CN114814589A - 一种对pemfc剩余使用寿命进行预测的方法及装置 - Google Patents
一种对pemfc剩余使用寿命进行预测的方法及装置 Download PDFInfo
- Publication number
- CN114814589A CN114814589A CN202210068376.0A CN202210068376A CN114814589A CN 114814589 A CN114814589 A CN 114814589A CN 202210068376 A CN202210068376 A CN 202210068376A CN 114814589 A CN114814589 A CN 114814589A
- Authority
- CN
- China
- Prior art keywords
- pemfc
- degradation
- output voltage
- data
- model
- 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
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
-
- 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
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Fuel Cell (AREA)
Abstract
本发明涉及燃料电池技术领域,特别是指一种对PEMFC剩余使用寿命进行预测的方法及装置,方法包括:采集PEMFC在不同时刻的PEMFC的电流、电流密度、氢气空气进出口压强和输出电压数据,对采集的数据进行预处理;通过引入半经验退化模型,选定能够表征PEMFC退化的健康状态SOH指标;对SOH指标进行随机退化建模,得到性能退化状态空间模型;根据所述输出电压数据,采用UKF滤波算法在线估计SOH指标数据;根据所述输出电压数据,采用EM算法更新性能退化状态空间模型中的参数;对初始的GRU网络模型进行训练,根据训练好的GRU网络模型进行剩余使用寿命预测。采用本发明,可以提高寿命预测准确率。
Description
技术领域
本发明涉及燃料电池技术领域,特别是指一种对PEMFC剩余使用寿命进行预测的方法及装置。
背景技术
质子交换膜燃料电池(PEMFC,Proton Exchange Membrane Fuel Cell)作为一种应用前景广阔的新型电力能源供给装置,由于具有高能量密度、高能量转化率、对环境友好、工作温度低等优势,被广泛应用于车辆交通、便携式设备和热电联产等领域,成为可替换能源装置的研究热点。然而,PEMFC在长期运行环境(如大负载、启停机等)中,催化剂、双极板和膜电极等内部关键部件会慢慢老化,从而导致PEMFC性能退化。同时,寿命短、维护成本高等问题也制约着PEMFC的发展。而RUL(Remaining Useful Life,剩余使用寿命)作为预测与健康管理的核心技术,可对PEMFC系统进行剩余寿命预测。根据预测结果,提前制定相应的维护策略,可最大限度的减少维修时间和降低维护成本,保证系统的健康持续运行。
目前对PEMFC进行剩余使用寿命预测的方法主要有基于机理模型的方法和基于数据驱动的方法。基于机理模型的方法需要知道PEMFC系统内部退化机理,但是内部变化往往不可测,且退化机理尚未完全理解,故难以从内部机理角度建立准确的退化模型。基于数据驱动的方法虽然无需清楚电池的退化机理,但需要通过数据对网络进行训练,对数据的依赖程度非常大。
专利号为CN113608137A、专利名称为《一种质子交换膜燃料电池电堆寿命预测方法》的专利公开了一种质子交换膜燃料电池堆寿命预测方法,对电池堆内部的质子膜、催化剂、气体扩散层等关键材料的水传输进行分析,将水含量作为依据来判定电池堆的性能的衰减,从而预估电池堆的寿命。专利号为CN111044926A、专利名称为《质子交换膜燃料电池寿命预测方法》的专利公开了质子交换膜燃料电池寿命预测方法,将输出电压作为退化指标,通过建立静态作用下电压衰退模型的线性状态方程,利用粒子滤波的方法在学习阶段对电压进行估计,在预测阶段对对电压值进行预测,从而预测剩余寿命。专利号为CN111339712A、专利名称为《质子交换膜燃料电池剩余寿命预测方法》、专利号为CN111310387A、专利名称为《一种燃料电池寿命预测方法》这两篇专利也将输出电压作为性能退化指标,分别通过构建深度置信网络与极限学习机融合而成的预测模型、基于变分模态分解与深度置信网络预测模型,从历史输出电压中提取电池退化的高质量特征,来学习退化趋势,从而对剩余寿命进行预测。
现有方法还存在以下不足:
1)针对难以对PEMFC建立准确的退化机理模型以及数据驱动的方法需要大量数据支撑这一问题,需要结合这两种方法的优点,寻找一种基于模型和数据混合驱动的方法来预测PEMFC系统的剩余寿命。
2)现有研究大多直接以输出电压作为性能退化指标进行RUL预测。但已有研究表明,真正引起系统退化的是两个内部关键参数:最大电流密度和总电阻,并不是输出电压,因此选择输出电压作为退化指标不足以准确描述系统的退化。
3)受外部环境和内部因素综合作用的影响,系统的退化存在随机性,三源不确定性即时间不确定性、个体差异性和测量不确定性普遍存在于系统的退化过程,而现有对PEMFC的研究大多没有考虑到这一问题。
发明内容
本发明实施例提供了一种对PEMFC剩余使用寿命进行预测的方法及装置。所述技术方案如下:
一方面,提供了一种对PEMFC剩余使用寿命进行预测的方法,该方法由电子设备实现,该方法包括:
采集PEMFC在不同时刻的PEMFC的电流、电流密度、氢气空气进出口压强和输出电压数据,对采集的数据进行预处理;
通过引入半经验退化模型,选定能够表征PEMFC退化的健康状态SOH指标;
对SOH指标进行随机退化建模,得到性能退化状态空间模型;
根据所述PEMFC的电流、电流密度、氢气空气进出口压强和输出电压数据,采用UKF滤波算法在线估计SOH指标数据;
根据所述PEMFC的电流、电流密度、氢气空气进出口压强和输出电压数据,采用EM算法更新性能退化状态空间模型中的参数;
对初始的GRU网络模型进行训练,根据训练好的GRU网络模型进行剩余使用寿命预测。
可选地,所述采集PEMFC在不同时刻的PEMFC的电流、电流密度、氢气空气进出口压强和输出电压数据,对采集的数据进行预处理,包括:
采集PEMFC在不同时刻的PEMFC的电流、电流密度、氢气空气进出口压强和输出电压数据,通过采用平均值±3倍标准偏差法查找数据中的异常值点,并将异常值点进行临近值替换;
可选地,所述通过引入半经验退化模型,选定能够表征PEMFC退化的健康状态SOH指标,包括:
依据半经验退化模型,对于含有多个子单元电池的PEMFC电池堆,确定整体输出电压的表征方式;
通过所述整体输出电压的表征方式,确定其中未知等效电阻R以及最大电流密度Jmax为影响PEMFC退化的主要影响因素;
通过引入变量α对R和Jmax随时间的变化趋势进行表示,选定α作为表征系统健康状态的SOH指标。
可选地,所述对SOH指标进行随机退化建模,得到性能退化状态空间模型,包括:
对SOH指标,建立由布朗运动驱动的维纳过程模型;
对所述SOH指标的维纳过程模型中的随机漂移系数建立更新机制;
将能够反映PEMFC退化的SOH指标及其随机漂移系数一起看作系统状态变量;
基于半经验退化模型,在考虑测量误差的影响下,,确立输出电压测量与SOH 指标之间的关系,并将其作为测量方程;考虑三源不确定性,对上述系统状态变量,基于维纳过程模型、随机漂移系数的更新机制和测量方程构造性能退化状态空间模型。
可选地,所述根据所述PEMFC的电流、电流密度、氢气空气进出口压强和输出电压数据,采用UKF滤波算法在线估计SOH指标数据,包括:
根据所述PEMFC的电流、电流密度、氢气空气进出口压强和输出电压数据,通过UKF算法对SOH指标及其随机漂移系数进行实时在线估计。
可选地,所述根据所述PEMFC的电流、电流密度、氢气空气进出口压强和输出电压数据,采用EM算法更新性能退化状态空间模型中的参数,包括:
设定初始未知参数;
依据马尔可夫理论,计算含有未知参数的完全数据的对数似然函数;
利用EM算法对未知参数进行估计,具体地:在E步中将状态变量看作隐含变量,计算对数似然函数的期望;在M步中最大化对数似然函数的期望得到未知参数的更新结果。
可选地,对初始的GRU网络模型进行训练,包括:
将滤波后的SOH指标数据的估计值作为训练样本数据集,对所述训练样本数据集进行预处理;
将预处理后的训练样本数据集输入到初始的GRU网络模型中,通过损失函数,确定GRU网络模型的参数,得到训练好的GRU网络模型。
可选地,根据训练好的GRU网络模型进行剩余使用寿命预测,包括:
将当前时刻的退化状态作为模型输入,输入到训练好的GRU网络模型中,得到剩余使用寿命预测。
另一方面,提供了一种对PEMFC剩余使用寿命进行预测的装置,该装置应用于对PEMFC剩余使用寿命进行预测的方法,该装置包括:
数据处理模块,用于采集PEMFC在不同时刻的PEMFC的电流、电流密度、氢气空气进出口压强和输出电压数据,对采集的数据进行预处理;
选定模块,用于通过引入半经验退化模型,选定能够表征PEMFC退化的SOH 指标;
构建模块,用于对SOH指标进行随机退化建模,得到性能退化状态空间模型;
估计模块,用于根据所述PEMFC的电流、电流密度、氢气空气进出口压强和输出电压数据,采用UKF滤波算法在线估计SOH指标数据;
更新模块,用于根据所述PEMFC的电流、电流密度、氢气空气进出口压强和输出电压数据,采用EM算法更新性能退化状态空间模型中的参数;
预测模块,用于对初始的GRU网络模型进行训练,根据训练好的GRU网络模型进行剩余使用寿命预测。
可选地,所述数据处理模块,用于:
采集PEMFC在不同时刻的PEMFC的电流、电流密度、氢气空气进出口压强和输出电压数据,通过采用平均值±3倍标准偏差法查找数据中的异常值点,并将异常值点进行临近值替换;
可选地,所述选定模块,用于:
依据半经验退化模型,对于含有多个子单元电池的PEMFC电池堆,确定整体输出电压的表征方式;
通过所述整体输出电压的表征方式,确定其中未知等效电阻R以及最大电流密度Jmax为影响PEMFC退化的主要影响因素;
通过引入变量α对R和Jmax随时间的变化趋势进行表示,选定α作为表征系统健康状态的SOH指标。
可选地,所述构建模块,用于:
对SOH指标,建立由布朗运动驱动的维纳过程模型;
对所述SOH指标的维纳过程模型中的随机漂移系数建立更新机制;
将能够反映PEMFC退化的SOH指标及其随机漂移系数一起看作系统状态变量;
基于半经验退化模型,在考虑测量误差的影响下,确立输出电压测量与SOH 指标之间的关系,并将其作为测量方程;考虑三源不确定性,对上述系统状态变量,基于维纳过程模型、随机漂移系数的更新机制和测量方程构造性能退化状态空间模型。
可选地,所述估计模块,用于:
根据所述PEMFC的电流、电流密度、氢气空气进出口压强和输出电压数据,通过UKF算法对SOH指标及其随机漂移系数进行实时在线估计。
可选地,所述更新模块,用于:
设定初始未知参数;
依据马尔可夫理论,计算含有未知参数的完全数据的对数似然函数;
利用EM算法对未知参数进行估计,具体地:在E步中将状态变量看作隐含变量,计算对数似然函数的期望;在M步中最大化对数似然函数的期望得到未知参数的更新结果。
可选地,所述预测模块,用于:
将滤波后的SOH指标数据的估计值作为训练样本数据集,对所述训练样本数据集进行预处理;
将预处理后的训练样本数据集输入到初始的GRU网络模型中,通过损失函数,确定GRU网络模型的参数,得到训练好的GRU网络模型。
可选地,所述预测模块,用于:
将当前时刻的退化状态作为模型输入,输入到训练好的GRU网络模型中,得到剩余使用寿命预测。
另一方面,提供了一种电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现上述对PEMFC剩余使用寿命进行预测的方法。
另一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现上述对PEMFC剩余使用寿命进行预测的方法。
本发明实施例提供的技术方案带来的有益效果至少包括:
本发明实施例中,本发明提出了一种基于UKF滤波和GRU网络的PEMFC剩余使用寿命预测方法,融合GRU网络的长期预测能力和维纳过程可对随机不确定性建模的优势来进行RUL预测。通过引入电压半经验退化模型,选定了能表征 PEMFC退化的SOH指标,并对SOH指标进行了随机退化建模,同时在模型中考虑了三源不确定性。针对退化状态与测量电压间的非线性关系,采用UKF算法实时估计退化状态,又结合GRU网络进行RUL预测。克服了现有研究中直接用监测电压作为退化指标的限制以及现有关于PEMFC混合驱动的RUL预测方法中没有考虑到退化过程的随机性和不确定性这一问题,使得RUL预测结果更合理、准确,从而实现更高的RUL预测精度,提高了预测准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种对PEMFC剩余使用寿命进行预测的方法流程图;
图2是本发明实施例提供的一种堆栈真实测量电压示意图;
图3是本发明实施例提供的一种对PEMFC剩余使用寿命进行预测的装置框图;
图4是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明实施例提供了一种对PEMFC剩余使用寿命进行预测的方法,该方法可以由电子设备实现,该电子设备可以是终端或服务器。如图1所示的对PEMFC剩余使用寿命进行预测的方法流程图,该方法的处理流程可以包括如下的步骤:
S101、采集PEMFC在不同时刻的PEMFC的电流、电流密度、氢气空气进出口压强和输出电压数据,对采集的数据进行预处理。
可选地,采集PEMFC在不同时刻的PEMFC的电流、电流密度、氢气空气进出口压强和输出电压数据,对采集的数据进行预处理,包括:
采集PEMFC在不同时刻的PEMFC的电流、电流密度、氢气空气进出口压强和输出电压数据,通过采用平均值±3倍标准偏差法查找数据中的异常值点,并将异常值点进行临近值替换;
S102、通过引入半经验退化模型,选定能够表征PEMFC退化的健康状态SOH 指标。
可选地,通过引入半经验退化模型,选定能够表征PEMFC退化的健康状态 SOH指标,包括:
依据半经验退化模型,对于含有多个子单元电池的PEMFC电池堆,确定整体输出电压的表征方式;通过所述整体输出电压的表征方式,确定其中未知等效电阻R以及最大电流密度Jmax为影响PEMFC退化的主要影响因素;通过引入变量α对R和Jmax随时间的变化趋势进行表示,选定α作为表征系统健康状态的SOH 指标。
其中,未知等效电阻R是等效膜电阻RM和等效接触电阻RC的和值。
一种可行的实施方式中,研究表明,输出电压不是影响PEMFC退化的主要因素,而是系统内部两个参数:最大电流密度和总电阻,因此将输出电压作为退化指标不足以准确表征系统的退化。为此,本部分通过引入电压半经验退化模型,来选择能够表征系统退化的健康状态(SOH,State Of Health)指标。
依据半经验退化模型,对于含有n个子单元电池的PEMFC电池堆,其整体输出电压可以表示为:
Vst=n(ENernst-Vact-Vohmic-Vcon) (1)
其中,Vst代表堆栈电压,n代表子单元电池个数,ENernst代表可逆电压,Vact代表与阳极和阴极活化有关的电压降,Vohmic代表欧姆压降,Vcon代表由氧浓度和氢浓度降低引起的电压降,如图2所示为堆栈真实测量电压示意图。其中,Vohmic和Vcon的经验计算公式为:
Vohmic=iFC(RM+RC) (2)
其中,iFC代表电池的工作电流,RM和RC代表对质子传导的等效膜电阻和对电子传导的等效接触电阻。Jmax是最大电流密度。B是常数。J为实际电池电流密度。
研究发现,在式(2)和式(3)中,参数RM、RC和Jmax在PEMFC性能退化过程中都会相对于初始值发生明显的变化,并且RM、RC和Jmax随时间变化的趋势存在一定的关联性。因此本发明通过采用变量α对R和Jmax随时间的变化趋势进行表示,如式(4)和式(5)所示:
R(k)=R0(1+α(k)) (4)
由式(4)和式(5)得知,α代表系统模型参数变化程度,能够反应系统内部退化状态。因此,选定α作为表征系统SOH的指标。
S103、对SOH指标进行随机退化建模,得到性能退化状态空间模型。
可选地,对SOH指标进行随机退化建模,得到性能退化状态空间模型,包括:
对SOH指标,建立由布朗运动驱动的维纳过程模型;
对上述SOH指标的维纳过程模型中的随机漂移系数建立更新机制;
将能够反映PEMFC退化的SOH指标及其随机漂移系数一起看作系统状态变量;
基于半经验退化模型,在考虑测量误差的影响下,,确立输出电压测量与SOH 指标之间的关系,并将其作为测量方程;考虑三源不确定性,对上述系统状态变量,基于维纳过程模型、随机漂移系数的更新机制和测量方程构造性能退化状态空间模型。
一种可行的实施方式中,在已有对PEMFC的研究中,一般对SOH指标α的建模为一阶或二阶演化模型,这种建模方法忽略了退化过程的随机性。因此在上述选定α为表征系统SOH指标的基础上,本部分将在充分考虑退化过程随机性和不确定性的情况下对α进行随机退化建模,同时将三源不确定性融入到模型中。三源不确定性具体指:退化过程随着时间变化的固有的时变不确定性、同类型设备的不同个体退化路径相似,但每个个体实际退化率不相同而表现出的个体差异性和测量退化数据与实际性能退化状态之间的差异表现出的测量不确定性。基于上述描述,将模型建立为由布朗运动驱动的维纳过程:
α(t)=α(0)+λt+σB(t) (6)
其中,α(t)是t时刻的退化量,α(0)是初始退化状态;λ是漂移系数,用来描述个体差异性,满足λ~N(μλ,σλ 2);σ>0是扩散系数,{B(t),t>0}是标准的布朗运动,刻画退化过程的时间不确定性,满足σB(t)~N(0,σ2t)。
基于半经验退化模型,在考虑测量误差的影响下,确立输出电压测量Vst与 SOH指标α之间的关系:
Vst(t)=h(α(t))+ε(t) (7)
其中ε是观测噪声,用来描述测量不确定性,满足ε~N(0,γ2)。S104、根据所述PEMFC的电流、电流密度、氢气空气进出口压强和输出电压数据,采用UKF 滤波算法在线估计SOH指标数据。
根据所述PEMFC的电流、电流密度、氢气空气进出口压强和输出电压数据,通过UKF算法对SOH指标及其随机漂移系数进行实时在线估计。
一种可行的实施方式中,由(7)式和(8)式可知,SOH指标α与输出电压Vst之间呈非线性关系,并且监测电压中存在测量噪声。若想在非线性系统下实现状态估计,传统的线性滤波算法已经不适用,需要采用非线性滤波算法处理。扩展卡尔曼滤波是常用的非线性滤波方法,但需要求解雅可比矩阵,并且在线性化过程中忽略了二阶以上的高阶项,导致估计误差较大。而UKF算法不需要计算雅可比矩阵,并且对于高斯噪声来说,具有三阶近似精度。为此,本部分将采用UKF算法对退化状态α进行估计。
进一步将漂移系数扩展为漂移状态,建立当前tk时刻随机参数λ随时间的更新机制:
λk=λk-1+v (9)
其中v~N(0,υ2),初始参数λ0~N(μλ,σλ 2)。因此,基于SOH指标的维纳过程模型(6)、随机漂移系数的更新机制(9)、以及输出电压与SOH指标之间的关系 (7)可得:
其中,h由(8)式给出,并且可逆电压ENernst和与阳极和阴极活化有关的电压降Vact可由电流、氢气空气进出口压强计算得到:
进一步将退化状态αk和漂移状态λk一起看作状态变量,则考虑三源不确定性的性能退化状态空间模型可以构造为:
其中xk∈R2×1,A∈R2×2,ωk∈R2×1且ωk∈N(0,Qk),具体地,写成向量形式
(2)对Sigma点集进行比例修正
其中,λ=α2(n+ξ)-n是待选参数,n是状态维数。α是取值为[0.0001 1]的常数,β≥0。
(3)时间更新
(4)量测更新
S105、根据所述PEMFC的电流、电流密度、氢气空气进出口压强和输出电压数据,采用EM算法更新性能退化状态空间模型中的参数。
可选地,根据所述PEMFC的电流、电流密度、氢气空气进出口压强和输出电压数据,采用EM算法更新性能退化状态空间模型中的参数,包括:
设定初始未知参数;
依据马尔可夫理论,计算含有未知参数的完全数据的对数似然函数;
利用EM算法对未知参数进行估计,具体地:在E步中将状态变量看作隐含变量,计算对数似然函数的期望;在M步中最大化对数似然函数的期望得到未知参数的更新结果。
一种可行的实施方式中,在上一部分利用UKF算法进行状态估计的过程中,过程噪声和测量噪声是人为给定的,并不能表征一般意义下的随机噪声带来的影响,而且在状态空间模型(11)中,状态变量x是隐含的,利用极大似然估计无法对未知参数进行求解。因此为实现模型参数的自适应估计和更新,采用EM 算法处理存在隐含变量的噪声参数估计问题。令θ=(σ2,υ2,γ2)。
依据马尔可夫理论,计算含有未知参数θ的完全数据的对数似然函数为:
利用EM算法对未知参数θ进行估计的具体步骤为:
E步:计算完整数据集下(24)的对数似然函数的期望为:
式(25)中,Tr是矩阵的迹运算,Ψ、Ω是条件期望,为完整实现EM算法,依据无迹卡尔曼平滑(URTSS)算法对这些条件期望进行求解。
通过URTSS平滑算法,可得Ψ、Ω的条件期望为
其中,xj|k、Pj|k和Mj|k分别是基于当前时刻k的j时刻的隐变量平滑均值、平滑方差和平滑协方差结果。
S106、对初始的GRU网络模型进行训练,根据训练好的GRU网络模型进行剩余使用寿命预测。
可选地,对初始的GRU网络模型进行训练,包括:
将滤波后的SOH指标数据的估计值作为训练样本数据集,对训练样本数据集进行预处理;
将预处理后的训练样本数据集输入到初始的GRU网络模型中,通过损失函数,确定GRU网络模型的参数,得到训练好的GRU网络模型。
可选地,根据训练好的GRU网络模型进行剩余使用寿命预测,包括:
将当前时刻的退化状态作为模型输入,输入到训练好的GRU网络模型中,得到剩余使用寿命预测。
一种可行的实施方式中,由于系统的退化是逐步累积的过程,所以需要利用GRU循环神经网络的长期预测能力来对PEMFC系统的SOH进行预测。上述步骤实现了对退化状态α的估计,由于α能反应系统真实的退化状态,因此直接将滤波后α的估计值作为训练样本对GRU网络进行训练,以此达到预测RUL的目的。采用的GRU预测框架主要由输入层、隐藏层、输出层和网络训练组成。输入层主要负责对表征系统退化状态α的数据集进行划分和归一化处理,以满足网络输入的要求,隐藏层利用单个节点的记忆模块搭建GRU网络,输出层负责将预测结果输出。预测框架具体实施步骤为:
(1)数据预处理
在使用神经网络前,首先对数据集进行划分。将数据集的前60%数据作为训练集,后40%作为测试集。其次,采用标准化方法中的Min-Max标准化方法对数据集中的数据进行归一化处理,使结果映射到区间[0,1]内。
(2)网络训练
将归一化后的训练集进行分割处理。设置窗口长度为N+1,步长为1,在数据集α中进行滑动,每次滑动所得的N+1个值中的前N个值构成输入向量,第 N+1个值作为期望的输出值,构建训练样本,从而得到训练样本集。同时,系统模型通过反向传播过程,再经过不断迭代更新权重,得到损失函数Loss的最小值(损失函数Loss由输出预测值与实际值的均方误差表示),直到找到合适的权重,最终确定GRU隐藏层的参数。
(3)GRU模型参数优化
在反向传播过程中,利用梯度下降法找到使损失函数达到最小化的模型参数。采用Adam(Adaptive Moment Estimation)算法对参数进行更新,并采用 Dropout方法解决训练过程中过拟合现象的出现,使得模型泛化能力更强。
(4)GRU预测
假定预测起始时刻为m,将当前时刻m及前N-1个时刻的输出值作为GRU的输入向量时,可得到m+1时刻的输出预测值。然后,将m+1时刻的前N-1个时刻的输出值和m+1时刻的输出预测值作为新的输入向量输入GRU网络时,可得到 m+2时刻的输出预测值,以此类推,即可得到最终的预测序列。
通过对GRU模型训练完成后,即可对进行RUL预测。基于首达时间的概念,定义PEMFC系统当前tk时刻的剩余寿命Lk为
Lk=inf{lk>0:α(tk+lk)≥αth} (29)
其中,α(tk)为当前时刻tk的退化状态,αth为退化状态的失效阈值。
在相关文献中,电压的失效阈值一般定义为额定电压的96%。由于本发明采用状态变量α作为PEMFC的SOH指标,那么失效阈值αth则为电压失效阈值所对应时刻下的α值。
本发明实施例中,本发明提出了一种基于UKF滤波和GRU网络的PEMFC剩余使用寿命预测方法,融合GRU网络的长期预测能力和维纳过程可对随机不确定性建模的优势来进行RUL预测。通过引入电压半经验退化模型,选定了能表征 PEMFC退化的SOH指标,并对SOH指标进行了随机退化建模,同时在模型中考虑了三源不确定性。针对退化状态与测量电压间的非线性关系,采用UKF算法实时估计退化状态,又结合GRU网络进行RUL预测。克服了现有研究中直接用监测电压作为退化指标的限制以及现有关于PEMFC混合驱动的RUL预测方法中没有考虑到退化过程的随机性和不确定性这一问题,使得RUL预测结果更合理、准确,从而实现更高的RUL预测精度,提高了预测准确性。
图3是根据一示例性实施例示出的一种对PEMFC剩余使用寿命进行预测的装置框图。参照图3,该装置包括数据处理模块310、选定模块320、构建模块330、估计模块340、更新模块350以及预测模块360,其中:
数据处理模块310,用于采集PEMFC在不同时刻的PEMFC的电流、电流密度、氢气空气进出口压强和输出电压数据,对采集的数据进行预处理;
选定模块320,用于通过引入半经验退化模型,选定能够表征PEMFC退化的 SOH指标;
构建模块330,用于对SOH指标进行随机退化建模,得到性能退化状态空间模型;
估计模块340,用于根据所述PEMFC的电流、电流密度、氢气空气进出口压强和输出电压数据,采用UKF滤波算法在线估计SOH指标数据;
更新模块350,用于根据所述PEMFC的电流、电流密度、氢气空气进出口压强和输出电压数据,采用EM算法更新性能退化状态空间模型中的参数;
预测模块360,用于对初始的GRU网络模型进行训练,根据训练好的GRU网络模型进行剩余使用寿命预测。
可选地,所述数据处理模块310,用于:
采集PEMFC在不同时刻的PEMFC的电流、电流密度、氢气空气进出口压强和输出电压数据,通过采用平均值±3倍标准偏差法查找数据中的异常值点,并将异常值点进行临近值替换;
可选地,所述选定模块320,用于:
依据半经验退化模型,对于含有多个子单元电池的PEMFC电池堆,确定整体输出电压的表征方式;
通过所述整体输出电压的表征方式,确定其中未知等效电阻R以及最大电流密度Jmax为影响PEMFC退化的主要影响因素;
通过引入变量α对R和Jmax随时间的变化趋势进行表示,选定α作为表征系统健康状态的SOH指标。
可选地,所述构建模块330,用于:
对SOH指标,建立由布朗运动驱动的维纳过程模型;
对上述SOH指标的维纳过程模型中的随机漂移系数建立更新机制;
将能够反映PEMFC退化的SOH指标及其随机漂移系数一起看作系统状态变量;基于半经验退化模型,在考虑测量误差的影响下,确立输出电压测量与SOH指标之间的关系,并将其作为测量方程;考虑三源不确定性,对上述系统状态变量,基于维纳过程模型、随机漂移系数的更新机制和测量方程构造性能退化状态空间模型。
可选地,所述估计模块340,用于:
根据所述PEMFC的电流、电流密度、氢气空气进出口压强和输出电压数据,通过UKF算法对SOH指标及其漂移系数进行实时在线估计。
可选地,所述更新模块350,用于:
设定初始未知参数;
依据马尔可夫理论,计算含有未知参数的完全数据的对数似然函数;
利用EM算法对未知参数进行估计,具体地:在E步中将状态变量看作隐含变量,计算对数似然函数的期望;在M步中最大化对数似然函数的期望得到未知参数的更新结果。
可选地,所述预测模块360,用于:
将滤波后的SOH指标数据的估计值作为训练样本数据集,对所述训练样本数据集进行预处理;
将预处理后的训练样本数据集输入到初始的GRU网络模型中,通过损失函数,确定GRU网络模型的参数,得到训练好的GRU网络模型。
可选地,所述预测模块360,用于:
将当前时刻的退化状态作为模型输入,输入到训练好的GRU网络模型中,得到剩余使用寿命预测。
本发明实施例中,本发明提出了一种基于UKF滤波和GRU网络的PEMFC剩余使用寿命预测方法,融合GRU网络的长期预测能力和维纳过程可对随机不确定性建模的优势来进行RUL预测。通过引入电压半经验退化模型,选定了能表征 PEMFC退化的SOH指标,并对SOH指标进行了随机退化建模,同时在模型中考虑了三源不确定性。针对退化状态与测量电压间的非线性关系,采用UKF算法实时估计退化状态,又结合GRU网络进行RUL预测。克服了现有研究中直接用监测电压作为退化指标的限制以及现有关于PEMFC混合驱动的RUL预测方法中没有考虑到退化过程的随机性和不确定性这一问题,使得RUL预测结果更合理、准确,从而实现更高的RUL预测精度,提高了预测准确性。
图4是本发明实施例提供的一种电子设备400的结构示意图,该电子设备 400可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器 (centralprocessing units,CPU)401和一个或一个以上的存储器402,其中,所述存储器402中存储有至少一条指令,所述至少一条指令由所述处理器 401加载并执行以实现上述对PEMFC剩余使用寿命进行预测的方法的步骤。
在示例性实施例中,还提供了一种计算机可读存储介质,例如包括指令的存储器,上述指令可由终端中的处理器执行以完成上述对PEMFC剩余使用寿命进行预测的方法。例如,所述计算机可读存储介质可以是ROM、随机存取存储器 (RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种对PEMFC剩余使用寿命进行预测的方法,其特征在于,所述方法包括:
采集PEMFC在不同时刻的PEMFC的电流、电流密度、氢气空气进出口压强和输出电压数据,对采集的数据进行预处理;
通过引入半经验退化模型,选定能够表征PEMFC退化的健康状态SOH指标;
对SOH指标进行随机退化建模,得到性能退化状态空间模型;
根据所述PEMFC的电流、电流密度、氢气空气进出口压强和输出电压数据,采用UKF滤波算法在线估计SOH指标数据;
根据所述PEMFC的电流、电流密度、氢气空气进出口压强和输出电压数据,采用EM算法更新性能退化状态空间模型中的参数;
对初始的GRU网络模型进行训练,根据训练好的GRU网络模型进行剩余使用寿命预测。
3.根据权利要求1所述的方法,其特征在于,所述通过引入半经验退化模型,选定能够表征PEMFC退化的健康状态SOH指标,包括:
依据半经验退化模型,对于含有多个子单元电池的PEMFC电池堆,确定整体输出电压的表征方式;
通过所述整体输出电压的表征方式,确定其中未知等效电阻R以及最大电流密度Jmax为影响PEMFC退化的主要影响因素;
通过引入变量α对R和Jmax随时间的变化趋势进行表示,选定α作为表征系统健康状态的SOH指标。
4.根据权利要求1所述的方法,其特征在于,所述对SOH指标进行随机退化建模,得到性能退化状态空间模型,包括:
对SOH指标,建立由布朗运动驱动的维纳过程模型;对所述SOH指标的维纳过程模型中的随机漂移系数建立更新机制;
将能够反映PEMFC退化的SOH指标及其随机漂移系数一起看作系统状态变量;
基于半经验退化模型,在考虑测量误差的影响下,确立输出电压测量与SOH指标之间的关系,并将其作为测量方程;考虑三源不确定性,对上述系统状态变量,基于维纳过程模型、随机漂移系数的更新机制和测量方程构造性能退化状态空间模型。
5.根据权利要求1所述的方法,其特征在于,所述根据所述PEMFC的电流、电流密度、氢气空气进出口压强和输出电压数据,采用UKF滤波算法在线估计SOH指标数据,包括:
根据所述PEMFC的电流、电流密度、氢气空气进出口压强和输出电压数据,通过UKF算法对SOH指标及其随机漂移系数进行实时在线估计。
6.根据权利要求1所述的方法,其特征在于,所述根据所述PEMFC的电流、电流密度、氢气空气进出口压强和输出电压数据,采用EM算法更新性能退化状态空间模型中的参数,包括:
设定初始未知参数;
依据马尔可夫理论,计算含有未知参数的完全数据的对数似然函数;利用EM算法对未知参数进行估计,具体地:在E步中将状态变量看作隐含变量,计算对数似然函数的期望;在M步中最大化对数似然函数的期望得到未知参数的更新结果。
7.根据权利要求1所述的方法,其特征在于,所述对初始的GRU网络模型进行训练,包括:
将滤波后的SOH指标数据的估计值作为训练样本数据集,对所述训练样本数据集进行预处理;
将预处理后的训练样本数据集输入到初始的GRU网络模型中,通过损失函数,确定GRU网络模型的参数,得到训练好的GRU网络模型。
8.根据权利要求1所述的方法,其特征在于,所述根据训练好的GRU网络模型进行剩余使用寿命预测,包括:
将当前时刻的退化状态作为模型输入,输入到训练好的GRU网络模型中,得到剩余使用寿命预测。
9.一种对PEMFC剩余使用寿命进行预测的装置,其特征在于,所述装置包括:
数据处理模块,用于采集PEMFC在不同时刻的PEMFC的电流、电流密度、氢气空气进出口压强和输出电压数据,对采集的数据进行预处理;
选定模块,用于通过引入半经验退化模型,选定能够表征PEMFC退化的SOH指标;
构建模块,用于对SOH指标进行随机退化建模,得到性能退化状态空间模型;
估计模块,用于根据所述PEMFC的电流、电流密度、氢气空气进出口压强和输出电压数据,采用UKF滤波算法在线估计SOH指标数据;
更新模块,用于根据所述PEMFC的电流、电流密度、氢气空气进出口压强和输出电压数据,采用EM算法更新性能退化状态空间模型中的参数;
预测模块,用于对初始的GRU网络模型进行训练,根据训练好的GRU网络模型进行剩余使用寿命预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210068376.0A CN114814589A (zh) | 2022-01-20 | 2022-01-20 | 一种对pemfc剩余使用寿命进行预测的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210068376.0A CN114814589A (zh) | 2022-01-20 | 2022-01-20 | 一种对pemfc剩余使用寿命进行预测的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114814589A true CN114814589A (zh) | 2022-07-29 |
Family
ID=82527051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210068376.0A Pending CN114814589A (zh) | 2022-01-20 | 2022-01-20 | 一种对pemfc剩余使用寿命进行预测的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114814589A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116227366A (zh) * | 2023-05-08 | 2023-06-06 | 浙江大学 | 两阶段电机绝缘寿命预测方法 |
CN116502541A (zh) * | 2023-05-18 | 2023-07-28 | 淮阴工学院 | 一种质子交换膜燃料电池寿命预测的方法 |
CN116840722A (zh) * | 2023-06-09 | 2023-10-03 | 淮阴工学院 | 一种质子交换膜燃料电池性能退化评估及寿命预测方法 |
CN116859251A (zh) * | 2023-06-16 | 2023-10-10 | 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 |
-
2022
- 2022-01-20 CN CN202210068376.0A patent/CN114814589A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116227366A (zh) * | 2023-05-08 | 2023-06-06 | 浙江大学 | 两阶段电机绝缘寿命预测方法 |
CN116227366B (zh) * | 2023-05-08 | 2023-08-11 | 浙江大学 | 两阶段电机绝缘寿命预测方法 |
CN116502541A (zh) * | 2023-05-18 | 2023-07-28 | 淮阴工学院 | 一种质子交换膜燃料电池寿命预测的方法 |
CN116502541B (zh) * | 2023-05-18 | 2023-12-22 | 淮阴工学院 | 一种质子交换膜燃料电池寿命预测的方法 |
CN116840722A (zh) * | 2023-06-09 | 2023-10-03 | 淮阴工学院 | 一种质子交换膜燃料电池性能退化评估及寿命预测方法 |
CN116840722B (zh) * | 2023-06-09 | 2024-02-23 | 淮阴工学院 | 一种质子交换膜燃料电池性能退化评估及寿命预测方法 |
CN116859251A (zh) * | 2023-06-16 | 2023-10-10 | 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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Degradation prediction of PEM fuel cell stack based on multiphysical aging model with particle filter approach | |
Liu et al. | Remaining useful life estimation for proton exchange membrane fuel cells using a hybrid method | |
CN114814589A (zh) | 一种对pemfc剩余使用寿命进行预测的方法及装置 | |
Liu et al. | Prognostics methods and degradation indexes of proton exchange membrane fuel cells: A review | |
Chen et al. | Degradation model of proton exchange membrane fuel cell based on a novel hybrid method | |
Hua et al. | Remaining useful life prediction of PEMFC systems under dynamic operating conditions | |
Pan et al. | Performance degradation prediction of proton exchange membrane fuel cell using a hybrid prognostic approach | |
Zhu et al. | Prognostics of PEM fuel cells based on Gaussian process state space models | |
Mao et al. | Investigation of polymer electrolyte membrane fuel cell internal behaviour during long term operation and its use in prognostics | |
CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
CN112068003B (zh) | 基于线性维纳过程的镉镍蓄电池寿命预测方法和装置 | |
Yue et al. | Degradation identification and prognostics of proton exchange membrane fuel cell under dynamic load | |
Wu et al. | A hybrid prognostic model applied to SOFC prognostics | |
CN113837356A (zh) | 基于融合神经网络的污水处理智能预测方法 | |
CN114035098A (zh) | 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法 | |
CN114943372A (zh) | 基于贝叶斯循环神经网络的质子交换膜寿命预测方法及装置 | |
Marzooghi et al. | Dynamic modeling of solid oxide fuel cell stack based on local linear model tree algorithm | |
Liu et al. | Prediction of voltage degradation trend for a proton exchange membrane fuel cell city bus on roads | |
Hua et al. | Data-driven prognostics for PEMFC systems by different echo state network prediction structures | |
Chi et al. | Online identification of a link function degradation model for solid oxide fuel cells under varying-load operation | |
Wu et al. | Prediction of remaining useful life of the lithium-ion battery based on improved particle filtering | |
Chang et al. | Prognostics for remaining useful life estimation in proton exchange membrane fuel cell by dynamic recurrent neural networks | |
Li et al. | Degradation prediction of proton exchange membrane fuel cell based on the multi-inputs Bi-directional long short-term memory | |
Liu et al. | Uncertainty assessment of a semi-empirical output voltage model for proton exchange membrane fuel cells | |
CN117420442A (zh) | 一种基于mnq-lstm的电池剩余寿命预测方法 |
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 |