CN116306226B - 一种燃料电池性能退化预测方法 - Google Patents

Abstract

本发明公开一种燃料电池性能退化预测方法，采集燃料电池电压退化数据，采用SG滤波器对原始数据进行平滑处理，运用灰色关联度分析对数据进行辅助变量的选取，建立基于Bagging集成学习和时间卷积网络性能退化预测模型；采用半数均匀初始化对蝠鲼觅食优化算法的种群进行初始化操作，在链式觅食的位置更新中引入自适应权重和适应度‑距离平衡策略，得到IMRFO；运用Bagging集成学习对多个弱学习器进行融合预测，并利用第一层的预测结果对TCN模型进行训练，同时使用IMRFO对TCN进行参数优化，获得最佳参数，并将最优参数和测试数据样本输入到TCN预测模型中得到最终预测结果。与现有技术相比，本发明能够有效地预测燃料电池电压退化趋势，提高性能退化预测模型精度。

Description

一种燃料电池性能退化预测方法

技术领域

本发明涉及燃料电池技术领域，特别涉及一种燃料电池性能退化预测方法。

背景技术

目前，全球能源结构以化石燃料为主，但是随着化石能源的逐渐枯竭和日益严重的环境污染问题，新能源的开发就显得尤为重要。为了解决能源短缺问题以及更好地节能减排，新能源越来越受欢迎。质子交换膜燃料电池(PEMFC)是一种以氢为燃料的发电装置，具有能量转化率高、噪声低及零排成等特点。但随着燃料电池的使用，各部件都会随着使用时间的增加发生一定程度的退化，从而造成性能的自然衰退。当使用燃料电池时，适当的管理和系统维护对于提高燃料电池的耐久性和保证其长期安全性及可靠性至关重要，因此性能退化预测是提高燃料电池耐久性的有效策略。

近年来，燃料电池耐久性研究已成为一个具有实际应用价值的重大热点课题大部分研究中通常采用基于模型驱动和数据驱动的方法进行预测研究，基于模型驱动的方法虽然不需要大量的实验数据，但影响燃料电池退化过程的因素众多，并且内部退化机理复杂，很难建立精确的退化模型来描述燃料电池系统的退化机理和过程。因此数据驱动的方法变得更受欢迎，该方法与燃料电池内部的现象无关，只需通过获取大量的实验数据，并对这些数据进行处理，就可以对电池的耐久性进行评估，该方法具有更快的响应速度和更高的预测精度。但由于单一模型的预测结果存在偏好，不同学习器的预测结果存在差异，所以单一模型存在一定的局限性，因此使用多模型的集成学习算法在近年来被广泛研究，该方法通过将一系列有差异的弱学习器进行组合，以提高单一学习器的泛化能力。

因此，为提高PEMFC的耐久性，需建立一种适合燃料电池性能退化特性且预测精度较高的预测方法，通过有效的数据处理，并结合集成学习和深度学习模型，提高模型的泛化性能和估计精度，从而准确地估计PEMFC的性能退化趋势。

发明内容

发明目的：针对现有技术存在的问题，本发明提供一种燃料电池性能退化预测方法，能提高性能退化预测模型精度。

技术方案：本发明提出一种燃料电池性能退化预测方法，包括以下步骤：

步骤1：采集燃料电池电压退化数据并对数据进行预处理，运用Savitzky-Golay(SG)滤波器对原始电压退化数据中含有噪声的数据进行平滑处理；

步骤2：运用灰色关联度分析对平滑处理后的电压退化数据进行特征选取，选择关联度较高的变量作为模型的输入；

步骤3：获取经平滑处理和特征选择后的数据，重构数据集并对数据集进行划分，建立基于Bagging集成学习和TCN模型的质子交换膜燃料电池性能退化预测模型，在Bagging中采用SVM、KNN和DT三个弱学习器进行第一层预测，获得的预测结果作为第二层中TCN模型的训练输入；

步骤4：对蝠鲼觅食优化算法MRFO进行改进，采用半数均匀初始化方法对MRFO种群进行初始化处理；在链式觅食策略中引入自适应权重和适应度-距离平衡FDB策略，以平衡算法的局部搜索和全局搜索能力，改善算法过早收敛的问题，得到IMRFO算法；

步骤5：利用IMRFO算法对步骤3中TCN模型的超参数进行优化，获得最优参数，利用优化后的预测模型对电压退化的测试数据样本进行预测，得到预测结果。

进一步地，所述步骤1中采用SG滤波器对含噪数据进行平滑处理，包括如下步骤：

步骤1.1：定义一个宽度为w＝2n+1的窗口，对含有噪声的原始电压退化曲线进行从左到右的测量；

步骤1.2：考虑一组以数据点p_t为中心的2n+1个数据，对这组数据点进行基于l-1次多项式的拟合，其公式为：

p＝b₀+b₁·x+b₂·x²+...+b_l-1·x^l-1 (1)

为保证方程有解，n值应大于k；

步骤1.3：设数据值向量为P，系数矩阵为B，自变量矩阵为H，残差为ε，方程可写为如下形式：

P＝H·B+ε (2)

步骤1.4：经过最小二乘法解得的稀疏矩阵为拟合后的数据预测值为/>其值分别如下所示：

步骤1.5：窗口从左向右滑动，直至拟合完所有数据点，拟合后的曲线即被去除了原有的高频分量。

进一步地，所述步骤2中采用灰色关联度分析对各项指标进行特征选择，其步骤包括：

步骤2.1：构建数据矩阵，确定参数序列；假设n个样本，每一样本数量为m，构成的数据矩阵如下所示：

步骤2.2：无量纲化处理；使用关联算式进行无量纲化处理，处理方式如下式所示：

a_i'(k)＝a_i(k)/a_i(1)＝[a_i'(1),a_i'(2),...,a_i'(m)] (6)

式中，i＝0,1,...,n；k＝1,2,...,m；

步骤2.3：计算各个样本与参考数列的绝对差值，计算公式如下所示：

Δ_i(k)＝|a'₀(k)-a_i'(k)| (7)

Δ_i＝[Δ_i(1),Δ_i(2),...,Δ_i(n)] (8)

步骤2.4：求解最大值与最小值，公式如下所示：

步骤2.5：计算灰色关联系数：

其中，i＝1,2,...,n；k＝1,2,...,m；λ为分辨系数；

步骤2.6：使用下式计算灰色关联度，并对其进行排序，关联度越大则表示该指标对参考序列的影响程度越大：

进一步地，所述步骤3中建立基于Bagging集成学习和TCN模型的质子交换膜燃料电池性能退化预测模型具体步骤如下：

步骤3.1：对利用步骤1和步骤2处理好的数据集，以6:2:2的比例划分为训练集、验证集和测试集；

步骤3.2：使用Bagging集成学习对训练集数据进行有放回的随机采样，生成与弱学习器相同数量的训练子集；

步骤3.3：建立SVM、KNN和DT三个弱学习器，利用不同的训练子集对弱学习器进行训练，获得三个具有差异的训练好的弱学习器；

步骤3.4：利用验证集验证每个弱学习器的性能，获得三组不同的预测结果；

步骤3.5：将三组预测结果与原始数据标签作为新的训练集，送入TCN模型中进行二次训练；

步骤3.6：利用测试集对TCN模型的性能进行验证，获得最终预测结果。

进一步地，所述步骤4中对蝠鲼觅食优化算法MRFO进行改进的IMRFO算法具体步骤如下：

步骤4.1：设置MRFO算法的种群大小和迭代次数，以及搜索空间的上下限；

步骤4.2：采用半数均匀初始化策略初始化算法的种群位置，改进后的公式如下所示：

式中，LB、UB分别表示搜索空间的上下限；n为种群总数量；rand()表示在所给空间内生成向量的随机函数；i＝1,2,...,n/2、j＝n/2+1,...,n；x_i(t)、x_j(t)分别表示第t次迭代时个体的初始值；

步骤4.3：在气旋觅食阶段，当蝠鲼种群在最优解附近搜索时，位置更新公式如下所示：

式中，t、k分别表示迭代次数和维度；表示第i个个体的位置；/>表示个体的最优位置；λ为气旋权重系数；r和r₁是[0,1]内的随机数；

当蝠鲼个体随机地以浮游生物为参考位置进行搜索时，其位置以如下公式进行更新：

式中，表示个体在搜索空间内生成的随机位置；

步骤4.4：在链式觅食阶段，个体位置更新方式为：

式中，δ表示链式权重系数；

步骤4.5：对链式权重系数进行改进，将随机权重改为自适应权重，改进后的权重公式为：

式中，T为最大迭代次数；

步骤4.6：对链式觅食的位置更新进行改进，引入FDB策略，改进后的公式如下所示：

式中，是根据历史适应度值和个体位置计算出的候选解位置；

步骤4.7：在翻筋斗觅食阶段，个体的位置更新公式如下所示：

式中，F是决定蝠鲼个体翻转距离的翻筋斗因子，一般F＝2；r₂、r₃是[0,1]内的随机数。

进一步地，所述步骤4.6中计算N组中候选解的FDB分数的具体过程如下：

步骤4.6.1：设一个由a个现有个体组成的群体N＝[X₁,X₂,...,X_a]，目标函数O_i＝O(X_i)，N_best为最优个体，norm(·)为数据归一化过程，F＝[f₁,f₂,...,f_a]为对应于每个个体的目标函数值的归一化表示方式，具体表示如下：

步骤4.6.2：计算每个候选解和最优候选解位置X_best间的距离：

D_i＝norm(DN_i) (25)

步骤4.6.3：从前两步中求得的F_i和D_i用于计算解决方案候选的FDB分数，其计算公式如下所示：

式中，ω是[0,1]间的权重系数。

进一步地，所述步骤5中利用IMRFO对TCN模型的超参数进行优化，具体实现步骤为：

步骤5.1：初始化MRFO算法的相关参数，包括蝠鲼种群、维度、最大迭代次数、搜索空间的上下限和当前迭代次数；

步骤5.2：计算经过TCN网络训练的预测值pre_i和样本实际值obs_i间的均方根误差，将其作为蝠鲼种群中每个个体的适应度值Fit：

步骤5.3：根据随机数确定使用链式觅食或气旋觅食策略，并计算出每个个体的位置，利用公式(27)计算出每个个体的适应度值，并对其进行排序，选择当前最优适应度值的蝠鲼个体的位置作为最优位置1；

步骤5-4：利用翻筋斗觅食策略重新进行计算个体位置，使用公式(27)计算个体的适应度值，对其排序后选择当前最优适应度值的蝠鲼个体的位置作为最优位置2，将最优位置1和2的适应度值进行比较，选出最终的最优适应度值对应的最优位置；

步骤5-5：判段是否达到最大迭代次数，若达到，则输出最优解，并从中提取出TCN网络所需的学习率，否则返回步骤5.2；步骤5-6：将测试集数据输入到优化后的TCN模型中进行预测，得到最终的电压退化预测结果。

有益效果：

本发明针对质子交换膜燃料电池电压退化数据具有尖峰多、数据量大且非线性等特点，预测模型的预测精度会因此受到干扰，从而采用SG滤波器对电压退化数据中含有噪声的数据进行平滑处理，运用灰色关联度分析选取关联度较高的指标，剔除不相关或冗余的特征，从而达到减少特征个数，提高模型精确度，减少运行时间的目的。

针对在采用Bagging集成学习的过程中，不同的弱学习器会产生过高或过低的预测结果，当采用传统的集成策略——平均法、加权平均法和投票法时，会影响最终的预测结果，因此采用TCN模型作为元学习器，对获得的预测值进行二次训练，运用测试集对其进行验证，获得最终的预测结果。采用学习法的集成策略，能够有效提升模型的准确率。

针对传统MRFO算法容易陷入局部最优的缺陷，采用半数均匀初始化对MRFO种群进行初始化操作，在保留种群的随机性的同时，还可以避免初始化个体集中分布，有利于提高种群的多样性和搜索效率，并在一定程度上避免局部极值的出现；在链式觅食阶段引入自适应权重系数，该方法能够根据迭代次数动态调整权重大小，不拘于某种固定的形式，具有较强的自适应性，从而提高局部搜索和全局搜索的平衡能力，同时在该位置更新阶段引入FDB策略，进一步增强算法的全局搜索能力。

本发明基于Bagging集成学习与TCN建立预测模型，同时采用改进的MRFO算法优化TCN的参数，能够有效地预测质子交换膜燃料电池的电压退化趋势，提高性能退化预测模型精度。

附图说明

图1为本发明提供的改进后的MRFO算法(IMRFO)的流程示意图。

图2为本发明提供的TCN预测模型的流程示意图。

图3为本发明提供的基于Bagging集成和TCN的预测模型流程示意图。

具体实施方式

下面结合附图对本发明进行进一步的描述。

结合图1、图2和图3，本发明公开了一种燃料电池性能退化预测方法，采用SG滤波器对原始电压退化数据平滑处理，消除了数据中的噪声数据，同时采用灰色关联度分析对各项指标进行特征选择，选取关联度较高的指标作为模型的输入变量，将处理后的数据集进行重构，并以6:2:2的比例划分为训练集、验证集和测试集；建立基于Bagging集成学习和TCN的质子交换膜燃料电池性能退化预测模型，其中，在Bagging中采用SVM、KNN和DT三个弱学习器进行第一层预测，获得的预测结果作为第二层中TCN预测模型的训练输入；针对TCN模型中超参数的选取对模型性能的影响，使用MRFO算法对其进行优化，同时为改善MRFO容易陷入局部最优的缺陷，使用半数均匀初始化、自适应权重和FDB策略对MRFO进行改进，得到改进的MRFO算法(IMRFO)；利用IMRFO优化TCN模型的参数，并使用测试集对优化后的TCN模型进行测试，得到最终的预测结果。具体步骤如下：

步骤1：运用Savitzky-Golay(SG)滤波器对原始电压退化数据中含有噪声的数据进行平滑处理。

步骤1.1：定义一个宽度为w＝2n+1的窗口，对原始电压退化曲线进行从左到右的测量。

步骤1.2：考虑一组以数据点p_t为中心的2n+1个数据，对这组数据点进行基于l-1次多项式的拟合，其公式为：

p＝b₀+b₁·x+b₂·x²+...+b_l-1·x^l-1 (1)

p＝b₀+b₁·x+b₂·x²+...+b_l-1·x^l-1 (2)

为保证方程有解，n值应大于k。

步骤1.3：设数据值向量为P，系数矩阵为B，自变量矩阵为H，残差为ε。方程可写为如下形式：

P＝H·B+ε (3)

步骤1.4：经过最小二乘法解得的稀疏矩阵为拟合后的数据预测值为/>其值分别如下所示：

步骤1.5：窗口从左向右滑动，直至拟合完所有数据点。拟合后的曲线即被去除了原有的高频分量。

步骤2：运用灰色关联度分析对平滑处理后的电压退化数据进行特征选取，选择关联度较高的指标作为模型的输入。

步骤2.1：构建数据矩阵，确定参数序列。假设n个样本，每一样本数量为m，构成的数据矩阵如下所示：

步骤2.2：无量纲化处理。为了消除不同参数量纲造成的影响，使用关联算式进行无量纲化处理，处理方式如下式所示：

a_i'(k)＝a_i(k)/a_i(1)＝[a_i'(1),a_i'(2),...,a_i'(m)] (7)

式中，i＝0,1,...,n；k＝1,2,...,m。

步骤2.3：计算各个样本与参考数列的绝对差值，计算公式如下所示：

Δ_i(k)＝|a'₀(k)-a_i'(k)| (8)

Δ_i＝[Δ_i(1),Δ_i(2),...,Δ_i(n)] (9)

步骤2.4：求解最大值与最小值，公式如下所示：

步骤2.5：计算灰色关联系数：

其中，i＝1,2,...,n；k＝1,2,...,m；λ为分辨系数。

步骤2.6：使用下式计算灰色关联度，并对其进行排序，关联度越大则表示该指标对参考序列的影响程度越大。

步骤3：获取经平滑处理和特征选择后的数据，重构数据集并对数据集进行划分，建立基于Bagging集成学习和TCN的质子交换膜燃料电池性能退化预测模型。

步骤3.1：对利用步骤1和步骤2处理好的数据集，以6:2:2的比例划分为训练集、验证集和测试集；

步骤3.2：使用Bagging集成学习对训练集数据进行有放回的随机采样，生成与弱学习器相同个数的训练子集；

步骤3.3：建立SVM、KNN和DT三个弱学习器，利用不同的训练子集对弱学习器进行训练，获得三个具有差异的训练好的弱学习器；

步骤3.4：利用验证集验证每个弱学习器的性能，获得三组不同的预测结果；

步骤3.5：将三组预测结果与原始数据标签作为新的训练集，送入TCN模型中进行二次训练；

步骤3.6：利用测试集对TCN模型的性能进行验证，获得最终预测结果。

步骤4：对蝠鲼觅食优化算法MRFO进行改进，采用半数均匀初始化方法对MRFO种群进行初始化处理；在链式觅食策略中引入自适应权重和适应度-距离平衡(FDB)策略，以平衡算法的局部搜索和全局搜索能力，改善算法过早收敛的问题，得到IMRFO。

步骤4.1：设置MRFO算法的种群大小和迭代次数，以及搜索空间的上下限。

步骤4.2：采用半数均匀初始化策略初始化算法的种群位置，改进后的公式如下所示：

式中，LB、UB分别表示搜索空间的上下限；n为种群总数量；rand()表示在所给空间内生成向量的随机函数；i＝1,2,...,n/2、j＝n/2+1,...,n；x_i(t)、x_j(t)分别表示第t次迭代时个体的初始值。

步骤4.3：在气旋觅食阶段，当蝠鲼种群在最优解附近搜索时，位置更新公式如下所示：

式中，t、k分别表示迭代次数和维度；表示第i个个体的位置；/>表示个体的最优位置；λ为气旋权重系数；r和r₁是[0,1]内的随机数。

当蝠鲼个体随机地以浮游生物为参考位置进行搜索时，其位置以如下公式进行更新：

式中，表示个体在搜索空间内生成的随机位置。

步骤4.4：在链式觅食阶段，个体位置更新方式为：

式中，δ表示链式权重系数。

步骤4.5：对链式权重系数进行改进，将随机权重改为自适应权重，改进后的权重公式为：

式中，T为最大迭代次数。

步骤4.6：对链式觅食的位置更新进行改进，引入FDB策略，改进后的公式如下所示：

式中，是根据历史适应度值和个体位置计算出的候选解位置。

步骤4.6.1：设一个由a个现有个体组成的群体N＝[X₁,X₂,...,X_a]，目标函数O_i＝O(X_i)，N_best为最优个体，norm(·)为数据归一化过程，F＝[f₁,f₂,...,f_a]为对应于每个个体的目标函数值的归一化表示方式，具体表示如下：

步骤4.6.2：计算每个候选解和最优候选解位置X_best间的距离：

D_i＝norm(DN_i) (25)

步骤4.6.3：从前两步中求得的F_i和D_i用于计算解决方案候选的FDB分数，其计算公式如下所示：

式中，ω是[0,1]间的权重系数。

步骤4.7：在翻筋斗觅食阶段，个体的位置更新公式如下所示：

式中，F是决定蝠鲼个体翻转距离的翻筋斗因子，一般F＝2；r₂、r₃是[0,1]内的随机数。

步骤5：利用IMRFO算法对TCN模型的参数进行优化，获得最优参数，利用优化后的预测模型对电压退化趋势的测试数据样本进行预测，得到预测结果。

步骤5.1：初始化MRFO算法的相关参数，包括蝠鲼种群、维度、最大迭代次数、搜索空间的上下限和当前迭代次数。

步骤5.2：计算经过TCN网络训练的预测值pre_i和样本实际值obs_i间的均方根误差，将其作为蝠鲼种群中每个个体的适应度值Fit：

步骤5.3：根据随机数确定使用链式觅食或气旋觅食策略，并计算出每个个体的位置，利用公式(27)计算出每个个体的适应度值，并对其进行排序，选择当前最优适应度值的蝠鲼个体的位置作为最优位置1。

步骤5-4：利用翻筋斗觅食策略重新进行计算个体位置，使用公式(27)计算个体的适应度值，对其排序后选择当前最优适应度值的蝠鲼个体的位置作为最优位置2，将最优位置1和2的适应度值进行比较，选出最终的最优适应度值对应的最优位置。

步骤5-5：判段是否达到最大迭代次数，若达到，则输出最优解，并从中提取出TCN网络所需的学习率，否则返回步骤5.2。

步骤5-6：将测试集数据输入到优化后的TCN模型中进行预测，得到最终的电压退化预测结果。

步骤6：采用均方根误差(RMSE)，平均绝对误差(MAE)，平均绝对百分误差(MAPE)和决定系数(R²)四个评价指标评判当前模型的精确度，采用RMSE，MAE，MAPE，R²四个评价指标公式分别如下：

式中，MAE为平均绝对误差，RMSE为均方根误差，MAPE为平均绝对百分误差，R²为决定系数，为pre_i为预测值，obs_i训练样本实际值，mean_i为平均值，N为样本个数。

上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种燃料电池性能退化预测方法，其特征在于，包括以下步骤：

步骤1：采集燃料电池电压退化数据并对数据进行预处理，运用Savitzky-Golay(SG)滤波器对原始电压退化数据中含有噪声的数据进行平滑处理；

步骤2：运用灰色关联度分析对平滑处理后的电压退化数据进行特征选取，选择关联度较高的变量作为模型的输入；

步骤3：获取经平滑处理和特征选择后的数据，重构数据集并对数据集进行划分，建立基于Bagging集成学习和TCN模型的质子交换膜燃料电池性能退化预测模型，在Bagging中采用SVM、KNN和DT三个弱学习器进行第一层预测，获得的预测结果作为第二层中TCN模型的训练输入；

步骤4：对蝠鲼觅食优化算法MRFO进行改进，采用半数均匀初始化方法对MRFO种群进行初始化处理；在链式觅食策略中引入自适应权重和适应度-距离平衡FDB策略，以平衡算法的局部搜索和全局搜索能力，改善算法过早收敛的问题，得到IMRFO算法；

步骤5：利用IMRFO算法对步骤3中TCN模型的超参数进行优化，获得最优参数，利用优化后的预测模型对电压退化的测试数据样本进行预测，得到预测结果。

2.根据权利要求1所述的一种燃料电池性能退化预测方法，其特征在于，所述步骤1中采用SG滤波器对含噪数据进行平滑处理，包括如下步骤：

步骤1.1：定义一个宽度为w＝2n+1的窗口，对含有噪声的原始电压退化曲线进行从左到右的测量；

步骤1.2：考虑一组以数据点p_t为中心的2n+1个数据，对这组数据点进行基于l-1次多项式的拟合，其公式为：

p＝b₀+b₁·x+b₂·x²+...+b_l-1·x^l-1 (1)

为保证方程有解，n值应大于k；

步骤1.3：设数据值向量为P，系数矩阵为B，自变量矩阵为H，残差为ε，方程可写为如下形式：

P＝H·B+ε (2)

步骤1.4：经过最小二乘法解得的稀疏矩阵为拟合后的数据预测值为/>其值分别如下所示：

步骤1.5：窗口从左向右滑动，直至拟合完所有数据点，拟合后的曲线即被去除了原有的高频分量。

3.根据权利要求1所述的一种燃料电池性能退化预测方法，其特征在于，所述步骤2中采用灰色关联度分析对各项指标进行特征选择，其步骤包括：

步骤2.1：构建数据矩阵，确定参数序列；假设n个样本，每一样本数量为m，构成的数据矩阵如下所示：

步骤2.2：无量纲化处理；使用关联算式进行无量纲化处理，处理方式如下式所示：

a'_i(k)＝a_i(k)/a_i(1)＝[a'_i(1),a'_i(2),...,a'_i(m)] (6)

式中，i＝0,1,...,n；k＝1,2,...,m；

步骤2.3：计算各个样本与参考数列的绝对差值，计算公式如下所示：

Δ_i(k)＝|a'₀(k)-a'_i(k)| (7)

Δ_i＝[Δ_i(1),Δ_i(2),...,Δ_i(n)] (8)

步骤2.4：求解最大值与最小值，公式如下所示：

步骤2.5：计算灰色关联系数：

其中，i＝1,2,...,n；k＝1,2,...,m；λ为分辨系数；

步骤2.6：使用下式计算灰色关联度，并对其进行排序，关联度越大则表示该指标对参考序列的影响程度越大：

4.根据权利要求1所述的一种燃料电池性能退化预测方法，其特征在于，所述步骤3中建立基于Bagging集成学习和TCN模型的质子交换膜燃料电池性能退化预测模型具体步骤如下：

步骤3.1：对利用步骤1和步骤2处理好的数据集，以6:2:2的比例划分为训练集、验证集和测试集；

步骤3.2：使用Bagging集成学习对训练集数据进行有放回的随机采样，生成与弱学习器相同数量的训练子集；

步骤3.3：建立SVM、KNN和DT三个弱学习器，利用不同的训练子集对弱学习器进行训练，获得三个具有差异的训练好的弱学习器；

步骤3.4：利用验证集验证每个弱学习器的性能，获得三组不同的预测结果；

步骤3.5：将三组预测结果与原始数据标签作为新的训练集，送入TCN模型中进行二次训练；

步骤3.6：利用测试集对TCN模型的性能进行验证，获得最终预测结果。

5.根据权利要求1所述的一种燃料电池性能退化预测方法，其特征在于，所述步骤4中对蝠鲼觅食优化算法MRFO进行改进的IMRFO算法具体步骤如下：

步骤4.1：设置MRFO算法的种群大小和迭代次数，以及搜索空间的上下限；

步骤4.2：采用半数均匀初始化策略初始化算法的种群位置，改进后的公式如下所示：

式中，LB、UB分别表示搜索空间的上下限；n为种群总数量；rand()表示在所给空间内生成向量的随机函数；i＝1,2,...,n/2、j＝n/2+1,...,n；x_i(t)、x_j(t)分别表示第t次迭代时个体的初始值；

步骤4.3：在气旋觅食阶段，当蝠鲼种群在最优解附近搜索时，位置更新公式如下所示：

式中，t、k分别表示迭代次数和维度；表示第i个个体的位置；/>表示个体的最优位置；λ为气旋权重系数；r和r₁是[0,1]内的随机数；

当蝠鲼个体随机地以浮游生物为参考位置进行搜索时，其位置以如下公式进行更新：

式中，表示个体在搜索空间内生成的随机位置；

步骤4.4：在链式觅食阶段，个体位置更新方式为：

式中，δ表示链式权重系数；

步骤4.5：对链式权重系数进行改进，将随机权重改为自适应权重，改进后的权重公式为：

式中，T为最大迭代次数；

步骤4.6：对链式觅食的位置更新进行改进，引入FDB策略，改进后的公式如下所示：

式中，是根据历史适应度值和个体位置计算出的候选解位置；

步骤4.7：在翻筋斗觅食阶段，个体的位置更新公式如下所示：

式中，F是决定蝠鲼个体翻转距离的翻筋斗因子，一般F＝2；r₂、r₃是[0,1]内的随机数。

6.根据权利要求5所述的一种燃料电池性能退化预测方法，其特征在于，所述步骤4.6中计算N组中候选解的FDB分数的具体过程如下：

步骤4.6.1：设一个由a个现有个体组成的群体N＝[X₁,X₂,...,X_a]，目标函数O_i＝O(X_i)，N_best为最优个体，norm(·)为数据归一化过程，F＝[f₁,f₂,...,f_a]为对应于每个个体的目标函数值的归一化表示方式，具体表示如下：

步骤4.6.2：计算每个候选解和最优候选解位置X_best间的距离：

D_i＝norm(DN_i) (25)

步骤4.6.3：从前两步中求得的F_i和D_i用于计算解决方案候选的FDB分数，其计算公式如下所示：

式中，ω是[0,1]间的权重系数。

7.根据权利要求1所述的一种燃料电池性能退化预测方法，其特征在于，所述步骤5中利用IMRFO对TCN模型的超参数进行优化，具体实现步骤为：

步骤5.1：初始化MRFO算法的相关参数，包括蝠鲼种群、维度、最大迭代次数、搜索空间的上下限和当前迭代次数；

步骤5.2：计算经过TCN网络训练的预测值pre_i和样本实际值obs_i间的均方根误差，将其作为蝠鲼种群中每个个体的适应度值Fit：

步骤5.3：根据随机数确定使用链式觅食或气旋觅食策略，并计算出每个个体的位置，利用公式(27)计算出每个个体的适应度值，并对其进行排序，选择当前最优适应度值的蝠鲼个体的位置作为最优位置1；

步骤5-4：利用翻筋斗觅食策略重新进行计算个体位置，使用公式(27)计算个体的适应度值，对其排序后选择当前最优适应度值的蝠鲼个体的位置作为最优位置2，将最优位置1和2的适应度值进行比较，选出最终的最优适应度值对应的最优位置；

步骤5-5：判段是否达到最大迭代次数，若达到，则输出最优解，并从中提取出TCN网络所需的学习率，否则返回步骤5.2；步骤5-6：将测试集数据输入到优化后的TCN模型中进行预测，得到最终的电压退化预测结果。