CN115130365A - 基于循环神经网络的燃料电池极化曲线预测方法及装置 - Google Patents

基于循环神经网络的燃料电池极化曲线预测方法及装置 Download PDF

Info

Publication number
CN115130365A
CN115130365A CN202110321408.9A CN202110321408A CN115130365A CN 115130365 A CN115130365 A CN 115130365A CN 202110321408 A CN202110321408 A CN 202110321408A CN 115130365 A CN115130365 A CN 115130365A
Authority
CN
China
Prior art keywords
fuel cell
polarization curve
current density
training
neural network
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
Application number
CN202110321408.9A
Other languages
English (en)
Inventor
陈俊超
蒋永伟
刘冬安
姜炜
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.)
SAIC Motor Corp Ltd
Original Assignee
SAIC Motor Corp Ltd
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 SAIC Motor Corp Ltd filed Critical SAIC Motor Corp Ltd
Priority to CN202110321408.9A priority Critical patent/CN115130365A/zh
Publication of CN115130365A publication Critical patent/CN115130365A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Hardware Design (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Fuel Cell (AREA)

Abstract

本申请公开了一种基于循环神经网络的燃料电池极化曲线预测方法及装置，包括：首先获取待预测的目标燃料电池；以及获取目标燃料电池的电流密度和电压；然后，将目标燃料电池的电流密度和电压输入至预先构建的基于循环神经网络的燃料电池极化曲线预测模型，以预测出目标燃料电池的极化曲线。可见，由于目标燃料电池的电流密度和电压的测量值具有时序关系，而本申请实施例是利用预先构建的基于循环神经网络的燃料电池极化曲线预测模型，对目标燃料电池的极化曲线进行预测，从而能够大幅度提高预测结果的准确率和预测效率。

Description

基于循环神经网络的燃料电池极化曲线预测方法及装置
技术领域
本申请涉及电池技术领域，尤其涉及一种基于循环神经网络的燃料电池极化曲线预测方法及装置。
背景技术
燃料电池作为一种新型能源形式，在当前的节能减排进程中发挥着重要的作用。而制约目前燃料电池发展的主要是成本和寿命。其中，是否能够实时获知燃料电池的性能表现，对于燃料电池寿命的评价是至关重要的。目前，燃料电池性能正是通过燃料电池的极化曲线体现出来的，因此，是否能够对燃料电池极化曲线进行准确预测就显得尤为重要。
现有的对于燃料电池极化曲线的预测方法通常有两种：一种是插值方式的预测方法，具体为首先通过实验测试得到典型工况点的数据，然后对于测试点之间的未知数据采用插值的方式获得，但该插值方式的预测方法得到的数据的误差较大，与实际情形有较大差距。另一种预测方法是多项式拟合方式的预测方法，具体为先根据燃料电池的数学模型，采用多项式拟合的方式得到实际燃料电池的极化曲线的函数表达式，然后再通过该函数表达式来计算出未知数据，但由于目前主流的燃料电池数学模型——Amphlett模型由活化过电势、欧姆过电势和浓差过电势组成，本身就很复杂，所以，通过多项式拟合得到的函数形式未必能够完全包含上述三部分，会导致一定的误差。且通过拟合得到的函数对未知范围的极化曲线数据预测效果也难以评价。
因此，如何提升燃料电池极化曲线的预测准确率，降低误差，已成为亟待解决的问题。
发明内容
本申请实施例的主要目的在于提供一种基于循环神经网络的燃料电池极化曲线预测方法及装置，能够采用循环神经网络进行燃料电池极化曲线预测，大幅度提高预测结果的准确率。
本申请实施例提供了一种基于循环神经网络的燃料电池极化曲线预测方法，包括：
获取待预测的目标燃料电池；以及获取所述目标燃料电池的电流密度和电压；
将所述目标燃料电池的电流密度和电压输入至预先构建的基于循环神经网络的燃料电池极化曲线预测模型，以预测出所述目标燃料电池的极化曲线。
可选的，所述基于循环神经网络的燃料电池极化曲线预测模型是利用初始基于循环神经网络的燃料电池极化曲线预测模型训练得到的；所述初始基于循环神经网络的燃料电池极化曲线预测模型包括输入层、隐藏层、输出层。
可选的，构建所述基于循环神经网络的燃料电池极化曲线预测模型，包括：
S1：获取燃料电池的训练电流密度和训练电压；
S2：将所述训练电流密度和训练电压输入Python编写好的代码中进行训练，得到所述初始基于循环神经网络的燃料电池极化曲线预测模型的网络参数；
S3：利用所述交叉熵损失函数，计算所述训练电流密度和训练电压的损失值；
S4：将所述隐藏层和所述输入层的梯度清零，以及将所述输出层和所述隐藏层的梯度清零；
S5：通过反向传播，计算所述隐藏层和所述输入层的梯度，以及计算所述输出层和所述隐藏层的梯度；
S6：重复执行步骤S2-S5，直至所述训练电流密度和训练电压的损失值小于预设阈值，停止训练，生成所述基于循环神经网络的燃料电池极化曲线预测模型。
可选的，所述方法还包括：
获取燃料电池的验证电流密度和验证电压；
将所述验证电流密度和验证电压输入所述基于循环神经网络的燃料电池极化曲线预测模型，获得所述验证电流密度和验证电压对应的极化曲线预测结果；
当所述验证电流密度和验证电压对应的极化曲线预测结果与所述验证电流密度和验证电压对应的极化曲线标记结果不一致时，将所述验证电流密度和验证电压分别重新作为所述训练电流密度和训练电压，对所述基于循环神经网络的燃料电池极化曲线预测模型进行更新。
本申请实施例还提供了一种基于循环神经网络的燃料电池极化曲线预测装置，包括：
第一获取单元，用于获取待预测的目标燃料电池；以及获取所述目标燃料电池的电流密度和电压；
预测单元，用于将所述目标燃料电池的电流密度和电压输入至预先构建的基于循环神经网络的燃料电池极化曲线预测模型，以预测出所述目标燃料电池的极化曲线。
可选的，所述基于循环神经网络的燃料电池极化曲线预测模型是利用初始基于循环神经网络的燃料电池极化曲线预测模型训练得到的；所述初始基于循环神经网络的燃料电池极化曲线预测模型包括输入层、隐藏层、输出层。
可选的，所述装置还包括：
第二获取单元，用于获取燃料电池的训练电流密度和训练电压；
训练单元，用于将所述训练电流密度和训练电压输入Python编写好的代码中进行训练，得到所述初始基于循环神经网络的燃料电池极化曲线预测模型的网络参数；
第一计算单元，用于利用所述交叉熵损失函数，计算所述训练电流密度和训练电压的损失值；
清零单元，用于将所述隐藏层和所述输入层的梯度清零，以及将所述输出层和所述隐藏层的梯度清零；
第二计算单元，用于通过反向传播，计算所述隐藏层和所述输入层的梯度，以及计算所述输出层和所述隐藏层的梯度；
生成单元，用于重复调用执行训练单元、第一计算单元、清零单元以及第二计算单元，直至所述训练电流密度和训练电压的损失值小于预设阈值，停止训练，生成所述基于循环神经网络的燃料电池极化曲线预测模型。
可选的，所述装置还包括：
第三获取单元，用于获取燃料电池的验证电流密度和验证电压；
获得单元，用于将所述验证电流密度和验证电压输入所述基于循环神经网络的燃料电池极化曲线预测模型，获得所述验证电流密度和验证电压对应的极化曲线预测结果；
更新单元，用于当所述验证电流密度和验证电压对应的极化曲线预测结果与所述验证电流密度和验证电压对应的极化曲线标记结果不一致时，将所述验证电流密度和验证电压分别重新作为所述训练电流密度和训练电压，对所述基于循环神经网络的燃料电池极化曲线预测模型进行更新。
本申请实施例还提供了一种基于循环神经网络的燃料电池极化曲线预测设备，包括：处理器、存储器、系统总线；
所述处理器以及所述存储器通过所述系统总线相连；
所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行上述基于循环神经网络的燃料电池极化曲线预测方法中的任意一种实现方式。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行上述基于循环神经网络的燃料电池极化曲线预测方法中的任意一种实现方式。
本申请实施例提供的一种基于循环神经网络的燃料电池极化曲线预测方法及装置，首先获取待预测的目标燃料电池；以及获取目标燃料电池的电流密度和电压；然后，将目标燃料电池的电流密度和电压输入至预先构建的基于循环神经网络的燃料电池极化曲线预测模型，以预测出目标燃料电池的极化曲线。可见，由于目标燃料电池的电流密度和电压的测量值具有时序关系，而本申请实施例是利用预先构建的基于循环神经网络的燃料电池极化曲线预测模型，对目标燃料电池的极化曲线进行预测，从而能够大幅度提高预测结果的准确率和预测效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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为本申请实施例提供的一种基于循环神经网络的燃料电池极化曲线预测方法的流程示意图；
图2为本申请实施例提供的基于循环神经网络的燃料电池极化曲线预测模型的结构示意图；
图3为本申请实施例提供的一种基于循环神经网络的燃料电池极化曲线预测装置的组成示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请实施例作进一步详细的说明。
为了便于理解本申请提供的技术方案，下面先对本申请技术方案的研究背景进行简单说明。
众所周知，燃料电池作为一种新型能源形式，在当前的节能减排进程中发挥着重要的作用。而制约目前燃料电池发展的主要是成本和寿命。其中，是否能够实时获知燃料电池的性能表现，对于燃料电池寿命的评价是至关重要的。目前，燃料电池性能正是通过燃料电池的极化曲线体现出来的，因此，是否能够对燃料电池极化曲线进行准确预测就显得尤为重要。
对于燃料电池极化曲线的预测，目前主流的方式为实验测试结合数值分析。其中数值分析主要分为插值和多项式拟合两种。首先通过实验测试得到典型工况点的数据，然后对于测试点之间的未知数据采用插值的方式获得；或者可以根据燃料电池的数学模型，采用多项式拟合的方式得到实际燃料电池的极化曲线的函数表达式，通过该函数表达式来计算出未知数据。这两种传统的预测方式有以下两个缺点：(1)插值方式得到的数据的误差较大，与实际情形有较大差距；(2)由于目前主流的燃料电池数学模型——Amphlett模型由活化过电势、欧姆过电势和浓差过电势组成，本身就很复杂；通过多项式拟合得到的函数形式未必能够完全包含上述三部分，会导致一定的误差。且通过拟合得到的函数对未知范围的极化曲线数据预测效果也难以评价。
基于此，为解决上述缺陷，本申请提出了一种基于循环神经网络的燃料电池极化曲线预测方法及装置，以能够采用循环神经网络进行燃料电池极化曲线预测，进而大幅度提高预测结果的准确率。
以下将结合附图对本申请实施例提供的基于循环神经网络的燃料电池极化曲线预测方法进行详细说明。
参见图1，其示出了本申请实施例提供的一种车载环境下多模态情感数据采集方法的流程图，本实施例可以包括以下步骤：
S101：获取待预测的目标燃料电池；以及获取目标燃料电池的电流密度和电压。
在本实施例中，将采用本实施例预测极化曲线任一燃料电池定义为目标燃料电池，为了提高预测结果的准确率，首先可以获取待预测的目标燃料电池以及获取目标燃料电池的电流密度和电压，用以执行后续步骤S102。本申请实施例不限制目标燃料电池的获取方式。并且，本申请实施例也不限制目标燃料电池的类型，比如，目标燃料电池可以包括质子交换膜燃料电池、直接甲醇燃料电池和固体氧化物燃料电池等。
S102：将目标燃料电池的电流密度和电压输入至预先构建的基于循环神经网络的燃料电池极化曲线预测模型，以预测出目标燃料电池的极化曲线。
在本实施例中，通过步骤S101获取到待预测的目标燃料电池以及目标燃料电池的电流密度和电压后，进一步可以将目标燃料电池的电流密度和电压输入至预先构建的基于循环神经网络的燃料电池极化曲线预测模型，以预测出目标燃料电池的极化曲线。
具体来讲，由于燃料电池的极化曲线为电流密度—输出电压曲线(即i-V曲线)，且上一次测量值与下一次测量值存在时序关系，可以本申请采用循环神经网络的方法来进行燃料电池极化曲线的预测，不仅可以保留前馈神经网络的所有优点，还克服了前馈神经网络无法处理时序数据的缺点，从而能够大幅度提高预测结果的准确率。
其中，循环神经网络(Recurrent Neural Network，简称RNN)指的是一类具有短期记忆能力的神经网络。在循环神经网络中，神经元不但可以接受其它神经元的信息，也可以接受自身的信息，形成具有环路的网络结构。循环神经网络通过使用带反馈的神经元，能够处理任意长度的时序数据。
一种可选的实现方式是，基于循环神经网络的燃料电池极化曲线预测模型的基本结构如图2所示。该基于循环神经网络的燃料电池极化曲线预测模型是利用初始基于循环神经网络的燃料电池极化曲线预测模型训练得到的。且初始基于循环神经网络的燃料电池极化曲线预测模型包括输入层、隐藏层、输出层。在图2中，Xt代表数据经过输入层处理后的结果，ht代表数据经过隐藏层处理后的结果，Yt代表数据经过输出层处理后的结果。
与前馈神经网络相比，循环神经网络特有的工作原理如下：
(1)原始数据由输入层经过输入层到隐藏层之间的权重矩阵U计算后，得到结果Xt并将其输入隐藏层，即隐藏层的输入为U·Xt；
(2)隐藏层中含有一个激活函数f(x)，该激活函数通常为非线性函数，作用为将线性的输入转化为非线性的输出。由于实际应用中数据大多为非线性的，为了保证经过循环神经网络训练后的数据可以更好地符合现实情况，激活函数一定是非线性函数。对于循环神经网络来说，通常采用tanh函数作为激活函数。
Figure BDA0002993037060000071
相比传统的前馈神经网络，循环神经网络的隐藏层的输出值ht不仅仅取决于当前的输入值Xt，还与上一次的隐藏层的输出值ht-1有关。上一次隐藏层与当前隐藏层之间的权重矩阵为W，即，隐藏层的输出值为：ht＝f(U·Xt+W·ht-1)。
(3)数据经过隐藏层的激活函数f(x)处理后，再经过隐藏层到输出层之间的权重矩阵V计算后，得到最终输出层的输出值Yt。即，循环神经网络最终的输出为：Yt＝V·ht。
其余的数据训练步骤与传统的前馈神经网络基本一致，在此不再赘述。
接下来，本实施例将对基于循环神经网络的燃料电池极化曲线预测模型的具体构建过程进行介绍。利用该预先构建的基于循环神经网络的燃料电池极化曲线预测模型，可以准确、快速地预测出目标燃料电池的极化曲线。具体构建过程包括以下步骤S1-S6：
S1：获取燃料电池的训练电流密度和训练电压。
在本实施例中，为了构建基于循环神经网络的燃料电池极化曲线预测模型，需要预先进行大量的准备工作，首先，需要获取燃料电池的训练电流密度和训练电压，比如，可以预先收集燃料电池在24小时内不同时刻的电流密度和电压，并将获取到的燃料电池的每一时刻的电流密度和电压分别作为训练电流密度和训练电压，或者，将由实验台架测得的实验数据作为训练数据(包括训练电流密度和训练电压)，并预先通过人工标注出这些训练电流密度和训练电压对应的极化曲线，用以训练基于循环神经网络的燃料电池极化曲线预测模型。
S2：将训练电流密度和训练电压输入Python编写好的代码中进行训练，得到初始基于循环神经网络的燃料电池极化曲线预测模型的网络参数。
在本实施例中，通过步骤S1获取到燃料电池的训练电流密度和训练电压后，进一步可以将训练集数据(即训练电流密度和训练电压)输入到由Python编写好的代码中进行训练，预测出的结果为模型的网络参数，即模型的输入层到隐藏层之间的权重矩阵U、隐藏层到输出层之间的权重矩阵V以及上一次隐藏层与当前隐藏层之间的权重矩阵为W。
S3：利用交叉熵损失函数，计算训练电流密度和训练电压的损失值。
在模型的训练过程中，可以利用交叉熵损失函数，计算出训练电流密度和训练电压的损失值。
S4：将隐藏层和所述输入层的梯度清零，以及将输出层和隐藏层的梯度清零。
S5：通过反向传播，计算隐藏层和输入层的梯度，以及计算输出层和隐藏层的梯度。
S6：重复执行步骤S2-S5，直至训练电流密度和训练电压的损失值小于预设阈值，停止训练，生成基于循环神经网络的燃料电池极化曲线预测模型。
其中，预设阈值的取值可根据实际情况和经验值进行设定，本申请实施例对此不进行限定，比如可以将预设阈值审定为0.1％等。
需要说明的是，通过上述步骤S1-S6可以利用燃料电池的训练电流密度和训练电压训练生成基于循环神经网络的燃料电池极化曲线预测模型，则进一步的，可以利用燃料电池的验证电流密度和验证电压对生成的基于循环神经网络的燃料电池极化曲线预测模型进行验证。具体构建过程包括以下步骤A-C：
步骤A：获取燃料电池的验证电流密度和验证电压。
在实际应用中，为了实现对基于循环神经网络的燃料电池极化曲线预测模型进行验证，首先需要获取燃料电池的验证电流密度和验证电压，其中，燃料电池的验证电流密度和验证电压指的是可以用来进行基于循环神经网络的燃料电池极化曲线预测模型验证的燃料电池的电流密度和电压，在获取到燃料电池的验证电流密度和验证电压后，可继续执行步骤B。
步骤B：将验证电流密度和验证电压输入基于循环神经网络的燃料电池极化曲线预测模型，获得验证电流密度和验证电压对应的极化曲线预测结果。
在实际应用中，通过步骤A获取到燃料电池的验证电流密度和验证电压后，进一步可以将验证电流密度和验证电压输入基于循环神经网络的燃料电池极化曲线预测模型，以通过模型输出验证电流密度和验证电压对应的极化曲线预测结果。
步骤C：当验证电流密度和验证电压对应的极化曲线预测结果与验证电流密度和验证电压对应的极化曲线标记结果不一致时，将验证电流密度和验证电压分别重新作为训练电流密度和训练电压，对基于循环神经网络的燃料电池极化曲线预测模型进行更新。
在实际应用中，通过步骤B获得验证电流密度和验证电压对应的极化曲线预测结果后，当判断出验证电流密度和验证电压对应的极化曲线预测结果与验证电流密度和验证电压对应的人工标注结果不一致时，可以将该验证电流密度和验证电压分别重新作为训练电流密度和训练电压，对基于循环神经网络的燃料电池极化曲线预测模型进行更新。
通过上述实施例，可以利用燃料电池的验证电流密度和验证电压对基于循环神经网络的燃料电池极化曲线预测模型进行有效验证，当验证电流密度和验证电压对应的极化曲线预测结果与验证电流密度和验证电压对应的人工标注结果不一致时，可以及时调整更新基于循环神经网络的燃料电池极化曲线预测模型，进而有助于提高识别模型的识别精度和准确性。
需要说明的是，利用本实施例训练而成的基于循环神经网络的燃料电池极化曲线预测模型进行燃料电池极化曲线预测，在现有实验数据范围内预测的准确率相比插值和多项式拟合更高，同时可以根据数据趋势预测未知数据，比多项式拟合函数的预测效果更好。
并且，本实施例训练基于循环神经网络的燃料电池极化曲线预测模型时，通过不断地学习现有数据，并且通过梯度清零、反向传播等操作，可以预测现有数据范围内的未知数据，准确率更高，还可以根据数据趋势预测未知数据。例如，燃料电池电流密度增大后的极化曲线变化趋势。
综上，本申请实施例提供的一种基于循环神经网络的燃料电池极化曲线预测方法，首先获取待预测的目标燃料电池；以及获取目标燃料电池的电流密度和电压；然后，将目标燃料电池的电流密度和电压输入至预先构建的基于循环神经网络的燃料电池极化曲线预测模型，以预测出目标燃料电池的极化曲线。可见，由于目标燃料电池的电流密度和电压的测量值具有时序关系，而本申请实施例是利用预先构建的基于循环神经网络的燃料电池极化曲线预测模型，对目标燃料电池的极化曲线进行预测，从而能够大幅度提高预测结果的准确率和预测效率。
上述实施例详细叙述了本申请方法的技术方案，相应地，本申请还提供了一种基于循环神经网络的燃料电池极化曲线预测装置，下面对该装置进行介绍。
参见图3，为本实施例提供的一种基于循环神经网络的燃料电池极化曲线预测装置的组成示意图，该装置包括：
第一获取单元301，用于获取待预测的目标燃料电池；以及获取所述目标燃料电池的电流密度和电压；
预测单元302，用于将所述目标燃料电池的电流密度和电压输入至预先构建的基于循环神经网络的燃料电池极化曲线预测模型，以预测出所述目标燃料电池的极化曲线。
在本实施例的一种实现方式中，所述基于循环神经网络的燃料电池极化曲线预测模型是利用初始基于循环神经网络的燃料电池极化曲线预测模型训练得到的；所述初始基于循环神经网络的燃料电池极化曲线预测模型包括输入层、隐藏层、输出层。
在本实施例的一种实现方式中，所述装置还包括：
第二获取单元，用于获取燃料电池的训练电流密度和训练电压；
训练单元，用于将所述训练电流密度和训练电压输入Python编写好的代码中进行训练，得到所述初始基于循环神经网络的燃料电池极化曲线预测模型的网络参数；
第一计算单元，用于利用所述交叉熵损失函数，计算所述训练电流密度和训练电压的损失值；
清零单元，用于将所述隐藏层和所述输入层的梯度清零，以及将所述输出层和所述隐藏层的梯度清零；
第二计算单元，用于通过反向传播，计算所述隐藏层和所述输入层的梯度，以及计算所述输出层和所述隐藏层的梯度；
生成单元，用于重复调用执行训练单元、第一计算单元、清零单元以及第二计算单元，直至所述训练电流密度和训练电压的损失值小于预设阈值，停止训练，生成所述基于循环神经网络的燃料电池极化曲线预测模型。
在本实施例的一种实现方式中，所述装置还包括：
第三获取单元，用于获取燃料电池的验证电流密度和验证电压；
获得单元，用于将所述验证电流密度和验证电压输入所述基于循环神经网络的燃料电池极化曲线预测模型，获得所述验证电流密度和验证电压对应的极化曲线预测结果；
更新单元，用于当所述验证电流密度和验证电压对应的极化曲线预测结果与所述验证电流密度和验证电压对应的极化曲线标记结果不一致时，将所述验证电流密度和验证电压分别重新作为所述训练电流密度和训练电压，对所述基于循环神经网络的燃料电池极化曲线预测模型进行更新。
这样，本申请实施例提供的一种基于循环神经网络的燃料电池极化曲线预测装置，首先获取待预测的目标燃料电池；以及获取目标燃料电池的电流密度和电压；然后，将目标燃料电池的电流密度和电压输入至预先构建的基于循环神经网络的燃料电池极化曲线预测模型，以预测出目标燃料电池的极化曲线。可见，由于目标燃料电池的电流密度和电压的测量值具有时序关系，而本申请实施例是利用预先构建的基于循环神经网络的燃料电池极化曲线预测模型，对目标燃料电池的极化曲线进行预测，从而能够大幅度提高预测结果的准确率和预测效率。
进一步地，本申请实施例还提供了一种基于循环神经网络的燃料电池极化曲线预测设备，包括：处理器、存储器、系统总线；
所述处理器以及所述存储器通过所述系统总线相连；
所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行上述基于循环神经网络的燃料电池极化曲线预测方法的任一种实现方法。
进一步地，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行上述基于循环神经网络的燃料电池极化曲线预测方法的任一种实现方法。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者诸如媒体网关等网络通信设备，等等)执行本申请各个实施例或者实施例的某些部分所述的方法。
需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于循环神经网络的燃料电池极化曲线预测方法，其特征在于，包括：
获取待预测的目标燃料电池；以及获取所述目标燃料电池的电流密度和电压；
将所述目标燃料电池的电流密度和电压输入至预先构建的基于循环神经网络的燃料电池极化曲线预测模型，以预测出所述目标燃料电池的极化曲线。
2.根据权利要求1所述的方法，其特征在于，所述基于循环神经网络的燃料电池极化曲线预测模型是利用初始基于循环神经网络的燃料电池极化曲线预测模型训练得到的；所述初始基于循环神经网络的燃料电池极化曲线预测模型包括输入层、隐藏层、输出层。
3.根据权利要求2所述的方法，其特征在于，构建所述基于循环神经网络的燃料电池极化曲线预测模型，包括：
S1：获取燃料电池的训练电流密度和训练电压；
S2：将所述训练电流密度和训练电压输入Python编写好的代码中进行训练，得到所述初始基于循环神经网络的燃料电池极化曲线预测模型的网络参数；
S3：利用所述交叉熵损失函数，计算所述训练电流密度和训练电压的损失值；
S4：将所述隐藏层和所述输入层的梯度清零，以及将所述输出层和所述隐藏层的梯度清零；
S5：通过反向传播，计算所述隐藏层和所述输入层的梯度，以及计算所述输出层和所述隐藏层的梯度；
S6：重复执行步骤S2-S5，直至所述训练电流密度和训练电压的损失值小于预设阈值，停止训练，生成所述基于循环神经网络的燃料电池极化曲线预测模型。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
获取燃料电池的验证电流密度和验证电压；
将所述验证电流密度和验证电压输入所述基于循环神经网络的燃料电池极化曲线预测模型，获得所述验证电流密度和验证电压对应的极化曲线预测结果；
当所述验证电流密度和验证电压对应的极化曲线预测结果与所述验证电流密度和验证电压对应的极化曲线标记结果不一致时，将所述验证电流密度和验证电压分别重新作为所述训练电流密度和训练电压，对所述基于循环神经网络的燃料电池极化曲线预测模型进行更新。
5.一种基于循环神经网络的燃料电池极化曲线预测装置，其特征在于，包括：
第一获取单元，用于获取待预测的目标燃料电池；以及获取所述目标燃料电池的电流密度和电压；
预测单元，用于将所述目标燃料电池的电流密度和电压输入至预先构建的基于循环神经网络的燃料电池极化曲线预测模型，以预测出所述目标燃料电池的极化曲线。
6.根据权利要求5所述的装置，其特征在于，所述基于循环神经网络的燃料电池极化曲线预测模型是利用初始基于循环神经网络的燃料电池极化曲线预测模型训练得到的；所述初始基于循环神经网络的燃料电池极化曲线预测模型包括输入层、隐藏层、输出层。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
第二获取单元，用于获取燃料电池的训练电流密度和训练电压；
训练单元，用于将所述训练电流密度和训练电压输入Python编写好的代码中进行训练，得到所述初始基于循环神经网络的燃料电池极化曲线预测模型的网络参数；
第一计算单元，用于利用所述交叉熵损失函数，计算所述训练电流密度和训练电压的损失值；
清零单元，用于将所述隐藏层和所述输入层的梯度清零，以及将所述输出层和所述隐藏层的梯度清零；
第二计算单元，用于通过反向传播，计算所述隐藏层和所述输入层的梯度，以及计算所述输出层和所述隐藏层的梯度；
生成单元，用于重复调用执行训练单元、第一计算单元、清零单元以及第二计算单元，直至所述训练电流密度和训练电压的损失值小于预设阈值，停止训练，生成所述基于循环神经网络的燃料电池极化曲线预测模型。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
第三获取单元，用于获取燃料电池的验证电流密度和验证电压；
获得单元，用于将所述验证电流密度和验证电压输入所述基于循环神经网络的燃料电池极化曲线预测模型，获得所述验证电流密度和验证电压对应的极化曲线预测结果；
更新单元，用于当所述验证电流密度和验证电压对应的极化曲线预测结果与所述验证电流密度和验证电压对应的极化曲线标记结果不一致时，将所述验证电流密度和验证电压分别重新作为所述训练电流密度和训练电压，对所述基于循环神经网络的燃料电池极化曲线预测模型进行更新。
9.一种基于循环神经网络的燃料电池极化曲线预测设备，其特征在于，包括：处理器、存储器、系统总线；
所述处理器以及所述存储器通过所述系统总线相连；
所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行权利要求1-4任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行权利要求1-4任一项所述的方法。
CN202110321408.9A 2021-03-25 2021-03-25 基于循环神经网络的燃料电池极化曲线预测方法及装置 Pending CN115130365A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110321408.9A CN115130365A (zh) 2021-03-25 2021-03-25 基于循环神经网络的燃料电池极化曲线预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110321408.9A CN115130365A (zh) 2021-03-25 2021-03-25 基于循环神经网络的燃料电池极化曲线预测方法及装置

Publications (1)

Publication Number Publication Date
CN115130365A true CN115130365A (zh) 2022-09-30

Family

ID=83374573

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110321408.9A Pending CN115130365A (zh) 2021-03-25 2021-03-25 基于循环神经网络的燃料电池极化曲线预测方法及装置

Country Status (1)

Country Link
CN (1) CN115130365A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116256647A (zh) * 2023-05-10 2023-06-13 上海重塑能源科技有限公司 燃料电池性能的在线识别预测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116256647A (zh) * 2023-05-10 2023-06-13 上海重塑能源科技有限公司 燃料电池性能的在线识别预测方法及系统
CN116256647B (zh) * 2023-05-10 2023-08-04 上海重塑能源科技有限公司 燃料电池性能的在线识别预测方法及系统

Similar Documents

Publication Publication Date Title
Liu et al. Prognostics methods and degradation indexes of proton exchange membrane fuel cells: A review
Morando et al. Proton exchange membrane fuel cell ageing forecasting algorithm based on Echo State Network
CN109324291B (zh) 一种针对质子交换膜燃料电池寿命预测的预测方法
US8234093B2 (en) Computational method for load enhancement factors
CN111260030A (zh) 基于a-tcn电力负荷预测方法、装置、计算机设备及存储介质
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
Hong et al. An iterative model of the generalized Cauchy process for predicting the remaining useful life of lithium-ion batteries
CN112068003A (zh) 基于线性维纳过程的镉镍蓄电池寿命预测方法和装置
CN114814589A (zh) 一种对pemfc剩余使用寿命进行预测的方法及装置
CN116089870A (zh) 基于元学习的小样本条件下工业设备故障预测方法及装置
Li et al. Degradation prediction of proton exchange membrane fuel cell based on the multi-inputs Bi-directional long short-term memory
Tan et al. Intelligent online health estimation for lithium-ion batteries based on a parallel attention network combining multivariate time series
CN115130365A (zh) 基于循环神经网络的燃料电池极化曲线预测方法及装置
Wu et al. Prediction of remaining useful life of the lithium-ion battery based on improved particle filtering
Najera-Flores et al. A physics-constrained Bayesian neural network for battery remaining useful life prediction
Leckey et al. Prediction intervals for load‐sharing systems in accelerated life testing
CN110059342B (zh) 一种锂离子电池p2d模型的参数估计方法
Zong et al. Embedded software fault prediction based on back propagation neural network
Ding et al. Degradation analysis with nonlinear exponential‐dispersion process: Bayesian offline and online perspectives
CN112287605A (zh) 一种基于图卷积网络加速的潮流校核方法
Xu et al. A migration-based method for non-invasive revelation of microscopic degradation mechanisms and health prognosis of lithium-ion batteries
CN116777281A (zh) 一种基于arima模型的电力设备质量趋势预测方法及装置
CN116184214A (zh) 车用动力电池寿命在线快速预测方法、装置及存储介质
CN116400246A (zh) 基于aco-gmr的储能电站电池健康状态估计方法
CN116187387A (zh) 神经网络模型量化方法、装置、计算机设备和存储介质

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