CN116068479A - 燃料电池耐久试验中输出性能信号的异常检测方法与装置 - Google Patents

燃料电池耐久试验中输出性能信号的异常检测方法与装置 Download PDF

Info

Publication number
CN116068479A
CN116068479A CN202310210260.0A CN202310210260A CN116068479A CN 116068479 A CN116068479 A CN 116068479A CN 202310210260 A CN202310210260 A CN 202310210260A CN 116068479 A CN116068479 A CN 116068479A
Authority
CN
China
Prior art keywords
output performance
performance signal
current
network model
current predicted
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
CN202310210260.0A
Other languages
English (en)
Inventor
郗富强
沈徉羊
刘水源
赵越
侯伟
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.)
Weichai Power Co Ltd
Original Assignee
Weichai Power Co 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 Weichai Power Co Ltd filed Critical Weichai Power Co Ltd
Priority to CN202310210260.0A priority Critical patent/CN116068479A/zh
Publication of CN116068479A publication Critical patent/CN116068479A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
    • 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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • 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)
  • General Physics & Mathematics (AREA)
  • Fuel Cell (AREA)

Abstract

本申请提供了一种燃料电池耐久试验中输出性能信号的异常检测方法与装置，该方法包括：获取燃料电池在进行耐久试验中的历史输出性能信号；根据长短期记忆网络模型和历史输出性能信号，得到当前预测输出性能信号；比对当前预测输出性能信号和当前实际输出性能信号，得到比对结果，并且根据比对结果确定当前实际输出性能信号是否异常。该检测方法采用长短期记忆网络模型，可以得到较为精准的当前预测输出性能信号，然后实现实际输出性能信号的精准的异常检测，以解决现有技术中的缺乏一种高精度的燃料电池耐久试验中输出性能信号的异常检测方案的问题。

Description

燃料电池耐久试验中输出性能信号的异常检测方法与装置
技术领域
本申请涉及燃料电池领域，具体而言，涉及一种燃料电池耐久试验中输出性能信号的异常检测方法、装置、计算机可读存储介质与电子设备。
背景技术
在质子交换膜燃料电池耐久试验中，燃料电池的故障诊断，是燃料电池耐久试验安全运行的保障，是燃料电池耐久试验中健康管理的重要内容。
燃料电池堆有复杂的电池组件，其运行环境为多物理场的耦合，且燃料电池系统集成度高，各零部件联系紧密，因此触发燃料电池系统故障的可能原因多种多样，而且它们经常耦合作用，但无论出现何种故障，几乎都会致使燃料电池输出性能信号的异常波动。所以，需要对燃料电池在耐久试验中输出性能信号的异常进行检测，但是现有技术中的缺乏一种高精度的燃料电池耐久试验中输出性能信号的异常检测方案。
发明内容
本申请的主要目的在于提供一种燃料电池耐久试验中输出性能信号的异常检测方法、装置、计算机可读存储介质与电子设备，以解决现有技术中缺乏一种高精度的燃料电池耐久试验中输出性能信号的异常检测方案问题。
为了实现上述目的，根据本申请的一个方面，提供了一种燃料电池耐久试验中输出性能信号的异常检测方法，包括：获取燃料电池在进行耐久试验中的历史输出性能信号；根据长短期记忆网络模型和所述历史输出性能信号，得到当前预测输出性能信号；比对所述当前预测输出性能信号和当前实际输出性能信号，得到比对结果，并且根据所述比对结果确定所述当前实际输出性能信号是否异常。
可选地，根据长短期记忆网络模型和所述历史输出性能信号，得到当前预测输出性能信号，包括：采用差分进化算法对训练得到初始长短期记忆网络模型进行优化，得到优化后的长短期记忆网络模型；将所述历史输出性能信号输入至所述优化后的长短期记忆网络模型中进行运算，得到所述当前预测输出性能信号。
可选地，采用差分进化算法对训练得到初始长短期记忆网络模型进行优化，得到优化后的长短期记忆网络模型，包括：在预设超参数范围内，采用差分进化算法对训练得到的初始长短期记忆网络模型的超参数进行优化，得到优化后的超参数；采用所述优化后的超参数替换优化前的所述预设超参数范围，得到所述优化后的长短期记忆网络模型。
可选地，所述方法还包括：构建初始长短期记忆网络模型，其中，所述初始长短期记忆网络模型是使用多组训练数据训练得到的，所述多组训练数据中的每一组训练数据均包括历史时间段内获取的：第N-a-1至第N次耐久循环试验的共a个历史输出性能信号和第N+1次耐久循环试验的历史输出性能信号，N≥1，N≥a+1。
可选地，在构建初始长短期记忆网络模型之前，所述方法还包括：采用滑动窗口法获取多组所述训练数据。
可选地，比对所述当前预测输出性能信号和当前实际输出性能信号，得到比对结果，并且根据所述比对结果确定所述当前实际输出性能信号是否异常，包括：在所述当前实际输出性能信号和所述当前预测输出性能信号的差值的绝对值与所述当前预测输出性能信号的比值在第一预设比值范围内的情况下，发出第一告警信息；在所述当前实际输出性能信号和所述当前预测输出性能信号的差值的绝对值与所述当前预测输出性能信号的比值在第二预设比值范围内的情况下，发出第二告警信息，所述第二预设比值范围的最小值大于所述第一预设比值范围的最大值，所述第二告警信息的危险等级高于所述第一告警信息。
可选地，在所述当前实际输出性能信号和所述当前预测输出性能信号的差值的绝对值与所述当前预测输出性能信号的比值在第一预设比值范围内的情况下，发出第一告警信息，包括：在所述当前实际输出性能信号和所述当前预测输出性能信号的差值的绝对值与所述当前预测输出性能信号的比值在所述第一预设比值范围，并且持续时间大于或者等于第一预设时间段的情况下，发出所述第一告警信息；在所述当前实际输出性能信号和所述当前预测输出性能信号的差值的绝对值与所述当前预测输出性能信号的比值在第二预设比值范围内的情况下，发出第二告警信息，包括：在所述当前实际输出性能信号和所述当前预测输出性能信号的差值的绝对值与所述当前预测输出性能信号的比值在所述第二预设比值范围，并且持续时间大于或者等于第二预设时间段的情况下，发出所述第二告警信息。
根据本申请的另一方面，提供了一种燃料电池耐久试验中输出性能信号的异常检测装置，包括：获取单元，用于获取燃料电池在进行耐久试验中的历史输出性能信号；第一处理单元，用于根据长短期记忆网络模型和所述历史输出性能信号，得到当前预测输出性能信号；第二处理单元，用于比对所述当前预测输出性能信号和当前实际输出性能信号，得到比对结果，并且根据所述比对结果确定所述当前实际输出性能信号是否异常。
根据本申请的另一方面，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包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述的方法。
根据本申请的另一方面，提供了一种电子设备，包括：一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行任意一种所述的方法。
应用本申请的技术方案，一种燃料电池耐久试验中输出性能信号的异常检测方法，首先获取燃料电池在进行耐久试验中的历史输出性能信号；之后根据长短期记忆网络模型和所述历史输出性能信号，得到当前预测输出性能信号；最后比对所述当前预测输出性能信号和当前实际输出性能信号，得到比对结果，并且根据所述比对结果确定所述当前实际输出性能信号是否异常。该检测方法采用长短期记忆网络模型，可以得到较为精准的当前预测输出性能信号，然后实现实际输出性能信号的精准的异常检测，以解决现有技术中的缺乏一种高精度的燃料电池耐久试验中输出性能信号的异常检测方案的问题。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1示出了根据本申请的实施例的燃料电池耐久试验中输出性能信号的异常检测方法的流程示意图；
图2示出了根据本申请的实施例的耐久试验循环工况示意图；
图3示出了根据本申请的实施例的燃料电池耐久试验中输出性能信号的另一异常检测方法的流程示意图；
图4示出了根据本申请的实施例的燃料电池耐久试验中输出性能信号的又一异常检测方法的流程示意图；
图5示出了根据本申请的实施例的燃料电池耐久试验中输出性能信号的再一异常检测方法的流程示意图；
图6示出了根据本申请的实施例的燃料电池耐久试验中输出性能信号的异常检测装置的示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应该理解的是，当元件（诸如层、膜、区域、或衬底）描述为在另一元件“上”时，该元件可直接在该另一元件上，或者也可存在中间元件。而且，在说明书以及权利要求书中，当描述有元件“连接”至另一元件时，该元件可“直接连接”至该另一元件，或者通过第三元件“连接”至该另一元件。
为了便于描述，以下对本申请实施例涉及的部分名词或术语进行说明：
质子交换膜燃料电池：质子交换膜燃料电池又被称为氢燃料电池，是一种能够将化学能直接转化为电能的发电装置，其反应气为氢气和氧气，生成物为水。质子交换膜燃料电池以使用无污染、能量转化率高、工作温度低、噪音小等优势而广受欢迎，具有光明的应用前景。
耐久试验：燃料电池研发人员会通过耐久试验来探究燃料电池的耐久性能。开展耐久试验时，需要选用合适的试验循环工况，进行燃料电池耐久试验即令燃料电池重复运行试验工况，直至试验终止。
故障诊断：故障诊断是失效预测和健康管理的重要内容。在燃料电池耐久试验中做好故障诊断，是试验开展的安全保障。按照诊断进程，故障诊断被分为故障探测、故障定位和故障识别三个层级，其中故障探测是故障诊断的基础。
长短期记忆网络：通常使用其英文简称LSTM，其全称为Long short-term memory。它是一种基于门控的循环神经网络，适用于具有时序性的预测场景，可以应对长程依赖的问题。
差分进化算法：差分进化算法是一种多目标优化算法，算法简单，其搜索过程依赖种群内个体间的差异，可以平衡局部和全局的信息，有优秀的实用性和鲁棒性。
正如背景技术中所介绍的，现有技术中缺乏一种高精度的燃料电池耐久试验中输出性能信号的异常检测方案，为解决上述问题，本申请的实施例提供了一种燃料电池耐久试验中输出性能信号的异常检测方法、装置、计算机可读存储介质与电子设备。
根据本申请的实施例，提供了一种燃料电池耐久试验中输出性能信号的异常检测方法，图1是根据本申请的实施例的燃料电池耐久试验中输出性能信号的异常检测方法的流程示意图，如图1所示，该方法包括以下步骤：
步骤S101，获取燃料电池在进行耐久试验中的历史输出性能信号；
其中，试验若采用恒电流拉载方式，则收集历史电压数据，以开发耐久试验中对异常电压的探测方法；试验若采用恒电压拉载方式，则收集历史电流数据，以开发耐久试验中对异常电流的探测方法。本方案中采用的是恒电流拉载方式，相应的，本方案也可采用恒电压拉载方式，对应调整获取到的电信号及相关步骤。
具体的，输出性能信号可以为电信号。
图2为耐久试验循环工况示意图，如图2所示，耐久试验循环工况中的每个负载点都对应一个探测模型。假设I0为试验工况中负载点之一，下文以建立I0负载下耐久试验中的异常电压的在线探测方法为例进行方案阐述，其他负载下的异常电压探测方法由同理可得。
获取I0负载下的历史电压数据之后，对I0负载下对历史电压数据进行预处理。首先，除去离群点和降噪，可以采取移动平均平滑等方法。然后为长短期记忆网络预测方法确定输入与输出数据。
长短期记忆网络是一种人工神经网络，此预测方法属于数据驱动的预测方法，数据驱动的预测方法仅依赖历史电压数据，可以省去高难度的燃料电池机理建模过程，实现黑盒系统的预测手段的建立。此外，长短期记忆网络在循环神经网络的基础上引入状态单元和门控结构，与受梯度消失和梯度爆炸限制的普通循环神经网络相比，长短期记忆网络具有更新和删除之前时刻信息的功能，可以解决长程依赖的问题，所以在燃料电池耐久试验这样一个涉及时间序列的应用场景，长短期记忆网络有更好的适用性。
因此，如图3所示，上述方法还包括以下步骤：
步骤S201，采用滑动窗口法获取多组上述训练数据。
步骤S202，构建初始长短期记忆网络模型，其中，上述初始长短期记忆网络模型是使用多组训练数据训练得到的，上述多组训练数据中的每一组训练数据均包括历史时间段内获取的：第N-a-1至第N次耐久循环试验的共a个历史输出性能信号和第N+1次耐久循环试验的历史输出性能信号，N≥1，N≥a+1。
如表1所示，XN表示在第N次循环的平均单体电压值，a表示窗口宽度，即历史回归时程。通过单步预测的方法，利用前a个历史数据[XN-a-1, XN-a, … , XN-1, XN]预测未来一个循环即第N+1次循环的数据XN+1。本滑动窗口的方法计算负担小，且无累积预测误差；可以随着试验的进行不断地更新输入数据，从而输入数据与预测电压数据之间保持紧密的联系。
表1. 滑动窗口方法确定LSTM的输入与输出数据
将历史电压数据集拆分为训练集、验证集和测试集，利用训练集训练LSTM网络算法，使用验证集优化长短期记忆网络超参数，然后锁定算法和超参数，使用测试集评估所得长短期记忆网络预测模型。在进行训练、验证和测试操作前后分别对各自的输入和输出数据集进行归一化与反归一化。
步骤S102，根据长短期记忆网络模型和上述历史输出性能信号，得到当前预测输出性能信号；
要想实现长短期记忆网络的高精度预测，需要通过大量的人工调参试验确定其超参数的取值。而本方案采用差分进化算法对长短期记忆网络的超参数自动寻优，不仅节省人力，而且参数更佳。因此，如图4所示，上述步骤S102的具体实施步骤如下：
步骤S1021，采用差分进化算法对训练得到初始长短期记忆网络模型进行优化，得到优化后的长短期记忆网络模型；
步骤S1022，将上述历史输出性能信号输入至上述优化后的长短期记忆网络模型中进行运算，得到上述当前预测输出性能信号。
将差分进化算法优化长短期记忆网络的方法应用到质子交换膜燃料电池耐久试验的电压预测中，使得电压预测高效、精准。
具体地，采用差分进化算法对训练得到初始长短期记忆网络模型进行优化，得到优化后的长短期记忆网络模型，包括：在预设超参数范围内，采用差分进化算法对训练得到的初始长短期记忆网络模型的超参数进行优化，得到优化后的超参数；采用上述优化后的超参数替换优化前的上述预设超参数范围，得到上述优化后的长短期记忆网络模型。具体的，采用差分进化算法对训练得到的初始长短期记忆网络模型的超参数进行优化的过程实际是在预设超参数范围中寻优的过程，相应的，得到的优化后的超参数应为模型最优超参数，以此来实现长短期记忆网络模型的优化。
其中，需要使用差分进化算法寻优的超参数有有初始学习率、历史回归时程、隐含层层数、每个隐含层中的神经元数和每个隐含层中神经元的舍弃比例等。通过上述差分进化算法优化长短期记忆网络的方法可以得到对耐久试验中未来一个循环的输出电压的高精度预测值。
步骤S103，比对上述当前预测输出性能信号和当前实际输出性能信号，得到比对结果，并且根据上述比对结果确定上述当前实际输出性能信号是否异常。
假设未来一个循环为耐久试验的第T个循环，当完成第（T-1）个循环后，通过前述方法，利用第（T-n-2）至第（T-1）个循环的电压数据可预测第T个循环的电压值ypred（即当前预测输出性能信号）。当试验进入第T循环的I0负载点，以预测电压ypred为基准，在线判断电压实时监测值yobs_i（即当前实际输出性能信号）是否存在异常，若出现异常，控制器根据异常的严重程度（即电压实时监测值相对电压预测值的偏离程度）决定向用户发出报警，或直接向燃料电池下达停机指令；若电压实时监测值无异常，则燃料电池耐久试验正常运行。
其中，如图5所示，上述步骤S103的具体实施步骤如下：
步骤S1031，在上述当前实际输出性能信号和上述当前预测输出性能信号的差值的绝对值与上述当前预测输出性能信号的比值在第一预设比值范围内的情况下，发出第一告警信息；其中，第一预设比值范围可以为预测值的5%-10%。
具体地，在上述当前实际输出性能信号和上述当前预测输出性能信号的差值的绝对值与上述当前预测输出性能信号的比值在上述第一预设比值范围，并且持续时间大于或者等于第一预设时间段的情况下，发出上述第一告警信息；其中，第一预设时间段可以为10s。
步骤S1032，在上述当前实际输出性能信号和上述当前预测输出性能信号的差值的绝对值与上述当前预测输出性能信号的比值在第二预设比值范围内的情况下，发出第二告警信息，上述第二预设比值范围的最小值大于上述第一预设比值范围的最大值，上述第二告警信息的危险等级高于上述第一告警信息；其中，第二预设比值范围可以为大于预测值的10%的范围内。
具体地，在上述当前实际输出性能信号和上述当前预测输出性能信号的差值的绝对值与上述当前预测输出性能信号的比值在上述第二预设比值范围，并且持续时间大于或者等于第二预设时间段的情况下，发出上述第二告警信息。其中，第二预设时间段可以为10s。
一种方案中，在上述当前实际输出性能信号和上述当前预测输出性能信号的差值的绝对值与上述当前预测输出性能信号的比值大于第二预设比值且小于第一预设比值的情况下，发出告警信息，其中，第二预设比值小于第一预设比值，第二预设比值可以为6%，第一预设比值可以为12%。
当然，在一些实施例中，在上述当前实际输出性能信号和上述当前预测输出性能信号的差值的绝对值大于第一预设差值，并且持续了一段时间的情况下，向燃料电池发送告警信息；在上述当前实际输出性能信号和上述当前预测输出性能信号的差值的绝对值大于第二预设差值，并且持续了一段时间的情况下，向燃料电池发送停机指令；在上述当前实际输出性能信号和上述当前预测输出性能信号的差值的绝对值大于第一预设差值且小于第二预设差值，并且持续了一段时间的情况下，发出告警信息，其中，第二预设差值大于第一预设差值，第一预设差值和第二预设差值根据实际负载点的不同设置为相应的阈值。
在一种可选的实例中，当上述当前预测输出性能信号小于上述当前实际输出性能信号且持续时长超过t1秒时,台架控制系统会发出警报；除此之外，燃料电池正常运行。其中，故障防反弹时长t1的取值由台架试验标定得出。一般情况下t1为10s。
上述方案可得到耐久循环工况试验中除I0的其他负载下的异常电压探测模型，然后将所有模型输入测试台架控制器，即可实现耐久循环工况试验中异常电压的探测。
当前行业内存在的探测燃料电池异常电压的方法的控制逻辑，其评判电压异常的对比标准多来自燃料电池初始时期的性能表现，此标准无法随燃料电池运行时长推移、性能自然衰减而进行合理更新。而在本方案中，随着试验的不断进行，会不停地扩充和更新建立预测模型的数据集，在进行电压预测，即在获得评判电压是否异常的基准值时，已将运行时间的影响考虑在内，可以取得更准确的异常电压探测和诊断结果。
本申请的一种燃料电池耐久试验中输出性能信号的异常检测方法，首先获取燃料电池在进行耐久试验中的历史输出性能信号；之后根据长短期记忆网络模型和上述历史输出性能信号，得到当前预测输出性能信号；最后比对上述当前预测输出性能信号和当前实际输出性能信号，得到比对结果，并且根据上述比对结果确定上述当前实际输出性能信号是否异常。该检测方法采用长短期记忆网络模型，可以得到较为精准的当前预测输出性能信号，然后实现实际输出性能信号的精准的异常检测，以解决现有技术中的缺乏一种高精度的燃料电池耐久试验中输出性能信号的异常检测方案的问题。
根据本申请实施例，提供了一种燃料电池耐久试验中输出性能信号的异常检测装置，如图6所示，包括：获取单元01，用于获取燃料电池在进行耐久试验中的历史输出性能信号；第一处理单元02，用于根据长短期记忆网络模型和上述历史输出性能信号，得到当前预测输出性能信号；第二处理单元03，用于比对上述当前预测输出性能信号和当前实际输出性能信号，得到比对结果，并且根据上述比对结果确定上述当前实际输出性能信号是否异常。
一种可选方案中，第一处理单元包括第一处理模块和第二处理模块，第一处理模块用于采用差分进化算法对训练得到初始长短期记忆网络模型进行优化，得到优化后的长短期记忆网络模型；第二处理模块用于将上述历史输出性能信号输入至上述优化后的长短期记忆网络模型中进行运算，得到上述当前预测输出性能信号。采用差分进化算法对长短期记忆网络的超参数自动寻优，不仅节省人力，而且参数更佳。
本实施例中，第一处理模块包括第一优化模块和第二优化模块，第一优化模块用于在预设超参数范围内，采用差分进化算法对训练得到的初始长短期记忆网络模型的超参数进行优化，得到优化后的超参数；第二优化模块用于采用上述优化后的超参数替换优化前的上述预设超参数范围，得到上述优化后的长短期记忆网络模型。差分进化算法需要自动寻优的超参数有初始学习率、历史回归时程、隐含层层数、每个隐含层中的神经元数和每个隐含层中神经元的舍弃比例等。通过上述差分进化算法优化长短期记忆网络的方法可以得到对耐久试验中未来一个循环的输出电压的高精度预测值。
长短期记忆网络是一种人工神经网络，此预测方法属于数据驱动的预测方法，数据驱动的预测方法仅依赖历史电压数据，可以省去高难度的燃料电池机理建模过程，实现黑盒系统的预测手段的建立。在一个可选的实施例中，上述装置还包括构建单元，上述构建单元用于构建初始长短期记忆网络模型，其中，上述初始长短期记忆网络模型是使用多组训练数据训练得到的，上述多组训练数据中的每一组训练数据均包括历史时间段内获取的：第N-a-1至第N次耐久循环试验的共a个历史输出性能信号和第N+1次耐久循环试验的历史输出性能信号，N≥1，N≥a+1。
窗口的方法计算负担小，且无累积预测误差；可以随着试验的进行不断地更新输入数据，从而输入数据与预测电压数据之间保持紧密的联系。在一些实施方式中，在构建初始长短期记忆网络模型之前，上述装置还包括获取单元，上述获取单元用于采用滑动窗口法获取多组上述训练数据。
在一个可选的实施例中，第二处理单元包括第一报警单元和第二报警单元，第一报警单元用于在上述当前实际输出性能信号和上述当前预测输出性能信号的差值的绝对值与上述当前预测输出性能信号的比值在第一预设比值范围内的情况下，发出第一告警信息；第二报警单元用于在上述当前实际输出性能信号和上述当前预测输出性能信号的差值的绝对值与上述当前预测输出性能信号的比值在第二预设比值范围内的情况下，发出第二告警信息，上述第二预设比值范围的最小值大于上述第一预设比值范围的最大值，上述第二告警信息的危险等级高于上述第一告警信息。可以更准确的检测燃料电池耐久试验中输出性能信号的异常。
示例性的，第一报警单元包括第一报警模块，上述第一报警模块用于在上述当前实际输出性能信号和上述当前预测输出性能信号的差值的绝对值与上述当前预测输出性能信号的比值在上述第一预设比值范围，并且持续时间大于或者等于第一预设时间段的情况下，发出上述第一告警信息；第二报警单元包括第二报警模块，上述第二报警模块用于在上述当前实际输出性能信号和上述当前预测输出性能信号的差值的绝对值与上述当前预测输出性能信号的比值在上述第二预设比值范围，并且持续时间大于或者等于第二预设时间段的情况下，发出上述第二告警信息。可以更准确的检测燃料电池耐久试验中输出性能信号的异常。
本申请的一种燃料电池耐久试验中输出性能信号的异常检测装置，包括：获取单元，用于获取燃料电池在进行耐久试验中的历史输出性能信号；第一处理单元，用于根据长短期记忆网络模型和上述历史输出性能信号，得到当前预测输出性能信号；第二处理单元，用于比对上述当前预测输出性能信号和当前实际输出性能信号，得到比对结果，并且根据上述比对结果确定上述当前实际输出性能信号是否异常。该检测装置采用长短期记忆网络模型，可以得到较为精准的当前预测输出性能信号，然后实现实际输出性能信号的精准的异常检测，以解决现有技术中的缺乏一种高精度的燃料电池耐久试验中输出性能信号的异常检测方案的问题。
根据本申请实施例，提供了一种计算机可读存储介质，上述计算机可读存储介质包括存储的程序，其中，在上述程序运行时控制上述计算机可读存储介质所在设备执行任意一种上述的方法。
根据本申请实施例，提供了一种电子设备，包括：一个或多个处理器，存储器，以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置为由上述一个或多个处理器执行，上述一个或多个程序包括用于执行任意一种上述的方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
从以上的描述中，可以看出，本申请上述的实施例实现了如下技术效果：
1）、本申请的一种燃料电池耐久试验中输出性能信号的异常检测方法，首先获取燃料电池在进行耐久试验中的历史输出性能信号；之后根据长短期记忆网络模型和上述历史输出性能信号，得到当前预测输出性能信号；最后比对上述当前预测输出性能信号和当前实际输出性能信号，得到比对结果，并且根据上述比对结果确定上述当前实际输出性能信号是否异常。该检测方法采用长短期记忆网络模型，可以得到较为精准的当前预测输出性能信号，然后实现实际输出性能信号的精准的异常检测，以解决现有技术中的缺乏一种高精度的燃料电池耐久试验中输出性能信号的异常检测方案的问题。
2）、本申请的一种燃料电池耐久试验中输出性能信号的异常检测装置，包括：获取单元，用于获取燃料电池在进行耐久试验中的历史输出性能信号；第一处理单元，用于根据长短期记忆网络模型和上述历史输出性能信号，得到当前预测输出性能信号；第二处理单元，用于比对上述当前预测输出性能信号和当前实际输出性能信号，得到比对结果，并且根据上述比对结果确定上述当前实际输出性能信号是否异常。该检测装置采用长短期记忆网络模型，可以得到较为精准的当前预测输出性能信号，然后实现实际输出性能信号的精准的异常检测，以解决现有技术中的缺乏一种高精度的燃料电池耐久试验中输出性能信号的异常检测方案的问题。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种燃料电池耐久试验中输出性能信号的异常检测方法，其特征在于，包括：
获取燃料电池在进行耐久试验中的历史输出性能信号；
根据长短期记忆网络模型和所述历史输出性能信号，得到当前预测输出性能信号；
比对所述当前预测输出性能信号和当前实际输出性能信号，得到比对结果，并且根据所述比对结果确定所述当前实际输出性能信号是否异常。
2.根据权利要求1所述的方法，其特征在于，根据长短期记忆网络模型和所述历史输出性能信号，得到当前预测输出性能信号，包括：
采用差分进化算法对训练得到初始长短期记忆网络模型进行优化，得到优化后的长短期记忆网络模型；
将所述历史输出性能信号输入至所述优化后的长短期记忆网络模型中进行运算，得到所述当前预测输出性能信号。
3.根据权利要求2所述的方法，其特征在于，采用差分进化算法对训练得到初始长短期记忆网络模型进行优化，得到优化后的长短期记忆网络模型，包括：
在预设超参数范围内，采用差分进化算法对训练得到的初始长短期记忆网络模型的超参数进行优化，得到优化后的超参数；
采用所述优化后的超参数替换优化前的所述预设超参数范围，得到所述优化后的长短期记忆网络模型。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
构建初始长短期记忆网络模型，其中，所述初始长短期记忆网络模型是使用多组训练数据训练得到的，所述多组训练数据中的每一组训练数据均包括历史时间段内获取的：第N-a-1至第N次耐久循环试验的共a个历史输出性能信号和第N+1次耐久循环试验的历史输出性能信号，N≥1，N≥a+1。
5.根据权利要求4所述的方法，其特征在于，在构建初始长短期记忆网络模型之前，所述方法还包括：
采用滑动窗口法获取多组所述训练数据。
6.根据权利要求1所述的方法，其特征在于，比对所述当前预测输出性能信号和当前实际输出性能信号，得到比对结果，并且根据所述比对结果确定所述当前实际输出性能信号是否异常，包括：
在所述当前实际输出性能信号和所述当前预测输出性能信号的差值的绝对值与所述当前预测输出性能信号的比值在第一预设比值范围内的情况下，发出第一告警信息；
在所述当前实际输出性能信号和所述当前预测输出性能信号的差值的绝对值与所述当前预测输出性能信号的比值在第二预设比值范围内的情况下，发出第二告警信息，所述第二预设比值范围的最小值大于所述第一预设比值范围的最大值，所述第二告警信息的危险等级高于所述第一告警信息。
7.根据权利要求6所述的方法，其特征在于，
在所述当前实际输出性能信号和所述当前预测输出性能信号的差值的绝对值与所述当前预测输出性能信号的比值在第一预设比值范围内的情况下，发出第一告警信息，包括：
在所述当前实际输出性能信号和所述当前预测输出性能信号的差值的绝对值与所述当前预测输出性能信号的比值在所述第一预设比值范围，并且持续时间大于或者等于第一预设时间段的情况下，发出所述第一告警信息；
在所述当前实际输出性能信号和所述当前预测输出性能信号的差值的绝对值与所述当前预测输出性能信号的比值在第二预设比值范围内的情况下，发出第二告警信息，包括：
在所述当前实际输出性能信号和所述当前预测输出性能信号的差值的绝对值与所述当前预测输出性能信号的比值在所述第二预设比值范围，并且持续时间大于或者等于第二预设时间段的情况下，发出所述第二告警信息。
8.一种燃料电池耐久试验中输出性能信号的异常检测装置，其特征在于，包括：
获取单元，用于获取燃料电池在进行耐久试验中的历史输出性能信号；
第一处理单元，用于根据长短期记忆网络模型和所述历史输出性能信号，得到当前预测输出性能信号；
第二处理单元，用于比对所述当前预测输出性能信号和当前实际输出性能信号，得到比对结果，并且根据所述比对结果确定所述当前实际输出性能信号是否异常。
9.一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包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7中任意一项所述的方法。
10.一种电子设备，其特征在于，包括：一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行权利要求1至7中任意一项所述的方法。
CN202310210260.0A 2023-03-07 2023-03-07 燃料电池耐久试验中输出性能信号的异常检测方法与装置 Pending CN116068479A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310210260.0A CN116068479A (zh) 2023-03-07 2023-03-07 燃料电池耐久试验中输出性能信号的异常检测方法与装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310210260.0A CN116068479A (zh) 2023-03-07 2023-03-07 燃料电池耐久试验中输出性能信号的异常检测方法与装置

Publications (1)

Publication Number Publication Date
CN116068479A true CN116068479A (zh) 2023-05-05

Family

ID=86173349

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310210260.0A Pending CN116068479A (zh) 2023-03-07 2023-03-07 燃料电池耐久试验中输出性能信号的异常检测方法与装置

Country Status (1)

Country Link
CN (1) CN116068479A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116638508A (zh) * 2023-05-15 2023-08-25 上海傅利叶智能科技有限公司 设备异常的检测方法、装置和机器人

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180349756A1 (en) * 2017-05-31 2018-12-06 Adobe Systems Incorporated End of period metric projection with intra-period alerts
CN109738939A (zh) * 2019-03-21 2019-05-10 蔡寅 一种地震前兆数据异常检测方法
CN110933031A (zh) * 2019-10-25 2020-03-27 国网吉林省电力有限公司电力科学研究院 一种基于lstm的智能电网配电终端单元入侵检测方法
CN111047012A (zh) * 2019-12-06 2020-04-21 重庆大学 基于深度双向长短期记忆网络的空气质量预测方法
CN111612651A (zh) * 2020-05-27 2020-09-01 福州大学 一种基于长短期记忆网络的异常电量数据检测方法
CN112116130A (zh) * 2020-08-24 2020-12-22 长江水利委员会长江科学院 一种基于可变结构深度学习框架的短期调度规则提取方法
CN112862012A (zh) * 2021-03-31 2021-05-28 中国工商银行股份有限公司 一种基于lstm模型的运维系统异常预警方法、装置及设备
CN113361324A (zh) * 2021-04-25 2021-09-07 杭州玖欣物联科技有限公司 一种基于lstm的电机电流异常检测方法
CN113391622A (zh) * 2021-06-22 2021-09-14 中国人民解放军国防科技大学 利用多元多步预测技术的航天器姿态系统异常检测方法
CN113673600A (zh) * 2021-08-23 2021-11-19 中海石油气电集团有限责任公司 一种工业信号异常预警方法、系统、存储介质及计算设备
CN113687251A (zh) * 2021-08-23 2021-11-23 重庆邮电大学 一种基于双模型的锂离子电池组电压异常故障诊断方法
CN114169254A (zh) * 2021-12-29 2022-03-11 西安建筑科技大学 基于短期建筑能耗预测模型的异常能耗诊断方法及系统
CN115293197A (zh) * 2022-06-29 2022-11-04 中国海洋大学 一种基于长短期记忆网络的钻孔应变数据异常检测方法
CN115563032A (zh) * 2022-09-23 2023-01-03 山东云海国创云计算装备产业创新中心有限公司 一种固态硬盘性能优化方法、装置、设备及介质

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180349756A1 (en) * 2017-05-31 2018-12-06 Adobe Systems Incorporated End of period metric projection with intra-period alerts
CN109738939A (zh) * 2019-03-21 2019-05-10 蔡寅 一种地震前兆数据异常检测方法
CN110933031A (zh) * 2019-10-25 2020-03-27 国网吉林省电力有限公司电力科学研究院 一种基于lstm的智能电网配电终端单元入侵检测方法
CN111047012A (zh) * 2019-12-06 2020-04-21 重庆大学 基于深度双向长短期记忆网络的空气质量预测方法
CN111612651A (zh) * 2020-05-27 2020-09-01 福州大学 一种基于长短期记忆网络的异常电量数据检测方法
CN112116130A (zh) * 2020-08-24 2020-12-22 长江水利委员会长江科学院 一种基于可变结构深度学习框架的短期调度规则提取方法
CN112862012A (zh) * 2021-03-31 2021-05-28 中国工商银行股份有限公司 一种基于lstm模型的运维系统异常预警方法、装置及设备
CN113361324A (zh) * 2021-04-25 2021-09-07 杭州玖欣物联科技有限公司 一种基于lstm的电机电流异常检测方法
CN113391622A (zh) * 2021-06-22 2021-09-14 中国人民解放军国防科技大学 利用多元多步预测技术的航天器姿态系统异常检测方法
CN113673600A (zh) * 2021-08-23 2021-11-19 中海石油气电集团有限责任公司 一种工业信号异常预警方法、系统、存储介质及计算设备
CN113687251A (zh) * 2021-08-23 2021-11-23 重庆邮电大学 一种基于双模型的锂离子电池组电压异常故障诊断方法
CN114169254A (zh) * 2021-12-29 2022-03-11 西安建筑科技大学 基于短期建筑能耗预测模型的异常能耗诊断方法及系统
CN115293197A (zh) * 2022-06-29 2022-11-04 中国海洋大学 一种基于长短期记忆网络的钻孔应变数据异常检测方法
CN115563032A (zh) * 2022-09-23 2023-01-03 山东云海国创云计算装备产业创新中心有限公司 一种固态硬盘性能优化方法、装置、设备及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JICHAO HONG 等: "Fault prognosis of battery system based on accurate voltage abnormity prognosis using long short-term memory neural networks", APPLIED ENERGY, no. 251, pages 1 - 14 *
张晖 等: "电动汽车动力电池电压异常故障诊断方法", 交通信息与安全, vol. 40, no. 6, pages 148 - 172 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116638508A (zh) * 2023-05-15 2023-08-25 上海傅利叶智能科技有限公司 设备异常的检测方法、装置和机器人

Similar Documents

Publication Publication Date Title
Liu et al. Remaining useful life prediction of PEMFC based on long short-term memory recurrent neural networks
US11409347B2 (en) Method, system and storage medium for predicting power load probability density based on deep learning
Xie et al. Prognostic for fuel cell based on particle filter and recurrent neural network fusion structure
US10831577B2 (en) Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model
Jouin et al. Prognostics of PEM fuel cell in a particle filtering framework
CN111339712A (zh) 质子交换膜燃料电池剩余寿命预测方法
CN110763997A (zh) 一种同步电机定子早期故障预警方法
Zheng et al. Brain-inspired computational paradigm dedicated to fault diagnosis of PEM fuel cell stack
Niu et al. Lebesgue sampling based deep belief network for lithium-ion battery diagnosis and prognosis
CN114994555A (zh) 一种基于混合模型的燃料电池剩余寿命预测方法及装置
CN112926636A (zh) 牵引变流器柜体温度异常检测方法和装置
Javed et al. PEM fuel cell prognostics under variable load: A data-driven ensemble with new incremental learning
CN116068479A (zh) 燃料电池耐久试验中输出性能信号的异常检测方法与装置
CN111044926A (zh) 质子交换膜燃料电池寿命预测方法
CN117169761A (zh) 电池状态评估方法、装置、设备、存储介质和程序产品
CA2686176A1 (en) Method of predicting diametral creep of candu reactor pressure tubes
Gou et al. Remaining useful life prediction for lithium-ion battery using ensemble learning method
Klass et al. Lifelong performance monitoring of PEM fuel cells using machine learning models
CN113758652B (zh) 换流变压器漏油检测方法、装置、计算机设备和存储介质
CN118522925A (zh) 基于深度学习的质子交换膜燃料电池水管理故障预测方法、系统和装置
CN117330963B (zh) 储能电站故障检测方法、系统及设备
Jouin et al. Joint particle filters prognostics for PEMFC power prediction at constant current solicitation.
Wang et al. Proton exchange membrane fuel cells prognostic strategy based on navigation sequence driven long short-term memory networks
CN111061708A (zh) 一种基于lstm神经网络的电能量预测与修复方法
CN114510469B (zh) 电力系统不良数据辨识方法、装置、设备及介质

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