CN116629451A - 一种燃料电池剩余寿命预测方法、系统、介质及终端 - Google Patents

一种燃料电池剩余寿命预测方法、系统、介质及终端 Download PDF

Info

Publication number
CN116629451A
CN116629451A CN202310757426.0A CN202310757426A CN116629451A CN 116629451 A CN116629451 A CN 116629451A CN 202310757426 A CN202310757426 A CN 202310757426A CN 116629451 A CN116629451 A CN 116629451A
Authority
CN
China
Prior art keywords
sparrow
data
fuel cell
fitness value
optimal
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
CN202310757426.0A
Other languages
English (en)
Inventor
方娜
肖威
付波
权轶
邓心
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.)
Hubei University of Technology
Original Assignee
Hubei University of Technology
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 Hubei University of Technology filed Critical Hubei University of Technology
Priority to CN202310757426.0A priority Critical patent/CN116629451A/zh
Publication of CN116629451A publication Critical patent/CN116629451A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/10Pre-processing; Data cleansing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/004Artificial life, i.e. computing arrangements simulating life
    • G06N3/006Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/084Backpropagation, e.g. using gradient descent
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q30/00Commerce
    • G06Q30/01Customer relationship services
    • G06Q30/015Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
    • G06Q30/016After-sales
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02EREDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/30Hydrogen technology
    • Y02E60/50Fuel cells

Landscapes

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

Abstract

本发明属于电池寿命预测技术领域,公开了一种燃料电池剩余寿命预测方法、系统、介质及终端,首先通过主成分分析法对影响因素进行降维,提取关键影响因素,简化模型结构,然后利用改进的麻雀优化算法优化BP神经网络,找到网络最优的权值和阈值,建立模型,最后将处理好的数据代入模型,实现PEMFC的剩余寿命预测。本发明提供的基于PCA‑Tent‑SSA‑BP网络模型的寿命预测方法,针对BP网络的缺点,结合改进麻雀优化算法优化网络结构,寻找到最优的权值和阈值,提高模型准确度。相对于一些其它的模型,该文模型的精确度更高,能够更有效的预测燃料电池的剩余寿命。

Description

一种燃料电池剩余寿命预测方法、系统、介质及终端
技术领域
本发明属于电池寿命预测技术领域,尤其涉及一种基于PCA(principalcomponent analysis,PCA)-Tent(tent map,Tent)-SSA(sparrow search algorithm,SSA)-BP网络的燃料电池剩余寿命预测方法及系统。
背景技术
近年来,传统化石能源越来越少,以及环境问题越来越严重,找到不污染环境且拥有与传统化石能源或者更好能量效益的新能源越来越引发人们的广泛关注。燃料电池作为一种具有高能量密度、高能量转化率且无污染的新型发电设备拥有广阔的应用前景。其中质子交换膜燃料电池(proton exchange membrane fuel cell,PEMFC)与其他几种类型的燃料电池相比,具有电流大、启动迅速、模块化安装和噪声低等优点,被视为中小型发电系统的最佳替代能源,但是,当前PEMFC仍存在维护成本高和寿命短等问题。因此,深入开展PEMFC的剩余寿命(remaining useful life,RUL)预测研究对于降低维护成本和寿命结束前对其进行维护具有重大意义。
PEMFC作为一个物理非线性,强耦合的电化学系统,其动态涉及到多个领域,对于其精确状态很难描述。PEMFC的寿命预测方法可以总分为三种:模型驱动方法,数据驱动方法,混合驱动方法。模型驱动方法只适合于稳定工况下的数据,对于复杂环境预测效果不佳,混合驱动方法增加了模型设计的合理性需求,计算量更大,增加了模型本身的不稳定性,数据驱动的方法不易受反应机理的影响,可移植性强,使用灵活,是目前主流的预测方法。
目前数据驱动的方法有回声状态网络(echo state network,ESN)、超限学习机(extreme learning machine,ELM)、自适应神经–模糊推理系统(adaptive neuro-fuzzyinference system,ANFIS)和相关向量机(relevance vector machine,RVM)等。目前国内外有很多学者开展了相关方面的研究。文献:刘嘉蔚,李奇,陈维荣,,等.基于核超限学习机和局部加权回归散点平滑法的PEMFC剩余使用寿命预测方法[J].中国电机工程学报,2019,39(24):7272-7279+7500.中采用核超限学习机(kernel extreme learning machine,KELM)方法提高了PEMFC剩余寿命预测的速度。文献:高雨璇.质子交换膜燃料电池在线监测及寿命预测[D].西南交通大学,2019.对PEMFC原始数据进行归一化后输入卷积神经网络(convolutional neural networks,CNN)预测PEMFC的堆栈电压,在原始数据含有噪声的情况下,预测电压的趋势和大小仍能够与实际电压基本一致。文献:蓝煜,吴占宽,姜琦,等.基于机器学习的质子交换膜燃料电池寿命预测研究[J].现代机械,2022(05):1-5.提出一种将小波去噪算法与机器学习技术相结合的预测方法,可以有效的去除噪声数据,提高模型准确度。文献:胡兵,王小娟,徐立军,等.基于KMO-PCA-BP的燃料电池堆输出电压预测方法[J].太阳能学报,2022,43(03):12-19.采用主成分分析法对原始数据进行降维处理,结合BP(back propagation,BP)神经网络对燃料电池的输出电压进行预测,简化了网络结构,节省计算时间。文献:何冰琛,杨薛明,王劲松,等.基于PCA-GPR的锂离子电池剩余使用寿命预测[J].太阳能学报,2022,43(05):484-491.应用高斯过程结合主成分分析对锂离子电池剩余寿命进行预测,有效提高了模型准确度。文献:王瀛洲,倪裕隆,郑宇清,等.基于ALO-SVR的锂离子电池剩余使用寿命预测[J].中国电机工程学报,2021,41(04):1445-1457+1550.采用ALO(ant lion optimization,ALO)方法来优化SVR(support vector regression,SVR)参数,可以获得SVR方法的最佳参数,对于预测锂离子寿命有显著效果。文献:高明,刘超,唐加福,等.基于注意力神经网络的燃料电池寿命衰减预测[J/OL].中国管理科学:1-14[2023-03-15].提出基于注意力神经网络的电池寿命预测模型,显著提升了模型精确度,但运算量相对较大。
PEMFC的输出电压受到运行、压力、湿度等多方面的影响,表现出很强的随机性和不确定性,很难确定一个准确的数学模型去预测电压变化的规律,难以确定燃料电池的具体寿命。采用小波阀值去噪有效剔除电堆电压数据的噪声数据,并保留其变化趋势,应用主成分分析法提取出有效的影响因素,简化了模型结构,BP神经网络具有较强的非线性拟合能力,泛化能力强,但易陷入局部最优解。
通过上述分析,现有技术存在的问题及缺陷为:质子交换膜燃料电池寿命预测中,燃料电池中的特征对其寿命的影响程度未知和传统BP神经网络易陷入局部最小值的问题。
发明内容
针对现有技术存在的问题,本发明提供了一种燃料电池剩余寿命预测方法及系统。
本发明是这样实现的,一种燃料电池剩余寿命预测方法包括:首先通过主成分分析法对影响因素进行降维,提取关键影响因素,简化模型结构,然后利用改进的麻雀优化算法优化BP神经网络,找到网络最优的权值和阈值,建立模型,最后将处理好的数据代入模型,实现PEMFC的剩余寿命预测。
进一步,所述燃料电池剩余寿命预测方法的具体步骤包括:
步骤一,数据预处理:将采集到的数据按照一定时间规律进行提取,对于原始数据中存在的噪声数据,采用小波阀值去噪进行处理,剔除噪声数据;
步骤二,对步骤一中得到的数据进行PCA降维,筛选出对输出电压影响大的特征因素,提取出这些主要因素,简化模型结构;
步骤三,初始化BP神经网络,以步骤二所提取的特征因素作为输入,电压作为输出,设计网络结构;
步骤四,采用改进的麻雀优化算法对种群进行初始化,计算每只麻雀的适应度值,找出当前最优适应度值和最差适应度值,以及所对应的位置;
步骤五,采用改进的麻雀优化算法实时更新发现者、加入者、警戒者的坐标位置;
步骤六,计算更新后的适应度值,根据适应度值的大小进行更新,得出麻雀种群中的最优个体及其位置信息;
步骤七,循环执行步骤三~步骤六,当满足终止条件时,得到BP神经网络的最优初始权值和阈值;
步骤八,将步骤七得到的参数输入BP神经网络,完成相应的仿真预测。
进一步,所述步骤四中的麻雀优化算法改进的步骤如下:
1)初始化麻雀搜索算法的参数,包括种群数量、预警值、安全值;
2)利用Tent混沌映射函数生成均匀分布的混沌序列,即种群初始位置;
3)计算每只麻雀的适应度值,确定解空间中适应度值最优和最差的麻雀个体的位置;
4)确定麻雀种群中发现者的数量,计算更新过后的位置;
5)确定麻雀种群中加入者的数量,计算更新过后的位置;
6)确定麻雀种群中意识到危险的个体数量,计算更新过后的位置;
7)计算每只麻雀的适应度值,与之前的适应度值进行比较,若新的适应度值更优则更新;
8)如果达到算法的最大迭代次数,则输出全局适应度值最优的麻雀位置信息,否则转到第4)步继续执行。
进一步,步骤2)中的Tent混沌映射函数的表达式为:
式中:Ki为在i时刻的混沌映射数值,θ为混沌系数,取为0.8。
进一步,步骤4)中利用下式更新发现者位置:
式中:t—当前迭代次数;Xij—第i个麻雀在第j维中的位置信息;Q—服从正态分布的随机数;L—单位行向量;0<a<1;
步骤5)中利用下式更新加入者位置:
式中:Xworst—当前全局最差的位置;A+—数值只能为-1或者1的行向量;Xr—目前发现者所发现的最优位置;
步骤6)中利用下式更新麻雀种群的位置:
式中:Xbest—当前全局最优位置;β—服从标准正态分布的随机数用来作为步长控制参数;-1<K<1的随机数;fi—当前麻雀个体的适应度值;fw—全局最差适应度值;fbest—全局最佳适应度值;ε—常数,用于使分母不为0。
进一步,所述步骤三中的BP神经网络,输出电压作为预测结果,选取平均绝对误差百分比MAPE、平均绝对误差MAE、均方根误差RMSE对BP神经网络模型进行验证,公式如下:
式中n为测试集样本数量,Yp为测试集预测值,Yi为测试集真实值。
本发明的另一目的在于提供一种燃料电池剩余寿命预测系统,所述燃料电池剩余寿命预测系统包括:
数据预处理模块,用于将采集到的数据按照一定时间规律进行提取,对于原始数据中存在的噪声数据,采用小波阀值去噪进行处理,剔除噪声数据;
PCA降维模块,用于对预处理后的数据进行PCA降维,筛选出对输出电压影响大的特征因素,并进行提取;
BP神经网络设计模块,用于初始化BP神经网络,以提取的特征因素作为输入,电压作为输出,设计网络结构;
初始化模块,用于采用改进的麻雀优化算法对种群进行初始化,计算每只麻雀的适应度值,找出当前最优适应度值和最差适应度值,以及所对应的位置;
位置更新模块,用于实时更新发现者、加入者、警戒者的坐标位置,计算更新后的适应度值,并更新最优个体;
结果输出模块,用于当满足终止条件时,得到BP神经网络的最优初始权值和阈值;将得到的参数输入BP神经网络,完成相应的仿真预测。
结合上述的技术方案和解决的技术问题,本发明所要保护的技术方案所具备的优点及积极效果为:
第一、针对上述现有技术存在的技术问题以及解决该问题的难度,紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等,详细、深刻地分析本发明技术方案如何解决的技术问题,解决问题之后带来的一些具备创造性的技术效果。具体描述如下:
本发明出一种基于PCA-Tent-SSA-BP网络模型的寿命预测方法,针对BP网络的缺点,结合改进麻雀优化算法优化网络结构,寻找到最优的权值和阈值,提高模型准确度。相对于一些其它的模型,该文模型的精确度更高,能够更有效的预测燃料电池的剩余寿命。
第二,把技术方案看做一个整体或者从产品的角度,本发明所要保护的技术方案具备的技术效果和优点,具体描述如下:本文模型采用数据驱动的方法预测燃料电池的剩余寿命,避免了建立复杂的物理模型。对于原始的数据采用主成分分析法进行降维,利用降维后的数据进行建模,简化了模型结构。采用改进的麻雀优化优化BP神经网络去预测非线性数据,解决了BP神经网络易陷入局部最优解的问题,提高了模型的适用性。
第三,作为本发明的权利要求的创造性辅助证据,还体现在以下几个重要方面:
(1)本发明的技术方案转化后的预期收益和商业价值为:燃料电池能量转化效率高,运行噪声低,可靠性高,维护方便等优点,可以应用于船只、车辆、网络、航空航天等许多领域,但是燃料电池的使用寿命是限制其在商业化过程中取得成功的重要因素。本专利有效的预测了燃料电池的剩余使用寿命,可以用来寻找延长燃料电池使用寿命的方法,对于加速燃料电池商业化用途有着重要的意义。
(2)本发明的技术方案是否解决了人们一直渴望解决、但始终未能获得成功的技术难题:对于燃料电池的剩余寿命进行精确预测,可以指导电池的健康管理、电池更换和系统维护,防止因电池失效和过早更换电池产生的重大损失,能够对燃料电池进行预测性维护,有利于产品的售后服务,更好的为人们服务,产生更大的经济价值。
附图说明
图1是本发明实施例提供的燃料电池剩余寿命预测方法的流程图;
图2是本发明实施例提供的燃料电池剩余寿命预测方法的原理图;
图3是本发明实施例提供的BP神经网络模型的原理图;
图4是本发明实施例提供的PEMFC电堆输出电压示意图;
图5是本发明实施例提供的去噪前后PEMFC输出电压对比图;
图6是本发明实施例提供的5种方法预测结果对比图;
图7是本发明实施例提供的基于PCA-Tent-SSA-BP的PEMFC剩余寿命预测示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对质子交换膜燃料电池(proton exchange membrane fuel cell,PEMFC)寿命预测中,燃料电池中的特征对其寿命的影响程度未知和传统BP(back propagation,BP)神经网络易陷入局部最小值的问题,提出一种基于PCA(principal component analysis,PCA)-Tent(tent map,Tent)-SSA(sparrow search algorithm,SSA)-BP网络的寿命预测方法。首先通过主成分分析法(PCA)对影响因素进行降维,提取关键影响因素,简化模型结构。然后利用改进的麻雀优化算法(SSA)优化BP神经网络,找到网络最优的权值和阈值,建立模型。最后将处理好的数据代入模型,实现PEMFC的剩余寿命预测。实验结果表明,相对于一些其它的模型,本发明模型的精确度更高,能够更有效的预测燃料电池的剩余寿命。
本发明实施例提供的燃料电池剩余寿命预测方法首先通过主成分分析(PCA)降维算法对采集到的数据进行降维处理,提取关键影响因素,简化模型结构。PCA算法能够将高维数据转化为低维数据,保留原始数据的主要信息,以便于后续处理。
接着,利用改进的麻雀优化算法优化BP神经网络,找到网络最优的权值和阈值,建立模型。改进的麻雀优化算法通过模拟麻雀的觅食过程来进行优化,能够在大规模搜索中找到最优解,有助于提高BP神经网络的性能。
最后,将处理好的数据代入模型,实现燃料电池的剩余寿命预测。在这一过程中,还需要进行信号和数据处理。信号处理包括采样、滤波、去噪等步骤,以消除信号中的噪声和干扰,提高数据质量。数据处理则包括数据预处理、特征提取等步骤,以便于后续建模和预测。
总的来说,该方法采用了多种技术手段,通过对采集到的数据进行降维、优化和预处理等操作,能够提高预测模型的准确性和稳定性,实现对燃料电池剩余寿命的可靠预测。
本发明实施例提供的燃料电池剩余寿命预测方法的具体方案如下:
在步骤S101中,采集到的原始数据可能受到多种因素的影响,如传感器误差、采样噪声、环境干扰等。因此,需要对采集到的数据进行预处理,以消除这些影响因素。具体来说,可以采用小波阀值去噪算法对数据进行滤波处理,从而剔除噪声数据。
在步骤S102中,使用PCA降维算法将高维度的数据降至低维度,以提取出对输出电压影响大的特征因素。PCA降维算法是一种常用的数据降维技术,可以将原始数据转换为一组线性无关的主成分,从而减少数据维度。通过对降维后的数据进行分析,可以筛选出对输出电压影响大的主要因素,如温度、压力、电流等。
在步骤S103中,通过初始化BP神经网络,并以步骤S102提取的特征因素作为输入,电压作为输出,设计网络结构。BP神经网络是一种多层前馈神经网络,可以通过反向传播算法进行训练,从而实现对复杂非线性关系的拟合。在网络结构设计过程中,需要考虑隐藏层数、节点数等参数,以及激活函数的选择等因素。
在步骤S104中,使用改进的麻雀优化算法对种群进行初始化,计算每只麻雀的适应度值,并找出当前最优适应度值和最差适应度值,以及所对应的位置。麻雀优化算法是一种群体智能算法,模拟了麻雀搜索食物的过程,通过不断地调整种群的位置,以找到最优解。在该算法中,发现者、加入者和警戒者分别负责探索新领域、发现新的最优解和维护已知的最优解。
在步骤S105中,实时更新麻雀的坐标位置。根据麻雀优化算法的原理,需要通过不断地搜索和调整位置,以找到更优的解。具体来说,需要根据当前种群中各个麻雀的适应度值,更新发现者、加入者和警戒者的位置。
在步骤S106中,计算更新后的适应度值,并更新最优个体。在每次更新位置后,需要重新计算适应度值,并对当前最优个体进行更新。适应度值可以通过计算误差指标,如均方误差、平均绝对误差等,来评估预测模型的精度和稳定性。
在步骤S107中,循环执行步骤S104~步骤S106,直到满足终止条件。终止条件可以是达到最大迭代次数或满足一定的误差要求。在迭代过程中,可以不断更新麻雀的位置,以寻找更优的解。
在步骤S108中,将步骤S107得到的参数输入BP神经网络,完成相应的仿真预测。通过输入新的数据,可以利用训练好的BP神经网络进行预测,评估燃料电池的剩余寿命。预测结果可以通过与实际测量值进行比对,以评估预测模型的准确性和可靠性。
总的来说,这种燃料电池剩余寿命预测方法综合运用了多种技术手段,包括数据预处理、PCA降维、BP神经网络和麻雀优化算法等。通过不断地迭代和优化,可以得到最优的预测模型参数,并实现对燃料电池剩余寿命的准确预测。
如图1所示,本发明实施例提供的燃料电池剩余寿命预测方法包括:
S101,数据预处理:将采集到的数据按照一定时间规律进行提取,对于原始数据中存在的噪声数据,采用小波阀值去噪进行处理,剔除噪声数据;
S102,对步骤S101中得到的数据进行PCA降维,筛选出对输出电压影响大的特征因素,提取出这些主要因素;
S103,初始化BP神经网络,以步骤S102所提取的特征因素作为输入,电压作为输出,设计网络结构;
S104,采用改进的麻雀优化算法对种群进行初始化,计算每只麻雀的适应度值,找出当前最优适应度值和最差适应度值,以及所对应的位置;
S105,实时更新发现者、加入者、警戒者的坐标位置;
S106,计算更新后的适应度值,并更新最优个体;
S107,循环执行步骤S104~步骤S106,当满足终止条件时,得到BP神经网络的最优初始权值和阈值;
S108,将步骤S107得到的参数输入BP神经网络,完成相应的仿真预测。
如图2所示,本发明实施例构建了PCA-Tent-SSA-BP的燃料电池预测模型,在实际预测工程中,将数据集划分为训练集和测试集进行预测。
预测模型的评价指标:
为了验证模型的准确性,输出电压作为预测结果,本发明选取平均绝对误差百分比(MAPE)、平均绝对误差(MAE)、均方根误差(RMSE)对模型进行验证,公式如下:
式中n为测试集样本数量,Yp为测试集预测值,Yi为测试集真实值。这三个评价指标的值越小,就可以说明所用预测方法预测更精确,所用的预测模型越好。
1.燃料电池工作原理
PEMFC的反应可以分为两部分,一部分是阳极上氢气的氧化反应,氢气进入阳极,在阳极催化剂的作用下分解成带正电的质子和带负电的电子,化学反应式如式(1)所示。另一部分为质子到达阴极后,电子则沿外电路通过负载到达阴极,同时氧气也到达阴极,在阴极催化剂作用下,电子、质子和氧气发生还原反
应生成水,化学反应式如式2。
H2→2H++2e- (1)
总的反应式如式3所示
2H2+O2→2H2O (3)
PEMFC作为一个非线性系统,在运行过程中,会因为各种不利因素影响造成电池老化,寿命衰减。不利因素大体分为三种:本征因素、系统因素、环境因素。环境因素指温度、湿度、压力等,本发明只对环境因素影响电池寿命进行探究。
2、主成分分析
PCA(主成分分析)是一种数据统计方法,通过构造原变量的一系列线性组合形成新变量,这些新变量互不相关,并且能尽可能多地反映原始变量的信息。具体步骤如下:
1)得到原始数据的标准化矩阵
设m组n维变量构成的数据矩阵为:
式中:xij——n维变量的第m个样本。将xij标准化处理得:
式中:kj——均值;Sj——方差。
2)计算相关系数矩阵R
R=(rij)mxn (6)
式中:rij——变量xi和xj之间的相关系数。
3)计算贡献率τi和累计贡献率ηi计算方法如下式8和9,根据ηi的值确定主成分的个数。
式中:λi,λk——特征矩阵对应的特征值。
3、BP神经网络
BP(back propagation neural network,BP)神经网络是一种多层的前馈神经网络,使用BP神经网络作为模型预测,BP神经网络主要分为两个阶段,第一阶段是信号的前向传播,从输入层经过隐藏层到达输出层,若输出结果与实际结果不符,则转入第二阶段。第二阶段为误差反向传播过程,反向传播的过程就是由输出层向输入层逐层修正连接权值使误差减小。输入信号的正向传播与误差的反向传播过程是循环进行的,BP神经网络一般有三层,即输入层,隐藏层,输出层,3层BP神经网络结构图如图3所示。
4、麻雀优化算法
麻雀搜索算法(sparrow search algorithm,SSA)是一种新型的群智能优化算法,在2020年提出,主要是受麻雀的觅食行为和反捕食行为的启发。麻雀觅食由发现者、跟随者和预警者组成的。发现者为麻雀种群提供觅食区域和方向,跟随者来获得食物,种群中的个体会监视群体中其它个体的行为,并且该种群中的攻击者会与高摄取量的同伴争夺食物资源,以提高自己的捕食率当周围有捕食者时,群体中一个或多个预警者会发出声音,整个群体会飞到其他安全区域进行觅食。
麻雀优化算法步骤如下:
1)初始化麻雀种群位置与适应度,设定N,n,k,h,d的值,c由随机数产生,其中N为最大迭代次数,n为种群大小,k为发现者数量,h为感应危险的麻雀数量,d为安全值,c为预警值;
2)开始循环,e(迭代次数)<N;
3)种群排序,得出当前的最优麻雀个体位置,以及最佳适应度值,往往对于第一代麻雀个体而言,求出的为初始最优,最优个体能够优先获取食物;
4)觅食行为,按照下面的公式更新发现者位置:
式中:t——当前迭代次数;Xij——第i个麻雀在第j维中的位置信息;Q——服从正态分布的随机数;L——单位行向量;0<a<1。
5)当有新的加入者,则按照以下公式更新加入者位置。
式中:Xworst——当前全局最差的位置;A+——数值只能为-1或者1的行向量;Xr——目前发现者所发现的最优位置。
6)反捕食行为,更新麻雀种群的位置
式中:Xbest——当前全局最优位置;β——服从标准正态分布的随机数用来作为步长控制参数;-1<K<1的随机数;fi——当前麻雀个体的适应度值;fw——全局最差适应度值;fbest——全局最佳适应度值;ε——常数,为了使分母不为0。
7)更新历史最优适应度,即适应度更新。
8)执行(3)~(7),直到达到最大迭代次数,结束循环。
5、改进的麻雀优化算法
5.1、改进策略
由上述可知,麻雀搜索算法的初始种群位置是随机的,这种方式生成的种群多样性较差,易陷入局部最优解,影响收敛精度。混沌映射是一种确定的系统中出现的无规则的运动,将其导入算法中,能有效的解决该问题。
本发明采用Tent混沌映射函数,它具有分布均匀、不可重复、不确定性和遍历性等特点。能够在一定范围内对麻雀种群的状态进行不重复遍历。Tent映射表达式如下式:
式中:Ki为在i时刻的混沌映射数值,θ
为混沌系数(本发明取为0.8)。
Tent混沌映射对种群进行初始化,能够增强种群的多样性和分布均匀性。运用Tent混沌映射模型对发现者、追随者和预警者位置进行更新,使其具有更强的全局寻优能力。
5.2改进流程
改进的麻雀优化算法步骤如下:
1)初始化麻雀搜索算法的参数,包括种群数量、预警值、安全值等。
2)利用Tent混沌映射函数生成均匀分布的混沌序列,即种群初始位置。
3)计算每只麻雀的适应度值,确定解空间中适应度值最优和最差的麻雀个体的位置。
4)确定麻雀种群中发现者的数量,根据公式(10)计算更新过后的位置。
5)确定麻雀种群中加入者的数量,根据公式(11)计算更新过后的位置。
6)确定麻雀种群中意识到危险的个体数量,根据公式(12)计算更新过后的位置。
7)计算每只麻雀的适应度值,与之前的适应度值进行比较,若新的适应度值更优则更新。
8)如果达到算法的最大迭代次数,则输出全局适应度值最优的麻雀位置信息,否则转到第4步继续执行。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行所述的燃料电池剩余寿命预测方法的步骤。
一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行所述的燃料电池剩余寿命预测方法的步骤。
一种信息数据处理终端,用于实现所述的燃料电池剩余寿命预测方法的步骤。
本发明实施例在研发或者使用过程中取得了一些积极效果,和现有技术相比的确具备很大的优势,下面内容结合试验过程的数据、图表等进行描述。
1、实验数据与设备
1.1、数据采集
2014年,由IEEE可靠性协会、FCLAB研究联合会、FEMTO-ST研究所、卓越实验室ACTION发起的“IEEE PHM数据挑战赛”,目的主要是预测燃料电池的剩余使用寿命。测试中用到的FC1和FC2均由5个面积为100cm2的电池单元串联而成,其标称电流密度为0.7A/cm2,最大电流密度1A/cm2。本发明选择FC2这个数据集作为实验对象对本发明方法进行验证。FC2共有127371条数据,从中每隔1h取1组数据,共选取1021条数据,合计观察1020h的运行结果,其中训练集设置为800组,测试集为221组。表1为FC2数据集的相关参数,图4为电堆堆栈总电压的波形图。
表1燃料电池采集的变量及变量物理意义
1.2、数据预处理
由图4可以看出原始数据含有较多的噪声,为了减少噪声对数据的干扰,本发明选择小波阀值去噪对原始数据进行降噪,小波基为db4,分解层数为4层,去噪方法为Minimax,去噪前后PEMFC电堆电压的波形对比如图5所示。从图5中可以看出采用小波阀值去噪算法可以剔除原始数据中的噪声信号,并保留数据的衰退趋势。
2、PCA降维
为了简化模型结构,使用主成分分析法对数据进行降维。表2为输出电压各变量的贡献率贡献率和累计贡献率。
由表2可以看出,前11个变量的累计贡献率达到91.989%,是影响输出电压的主要变量,包含数据集的主成分。
表2各物理量贡献率和累计贡献率
3、Tent-SSA-BP模型参数
将PCA降维后的数据进行处理,将获得的11个变量作为BP神经网络的输入,为输入层神经元个数。将输出电压作为神经网络的输出,作为输出层神经元个数。运行程序确定隐含层神经元数目。对应结果如下表3所示,当隐含层神经元数目为12时,训练集均方根误差最小为0.00367。训练次数设置为10000次,学习率为0.01,训练目标最小误差为0.000001,动量因子为0.01,最高失败次数为6次,麻雀优化算法初始种群规模为30,最大进化代数设置为50,安全值为0.6,发现者比例0.7,加入者比例为0.3,最佳适应度为8。
表3 BP网络结构隐含层数
4、实验结果分析
分别用BP、ELMAN、LSTM单一的网络进行仿真,对各网络模型参数进行调优,以相同的数据进行训练,相同评价指标进行评估,实验结果如表4所示。
表4单一模型预测结果对比
由上表4可以看出,相对于ELMAN、LSTM,BP的MAE、RMSE、MAPE的值最小,预测结果相对要好,故选择BP神经网络作为基础网络。
采用PCA-BP网络模型对数据进行训练,简化模型结构。如下表5所示,为对应的预测结果。
表5BP、PCA-BP预测结果比较
由表5可以看出采用主成分分析法结合BP神经网络对于数据进行预测相对于简单的BP神经网络精度更高。
BP神经网络容易陷入局部最小值,采用优化算法对网络进行优化,找到最优的权值和阈值,提高模型的精确度。预测结果如下表6。对应模型的预测偏差(预测值与真实值差值的绝对值之和)图如图6所示。
表6优化算法模型结果对比
由上表6结果可以看出PCA-Tent-SSA-BP相对于PCA-BP、PCA-PSO-BP、SSA-BP、PCA-SSA-BP的预测效果更好,PCA-Tent-SSA-BP可以作为燃料电池寿命预测的最佳模型。
5、剩余寿命预测
由以上讨论可以看出PCA-Tent-SSA-BP的预测效果最好,选取它作为最终的预测模型。将处理完成的1021组数据中的前800组数据设定为训练集,即从800h后开始预测,并设置后221组数据作为测试集。前800组训练集数据输入PCA-Tent-SSA-BP网络作为模型训练参数,然后221组数据送入训练完毕的模型进行预测。当PEMFC的输出电压衰退至95%时,确定电池达到寿命,定义其失效,预测结果如图7所示。PEMFC初始电压为3.327V,失效电压为3.161V。当时间t=912h时,PEMFC的预测电压为3.161V,与实际失效电压最为接近,所以PEMFC在912h时失效,由于网络模型在[0h,800h]为训练阶段,所以PEMFC的实际剩余电压为123h,当以训练初始阶段为起点,则剩余使用寿命为912h。
本发明实施例分析影响PEMFC电池输出电压的影响因素,对影响因素进行PCA降维,建立PCA-Tent-SSA-BP预测模型,与几种模型进行对比,可以得出以下结论:
1)燃料电池影响因素众多,单一的影响因素对电池输出电压影响并不明显,需进行主成分分析。
2)相对于单一的网络模型,BP神经网络的模型具有较强的优势。运用改进麻雀优化算法改进BP网络模型后,模型准确度更高。
3)对于燃料电池的剩余寿命进行预测,PCA-Tent-SSA-BP模型的准确度高,与真实情况基本吻合。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种燃料电池剩余寿命预测方法,其特征在于,包括:
首先通过主成分分析法对影响因素进行降维,提取关键影响因素,简化模型结构,然后利用改进的麻雀优化算法优化BP神经网络,找到网络最优的权值和阈值,建立模型,最后将处理好的数据代入模型,实现PEMFC的剩余寿命预测。
2.如权利要求1所述的燃料电池剩余寿命预测方法,其特征在于,首先通过主成分分析降维算法对采集到的数据进行降维处理,提取关键影响因素,简化模型结构。PCA算法能够将高维数据转化为低维数据,保留原始数据的主要信息;
接着,利用改进的麻雀优化算法优化BP神经网络,找到网络最优的权值和阈值,建立模型;改进的麻雀优化算法通过模拟麻雀的觅食过程来进行优化,能够在大规模搜索中找到最优解;
最后,将处理好的数据代入模型,实现燃料电池的剩余寿命预测;进行信号和数据处理;信号处理包括采样、滤波、去噪步骤,以消除信号中的噪声和干扰,提高数据质量;数据处理则包括数据预处理、特征提取步骤,以便于后续建模和预测。
3.如权利要求1所述的燃料电池剩余寿命预测方法,其特征在于,所述燃料电池剩余寿命预测方法的具体步骤包括:
步骤一,数据预处理:将采集到的数据按照一定时间规律进行提取,对于原始数据中存在的噪声数据,采用小波阀值去噪进行处理,剔除噪声数据;
步骤二,对步骤一中得到的数据进行PCA降维,筛选出对输出电压影响大的特征因素,提取出这些主要因素;
步骤三,初始化BP神经网络,以步骤二所提取的特征因素作为输入,电压作为输出,设计网络结构;
步骤四,采用改进的麻雀优化算法对种群进行初始化,计算每只麻雀的适应度值,找出当前最优适应度值和最差适应度值,以及所对应的位置;
步骤五,实时更新发现者、加入者、警戒者的坐标位置;
步骤六,计算更新后的适应度值,并更新最优个体;
步骤七,循环执行步骤三~步骤六,当满足终止条件时,得到BP神经网络的最优初始权值和阈值;
步骤八,将步骤七得到的参数输入BP神经网络,完成相应的仿真预测。
4.如权利要求1所述的燃料电池剩余寿命预测方法,其特征在于,所述步骤四中的麻雀优化算法改进的步骤如下:
1)初始化麻雀搜索算法的参数,包括种群数量、预警值、安全值;
2)利用Tent混沌映射函数生成均匀分布的混沌序列,即种群初始位置;
3)计算每只麻雀的适应度值,确定解空间中适应度值最优和最差的麻雀个体的位置;
4)确定麻雀种群中发现者的数量,计算更新过后的位置;
5)确定麻雀种群中加入者的数量,计算更新过后的位置;
6)确定麻雀种群中意识到危险的个体数量,计算更新过后的位置;
7)计算每只麻雀的适应度值,与之前的适应度值进行比较,若新的适应度值更优则更新;
8)如果达到算法的最大迭代次数,则输出全局适应度值最优的麻雀位置信息,否则转到第4)步继续执行。
5.如权利要求4所述的燃料电池剩余寿命预测方法,其特征在于,步骤2)中的Tent混沌映射函数的表达式为:
式中:Ki为在i时刻的混沌映射数值,θ为混沌系数,取为0.8;
步骤4)中利用下式更新发现者位置:
式中:t—当前迭代次数;Xij—第i个麻雀在第j维中的位置信息;Q—服从正态分布的随机数;L—单位行向量;0<a<1;
步骤5)中利用下式更新加入者位置:
式中:Xworst—当前全局最差的位置;A+—数值只能为-1或者1的行向量;Xr—目前发现者所发现的最优位置;
步骤6)中利用下式更新麻雀种群的位置:
式中:Xbest—当前全局最优位置;β—服从标准正态分布的随机数用来作为步长控制参数;-1<K<1的随机数;fi—当前麻雀个体的适应度值;fw—全局最差适应度值;fbest—全局最佳适应度值;ε—常数,用于使分母不为0。
6.如权利要求3所述的燃料电池剩余寿命预测方法,其特征在于,所述步骤三中的BP神经网络,输出电压作为预测结果,选取平均绝对误差百分比MAPE、平均绝对误差MAE、均方根误差RMSE对BP神经网络模型进行验证,公式如下:
式中n为测试集样本数量,Yp为测试集预测值,Yi为测试集真实值。
7.一种用于实施权利要求1~6任意一项所述的燃料电池剩余寿命预测方法的燃料电池剩余寿命预测系统,其特征在于,所述燃料电池剩余寿命预测系统包括:
数据预处理模块,用于将采集到的数据按照一定时间规律进行提取,对于原始数据中存在的噪声数据,采用小波阀值去噪进行处理,剔除噪声数据;
PCA降维模块,用于对预处理后的数据进行PCA降维,筛选出对输出电压影响大的特征因素,并进行提取;
BP神经网络设计模块,用于初始化BP神经网络,以提取的特征因素作为输入,电压作为输出,设计网络结构;
初始化模块,用于采用改进的麻雀优化算法对种群进行初始化,计算每只麻雀的适应度值,找出当前最优适应度值和最差适应度值,以及所对应的位置;
位置更新模块,用于实时更新发现者、加入者、警戒者的坐标位置,计算更新后的适应度值,并更新最优个体;
结果输出模块,用于当满足终止条件时,得到BP神经网络的最优初始权值和阈值;将得到的参数输入BP神经网络,完成相应的仿真预测。
8.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1~6任意一项所述的燃料电池剩余寿命预测方法的步骤。
9.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1~6任意一项所述的燃料电池剩余寿命预测方法的步骤。
10.一种信息数据处理终端,其特征在于,所述信息数据处理终端用于实现如权利要求1~6任意一项所述的燃料电池剩余寿命预测方法的步骤。
CN202310757426.0A 2023-06-25 2023-06-25 一种燃料电池剩余寿命预测方法、系统、介质及终端 Pending CN116629451A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310757426.0A CN116629451A (zh) 2023-06-25 2023-06-25 一种燃料电池剩余寿命预测方法、系统、介质及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310757426.0A CN116629451A (zh) 2023-06-25 2023-06-25 一种燃料电池剩余寿命预测方法、系统、介质及终端

Publications (1)

Publication Number Publication Date
CN116629451A true CN116629451A (zh) 2023-08-22

Family

ID=87597476

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310757426.0A Pending CN116629451A (zh) 2023-06-25 2023-06-25 一种燃料电池剩余寿命预测方法、系统、介质及终端

Country Status (1)

Country Link
CN (1) CN116629451A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117612656A (zh) * 2024-01-22 2024-02-27 江苏瑞斯达安全防护用品有限公司 一种基于手套储能的相变材料剩余蓄热量测量方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108535656A (zh) * 2018-03-22 2018-09-14 中北大学 基于pca-narx神经网络的锂离子电池剩余使用寿命预测方法和系统
CN114021689A (zh) * 2021-09-16 2022-02-08 湖州师范学院 一种自适应神经网络交通流预测的混沌搜索优化方法
CN114943372A (zh) * 2022-05-09 2022-08-26 国网浙江省电力有限公司宁波供电公司 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
CN115482883A (zh) * 2022-09-21 2022-12-16 电子科技大学 基于Tent混沌映射优化BP神经网络的XRF元素定量分析方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108535656A (zh) * 2018-03-22 2018-09-14 中北大学 基于pca-narx神经网络的锂离子电池剩余使用寿命预测方法和系统
CN114021689A (zh) * 2021-09-16 2022-02-08 湖州师范学院 一种自适应神经网络交通流预测的混沌搜索优化方法
CN114943372A (zh) * 2022-05-09 2022-08-26 国网浙江省电力有限公司宁波供电公司 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
CN115482883A (zh) * 2022-09-21 2022-12-16 电子科技大学 基于Tent混沌映射优化BP神经网络的XRF元素定量分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
GUOBI LING: "Membrane Fouling Prediction Based on Tent-SSA-BP", 《MEMBRANES》, pages 1 - 17 *
赵熙临: "基于多目标优化的风储协同一次调频控制策略", 《南方电网技术》, vol. 16, no. 10, pages 68 - 76 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117612656A (zh) * 2024-01-22 2024-02-27 江苏瑞斯达安全防护用品有限公司 一种基于手套储能的相变材料剩余蓄热量测量方法及系统
CN117612656B (zh) * 2024-01-22 2024-04-02 江苏瑞斯达安全防护用品有限公司 一种基于手套储能的相变材料剩余蓄热量测量方法及系统

Similar Documents

Publication Publication Date Title
Rizk-Allah et al. Artificial ecosystem optimizer for parameters identification of proton exchange membrane fuel cells model
CN110163410B (zh) 一种基于神经网络-时间序列的线损电量预测方法
CN111310387B (zh) 一种燃料电池寿命预测方法
Mitra et al. A comprehensive and comparative review on parameter estimation methods for modelling proton exchange membrane fuel cell
CN113156325B (zh) 一种对电池的健康状态进行估计的方法
CN111832825B (zh) 融合长短期记忆网络和极限学习机的风电预测方法及系统
Zhang et al. Equal-width partitioning roulette wheel selection in genetic algorithm
CN114970362B (zh) 一种多能源结构下的电网负荷调度预测方法及系统
Han et al. Short-term forecasting of individual residential load based on deep learning and K-means clustering
CN116629451A (zh) 一种燃料电池剩余寿命预测方法、系统、介质及终端
CN115983087B (zh) 一种注意力机制与lstm结合检测时序数据异常方法及终端机
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
Chen Indirect PCA dimensionality reduction based machine learning algorithms for power system transient stability assessment
CN116644970A (zh) 一种基于vmd分解和叠层深度学习的光伏功率预测方法
Huang et al. Research on transformer fault diagnosis method based on GWO optimized hybrid kernel extreme learning machine
CN113484785A (zh) 一种基于麻雀搜索和最小二乘支持向量机的电池健康状态估计与剩余寿命预测方法
CN116245019A (zh) 一种基于Bagging抽样及改进随机森林算法的负荷预测方法、系统、装置及存储介质
Song et al. Importance weighted expectation-maximization for protein sequence design
Tang et al. A novel online degradation model for proton exchange membrane fuel cell based on online transfer learning
Goh et al. Hybrid SDS and WPT-IBBO-DNM based model for ultra-short term photovoltaic prediction
CN113094899A (zh) 一种随机潮流计算方法、装置、电子设备及存储介质
CN115062537B (zh) 基于醉汉漫步混沌狼群算法的光伏电池模型参数辨识方法
CN112329370A (zh) 一种基于极限学习机的SiC功率管在线故障诊断方法
CN116609678A (zh) 基于改进混合模型的锂离子电池剩余寿命预测方法
CN114139783A (zh) 基于非线性加权组合的风电短期功率预测方法及装置

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