CN116151114A - 基于混合框架的元宇宙下燃料电池寿命预测方法及系统 - Google Patents

基于混合框架的元宇宙下燃料电池寿命预测方法及系统 Download PDF

Info

Publication number
CN116151114A
CN116151114A CN202310155385.8A CN202310155385A CN116151114A CN 116151114 A CN116151114 A CN 116151114A CN 202310155385 A CN202310155385 A CN 202310155385A CN 116151114 A CN116151114 A CN 116151114A
Authority
CN
China
Prior art keywords
life
fuel cell
data
exchange membrane
proton exchange
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
CN202310155385.8A
Other languages
English (en)
Inventor
谢长君
李长志
林伟
朱文超
商程群
杨扬
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202310155385.8A priority Critical patent/CN116151114A/zh
Publication of CN116151114A publication Critical patent/CN116151114A/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
    • 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
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • 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)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Fuel Cell (AREA)

Abstract

本发明提供了一种基于混合框架的元宇宙下燃料电池寿命预测方法及系统，包括以下步骤：获取若干个质子交换膜燃料电池的寿命数据形成数据集；在元宇宙下将数据集中的各个寿命数据均分解为一个残差序列和若干个阶次的IMF分量；在元宇宙下训练线性寿命预测模型；在元宇宙下训练非线性寿命预测模型；待测质子交换膜燃料电池寿命数据的残差序列输入至线性寿命预测模型，将各个阶次的IMF分量输入至相应阶次的非线性寿命预测模型；在元宇宙下将残差序列测试阶段的线性预测结果和各个IMF分量测试阶段的非线性预测结果相加，得到最终的预测结果。本发明有效提高了燃料电池寿命预测的容错率和准确性。

Description

基于混合框架的元宇宙下燃料电池寿命预测方法及系统
技术领域
本发明属于质子交换膜燃料电池发电技术领域，具体涉及一种基于混合框架的元宇宙下燃料电池寿命预测方法及系统。
背景技术
元宇宙的发展，广泛而深刻地推动着社会各行各业的发展。本质上，元宇宙是一个空间维度虚拟而时间维度上真实的数字世界。元宇宙既是现实世界的数字化复制，也是虚拟世界的顺其自然的诞生。从性质上，元宇宙来源于现实世界，又独立于现实世界。它继承了现实世界的规则，也发展出了虚拟世界独特的优势。因此，有必要将元宇宙广泛地融入到现有的生产生活领域中，寻求这些领域中新的创新与突破。
21世纪，能源的重要性愈发凸显。对能源的重要利用方式之一就是燃料电池。燃料电池是一种新型电化学发储能电池，有效地将氢能利用起来，通过电化学反应将化学能高效环保的转化为电能。在各种类型的燃料电池中，质子交换膜燃料电池(PEMFC)具有低噪音、零污染、无腐蚀、长寿命等特点，还具备输出电流大、工作温度低、能量效率高、启动快、结构紧凑等优点，被广泛应用于便携式电源、机动车电源和中小型发电系统。同时，以质子交换膜燃料电池为基础建立的发电站，在用电高峰时期可以与电网调度系统接驳，平衡电网负荷。
然而使用寿命短、性能衰减快、维护成本高和氢气燃料贵等缺点显著阻碍PEMFC的部署和商业化发展。为了在故障发生前预测其剩余寿命并及时安排对燃料电池系统进行维修以延长其使用寿命，PEMFC的剩余寿命预测成为亟待解决的问题，因此质子交换膜燃料电池剩余寿命预测方法研究对于提高PEMFC的耐久性和实际剩余寿命具有重大研究意义。
传统的质子交换膜燃料电池剩余寿命预测方法有多种，主要包括模型方法和数据方法两类。模型方法的本质是对电池运行过程中的实际物理条件进行分析与建模，其优点在于训练数据少、通用性强。但燃料电池的老化过程涉及多个领域且内部状态与参数变化难以测量，因此使用模型方法进行预测时难以确定相关模型参数，预测结果难以确定。数据方法通常使用机器学习算法来实现质子交换膜燃料电池的退化趋势预测和剩余寿命估计。相较于模型方法，数据方法只需要过往的寿命数据，不需要深入了解质子交换膜燃料电池的老化机制，有效降低了剩余寿命预测的难度，提高了预测的精确度和容错率。
现有的质子交换膜燃料电池寿命预测的数据预测方法，主要依赖机器学习的相关算法。例如专利CN202110385900.2采用深度神经网络模型，对降噪处理后的训练数据进行拟合，建立输入数据与目标数据之间的非线性映射关系，进而使用深度神经网络进行剩余寿命的迭代预测。专利CN202010111356.8使用采用极限学习机模型，基于训练样本集对剩余寿命预测模型进行训练，对于正在运行的质子交换膜燃料电池，获取其最近时刻的输出电压，通过剩余寿命预测模型预测得到燃料电池剩余使用寿命。专利CN202110833086.6利用深度投影编码回声状态网络构建寿命预测模型，采用遗传算法进行寿命预测。专利CN202210195828.1提出一种基于WaveNet的燃料电池寿命预测方法，利用经验模态分解将原始信号处理为适应WaveNet网络的输入信号，并建立基于WaveNet的寿命预测模型进行寿命预测工作。
传统的数据方法在燃料电池寿命预测领域已经取得了良好的效果，但并没有考虑到燃料电池寿命数据的特点，也没有针对这些特点进行针对性的处理与适应。在一定的时间范围内，燃料电池的寿命数据是波动的、不稳定的，但从较长的时间尺度看，又具备确定的、统一的整体变化趋势。在寿命预测工作中，有必要将燃料电池寿命数据的变化特征考虑进来，在此基础上研究对应的处理方式与寿命预测方法。
发明内容
本发明的目的就是为了解决上述背景技术存在的不足，提供一种基于混合框架的元宇宙下燃料电池寿命预测方法及系统，有效提高了燃料电池寿命预测的容错率和准确性。
本发明采用的技术方案是：一种基于混合框架的元宇宙下燃料电池寿命预测方法，包括以下步骤：
S1，获取若干个质子交换膜燃料电池的寿命数据形成数据集；所述寿命数据为质子交换膜燃料电池全周期的输出电压时序序列；
S2，在元宇宙下使用完全集合经验模态分解算法将数据集中的各个寿命数据均分解为一个残差序列和若干个阶次的IMF分量；
S3，在元宇宙下使用自回归移动平均方法处理数据集中寿命数据的残差序列，并将其作为训练数据训练线性寿命预测模型；
S4，在元宇宙下将数据集中寿命数据的各个阶次IMF分量作为训练数据训练对应阶次的非线性寿命预测模型，
S5,获取待测质子交换膜燃料电池的已经产生的寿命数据，并使用完全集合经验模态分解算法将其分解为一个残差序列和若干个阶次的IMF分量；
S6，待测质子交换膜燃料电池寿命数据的残差序列输入至线性寿命预测模型，得到残差序列测试阶段待测质子交换膜燃料电池寿命的线性预测结果；待测质子交换膜燃料电池寿命数据的各个阶次的IMF分量输入至相应阶次的非线性寿命预测模型，得到各个IMF分量测试阶段待测质子交换膜燃料电池寿命的非线性预测结果；
S7，在元宇宙下将残差序列测试阶段待测质子交换膜燃料电池寿命的线性预测结果和各个IMF分量测试阶段待测质子交换膜燃料电池寿命的非线性预测结果相加，得到最终的预测结果；所述预测结果为待测质子交换膜燃料电池在未来时间段的输出电压时序序列；
S8，基于待测质子交换膜燃料电池在未来时间段的输出电压时序序列和设定电压阈值确定待测质子交换膜燃料电池的失效时间节点。
上述技术方案中，步骤S1包括以下步骤：使用数据孪生技术，通过质子交换膜燃料电池的状态监控和管理设备，实时获取现实世界中的质子交换膜燃料电池的全生命周期运行状况，收集现实世界中的质子交换膜燃料电池寿命数据。该步骤能够收集现实世界的质子交换膜燃料电池工作情况，便于监控系统工作状态。
上述技术方案中，步骤S1包括以下步骤：在元宇宙中搭建质子交换膜燃料电池模型并长时间运行，模拟质子交换膜燃料电池的运行状况与全寿命周期的工作情况，最终获取虚拟世界的质子交换膜燃料电池寿命数据。该步骤能够模拟质子交换膜燃料电池工作情况，便于进行寿命预测工作。
上述技术方案中，步骤S2包括以下步骤：
S2.1，针对原始的质子交换膜燃料电池寿命数据分别加入若干个阶次的高斯白噪声得到相应阶次的若干个新的寿命数据；
S2.2，对若干个新的寿命数据分别进行EMD分解，得到相应的模态分量；
S2.3，对模态分量进行总体平均，得到原始的质子交换膜燃料电池寿命数据的第1个本征模态分量；
S2.4，计算原始的质子交换膜燃料电池寿命数据去除第1个本征模态分量后的残差序列；
S2.5，针对计算得到的残差序列加入若干个阶次的高斯白噪声后进行EMD分解，并对分解得到的对模态分量进行总体平均得到新的本征模态分量，计算该残差序列去掉该本征模态分量后的残差序列；
S2.6，循环执行步骤S2.5，直到计算得到的残差序列为固定函数不能继续分解；将上述步骤得到的所有本征模态分量作为若干个解析IMF分量和最后计算得到的残差序列用于后续步骤计算。
步骤S2通过上述流程同步实现对原始数据的分解工作，便于对分解出的数据分别建立预测模型以提高最终预测效果。
上述技术方案中，步骤S3包括以下步骤：
S3.1，对残差序列数据进行平稳度检验；若数据稳定，则进入下一步；若数据不稳定，则通过差分提高其平稳度，再检验其平稳度。如此循环，直至数据稳定；
S3.2，对残差序列数据进行白噪声判定；若白噪声检验通过，则说明数据中不含有有效信息，则不执行后续步骤；若白噪声检验不通过，则表明数据中含有有效信息，进行后续步骤；
S3.3，基于残差序列数据对ARIMA模型训练和测试；
S3.4，将通过测试的ARIMA模型作为线性寿命预测模型。
步骤S3通过上述流程完成对残差序列数据的训练与测试工作，获得的线性寿命预测模型准确度高。
上述技术方案中，步骤S6中，非线性寿命预测模型针对输入的IMF分量执行以下步骤：
S6.1，对IMF分量进行标量投影、位置编码和时间戳编码操作；
S6.2，对编码结果乘以对应的权重矩阵，将输入维度划分为多头后执行概率稀疏注意机制，得到注意力输出矩阵；
S6.3，针对注意力输出矩阵执行注意力蒸馏操作，提取其特征；
S6.4，对提取到的特征进行编码，得到特征向量；
S6.5，对编码后的特征向量进行解码，得到初始预测结果；
S6.6，将解码器输出的初始预测结果解码为与输入的IMF分量数据格式一致的时间序列后将其作为预测结果输出。
上述技术方案中，步骤S6中，如果待测质子交换膜燃料电池寿命数据的IMF分量的数量小于非线性寿命预测模型数量，则将待测质子交换膜燃料电池寿命数据的IMF分量按照由高至低的阶次排序输入阶次排序相应的非线性寿命预测模型，从而增强模型的适用性。
上述技术方案中，步骤S6中，如果待测质子交换膜燃料电池寿命数据的IMF分量的数量大于非线性寿命预测模型数量，删除低阶次的IMF分量使剩余的IMF分量与非线性寿命预测模型相等；将剩余的待测质子交换膜燃料电池寿命数据的IMF分量按照由高至低的阶次排序输入阶次排序相应的非线性寿命预测模型，从而增强模型的适用性。
本发明还提供了一种基于混合框架的元宇宙下燃料电池寿命预测系统，该系统用于实现上述技术方案所述的一种基于混合框架的元宇宙下燃料电池寿命预测方法。
本发明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上存储有计算机程序，所述计算机程序被处理器执行时实现如上述技术方案所述的基于混合框架的元宇宙下燃料电池寿命预测方法的步骤。
本发明的有益效果是：为了弥补燃料电池寿命预测领域数据方法过于单一的缺陷，本发明公开了一种基于混合框架的元宇宙下燃料电池寿命预测方法，在元宇宙下获得质子交换膜燃料电池寿命数据，在元宇宙内使用CEEMDAN将原始数据划分为线性成分和非线性部分，利用ARIMA算法对线性部分进行预测，利用Informer算法对非线性方法进行预测，将线性、非线性的预测结果相加，得到最终基于混合框架的元宇宙下燃料电池寿命预测结果。在线性-非线性的混合框架基础上，有效提高了燃料电池寿命预测的容错率和准确性，预测结果用于元宇宙下理论研究或由元宇宙拓展至实际生产生活领域进行指导。
进一步的，本发明可以采用现实数据或者元宇宙下获取燃料电池寿命数据，可以丰富数据来源。丰富的数据来源既可以提高燃料电池寿命预测方法的可推广性，又可以带来丰富的预测结果以验证寿命预测工作的准确性，提高预测结果的实用价值。
附图说明
图1为本发明的流程示意图；
图2为具体实施例执行CEEMDAN分解流程图；
图3为具体实施例执行ARIMA模型训练与测试的流程图；
图4为具体实施例中待测电池的寿命数据示意图；
图5为具体实施例中待测电池的寿命数据CEEMDAN分解结果示意图；
图6为具体实施例中ARIMA模型针对待测电池的预测结果示意图；
图7为具体实施例中采用Informer方法针对待测电池的预测结果示意图；
图8为具体实施例加和预测结果示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细说明，便于清楚地了解本发明，但它们不对本发明构成限定。
本发明一种基于混合框架的元宇宙下燃料电池寿命预测方法，包括以下步骤：
S1，获取若干个质子交换膜燃料电池的寿命数据形成数据集；所述寿命数据为质子交换膜燃料电池全周期的输出电压时序序列；
S2，在元宇宙下使用完全集合经验模态分解算法将数据集中的各个寿命数据均分解为一个残差序列和若干个阶次的IMF分量；
S3，在元宇宙下使用自回归移动平均方法处理数据集中寿命数据的残差序列，并将其作为训练数据训练线性寿命预测模型；
S4，在元宇宙下使用Informer方法，将数据集中寿命数据的各个阶次IMF分量作为训练数据训练对应阶次的非线性寿命预测模型，
S5,获取待测质子交换膜燃料电池的已经产生的寿命数据，并使用完全集合经验模态分解算法将其分解为一个残差序列和若干个阶次的IMF分量；
S6，待测质子交换膜燃料电池寿命数据的残差序列输入至线性寿命预测模型，得到残差序列测试阶段待测质子交换膜燃料电池寿命的线性预测结果；待测质子交换膜燃料电池寿命数据的各个阶次的IMF分量输入至相应阶次的非线性寿命预测模型，得到各个IMF分量测试阶段待测质子交换膜燃料电池寿命的非线性预测结果；
S7，在元宇宙下将残差序列测试阶段待测质子交换膜燃料电池寿命的线性预测结果和各个IMF分量测试阶段待测质子交换膜燃料电池寿命的非线性预测结果相加，得到最终的预测结果；所述预测结果为待测质子交换膜燃料电池在未来时间段的输出电压时序序列；
S8，基于待测质子交换膜燃料电池在未来时间段的输出电压时序序列和设定电压阈值确定待测质子交换膜燃料电池的失效时间节点。
具体地，步骤S1包括以下步骤：使用数据孪生技术，通过质子交换膜燃料电池的状态监控和管理设备，实时获取现实世界中的质子交换膜燃料电池的全生命周期运行状况，收集现实世界中的质子交换膜燃料电池寿命数据。或者在元宇宙中搭建质子交换膜燃料电池模型并长时间运行，模拟质子交换膜燃料电池的运行状况与全寿命周期的工作情况，最终获取虚拟世界的质子交换膜燃料电池寿命数据。若是通过获得现实世界燃料电池寿命数据形成数据集，则将结果返回到现实世界以指导生产生活。若是通过虚拟世界燃料电池寿命数据形成数据集，则预测结果仍保留在元宇宙中，用作对燃料电池的理论研究。
具体地，步骤S2在元宇宙下对获得的原始寿命数据进行处理，将其分解为代表寿命数据线性部分的残差序列和代表寿命数据非线性部分的IMF分量，包括以下步骤：
S2.1，针对原始的质子交换膜燃料电池寿命数据分别加入若干个阶次的高斯白噪声得到相应阶次的若干个新的寿命数据；
S2.2，对若干个新的寿命数据分别进行EMD分解，得到相应的模态分量；
S2.3，对模态分量进行总体平均，得到原始的质子交换膜燃料电池寿命数据的第1个本征模态分量；
S2.4，计算原始的质子交换膜燃料电池寿命数据去除第1个本征模态分量后的残差序列；
S2.5，针对计算得到的残差序列加入若干个阶次的高斯白噪声后进行EMD分解，并对分解得到的对模态分量进行总体平均得到新的本征模态分量，计算该残差序列去掉该本征模态分量后的残差序列；
S2.6，循环执行步骤S2.5，直到计算得到的残差序列为固定函数不能继续分解；将上述步骤得到的所有本征模态分量作为K个IMF分量和最后计算得到的残差序列用于后续步骤。
优选地，步骤S2具体包括以下步骤，如图2所示：
步骤①：向寿命数据的原始信号y(t)中分别加入j(j＝1,2,…，N)次高斯白噪声得到N个新信号y(t)j＝y(t)+(-1)qεvj(t)，其中q＝1,2，vj(t)为满足标准正态分布的高斯白噪声信号，ε为白噪声的标准表。
步骤②：对新信号y(t)j进行EMD分解。EMD的IMF需要满足两个条件：第一，整个数据段内，极值点的个数和过零点的个数相等或相差不超过一。第二，在任意时刻，由局部极大值点形成的上包络线和由局部极小值点形成的下包络线的平均值为零，即上、下包络线相对时间轴局部对称。因此EMD分解有以下步骤：
A：寻找y(t)j信号序列的最大值点与最小值点，在此基础上获得光滑的最大、最小值点拟合曲线，即信号的上下包络线。
B：将上下包络线取均值得到均值包络线，y(t)j信号减去均值包络线得到中间信号。
C：若中间信号满足上述两个条件，则称其为y(t)j的第一个IMF分量，若不满足，则将其作为新的信号序列，重复步骤A、B，直到得到第一个满足条件的IMF分量,即y(t)j的第一个经EMD分解得到的IMF分量，记为Cj1(t)，y(t)j减去Cj1(t)即得到对应残差r(t)j，此时y(t)j可表示为：
y(t)j＝Cj1(t)+r(t)j
步骤③：对步骤①得到的N个新信号，各自进行步骤②的处理以得到N个模态分量Cj1(t)(j＝1,2,…,N)，对Cj1(t)(j＝1,2,…,N)进行总体平均就得到原始信号y(t)经CEEMDAN分解的第1个本征模态分量：
Figure BDA0004092142400000101
步骤④：计算寿命数据的原始信号y(t)去除第一个模态分量后的残差序列：
Figure BDA0004092142400000102
对r1(t)进行上述步骤①、②、③针对y(t)的相同处理，得到r1(t)的第1个本征模态分量，即原始信号y(t)的第2个本征模态分量。
步骤⑤：重复上述步骤①、②、③、④，直至获得原始信号y(t)的残差序列为单调函数，不能继续分解，CEEMDAN算法结束。
设此时得到原始信号y(t)的固有模态函数数量为K，则y(t)被分解为：
Figure BDA0004092142400000103
式中rk(t)是分解得到的残差序列，即原始信号的线性分量，反映整体的变化趋势。
Figure BDA0004092142400000104
是分解得到的IMF分量，即原始信号的非线性分量，反映局部波动情况，k＝1,2,...,K。
具体地，步骤S3包括以下步骤：
S3.1，对残差序列数据进行平稳度检验；若数据稳定，则进入下一步；否则通过差分提高其平稳度，再检验其平稳度；如此循环，直至数据稳定可用；
S3.2，对残差序列数据进行白噪声判定；若白噪声检验通过，则说明数据中不含有有效信息；若白噪声检验不通过，则表明数据中含有有效信息，进行后续步骤；
S3.3，基于残差序列数据对ARIMA模型训练和测试；
S3.4，将通过测试的ARIMA模型作为线性寿命预测模型。
优选的，步骤S3具体包括以下步骤，如图3所示：
步骤①：平稳度检验。若数据集中的残差序列数据稳定，则进入下一步。否则通过差分提高其平稳度，再检验其平稳度。如此循环，直至数据集中的残差序列数据稳定可用。
步骤②：白噪声判定。在保证数据集中的残差序列数据平稳可用的前提下，进一步对数据进行白噪声检验。若白噪声检验通过，则证明该组数据是无法捕捉的随机噪声，说明数据中不含有有效信息。此处真的对ARIMA输入，白噪声判定结果应为不通过，表明数据中含有有效信息，非随机白噪声。
步骤③：ARIMA模型训练。ARIMA模型包括三个主要参数，分别是自回归阶数p、差分阶数d、移动平均阶数q。其中，差分阶数d在上述平稳度检验的环节已经确定。通过在ARIMA中预设p、q参数的最大值，在一定的参数范围内通过穷举法试验出最适宜的参数值。
步骤④：ARIMA模型测试。数据集中的残差序列数据被按照8：2的比例划分为训练集和测试集。在训练集上训练ARIMA寿命预测模型，在测试集上验证其测试效果；将通过测试的ARIMA模型作为线性寿命预测模型。
具体地，步骤S6中，非线性寿命预测模型针对输入的IMF分量执行以下步骤：
S6.1，对IMF分量进行标量投影、位置编码和时间戳编码操作；
S6.2，对编码结果乘以对应的权重矩阵，将输入维度划分为多头后执行概率稀疏注意机制，得到注意力输出矩阵；
S6.3，针对注意力输出矩阵执行注意力蒸馏操作，提取其特征；
S6.4，对提取到的特征进行编码，得到特征向量；
S6.5，对编码后的特征向量进行解码，得到初始预测结果；
S6.6，将解码器输出的初始预测结果解码为与输入的IMF分量数据格式一致的时间序列后将其作为预测结果输出。
优选地，非线性寿命预测模型的预测过程具体包括以下步骤：
步骤①：输入数据处理。对输入数据的处理，由三个部分组成，标量投影、位置编码和时间戳编码。
A：标量投影。标量投影是对IMF分量中的电压信息进行一维卷积，将输入电压数据的投影维度从Cin＝1维度映射为dmodel＝512维。
B：位置编码。输入序列中的元素是一起处理而不是一个个处理的，加快了速度但是忽略了序列中元素的先后关系，因此加入位置编码。公式为：
Figure BDA0004092142400000121
Figure BDA0004092142400000122
/>
Figure BDA0004092142400000123
pos是某个元素xt在序列中的位置，i是向量中的第i个维度。PE是positionembedding的缩写，指代编码后的结果。
C：时间戳编码。对时间戳的编码主要分为TemporalEmbedding和TimeFeatureEmbedding两种方式，前者将IMF分量原始数据中的时间格式处理为便于计算的时间戳格式；后者直接使用一个全连接层将经过处理的时间戳映射到512维的编码中。
步骤②：概率稀疏预处理。将上一步得到的编码结果乘上对应的权重矩阵得到query、key、value，形成矩阵Q，K，V。还将输入维度dmodel＝512划分为多头，接着执行概率稀疏注意机制。
步骤③：概率稀疏注意机制。该步首先对K矩阵进行采样，得到K_sample，对每个qi∈Q关于K_sample求M值：
Figure BDA0004092142400000124
式中，d＝512，i表示矩阵的第i行，kj T表示K矩阵的第j行的转置。Lk为qi向量的长度。找到M值最大的u个qi，对这Top-u个qi关于K求值:
Figure BDA0004092142400000131
其中
Figure BDA0004092142400000132
是Top-u的qi组成的矩阵，对于没有被选中的qi的score值取mean(V)，得到注意力输出矩阵A(Q,K,V)。
步骤④：注意力蒸馏。通过卷积层实现Informer中的注意力蒸馏操作，本质上就是一个1维卷积+ELU激活函数+最大池化,从而提取输入序列的特征，从而增强模型对于长输入序列的应用性能。公式如下：
Figure BDA0004092142400000133
式中，t表示时间戳，[Xj t]AB代表注意力机制的分块，Xj+1 t代表得到的蒸馏注意力机制值。
步骤⑤：采用编码器对提取到的特征进行编码，得到特征向量。编码器主要包含两个子层：概率稀疏注意力层(多头注意力层)和两个线性映射组成的前馈层。两个子层之间有跳跃连接，两个子层后都带有一个批量归一化层。
步骤⑥：采用解码器对编码后的特征向量进行解码，得到初始预测结果。解码器包括两层注意力层和一个两层线性映射的前馈部分。需要注意的是，第一个注意力层中的query、key、value都是解码器根据输入乘上权重矩阵得到的，而第二个注意力层中的query是根据前面概率稀疏注意层的输出乘上权重矩阵得到的，key和value是根据编码器的输出乘上权重矩阵得到的。
步骤⑦：动态解码。动态解码的功能是将解码器输出的预测结果解码为与原始寿命数据的IMF数据格式一致的时间序列，即得到直观的预测结果。
具体地，步骤S6中，如果待测质子交换膜燃料电池寿命数据的IMF分量的数量小于非线性寿命预测模型数量，则将待测质子交换膜燃料电池寿命数据的IMF分量按照由高至低的阶次排序输入阶次排序相应的非线性寿命预测模型。如果待测质子交换膜燃料电池寿命数据的IMF分量为2个，则优先依次使用K，K-1，K-2阶的非线性寿命预测模型。
具体地，步骤S6中，如果待测质子交换膜燃料电池寿命数据的IMF分量的数量大于非线性寿命预测模型数量，删除低阶次的IMF分量使剩余的IMF分量与非线性寿命预测模型相等，即分解出来的低次的IMF分量可以作为噪声误差忽略掉；将剩余的待测质子交换膜燃料电池寿命数据的IMF分量按照由高至低的阶次排序输入阶次排序相应的非线性寿命预测模型。
本发明的具体实施例使用IEEE 2014PHM数据挑战赛的燃料电池寿命数据生成数据集。
在元宇宙下使用完全集合经验模态分解(CEEMDAN)算法将质子交换膜燃料电池寿命数据分解为一个残差序列和K个固有模态函数(IMF)；燃料电池寿命原始数据如图4所示，CEEMDAN分解结果如图5所示。
在元宇宙下对残差序列测试阶段寿命进行预测；待测电池的预测阶段(800-1000h)预测结果如图6所示。
在元宇宙下按照8：2的比例将K个IMF序列划分为训练集和测试集，在每个IMF的训练集上利用Informer算法进行寿命预测模型的训练，在对应测试集上测试Informer对IMF序列的预测效果。测试集的预测结果如下图7所示。
将1个残差序列的预测结果与K个IMF序列的预测结果加和，即得到线性-分线性混合框架质子交换膜燃料电池寿命预测方法的最终预测结果。其加和结果如下图8所示。
在元宇宙下使用单独使用ARIMA和Informer进行预测，再使用CEEMDAN-ARIMA-Informer的线性-非线性混合框架进行预测，得到的预测误差如下表1所示。
表1预测误差对比
Figure BDA0004092142400000141
Figure BDA0004092142400000151
从表中可以看出，在元宇宙下使用混合框架的预测效果较单一的ARIMA方法提高了10.7％-25.0％，较单一的Informer方法提高了39.3％-62.5％。数据表明，本发明公开的基于混合框架的元宇宙下燃料电池寿命预测方法具有良好的效果，达到了预期目的。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (10)

1.一种基于混合框架的元宇宙下燃料电池寿命预测方法，其特征在于：包括以下步骤：
S1，获取若干个质子交换膜燃料电池的寿命数据形成数据集；所述寿命数据为质子交换膜燃料电池全周期的输出电压时序序列；
S2，在元宇宙下使用完全集合经验模态分解算法将数据集中的各个寿命数据均分解为一个残差序列和若干个阶次的IMF分量；
S3，在元宇宙下使用自回归移动平均方法处理数据集中寿命数据的残差序列，并将其作为训练数据训练线性寿命预测模型；
S4，在元宇宙下将数据集中寿命数据的各个阶次IMF分量作为训练数据训练对应阶次的非线性寿命预测模型，
S5，获取待测质子交换膜燃料电池的已经产生的寿命数据，并使用完全集合经验模态分解算法将其分解为一个残差序列和若干个阶次的IMF分量；
S6，待测质子交换膜燃料电池寿命数据的残差序列输入至线性寿命预测模型，得到残差序列测试阶段待测质子交换膜燃料电池寿命的线性预测结果；待测质子交换膜燃料电池寿命数据的各个阶次的IMF分量输入至相应阶次的非线性寿命预测模型，得到各个IMF分量测试阶段待测质子交换膜燃料电池寿命的非线性预测结果；
S7，在元宇宙下将残差序列测试阶段待测质子交换膜燃料电池寿命的线性预测结果和各个IMF分量测试阶段待测质子交换膜燃料电池寿命的非线性预测结果相加，得到最终的预测结果；所述预测结果为待测质子交换膜燃料电池在未来时间段的输出电压时序序列；
S8，基于待测质子交换膜燃料电池在未来时间段的输出电压时序序列和设定电压阈值确定待测质子交换膜燃料电池的失效时间节点。
2.根据权利要求1所述的一种基于混合框架的元宇宙下燃料电池寿命预测方法，其特征在于：步骤S1包括以下步骤：使用数据孪生技术，通过质子交换膜燃料电池的状态监控和管理设备，实时获取现实世界中的质子交换膜燃料电池的全生命周期运行状况，收集现实世界中的质子交换膜燃料电池寿命数据。
3.根据权利要求1所述的一种基于混合框架的元宇宙下燃料电池寿命预测方法，其特征在于：步骤S1包括以下步骤：在元宇宙中搭建质子交换膜燃料电池模型并长时间运行，模拟质子交换膜燃料电池的运行状况与全寿命周期的工作情况，获取虚拟世界的质子交换膜燃料电池寿命数据。
4.根据权利要求1所述的一种基于混合框架的元宇宙下燃料电池寿命预测方法，其特征在于：步骤S2包括以下步骤：
S2.1，针对原始的质子交换膜燃料电池寿命数据分别加入若干个阶次的高斯白噪声得到相应阶次的若干个新的寿命数据；
S2.2，对若干个新的寿命数据分别进行EMD分解，得到相应的模态分量；
S2.3，对模态分量进行总体平均，得到原始的质子交换膜燃料电池寿命数据的第1个本征模态分量；
S2.4，计算原始的质子交换膜燃料电池寿命数据去除第1个本征模态分量后的残差序列；
S2.5，针对计算得到的残差序列加入若干个阶次的高斯白噪声后进行EMD分解，并对分解得到的对模态分量进行总体平均得到新的本征模态分量，计算该残差序列去掉该本征模态分量后的残差序列；
S2.6，循环执行步骤S2.5，直到计算得到的残差序列为固定函数不能继续分解；将上述步骤得到的所有本征模态分量作为若干个阶次的IMF分量和最后计算得到的残差序列用于后续步骤计算。
5.根据权利要求1所述的一种基于混合框架的元宇宙下燃料电池寿命预测方法，其特征在于：步骤S3包括以下步骤：
S3.1，对残差序列数据进行平稳度检验；若数据稳定，则进入下一步；若数据不稳定，则通过差分提高其平稳度，再检验其平稳度，如此循环，直至数据稳定；
S3.2，对残差序列数据进行白噪声判定；若白噪声检验通过，则说明数据中不含有有效信息，则不执行后续步骤；若白噪声检验不通过，则表明数据中含有有效信息，进行后续步骤；
S3.3，基于残差序列数据对ARIMA模型训练和测试；
S3.4，将通过测试的ARIMA模型作为线性寿命预测模型。
6.根据权利要求1所述的一种基于混合框架的元宇宙下燃料电池寿命预测方法，其特征在于：步骤S6中，非线性寿命预测模型针对输入的IMF分量执行以下步骤：
S6.1，对IMF分量进行标量投影、位置编码和时间戳编码操作；
S6.2，对编码结果乘以对应的权重矩阵，将输入维度划分为多头后执行概率稀疏注意机制，得到注意力输出矩阵；
S6.3，针对注意力输出矩阵执行注意力蒸馏操作，提取其特征；
S6.4，对提取到的特征进行编码，得到特征向量；
S6.5，对编码后的特征向量进行解码，得到初始预测结果；
S6.6，将解码器输出的初始预测结果解码为与输入的IMF分量数据格式一致的时间序列后将其作为预测结果输出。
7.根据权利要求1所述的一种基于混合框架的元宇宙下燃料电池寿命预测方法，其特征在于：步骤S6中，如果待测质子交换膜燃料电池寿命数据的IMF分量的数量小于非线性寿命预测模型数量，则将待测质子交换膜燃料电池寿命数据的IMF分量按照由高至低的阶次排序输入阶次排序相应的非线性寿命预测模型。
8.根据权利要求1所述的一种基于混合框架的元宇宙下燃料电池寿命预测方法，其特征在于：步骤S6中，如果待测质子交换膜燃料电池寿命数据的IMF分量的数量大于非线性寿命预测模型数量，删除低阶次的IMF分量使剩余的IMF分量与非线性寿命预测模型相等；将剩余的待测质子交换膜燃料电池寿命数据的IMF分量按照由高至低的阶次排序输入阶次排序相应的非线性寿命预测模型。
9.一种基于混合框架的元宇宙下燃料电池寿命预测系统，其特征在于该系统用于实现权利要求1-8任一项所述的一种基于混合框架的元宇宙下燃料电池寿命预测方法。
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上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于混合框架的元宇宙下燃料电池寿命预测方法的步骤。
CN202310155385.8A 2023-02-23 2023-02-23 基于混合框架的元宇宙下燃料电池寿命预测方法及系统 Pending CN116151114A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310155385.8A CN116151114A (zh) 2023-02-23 2023-02-23 基于混合框架的元宇宙下燃料电池寿命预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310155385.8A CN116151114A (zh) 2023-02-23 2023-02-23 基于混合框架的元宇宙下燃料电池寿命预测方法及系统

Publications (1)

Publication Number Publication Date
CN116151114A true CN116151114A (zh) 2023-05-23

Family

ID=86361651

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310155385.8A Pending CN116151114A (zh) 2023-02-23 2023-02-23 基于混合框架的元宇宙下燃料电池寿命预测方法及系统

Country Status (1)

Country Link
CN (1) CN116151114A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116504122A (zh) * 2023-06-29 2023-07-28 武汉理工大学 基于元宇宙的质子交换膜燃料电池教学实验平台
CN117236082A (zh) * 2023-11-15 2023-12-15 中汽研新能源汽车检验中心(天津)有限公司 一种基于大数据平台的燃料电池性能衰减预测方法和系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116504122A (zh) * 2023-06-29 2023-07-28 武汉理工大学 基于元宇宙的质子交换膜燃料电池教学实验平台
CN116504122B (zh) * 2023-06-29 2023-10-24 武汉理工大学 基于元宇宙的质子交换膜燃料电池教学实验平台
CN117236082A (zh) * 2023-11-15 2023-12-15 中汽研新能源汽车检验中心(天津)有限公司 一种基于大数据平台的燃料电池性能衰减预测方法和系统
CN117236082B (zh) * 2023-11-15 2024-01-23 中汽研新能源汽车检验中心(天津)有限公司 一种基于大数据平台的燃料电池性能衰减预测方法和系统

Similar Documents

Publication Publication Date Title
CN116151114A (zh) 基于混合框架的元宇宙下燃料电池寿命预测方法及系统
CN109324291B (zh) 一种针对质子交换膜燃料电池寿命预测的预测方法
CN111080032A (zh) 一种基于Transformer结构的负荷预测方法
CN111310387B (zh) 一种燃料电池寿命预测方法
CN111861013B (zh) 一种电力负荷预测方法及装置
CN112258251B (zh) 基于灰色关联的电动汽车换电需求的集成学习预测方法及系统
CN108717579B (zh) 一种短期风电功率区间预测方法
CN113141008B (zh) 一种数据驱动的配电网分布式新能源消纳能力评估方法
CN113537649B (zh) 基于神经网络与动态模式分解的电网负荷预测方法及系统
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
CN115034485A (zh) 一种基于数据空间的风电功率区间预测方法及装置
CN116027217A (zh) Ae-cfsfdp储能电站多源电池数据异常检测方法
CN116794543A (zh) 一种基于GBLS Booster多任务学习模型的锂电池性能预测方法
Qu et al. Research on short‐term output power forecast model of wind farm based on neural network combination algorithm
CN110956304A (zh) 一种基于ga-rbm的分布式光伏发电量短期预测方法
CN110648013A (zh) 一种基于对偶型最大熵的电动汽车充电负荷预测方法
CN116167465A (zh) 基于多变量时间序列集成学习的太阳辐照度预测方法
CN116596129A (zh) 一种电动汽车充电场站短期负荷预测模型构建方法
CN113095534A (zh) 一种ARIMA与改进Elman神经网络组合的风电功率预测方法
CN116613745A (zh) 一种基于变分模态分解的pso-elm电动汽车充电负荷预测方法
CN115564310A (zh) 一种基于卷积神经网络的新能源电力系统可靠性评估方法
CN110991741A (zh) 一种基于深度学习的断面约束概率预警方法及系统
CN116106751A (zh) 一种基于Informer的锂离子电池荷电状态估计方法
CN113809365B (zh) 氢燃料电池系统电压衰减的确定方法、系统及电子设备
CN115809725A (zh) 一种多因素短期电量预测方法及装置

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