CN116845287A - 一种燃料电池的测试数据预测方法、装置、设备及介质 - Google Patents

Abstract

本发明公开了一种燃料电池的测试数据预测方法、装置、设备及介质。包括：获取燃料电池的样本测试数据，根据所述样本测试数据构建初始燃料电池模型；确定待测燃料电池对应的设备关键信息，根据所述设备关键信息和所述初始燃料电池模型生成最终燃料电池模型；基于所述最终燃料电池模型确定所述待测燃料电池的预测数据。通过利用神经网络来代替数学模型，通过设备在测试台架测试产生的数据来训练神经网络，可以更加准确的模拟燃料电池系统的状态。通过待测燃料电池的设备关键信息对初始燃料电池模型进行针对性训练，提高了预测效率。通过准确率调整模型的网络结构，保证了模型的预测真实性。

Description

一种燃料电池的测试数据预测方法、装置、设备及介质

技术领域

本发明涉及数据预测领域，尤其是涉及一种燃料电池的测试数据预测方法、装置、设备及介质。

背景技术

数字孪生是指通过真实物理设备的各种参数和运行环境，在电脑里面建立一个数字模型，与设备在相同的运行条件下运行，对设备故障和寿命进行预测和模拟，比如可以提前预测零部件失效，在造成大的问题之前把零部件更换掉。但是目前建立的数学模型无法将变量全部考虑到，所以很难准确地进行预测。

目前有基于BP神经网络的燃料电池建模方法，BP神经网络是线性权重的激活函数模型，即输入一个向量，对向量进行加权处理后输入到隐含层神经元的激活函数当中去，再将函数的输出值进行加权处理最后得到输出层的值。BP神经网络本质上线性权函数的逼近，指的是利用函数中的一些线性参数的变动来对要识别的模式或者函数进行某种逼近。该种方法在识别前后没有关联的数据时方可奏效，但是在识别前后有关联的时序数据时，比如持续运行的设备或系统的各类参数，如果不把前一时刻产生的数据作为后一时刻数据的输入的话，本质上该算法无法挖掘到数据产生的模式，也无法准确的进行预测和模拟。

发明内容

本发明的目的在于克服现有技术方案无法挖掘到数据产生的模式、无法准确的进行预测和模拟的问题，提供了一种燃料电池的测试数据预测方法、装置、设备及介质，利用神经网络来代替数学模型，通过设备在测试台架测试产生的数据来训练神经网络，使这个神经网络和其训练后的参数产生的模型作为真实设备的数字孪生，利用大数据和数据驱动的方法，解决数学模型不准确的问题。

第一方面，本公开实施例提供了一种燃料电池的测试数据预测方法，该方法包括：

获取燃料电池的样本测试数据，根据样本测试数据构建初始燃料电池模型；

确定待测燃料电池对应的设备关键信息，根据设备关键信息和初始燃料电池模型生成最终燃料电池模型；

基于最终燃料电池模型确定待测燃料电池的预测数据。

可选的，获取燃料电池的样本测试数据，包括：采集燃料电池的历史测试数据；对各历史测试数据进行预处理以生成样本测试数据，其中，预处理包括数据对齐、数据相关性分析和数据重采样。

可选的，根据样本测试数据构建初始燃料电池模型，包括：搭建初始燃料电池模型的网络结构，并确定网络结构的初始模型参数，其中，网络结构为RNN神经网络，初始模型参数包括神经网络结构层数、神经网络隐藏层数、单次训练样本数、训练次数、学习率、丢弃率、丢弃层的数量以及激活函数的类型；根据样本测试数据和初始模型参数确定最终模型参数，并将最终模型参数对应的网络结构作为初始燃料电池模型。

可选的，根据样本测试数据和初始模型参数确定最终模型参数，包括：按照采集时间将各样本测试数据进行升序排序生成样本序列；根据样本序列生成测试分组，并确定测试分组对应的目标时刻，其中，测试分组中包括指定数量的相邻样本测试数据；将测试分组的样本测试数据输入初始燃料电池模型以获取对应的目标时刻的预测数据；确定目标时刻的真实数据，并基于预测数据和真实数据确定准确率，根据准确率确定最终模型参数。

可选的，根据准确率确定最终模型参数，包括：判断准确率是否小于预设阈值，若是，将初始模型参数作为最终模型参数；否则，基于准确率对初始模型参数进行调整以获取调整模型参数，将调整模型参数作为最终模型参数。

可选的，根据设备关键信息和初始燃料电池模型生成最终燃料电池模型，包括：根据设备关键信息对样本测试数据进行筛选，以获取与待测燃料电池匹配的目标样本数据；基于目标样本数据对初始燃料电池模型进行针对性训练以生成最终燃料电池模型。

可选的，基于最终燃料电池模型确定待测燃料电池的预测数据，包括：获取用户输入的指定时间范围；将指定时间范围输入最终燃料电池模型以确定待测燃料电池的预测数据。

第二方面，本公开实施例还提供了一种燃料电池的测试数据预测装置，该装置包括：

初始燃料电池模型构建模块，用于获取燃料电池的样本测试数据，根据样本测试数据构建初始燃料电池模型；

最终燃料电池模型生成模块，用于确定待测燃料电池对应的设备关键信息，根据设备关键信息和初始燃料电池模型生成最终燃料电池模型；

预测数据确定模块，用于基于最终燃料电池模型确定待测燃料电池的预测数据。

第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：

至少一个处理器；以及

与至少一个处理器通信连接的存储器；其中，

当存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行如本公开任意实施例的一种燃料电池的测试数据预测方法。

第四方面，本公开实施例提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开任意实施例的一种燃料电池的测试数据预测方法。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

因此，本发明有如下有益效果：

1.通过利用神经网络来代替数学模型，通过设备在测试台架测试产生的数据来训练神经网络，可以更加准确的模拟燃料电池系统的状态。

2.通过待测燃料电池的设备关键信息对初始燃料电池模型进行针对性训练，提高了预测效率。

3.通过准确率调整模型的网络结构，保证了模型的预测真实性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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是根据本发明实施例一提供的一种燃料电池的测试数据预测方法的流程图；

图2是根据本发明实施例一提供的另一种燃料电池的测试数据预测方法的流程图；

图3是根据本发明实施例二提供的另一种燃料电池的测试数据预测方法的流程图；

图4是根据本发明实施例三提供的种燃料电池的测试数据预测装置结构示意图；

图5是根据本发明实施例四提供的一种电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明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，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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。

实施例一

图1为本发明实施例一提供了一种燃料电池的测试数据预测方法的流程图，本实施例可适用于燃料电池的测试数据预测的情况。该方法可以由本公开实施例所提供的燃料电池的测试数据预测装置来执行，该装置可采用软件和/或硬件的方式实现，并一般可集成在计算机设备中。本公开实施例的方法具体包括：

S110：获取燃料电池的样本测试数据，根据样本测试数据构建初始燃料电池模型。

图2为本发明实施例一提供了一种燃料电池的测试数据预测方法的流程图，步骤S110主要包括如下的步骤S112至步骤S113：

S111：获取燃料电池的样本测试数据。

其中，燃料电池可以是氢燃料电池，即将氢气和氧气的化学能直接转换成电能的发电装置。测试是指为了找到燃料电池最适宜的工作环境和性能参数的过程。

可选的，获取燃料电池的样本测试数据，包括：采集燃料电池的历史测试数据；对各历史测试数据进行预处理以生成样本测试数据，其中，预处理包括数据对齐、数据相关性分析和数据重采样。

其中，样本测试数据是指采集的不同条件下的燃料电池测试数据，样本测试数据包括训练集和验证集。采集燃料电池的历史测试数据后还需要进行数据预处理，其中，预处理包括数据对齐、数据相关性分析和数据重采样步骤，预处理完成对样本进行整理即可生成样本测试数据。

S112：搭建初始燃料电池模型的网络结构，并确定网络结构的初始模型参数，其中，网络结构为RNN神经网络，初始模型参数包括神经网络结构层数、神经网络隐藏层数、单次训练样本数、训练次数、学习率、丢弃率、丢弃层的数量以及激活函数的类型。

S113：根据样本测试数据和初始模型参数确定最终模型参数，并将最终模型参数对应的网络结构作为初始燃料电池模型。

具体的，确定初始模型参数后，还包括参数寻优的过程，示例性的，通过网格化研究，对神经网络各个参数进行寻优，找到最优神经网络训练超参数。

进一步的，初始燃料电池模型是指具有泛化预测能力的神经网络模型，通过利用大量历史数据进行神经网络模型预训练，即可确定出初始燃料电池模型。

可选的，根据样本测试数据和初始模型参数确定最终模型参数，包括：按照采集时间将各样本测试数据进行升序排序生成样本序列；根据样本序列生成测试分组，并确定测试分组对应的目标时刻，其中，测试分组中包括指定数量的相邻样本测试数据；将测试分组的样本测试数据输入初始燃料电池模型以获取对应的目标时刻的预测数据；确定目标时刻的真实数据，并基于预测数据和真实数据确定准确率，根据准确率确定最终模型参数。

可选的，根据准确率确定最终模型参数，包括：判断准确率是否小于预设阈值，若是，将初始模型参数作为最终模型参数；否则，基于准确率对初始模型参数进行调整以获取调整模型参数，将调整模型参数作为最终模型参数。

S120:确定待测燃料电池对应的设备关键信息，根据设备关键信息和初始燃料电池模型生成最终燃料电池模型。

具体的，设备关键信息可以是设备类型、设备工作电压和设备工作功率，即通过设备关键信息可以对初始燃料电池模型进行针对性训练以生成最终燃料电池模型。

S130：基于最终燃料电池模型确定待测燃料电池的预测数据。

可选的，基于最终燃料电池模型确定待测燃料电池的预测数据，包括：获取用户输入的指定时间范围；将指定时间范围输入最终燃料电池模型以确定待测燃料电池的预测数据。

本发明实施例的技术方案，通过获取燃料电池的样本测试数据，根据样本测试数据构建初始燃料电池模型；确定待测燃料电池对应的设备关键信息，根据设备关键信息和初始燃料电池模型生成最终燃料电池模型；基于最终燃料电池模型确定待测燃料电池的预测数据。通过利用神经网络来代替数学模型，通过设备在测试台架测试产生的数据来训练神经网络，可以更加准确的模拟燃料电池系统的状态。通过待测燃料电池的设备关键信息对初始燃料电池模型进行针对性训练，提高了预测效率。通过准确率调整模型的网络结构，保证了模型的预测真实性。

实施例二

图3为本发明实施例二提供了一种燃料电池的测试数据预测方法的流程图，本实施例在上述实施例一的基础上增加了根据设备关键信息和初始燃料电池模型生成最终燃料电池模型的具体过程，其中，步骤S210和S250的具体内容与实施例一中的步骤S110和S130大致相同，因此本实施方式中不再进行赘述。本公开实施例的方法具体包括：

S210：获取燃料电池的样本测试数据，根据样本测试数据构建初始燃料电池模型。

S220：确定待测燃料电池对应的设备关键信息。

S230：根据设备关键信息对样本测试数据进行筛选，以获取与待测燃料电池匹配的目标样本数据。

示例性的，设备关键信息可以是设备型号，包括100KW、200KW和500KW，建立初始燃料电池模型时可以用这些所有型号的燃料电池的测试数据来预训练，然后进一步确定待测燃料电池对应的设备关键信息，例如，待测燃料电池为250kw的燃料电池系统，此时就可以从样本测试数据筛选出250KW系统的数据来对这个神经网络进行针对性训练，进一步提高预测效果。

S240：基于目标样本数据对初始燃料电池模型进行针对性训练以生成最终燃料电池模型。

具体的，利用大量历史数据进行神经网络模型的预训练，获得具有泛化预测能力的神经网络模型，然后针对当前设备，利用少量测试数据对预训练完成的神经网络模型进行针对性训练以生成最终燃料电池模型，可以达到更好的学习效果。

S250：基于最终燃料电池模型确定待测燃料电池的预测数据。

本发明实施例的技术方案，通过获取燃料电池的样本测试数据，根据样本测试数据构建初始燃料电池模型；确定待测燃料电池对应的设备关键信息，根据设备关键信息和初始燃料电池模型生成最终燃料电池模型；基于最终燃料电池模型确定待测燃料电池的预测数据。通过利用神经网络来代替数学模型，通过设备在测试台架测试产生的数据来训练神经网络，可以更加准确的模拟燃料电池系统的状态。通过待测燃料电池的设备关键信息对初始燃料电池模型进行针对性训练，提高了预测效率。通过准确率调整模型的网络结构，保证了模型的预测真实性。

实施例三

图4为本发明实施例三提供的一种燃料电池的测试数据预测装置结构示意图。该装置可采用软件和/或硬件的方式实现，并一般可集成在执行方法的电子设备中。如图4所示，该装置包括：初始燃料电池模型构建模块310，用于获取燃料电池的样本测试数据，根据样本测试数据构建初始燃料电池模型；

最终燃料电池模型生成模块320，用于确定待测燃料电池对应的设备关键信息，根据设备关键信息和初始燃料电池模型生成最终燃料电池模型；

预测数据确定模块330，用于基于最终燃料电池模型确定待测燃料电池的预测数据。

可选的，初始燃料电池模型构建模块310，具体包括：样本测试数据获取单元，用于：采集燃料电池的历史测试数据；对各历史测试数据进行预处理以生成样本测试数据，其中，预处理包括数据对齐、数据相关性分析和数据重采样。

可选的，初始燃料电池模型构建模块310，还包括：初始燃料电池模型构建单元，用于：搭建初始燃料电池模型的网络结构，并确定网络结构的初始模型参数，其中，网络结构为RNN神经网络，初始模型参数包括神经网络结构层数、神经网络隐藏层数、单次训练样本数、训练次数、学习率、丢弃率、丢弃层的数量以及激活函数的类型；根据样本测试数据和初始模型参数确定最终模型参数，并将最终模型参数对应的网络结构作为初始燃料电池模型。

可选的，初始燃料电池模型构建单元，具体包括：最终模型参数确定子单元，用于：按照采集时间将各样本测试数据进行升序排序生成样本序列；根据样本序列生成测试分组，并确定测试分组对应的目标时刻，其中，测试分组中包括指定数量的相邻样本测试数据；将测试分组的样本测试数据输入初始燃料电池模型以获取对应的目标时刻的预测数据；确定目标时刻的真实数据，并基于预测数据和真实数据确定准确率，根据准确率确定最终模型参数。

可选的，最终模型参数确定子单元，具体包括：最终模型参数确定次子单元，用于：判断准确率是否小于预设阈值，若是，将初始模型参数作为最终模型参数；否则，基于准确率对初始模型参数进行调整以获取调整模型参数，将调整模型参数作为最终模型参数。

可选的，最终燃料电池模型生成模块320，具体用于：根据设备关键信息对样本测试数据进行筛选，以获取与待测燃料电池匹配的目标样本数据；基于目标样本数据对初始燃料电池模型进行针对性训练以生成最终燃料电池模型。

可选的，预测数据确定模块330，具体用于：获取用户输入的指定时间范围；将指定时间范围输入最终燃料电池模型以确定待测燃料电池的预测数据。

本发明实施例的技术方案，通过获取燃料电池的样本测试数据，根据样本测试数据构建初始燃料电池模型；确定待测燃料电池对应的设备关键信息，根据设备关键信息和初始燃料电池模型生成最终燃料电池模型；基于最终燃料电池模型确定待测燃料电池的预测数据。通过利用神经网络来代替数学模型，通过设备在测试台架测试产生的数据来训练神经网络，可以更加准确的模拟燃料电池系统的状态。通过待测燃料电池的设备关键信息对初始燃料电池模型进行针对性训练，提高了预测效率。通过准确率调整模型的网络结构，保证了模型的预测真实性。

本发明实施例所提供的一种燃料电池的测试数据预测装置可执行本发明任意实施例所提供的一种燃料电池的测试数据预测方法，具备执行方法相应的功能模块和有益效果。

实施例四

图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备（如头盔、眼镜、手表等）和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器（ROM）12、随机访问存储器（RAM）13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器（ROM）12中的计算机程序或者从存储单元18加载到随机访问存储器（RAM）13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出（I/O）接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如燃料电池的测试数据预测方法。

在一些实施例中，燃料电池的测试数据预测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的燃料电池的测试数据预测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行燃料电池的测试数据预测方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、负载可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种燃料电池的测试数据预测方法，其特征在于，包括：

获取燃料电池的样本测试数据，根据所述样本测试数据构建初始燃料电池模型；

确定待测燃料电池对应的设备关键信息，根据所述设备关键信息和所述初始燃料电池模型生成最终燃料电池模型；

基于所述最终燃料电池模型确定所述待测燃料电池的预测数据。

2.根据权利要求1所述的一种燃料电池的测试数据预测方法，其特征在于，所述获取燃料电池的样本测试数据，包括：

采集燃料电池的历史测试数据；

对各所述历史测试数据进行预处理以生成所述样本测试数据，其中，所述预处理包括数据对齐、数据相关性分析和数据重采样。

3.根据权利要求1所述的一种燃料电池的测试数据预测方法，其特征在于，所述根据所述样本测试数据构建初始燃料电池模型，包括：

搭建初始燃料电池模型的网络结构，并确定所述网络结构的初始模型参数，其中，所述网络结构为RNN神经网络，所述初始模型参数包括神经网络结构层数、神经网络隐藏层数、单次训练样本数、训练次数、学习率、丢弃率、丢弃层的数量以及激活函数的类型；

根据所述样本测试数据和所述初始模型参数确定最终模型参数，并将所述最终模型参数对应的网络结构作为所述初始燃料电池模型。

4.根据权利要求3所述的一种燃料电池的测试数据预测方法，其特征在于，所述根据所述样本测试数据和所述初始模型参数确定最终模型参数，包括：

按照采集时间将各所述样本测试数据进行升序排序生成样本序列；

根据所述样本序列生成测试分组，并确定所述测试分组对应的目标时刻，其中，所述测试分组中包括指定数量的相邻样本测试数据；

将所述测试分组的样本测试数据输入所述初始燃料电池模型以获取对应的所述目标时刻的预测数据；

确定所述目标时刻的真实数据，并基于所述预测数据和所述真实数据确定准确率，根据所述准确率确定所述最终模型参数。

5.根据权利要求4所述的一种燃料电池的测试数据预测方法，其特征在于，所述根据所述准确率确定所述最终模型参数，包括：

判断所述准确率是否小于预设阈值，若是，将所述初始模型参数作为所述最终模型参数；

否则，基于所述准确率对所述初始模型参数进行调整以获取调整模型参数，将所述调整模型参数作为所述最终模型参数。

6.根据权利要求1所述的一种燃料电池的测试数据预测方法，其特征在于，所述根据所述设备关键信息和所述初始燃料电池模型生成最终燃料电池模型，包括：

根据所述设备关键信息对所述样本测试数据进行筛选，以获取与所述待测燃料电池匹配的目标样本数据；

基于所述目标样本数据对所述初始燃料电池模型进行针对性训练以生成所述最终燃料电池模型。

7.根据权利要求1所述的一种燃料电池的测试数据预测方法，其特征在于，所述基于所述最终燃料电池模型确定所述待测燃料电池的预测数据，包括：

获取用户输入的指定时间范围；

将所述指定时间范围输入所述最终燃料电池模型以确定所述待测燃料电池的预测数据。

8.一种燃料电池的测试数据预测装置，其特征在于，包括：

初始燃料电池模型构建模块，用于获取燃料电池的样本测试数据，根据所述样本测试数据构建初始燃料电池模型；

最终燃料电池模型生成模块，用于确定待测燃料电池对应的设备关键信息，根据所述设备关键信息和所述初始燃料电池模型生成最终燃料电池模型；

预测数据确定模块，用于基于所述最终燃料电池模型确定所述待测燃料电池的预测数据。

9.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7所述的方法。

10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中所述的方法。