛选出的特征信号通过对应的传感器进行实时采集，采集的特征信号进行归一化处理和卡尔曼滤波获得的滤波值Yk，将Yk代入预测模型Y＝net(W,B,C，Yk)中，获得的结果Y进行反归一化处理，获得燃料电池的预测电压；
所述步骤5和步骤6中，组合式长短期记忆神经网络有六层，第一层为长短期记忆神经网络，第二层为全连接层，第三层为长短期记忆神经网络，第四层为dropout层，第五层为全连接层，第六层为回归层；
组合式长短期记忆神经网络中，长短期记忆细胞的控制方程如下：
遗忘门fn＝σf(xnWxf+hn-1Whf+Cn-1Wcf+bf)
输入门:in＝σi(xnWxi+hn-1Whi+bi)
单元状态更新：Cn＝fn·Cn-1+in·tc(xnWxc+hn-1Whc+bc)
输出门:On＝σo(xnWxo+hn-1Who+bo)
隐含层更新：hn＝On·to(Cn)
其中Wxf、Wxi、Wxc和Wxo分别为长短期记忆细胞对应的遗忘门、输入门、单元状态更新和输出门的输入数据权重矩阵，Whf、Whi、Whc和Who是分别衡量上一个时刻遗忘门、输入门、状态更新和输出门的隐含层信息权重矩阵；WCf是衡量上一个单元状态更新信息权重的权重矩阵；bf、bi、bc和bo分别为遗忘门、输入门、单元状态更新和输出门操作运算中的偏置矩阵，xn为n时刻的输入值，fn和in为n时刻的遗忘门和输入门值，On为n时刻的输出值，Cn和Cn-1分别表示n时刻和n-1时刻的单元状态，hn和hn-1表示n时刻和n-1时刻隐含层值，σf、σi和σo分别为遗忘门、输入门和输出门的sigmoid函数，tc和to分别为状态更新和隐含层的tanh函数。
2.根据权利要求1所述的基于长短期记忆神经网络模型的燃料电池电压预测方法，其特征在于，所述步骤2中按如下公式获得燃料电池的预测电压信号：
V_pre(n)＝V_measure(n+1)
其中：V_pre为预测电压信号，V_measure为测量电压信号，n为当前时间点，n+1为下一个时间点。
3.根据权利要求1所述的基于长短期记忆神经网络模型的燃料电池电压预测方法，其特征在于，所述步骤3中按如下公式进行归一化：
其中X为归一化前的数据，Xstd为归一化后的数据，Xmin为该数据在燃料电池运行过程中的最小值，Xmax为该数据在燃料电池运行过程中的最大值。
4.根据权利要求1所述的基于长短期记忆神经网络模型的燃料电池电压预测方法，其特征在于，所述步骤3中，以如下公式中的SC为参考依据，对多种监测信号进行筛选，剔除与预测电压相关度SC小于0.9的信号：
其中N表示检测信号的总数量，A表示步骤1中的某种检测信号，i′表示检测信号的序号，μA为该种检测信号的平均值，σA为该种检测信号的标准方差，V_pre为步骤2的预测电压信号，μV_pre为预测电压的平均值，σV_pre为预测电压的标准方差。
5.根据权利要求1所述的基于长短期记忆神经网络模型的燃料电池电压预测方法，其特征在于，所述步骤4中按如下公式对每种信号进行单独卡尔曼滤波：
表示n时刻先验状态估计值，X(n)表示n时刻后验状态估计值，/>表示n时刻的先验估计协方差，P(n)表示n时刻的后验估计协方差，Z(n)表示n时刻的观测值，K(n)表示n时刻的卡尔曼滤波增益，Q表示过程激励噪声协方差，R表示测量噪声协方差。
6.根据权利要求1所述的基于长短期记忆神经网络模型的燃料电池电压预测方法，其特征在于，所述步骤6中按如下公式对信号进行反归一化：
V′_pre＝Vstd*(Vmax-Vmin)+Vmin
其中V′_pre为反归一化后的预测电压结果，Vstd为燃料电池电压预测模型输出结果，Vmin为燃料电池运行过程中电压的最小值，Vmax为燃料电池运行过程中的电压最大值。
7.根据权利要求6所述的基于长短期记忆神经网络模型的燃料电池电压预测方法，其特征在于，组合式长短期记忆神经网络中，第一层与第三层的长短期记忆神经网络记忆神经细胞数为60～100个，第二层和第五层的全连接层的神经元数为50～100个。
CN202210378188.8A 2022-04-12 2022-04-12 基于长短期记忆神经网络模型的燃料电池电压预测方法 Active CN114740361B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210378188.8A CN114740361B (zh) 2022-04-12 2022-04-12 基于长短期记忆神经网络模型的燃料电池电压预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210378188.8A CN114740361B (zh) 2022-04-12 2022-04-12 基于长短期记忆神经网络模型的燃料电池电压预测方法

Publications (2)

Publication Number Publication Date
CN114740361A CN114740361A (zh) 2022-07-12
CN114740361B true CN114740361B (zh) 2024-06-07

Family

ID=82282594

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210378188.8A Active CN114740361B (zh) 2022-04-12 2022-04-12 基于长短期记忆神经网络模型的燃料电池电压预测方法

Country Status (1)

Country Link
CN (1) CN114740361B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115656831B (zh) * 2022-10-08 2024-07-19 昆明理工大学 一种电池单体电压多步超前预测和故障诊断方法
CN116859251B (zh) * 2023-06-16 2024-04-19 武汉理工大学 一种考虑恢复电压的燃料电池多步长混合预测方法及系统
CN116879763A (zh) * 2023-09-07 2023-10-13 上海融和元储能源有限公司 一种基于卡尔曼滤波算法的电池故障预警方法
CN116995276B (zh) * 2023-09-27 2023-12-29 爱德曼氢能源装备有限公司 燃料电池发电系统冷却方法及系统
CN117192063B (zh) * 2023-11-06 2024-03-15 山东大学 基于耦合卡尔曼滤波数据同化的水质预测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016101688A1 (zh) * 2014-12-25 2016-06-30 清华大学 一种基于深度长短期记忆循环神经网络的连续语音识别方法
CN110738360A (zh) * 2019-09-27 2020-01-31 华中科技大学 一种设备剩余寿命预测方法及系统
CN111222677A (zh) * 2019-10-22 2020-06-02 浙江运达风电股份有限公司 一种基于长短期记忆时间神经网络的风速预测方法及系统
CN113406505A (zh) * 2021-07-22 2021-09-17 中国第一汽车股份有限公司 一种燃料电池的剩余寿命预测方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016101688A1 (zh) * 2014-12-25 2016-06-30 清华大学 一种基于深度长短期记忆循环神经网络的连续语音识别方法
CN110738360A (zh) * 2019-09-27 2020-01-31 华中科技大学 一种设备剩余寿命预测方法及系统
CN111222677A (zh) * 2019-10-22 2020-06-02 浙江运达风电股份有限公司 一种基于长短期记忆时间神经网络的风速预测方法及系统
CN113406505A (zh) * 2021-07-22 2021-09-17 中国第一汽车股份有限公司 一种燃料电池的剩余寿命预测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Zhiyi He ; Haidong Shao ; Xiaoyang Zhang ; Junsheng Cheng ; Yu Yang.Improved Deep Transfer Auto-Encoder for Fault Diagnosis of Gearbox Under Variable Working Conditions With Small Training Samples.《IEEE Access 》.2019,第7卷115368 - 115377. *
基于长短期记忆神经网络的健康状态估算;肖仁鑫;宋新月;张梦帆;夏雪磊;肖佳鹏;;农业装备与车辆工程;20200410(04);全文 *

Also Published As

Publication number Publication date
CN114740361A (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
CN114740361B (zh) 基于长短期记忆神经网络模型的燃料电池电压预测方法
CN112241608B (zh) 一种基于lstm网络和迁移学习的锂电池寿命预测方法
CN111339712B (zh) 质子交换膜燃料电池剩余寿命预测方法
CN116757534B (zh) 一种基于神经训练网络的智能冰箱可靠性分析方法
CN109635928B (zh) 基于深度学习模型融合的电压暂降原因识别方法
CN112990556A (zh) 一种基于Prophet-LSTM模型的用户用电能耗预测方法
CN109000930B (zh) 一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法
CN113406521B (zh) 一种基于特征分析的锂电池健康状态在线估计方法
CN114186379B (zh) 基于回声网络和深度残差神经网络的变压器状态评估方法
CN114363195B (zh) 面向时间和频谱残差卷积网络的网络流量预测预警方法
CN112784920B (zh) 云边端协同的旋转部件对抗域自适应故障诊断方法
CN112434848B (zh) 基于深度信念网络的非线性加权组合风电功率预测方法
CN112734002B (zh) 一种基于数据层和模型层联合迁移学习的寿命预测方法
CN108445752A (zh) 一种自适应选择深度特征的随机权神经网络集成建模方法
CN114896861B (zh) 基于平方根容积卡尔曼滤波的滚动轴承剩余寿命预测方法
CN116359742B (zh) 基于深度学习组合扩展卡尔曼滤波的储能电池荷电状态在线估计方法及系统
CN114841076A (zh) 基于时空图模型的动力电池生产工艺波动异常检测方法
Huang et al. An adversarial learning approach for machine prognostic health management
CN115204272A (zh) 基于多采样率数据的工业系统故障诊断方法与设备
CN115456287A (zh) 一种基于长短时记忆网络的综合能源系统多元负荷预测方法
CN113469013B (zh) 一种基于迁移学习和时间序列的电机故障预测方法及系统
CN118246799A (zh) 一种gis状态预测和故障预警方法及系统、存储介质
CN118519043A (zh) 基于rnn循环神经网络的新能源矿卡的电池故障预测方法
CN117910826A (zh) 基于加权组合优化的碳排放预测方法及系统
Sim et al. Temporal Attention Gate Network With Temporal Decomposition for Improved Prediction Accuracy of Univariate Time-Series Data

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