CN116995280B - 一种氢燃料电池运行状态的智能监测方法 - Google Patents
一种氢燃料电池运行状态的智能监测方法 Download PDFInfo
- Publication number
- CN116995280B CN116995280B CN202311258477.5A CN202311258477A CN116995280B CN 116995280 B CN116995280 B CN 116995280B CN 202311258477 A CN202311258477 A CN 202311258477A CN 116995280 B CN116995280 B CN 116995280B
- Authority
- CN
- China
- Prior art keywords
- variable
- monitoring
- state
- fuel cell
- hydrogen fuel
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 436
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 title claims abstract description 191
- 229910052739 hydrogen Inorganic materials 0.000 title claims abstract description 191
- 239000001257 hydrogen Substances 0.000 title claims abstract description 191
- 239000000446 fuel Substances 0.000 title claims abstract description 179
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000001514 detection method Methods 0.000 claims abstract description 54
- 230000002159 abnormal effect Effects 0.000 claims description 60
- 238000011156 evaluation Methods 0.000 claims description 53
- 238000004364 calculation method Methods 0.000 claims description 40
- 230000035945 sensitivity Effects 0.000 claims description 40
- 230000005856 abnormality Effects 0.000 claims description 22
- 238000012216 screening Methods 0.000 claims description 11
- 238000010206 sensitivity analysis Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 6
- 210000004027 cell Anatomy 0.000 description 160
- 230000000694 effects Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 239000002699 waste material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M8/00—Fuel cells; Manufacture thereof
- H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
- H01M8/04298—Processes for controlling fuel cells or fuel cell systems
- H01M8/04992—Processes for controlling fuel cells or fuel cell systems characterised by the implementation of mathematical or computational algorithms, e.g. feedback control loops, fuzzy logic, neural networks or artificial intelligence
-
- 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
Abstract
本发明公开了一种氢燃料电池运行状态的智能监测方法,涉及电池监测领域,其中,所述方法包括:获得第一氢燃料电池的预定监测变量集,预定监测变量集包括M个预定监测变量;搭建M个电池状态变量传感监测模块;基于M个电池状态变量传感监测模块获得M个变量监测数据集合;基于变量状态偏离分析函数对M个变量监测数据集合进行偏离分析,获得M个变量监测偏离分析结果;以电池状态检测模块对M个变量监测偏离分析结果进行检测,获得电池状态检测结果;当电池状态检测结果不满足预设电池状态约束时,获得电池状态预警信号。解决了现有技术中针对氢燃料电池的状态监测预警准确性低,以及氢燃料电池的状态监测预警效率低的技术问题。
Description
技术领域
本发明涉及电池监测领域,具体地,涉及一种氢燃料电池运行状态的智能监测方法。
背景技术
在氢燃料电池的运行过程中,需要监测的参数有很多,比如,氢气流量、放电电压、输出电流等。现有技术中,存在针对氢燃料电池的状态监测预警准确性低,以及氢燃料电池的状态监测预警效率低的技术问题。
发明内容
本申请提供了一种氢燃料电池运行状态的智能监测方法。解决了现有技术中针对氢燃料电池的状态监测预警准确性低,以及氢燃料电池的状态监测预警效率低的技术问题。达到了提高氢燃料电池运行状态的监测智能性,提高氢燃料电池的状态监测预警准确性,提升氢燃料电池的状态监测预警效率的技术效果。
鉴于上述问题,本申请提供了一种氢燃料电池运行状态的智能监测方法。
第一方面,本申请提供了一种氢燃料电池运行状态的智能监测方法,其中,所述方法应用于一种氢燃料电池运行状态的智能监测系统,所述方法包括:基于大数据,获得氢燃料电池监测变量集;基于第一氢燃料电池的运行状态特征对所述氢燃料电池监测变量进行筛选,获得所述第一氢燃料电池的预定监测变量集,其中,所述预定监测变量集包括M个预定监测变量,M为大于1的正整数;基于所述预定监测变量集配置变量监测算力,获得变量监测算力配置结果;基于所述M个预定监测变量和所述变量监测算力配置结果,搭建M个电池状态变量传感监测模块;基于所述M个电池状态变量传感监测模块执行所述第一氢燃料电池的实时运行状态监测,获得M个变量监测数据集合;基于变量状态偏离分析函数对所述M个变量监测数据集合进行偏离分析,获得M个变量监测偏离分析结果;以电池状态检测模块对所述M个变量监测偏离分析结果进行检测,获得电池状态检测结果;判断所述电池状态检测结果是否满足预设电池状态约束;当所述电池状态检测结果不满足所述预设电池状态约束时,获得电池状态预警信号。
第二方面,本申请还提供了一种氢燃料电池运行状态的智能监测系统,其中,所述系统包括:监测变量集获得模块,所述监测变量集获得模块用于基于大数据,获得氢燃料电池监测变量集;预定监测变量获得模块,所述预定监测变量获得模块用于基于第一氢燃料电池的运行状态特征对所述氢燃料电池监测变量进行筛选,获得所述第一氢燃料电池的预定监测变量集,其中,所述预定监测变量集包括M个预定监测变量,M为大于1的正整数;监测算力配置模块,所述监测算力配置模块用于基于所述预定监测变量集配置变量监测算力,获得变量监测算力配置结果;搭建模块,所述搭建模块用于基于所述M个预定监测变量和所述变量监测算力配置结果,搭建M个电池状态变量传感监测模块;实时监测模块,所述实时监测模块用于基于所述M个电池状态变量传感监测模块执行所述第一氢燃料电池的实时运行状态监测,获得M个变量监测数据集合;偏离分析模块,所述偏离分析模块用于基于变量状态偏离分析函数对所述M个变量监测数据集合进行偏离分析,获得M个变量监测偏离分析结果;状态检测模块,所述状态检测模块用于以电池状态检测模块对所述M个变量监测偏离分析结果进行检测,获得电池状态检测结果;状态判断模块,所述状态判断模块用于判断所述电池状态检测结果是否满足预设电池状态约束;状态预警模块,所述状态预警模块用于当所述电池状态检测结果不满足所述预设电池状态约束时,获得电池状态预警信号。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
通过第一氢燃料电池的运行状态特征对氢燃料电池监测变量进行筛选,获得第一氢燃料电池的预定监测变量集;对预定监测变量集配置变量监测算力,获得变量监测算力配置结果,结合M个预定监测变量搭建M个电池状态变量传感监测模块;通过M个电池状态变量传感监测模块执行第一氢燃料电池的实时运行状态监测,获得M个变量监测数据集合;基于变量状态偏离分析函数对M个变量监测数据集合进行偏离分析,获得M个变量监测偏离分析结果;将M个变量监测偏离分析结果输入电池状态检测模块,获得电池状态检测结果;当电池状态检测结果不满足预设电池状态约束时,获得电池状态预警信号。达到了提高氢燃料电池运行状态的监测智能性,提高氢燃料电池的状态监测预警准确性,提升氢燃料电池的状态监测预警效率的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例的附图作简单地介绍。明显地,下面描述中的附图仅仅涉及本申请的一些实施例,而非对本申请的限制。
图1为本申请一种氢燃料电池运行状态的智能监测方法的流程示意图;
图2为本申请一种氢燃料电池运行状态的智能监测方法中获得第一氢燃料电池的预定监测变量集的流程示意图;
图3为本申请一种氢燃料电池运行状态的智能监测系统的结构示意图。
具体实施方式
本申请通过提供一种氢燃料电池运行状态的智能监测方法。解决了现有技术中针对氢燃料电池的状态监测预警准确性低,以及氢燃料电池的状态监测预警效率低的技术问题。达到了提高氢燃料电池运行状态的监测智能性,提高氢燃料电池的状态监测预警准确性,提升氢燃料电池的状态监测预警效率的技术效果。
实施例一
请参阅附图1,本申请提供一种氢燃料电池运行状态的智能监测方法,其中,所述方法应用于一种氢燃料电池运行状态的智能监测系统,所述方法具体包括如下步骤:
基于大数据,获得氢燃料电池监测变量集;
基于第一氢燃料电池的运行状态特征对所述氢燃料电池监测变量进行筛选,获得所述第一氢燃料电池的预定监测变量集,其中,所述预定监测变量集包括M个预定监测变量,M为大于1的正整数;
进一步的,如附图2所示,获得所述第一氢燃料电池的预定监测变量集,还包括:
基于第一预设历史时区,采集所述第一氢燃料电池的运行异常记录,获得电池运行异常记录集;
基于所述电池运行异常记录集对所述氢燃料电池监测变量集进行异常触发频率标定,获得变量-异常触发频率集;
基于大数据采集多个氢燃料电池监测变量,获得氢燃料电池监测变量集。所述氢燃料电池监测变量集包括多个氢燃料电池监测变量。多个氢燃料电池监测变量包括氢气流量、放电电压、输出电流、氢气湿度、空气湿度、氢气温度、空气温度、氢气压力、氢气浓度等。
进一步,基于第一预设历史时区采集第一氢燃料电池的运行异常记录,获得电池运行异常记录集,并通过电池运行异常记录集对氢燃料电池监测变量集进行异常触发频率标定,获得变量-异常触发频率集。其中,所述第一氢燃料电池可以为使用所述一种氢燃料电池运行状态的智能监测系统进行智能化状态监测的任意氢燃料电池。所述第一预设历史时区包括由所述一种氢燃料电池运行状态的智能监测系统预先设置确定的历史时间区间。所述电池运行异常记录集包括在第一预设历史时区内,第一氢燃料电池对应的每个氢燃料电池监测变量出现异常的次数。变量-异常触发频率集包括电池运行异常记录集对应的每个氢燃料电池监测变量的异常触发频率。
示例性地,在通过电池运行异常记录集对氢燃料电池监测变量集进行异常触发频率标定时,将电池运行异常记录集内每个氢燃料电池监测变量出现异常的次数进行加和计算,获得变量异常总次数。分别将每个氢燃料电池监测变量出现异常的次数与变量异常总次数进行比值计算,即可获得每个氢燃料电池监测变量的异常触发频率。
根据所述变量-异常触发频率集,获得所述运行状态特征;
基于所述氢燃料电池监测变量集进行变量异常-电池运行风险敏感度分析,获得变量异常敏感度系数集;
基于所述变量异常敏感度系数集进行占比计算,获得变量异常敏感度占比系数集;
基于预设加权融合特征对所述变量-异常触发频率集和所述变量异常敏感度占比系数集进行加权计算,获得变量运行状态基础特征集,并将所述变量运行状态基础特征集输出为所述运行状态特征。
基于所述运行状态特征对所述氢燃料电池监测变量集进行排序,将前M个变量设置为所述M个预定监测变量。
对氢燃料电池监测变量集中的每个氢燃料电池监测变量进行变量异常-电池运行风险敏感度分析,获得变量异常敏感度系数集。所述变量异常敏感度系数集包括氢燃料电池监测变量集中的每个氢燃料电池监测变量对应的变量异常-电池运行风险敏感度。变量异常-电池运行风险敏感度是用于表征当氢燃料电池监测变量对应的参数发生异常时,氢燃料电池的运行风险变化敏感度的数据信息。若氢燃料电池监测变量的参数微小异常,就会引起氢燃料电池的运行风险产生极大变化,则,这个氢燃料电池监测变量对应的变量异常-电池运行风险敏感度高。示例性地,在对氢燃料电池监测变量集中的每个氢燃料电池监测变量进行变量异常-电池运行风险敏感度分析时,将氢燃料电池监测变量集中的每个氢燃料电池监测变量输入电池变量异常敏感度分析数据库,获得变量异常敏感度系数集。电池变量异常敏感度分析数据库包括多组电池变量异常敏感度分析数据。每组电池变量异常敏感度分析数据包括历史电池监测变量,以及历史电池监测变量对应的历史变量异常-电池运行风险敏感度。
进一步,对变量异常敏感度系数集进行占比计算,即,将变量异常敏感度系数集内的多个变量异常-电池运行风险敏感度进行加和计算,获得总变量异常-电池运行风险敏感度。分别将变量异常敏感度系数集内的多个变量异常-电池运行风险敏感度与总变量异常-电池运行风险敏感度进行比值计算,获得多个变量异常敏感度占比系数,并将多个变量异常敏感度占比系数添加至变量异常敏感度占比系数集。变量异常敏感度占比系数集包括多个变量异常敏感度占比系数。继而,按照预设加权融合特征对变量-异常触发频率集和变量异常敏感度占比系数集进行加权计算,获得变量运行状态基础特征集,并将变量运行状态基础特征集输出为运行状态特征。进而,按照运行状态特征对氢燃料电池监测变量集进行排序,将前M个氢燃料电池监测变量设置为M个预定监测变量。其中,所述预设加权融合特征包括由所述一种氢燃料电池运行状态的智能监测系统预先设置确定的变量异常触发频率权重系数、变量异常敏感度权重系数。所述变量运行状态基础特征集包括氢燃料电池监测变量集内的多个氢燃料电池监测变量对应的多个变量运行状态基础特征值。所述运行状态特征包括变量运行状态基础特征集。所述预定监测变量集包括M个预定监测变量。且,M为大于1的正整数。M值由所述一种氢燃料电池运行状态的智能监测系统自适应设置确定。优选地,M值为氢燃料电池监测变量集内多个氢燃料电池监测变量的数量的2/3。
示例性地,在按照预设加权融合特征对变量-异常触发频率集和变量异常敏感度占比系数集进行加权计算时,将变量-异常触发频率集内的多个异常触发频率与变量异常触发频率权重系数进行乘法计算,获得多个加权异常触发频率。将变量异常敏感度占比系数集内的多个变量异常敏感度占比系数与变量异常敏感度权重系数进行乘法计算,获得多个加权变量异常敏感度占比系数。将多个加权异常触发频率与对应的多个加权变量异常敏感度占比系数进行加和计算,获得多个变量运行状态基础特征值。
达到了通过第一氢燃料电池的运行状态特征对氢燃料电池监测变量进行筛选,获得第一氢燃料电池的预定监测变量集,从而提高氢燃料电池的状态预警效率的技术效果。
基于所述预定监测变量集配置变量监测算力,获得变量监测算力配置结果;
基于所述M个预定监测变量和所述变量监测算力配置结果,搭建M个电池状态变量传感监测模块;
基于所述M个电池状态变量传感监测模块执行所述第一氢燃料电池的实时运行状态监测,获得M个变量监测数据集合;
基于预定监测变量集配置变量监测算力,即,按照预定监测变量集内的M个预定监测变量对运行状态特征进行数据提取,获得M个预定监测变量对应的M个变量运行状态基础特征值。将M个变量运行状态基础特征值进行加和计算,获得总基础特征值。分别将M个变量运行状态基础特征值与总基础特征值进行比值计算,获得M个预定监测变量对应的M个变量监测算力系数,并将M个变量监测算力系数添加至变量监测算力配置结果。所述变量监测算力配置结果包括M个变量监测算力系数。
进一步,根据M个预定监测变量和变量监测算力配置结果,生成M个电池状态变量传感监测模块,并通过M个电池状态变量传感监测模块对第一氢燃料电池进行实时运行状态监测,获得M个变量监测数据集合。其中,每个电池状态变量传感监测模块包括一个预定监测变量,以及这个预定监测变量对应的变量监测算力系数、变量监测传感器。变量监测算力系数越大,则,在对第一氢燃料电池进行实时运行状态监测时,该变量监测算力系数对应的预定监测变量的监测频率越密集,采集的该变量监测算力系数对应的预定监测变量的变量监测数据集合的数据量越大。每个变量监测数据集合包括第一氢燃料电池对应的预定监测变量的多个实时参数。示例性地,M个预定监测变量包括氢气压力,则,氢气压力对应的电池状态变量传感监测模块包括氢气压力对应的变量监测算力系数,以及氢气压力监测传感器。氢气压力对应的变量监测数据集合包括第一氢燃料电池的多个实时氢气压力参数。
达到了通过M个电池状态变量传感监测模块对第一氢燃料电池进行实时运行状态监测,避免氢燃料电池的运行状态监测算力浪费,提高氢燃料电池的运行状态监测效率,提高氢燃料电池运行状态的监测智能性的技术效果。
基于变量状态偏离分析函数对所述M个变量监测数据集合进行偏离分析,获得M个变量监测偏离分析结果;
遍历所述M个预定监测变量,获得第一预定监测变量;
基于所述第一预定监测变量对所述M个变量监测数据集合进行匹配,获得第一变量监测数据集合,其中,所述第一变量监测数据集合包括多个第一变量实时参数;
基于所述第一预定监测变量,获得第一变量正态约束区间,其中,所述第一变量正态约束区间包括第一变量最大正态值和第一变量最小正态值;
分别将M个预定监测变量中的每个预定监测变量设置为第一预定监测变量。继而,按照第一预定监测变量对M个变量监测数据集合进行匹配,获得第一变量监测数据集合。即,分别将M个变量监测数据集合中的每个变量监测数据集合设置为第一变量监测数据集合。分别将每个变量监测数据集合内的多个实时参数设置为多个第一变量实时参数。
进一步,连接所述一种氢燃料电池运行状态的智能监测系统,采集第一预定监测变量的第一变量最大正态值和第一变量最小正态值,获得第一变量正态约束区间。其中,所述第一变量正态约束区间包括第一变量最大正态值和第一变量最小正态值。第一变量最大正态值包括由所述一种氢燃料电池运行状态的智能监测系统预先设置确定的第一氢燃料电池正常运行时,第一预定监测变量的最大参数值。第一变量最小正态值包括由所述一种氢燃料电池运行状态的智能监测系统预先设置确定的第一氢燃料电池正常运行时,第一预定监测变量的最小参数值。
基于所述第一变量正态约束区间,构建第一变量状态偏离分析函数,并将所述第一变量状态偏离分析函数添加至所述变量状态偏离分析函数;
其中,所述第一变量状态偏离分析函数为;其中,/>表征第一变量监测偏离分析结果,/>包括第一变量监测数据集合中的第i个第一变量实时参数对应的第一变量正态偏离度,/>表征第一变量监测数据集合中的第i个第一变量实时参数,i为正整数,且/>,n为第一变量监测偏离分析结果内第一变量正态偏离度的总数量,/>表征第一变量最小正态值,/>表征第一变量最大正态值。
将所述第一变量监测数据集合输入所述第一变量状态偏离分析函数,获得第一变量监测偏离分析结果,并将所述第一变量监测偏离分析结果添加至所述M个变量监测偏离分析结果,其中,所述第一变量监测偏离分析结果包括多个第一变量正态偏离度。
分别将第一变量监测数据集合内的每个第一变量实时参数输入第一变量状态偏离分析函数,获得第一变量监测数据集合内的多个第一变量实时参数对应的多个第一变量正态偏离度。继而,将多个第一变量正态偏离度输出为第一变量监测偏离分析结果,并将第一变量监测偏离分析结果添加至M个变量监测偏离分析结果。每个变量监测偏离分析结果均包括多个第一变量正态偏离度。所述变量状态偏离分析函数包括第一变量状态偏离分析函数。第一变量状态偏离分析函数为;其中,/>为输出的第一变量监测偏离分析结果,/>包括第一变量监测数据集合中的第i个第一变量实时参数对应的第一变量正态偏离度,/>为输入的第一变量监测数据集合中的第i个第一变量实时参数,i为正整数,且/>,n为第一变量监测偏离分析结果内第一变量正态偏离度的总数量,为第一变量正态约束区间内的第一变量最小正态值,/>为第一变量正态约束区间内的第一变量最大正态值。
达到了通过变量状态偏离分析函数对M个变量监测数据集合进行偏离分析,获得准确的M个变量监测偏离分析结果,从而提高电池状态检测的可靠性的技术效果。
以电池状态检测模块对所述M个变量监测偏离分析结果进行检测,获得电池状态检测结果;
所述电池状态检测模块包括输入层、偏离状态评价层、异常状态评估层和输出层;
将所述M个变量监测偏离分析结果输入所述偏离状态评价层,获得M个变量偏离状态评价结果;
其中,所述偏离状态评价层包括平均正态偏离度计算公式和偏离状态评价公式,所述平均正态偏离度计算公式为;其中,/>表征第一变量监测偏离分析结果,表征第一变量监测偏离分析结果的均值系数,i为正整数,且/>,n为第一变量监测偏离分析结果内第一变量正态偏离度的总数量;
所述偏离状态评价公式为:;其中,S表征第一变量监测偏离分析结果对应的变量偏离状态评价结果,i为正整数,且/>,n为第一变量监测偏离分析结果内第一变量正态偏离度的总数量,/>表征第一变量监测偏离分析结果,/>表征第一变量监测偏离分析结果的均值系数。
电池状态检测模块包括输入层、偏离状态评价层、异常状态评估层和输出层。分别将M个变量监测偏离分析结果中的每个变量监测偏离分析结果作为第一变量监测偏离分析结果。将第一变量监测偏离分析结果输入偏离状态评价层,偏离状态评价层包括平均正态偏离度计算公式和偏离状态评价公式,通过平均正态偏离度计算公式和偏离状态评价公式对第一变量监测偏离分析结果进行计算,获得第一变量监测偏离分析结果对应的变量偏离状态评价结果。平均正态偏离度计算公式为;其中,/>输入的第一变量监测偏离分析结果,/>表征输出的第一变量监测偏离分析结果的均值系数,i为正整数,且,n为第一变量监测偏离分析结果内第一变量正态偏离度的总数量;
偏离状态评价公式为:;其中,S为输出的第一变量监测偏离分析结果对应的变量偏离状态评价结果,i为正整数,且/>,n为第一变量监测偏离分析结果内第一变量正态偏离度的总数量,/>输入的第一变量监测偏离分析结果,/>输入的第一变量监测偏离分析结果的均值系数。
将所述M个变量偏离状态评价结果输入所述异常状态评估层,获得M个电池状态异常指数;
通过所述输出层,将所述M个电池状态异常指数输出为所述电池状态检测结果。
判断所述电池状态检测结果是否满足预设电池状态约束;
当所述电池状态检测结果不满足所述预设电池状态约束时,获得电池状态预警信号。
将M个变量偏离状态评价结果输入异常状态评估层,获得M个电池状态异常指数,并通过输出层将M个电池状态异常指数输出为电池状态检测结果。所述电池状态检测结果包括M个电池状态异常指数。继而,分别判断电池状态检测结果内的每个电池状态异常指数是否满足预设电池状态约束。当任意一个电池状态异常指数不满足预设电池状态约束时,所述一种氢燃料电池运行状态的智能监测系统自动生成电池状态预警信号。其中,电池状态异常指数是用于表征变量偏离状态评价结果的异常风险程度的数据信息。电池状态异常指数越大,变量偏离状态评价结果的异常风险程度越高。所述预设电池状态约束包括由所述一种氢燃料电池运行状态的智能监测系统预先设置确定的电池状态异常指数范围。所述电池状态预警信号是用于表征电池状态异常指数不满足预设电池状态约束的预警提示信息。达到了通过电池状态检测模块对M个变量监测偏离分析结果进行异常风险感知,获得准确的电池状态检测结果,从而提高氢燃料电池的状态预警准确性的技术效果。
示例性地,在构建异常状态评估层时,基于M个变量偏离状态评价结果进行大数据查询,获得多组异常状态评估数据。每组异常状态评估数据包括历史变量偏离状态评价结果、历史电池状态异常指数。基于BP神经网络,将多组异常状态评估数据进行不断的自我训练学习至收敛状态,即可获得异常状态评估层。BP神经网络是一种按照误差逆向传播算法进行训练的多层前馈神经网络。BP神经网络包括输入层、多层神经元、输出层。BP神经网络可以进行正向计算、反向计算。正向计算时,输入信息从输入层经过多层神经元逐层处理,转向输出层,每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出,则转入反向计算,将误差信号沿原来的连接通路返回,通过修改各神经元的权值,使得误差信号最小。异常状态评估层具备对输入的M个变量偏离状态评价结果进行电池状态异常指数匹配的功能。
综上所述,本申请所提供的一种氢燃料电池运行状态的智能监测方法具有如下技术效果:
1.通过第一氢燃料电池的运行状态特征对氢燃料电池监测变量进行筛选,获得第一氢燃料电池的预定监测变量集;对预定监测变量集配置变量监测算力,获得变量监测算力配置结果,结合M个预定监测变量搭建M个电池状态变量传感监测模块;通过M个电池状态变量传感监测模块执行第一氢燃料电池的实时运行状态监测,获得M个变量监测数据集合;基于变量状态偏离分析函数对M个变量监测数据集合进行偏离分析,获得M个变量监测偏离分析结果;将M个变量监测偏离分析结果输入电池状态检测模块,获得电池状态检测结果;当电池状态检测结果不满足预设电池状态约束时,获得电池状态预警信号。达到了提高氢燃料电池运行状态的监测智能性,提高氢燃料电池的状态监测预警准确性,提升氢燃料电池的状态监测预警效率的技术效果。
2.通过第一氢燃料电池的运行状态特征对氢燃料电池监测变量进行筛选,获得第一氢燃料电池的预定监测变量集,从而提高氢燃料电池的状态预警效率。
3.通过M个电池状态变量传感监测模块对第一氢燃料电池进行实时运行状态监测,避免氢燃料电池的运行状态监测算力浪费,提高氢燃料电池的运行状态监测效率,提高氢燃料电池运行状态的监测智能性。
实施例二
基于与前述实施例中一种氢燃料电池运行状态的智能监测方法,同样发明构思,本发明还提供了一种氢燃料电池运行状态的智能监测系统,请参阅附图3,所述系统包括:
监测变量集获得模块,所述监测变量集获得模块用于基于大数据,获得氢燃料电池监测变量集;
预定监测变量获得模块,所述预定监测变量获得模块用于基于第一氢燃料电池的运行状态特征对所述氢燃料电池监测变量进行筛选,获得所述第一氢燃料电池的预定监测变量集,其中,所述预定监测变量集包括M个预定监测变量,M为大于1的正整数;
监测算力配置模块,所述监测算力配置模块用于基于所述预定监测变量集配置变量监测算力,获得变量监测算力配置结果;
搭建模块,所述搭建模块用于基于所述M个预定监测变量和所述变量监测算力配置结果,搭建M个电池状态变量传感监测模块;
实时监测模块,所述实时监测模块用于基于所述M个电池状态变量传感监测模块执行所述第一氢燃料电池的实时运行状态监测,获得M个变量监测数据集合;
偏离分析模块,所述偏离分析模块用于基于变量状态偏离分析函数对所述M个变量监测数据集合进行偏离分析,获得M个变量监测偏离分析结果;
状态检测模块,所述状态检测模块用于以电池状态检测模块对所述M个变量监测偏离分析结果进行检测,获得电池状态检测结果;
状态判断模块,所述状态判断模块用于判断所述电池状态检测结果是否满足预设电池状态约束;
状态预警模块,所述状态预警模块用于当所述电池状态检测结果不满足所述预设电池状态约束时,获得电池状态预警信号。
进一步的,所述系统还包括:
异常记录采集模块,所述异常记录采集模块用于基于第一预设历史时区,采集所述第一氢燃料电池的运行异常记录,获得电池运行异常记录集;
异常触发频率标定模块,所述异常触发频率标定模块用于基于所述电池运行异常记录集对所述氢燃料电池监测变量集进行异常触发频率标定,获得变量-异常触发频率集;
第一执行模块,所述第一执行模块用于根据所述变量-异常触发频率集,获得所述运行状态特征;
变量排序模块,所述变量排序模块用于基于所述运行状态特征对所述氢燃料电池监测变量集进行排序,将前M个变量设置为所述M个预定监测变量。
进一步的,所述系统还包括:
敏感度分析模块,所述敏感度分析模块用于基于所述氢燃料电池监测变量集进行变量异常-电池运行风险敏感度分析,获得变量异常敏感度系数集;
第二执行模块,所述第二执行模块用于基于所述变量异常敏感度系数集进行占比计算,获得变量异常敏感度占比系数集;
加权计算模块,所述加权计算模块用于基于预设加权融合特征对所述变量-异常触发频率集和所述变量异常敏感度占比系数集进行加权计算,获得变量运行状态基础特征集,并将所述变量运行状态基础特征集输出为所述运行状态特征。
进一步的,所述系统还包括:
第一预定监测变量获得模块,所述第一预定监测变量获得模块用于遍历所述M个预定监测变量,获得第一预定监测变量;
数据匹配模块,所述数据匹配模块用于基于所述第一预定监测变量对所述M个变量监测数据集合进行匹配,获得第一变量监测数据集合,其中,所述第一变量监测数据集合包括多个第一变量实时参数;
变量正态约束区间获得模块,所述变量正态约束区间获得模块用于基于所述第一预定监测变量,获得第一变量正态约束区间,其中,所述第一变量正态约束区间包括第一变量最大正态值和第一变量最小正态值;
第三执行模块,所述第三执行模块用于基于所述第一变量正态约束区间,构建第一变量状态偏离分析函数,并将所述第一变量状态偏离分析函数添加至所述变量状态偏离分析函数;
偏离分析结果获得模块,所述偏离分析结果获得模块用于将所述第一变量监测数据集合输入所述第一变量状态偏离分析函数,获得第一变量监测偏离分析结果,并将所述第一变量监测偏离分析结果添加至所述M个变量监测偏离分析结果,其中,所述第一变量监测偏离分析结果包括多个第一变量正态偏离度。
其中,所述第一变量状态偏离分析函数为;其中,/>表征第一变量监测偏离分析结果,/>包括第一变量监测数据集合中的第i个第一变量实时参数对应的第一变量正态偏离度,/>表征第一变量监测数据集合中的第i个第一变量实时参数,i为正整数,且/>,n为第一变量监测偏离分析结果内第一变量正态偏离度的总数量,/>表征第一变量最小正态值,/>表征第一变量最大正态值。
进一步的,所述系统还包括:
第四执行模块,所述第四执行模块用于所述电池状态检测模块包括输入层、偏离状态评价层、异常状态评估层和输出层;
变量偏离状态评价结果获得模块,所述变量偏离状态评价结果获得模块用于将所述M个变量监测偏离分析结果输入所述偏离状态评价层,获得M个变量偏离状态评价结果;
电池状态异常指数获得模块,所述电池状态异常指数获得模块用于将所述M个变量偏离状态评价结果输入所述异常状态评估层,获得M个电池状态异常指数;
第五执行模块,所述第五执行模块用于通过所述输出层,将所述M个电池状态异常指数输出为所述电池状态检测结果。
其中,所述偏离状态评价层包括平均正态偏离度计算公式和偏离状态评价公式,所述平均正态偏离度计算公式为;其中,/>表征第一变量监测偏离分析结果,表征第一变量监测偏离分析结果的均值系数,i为正整数,且/>,n为第一变量监测偏离分析结果内第一变量正态偏离度的总数量;
所述偏离状态评价公式为:;其中,S表征第一变量监测偏离分析结果对应的变量偏离状态评价结果,i为正整数,且/>,n为第一变量监测偏离分析结果内第一变量正态偏离度的总数量,/>表征第一变量监测偏离分析结果,/>表征第一变量监测偏离分析结果的均值系数。
本发明实施例所提供的一种氢燃料电池运行状态的智能监测系统可执行本发明任意实施例所提供的一种氢燃料电池运行状态的智能监测方法,具备执行方法相应的功能模块和有益效果。
所包括的各个模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
本申请提供了一种氢燃料电池运行状态的智能监测方法,其中,所述方法应用于一种氢燃料电池运行状态的智能监测系统,所述方法包括:通过第一氢燃料电池的运行状态特征对氢燃料电池监测变量进行筛选,获得第一氢燃料电池的预定监测变量集;对预定监测变量集配置变量监测算力,获得变量监测算力配置结果,结合M个预定监测变量搭建M个电池状态变量传感监测模块;通过M个电池状态变量传感监测模块执行第一氢燃料电池的实时运行状态监测,获得M个变量监测数据集合;基于变量状态偏离分析函数对M个变量监测数据集合进行偏离分析,获得M个变量监测偏离分析结果;将M个变量监测偏离分析结果输入电池状态检测模块,获得电池状态检测结果;当电池状态检测结果不满足预设电池状态约束时,获得电池状态预警信号。解决了现有技术中针对氢燃料电池的状态监测预警准确性低,以及氢燃料电池的状态监测预警效率低的技术问题。达到了提高氢燃料电池运行状态的监测智能性,提高氢燃料电池的状态监测预警准确性,提升氢燃料电池的状态监测预警效率的技术效果。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (6)
1.一种氢燃料电池运行状态的智能监测方法,其特征在于,所述方法包括:
基于大数据,获得氢燃料电池监测变量集;
基于第一氢燃料电池的运行状态特征对所述氢燃料电池监测变量进行筛选,获得所述第一氢燃料电池的预定监测变量集,其中,所述预定监测变量集包括M个预定监测变量,M为大于1的正整数;
其中,基于第一氢燃料电池的运行状态特征对所述氢燃料电池监测变量进行筛选,获得所述第一氢燃料电池的预定监测变量集,包括:
基于第一预设历史时区,采集所述第一氢燃料电池的运行异常记录,获得电池运行异常记录集;
基于所述电池运行异常记录集对所述氢燃料电池监测变量集进行异常触发频率标定,获得变量-异常触发频率集;
根据所述变量-异常触发频率集,获得所述运行状态特征;
其中,根据所述变量-异常触发频率集,获得所述运行状态特征,包括:
基于所述氢燃料电池监测变量集进行变量异常-电池运行风险敏感度分析,获得变量异常敏感度系数集;
基于所述变量异常敏感度系数集进行占比计算,获得变量异常敏感度占比系数集;
基于预设加权融合特征对所述变量-异常触发频率集和所述变量异常敏感度占比系数集进行加权计算,获得变量运行状态基础特征集,并将所述变量运行状态基础特征集输出为所述运行状态特征;
基于所述运行状态特征对所述氢燃料电池监测变量集进行排序,将前M个变量设置为所述M个预定监测变量;
基于所述预定监测变量集配置变量监测算力,获得变量监测算力配置结果;
基于所述M个预定监测变量和所述变量监测算力配置结果,搭建M个电池状态变量传感监测单元;
基于所述M个电池状态变量传感监测单元执行所述第一氢燃料电池的实时运行状态监测,获得M个变量监测数据集合;
基于变量状态偏离分析函数对所述M个变量监测数据集合进行偏离分析,获得M个变量监测偏离分析结果;
将所述M个变量监测偏离分析结果输入电池状态检测模型,获得电池状态检测结果;
判断所述电池状态检测结果是否满足预设电池状态约束;
当所述电池状态检测结果不满足所述预设电池状态约束时,获得电池状态预警信号。
2.如权利要求1所述的方法,其特征在于,基于变量状态偏离分析函数对所述M个变量监测数据集合进行偏离分析,获得M个变量监测偏离分析结果,包括:
遍历所述M个预定监测变量,获得第一预定监测变量;
基于所述第一预定监测变量对所述M个变量监测数据集合进行匹配,获得第一变量监测数据集合,其中,所述第一变量监测数据集合包括多个第一变量实时参数;
基于所述第一预定监测变量,获得第一变量正态约束区间,其中,所述第一变量正态约束区间包括第一变量最大正态值和第一变量最小正态值;
基于所述第一变量正态约束区间,构建第一变量状态偏离分析函数,并将所述第一变量状态偏离分析函数添加至所述变量状态偏离分析函数;
将所述第一变量监测数据集合输入所述第一变量状态偏离分析函数,获得第一变量监测偏离分析结果,并将所述第一变量监测偏离分析结果添加至所述M个变量监测偏离分析结果,其中,所述第一变量监测偏离分析结果包括多个第一变量正态偏离度。
3.如权利要求2所述的方法,其特征在于,所述第一变量状态偏离分析函数为
;
其中,表征第一变量监测偏离分析结果,/>包括第一变量监测数据集合中的第i个第一变量实时参数对应的第一变量正态偏离度,/>表征第一变量监测数据集合中的第i个第一变量实时参数,i为正整数,且,1≤i≤n,/>为第一变量监测偏离分析结果内第一变量正态偏离度的总数量,/>表征第一变量最小正态值,/>表征第一变量最大正态值。
4.如权利要求1所述的方法,其特征在于,将所述M个变量监测偏离分析结果输入电池状态检测模型,获得电池状态检测结果,包括:
所述电池状态检测模型包括输入层、偏离状态评价层、异常状态评估层和输出层;
将所述M个变量监测偏离分析结果输入所述偏离状态评价层,获得M个变量偏离状态评价结果;
将所述M个变量偏离状态评价结果输入所述异常状态评估层,获得M个电池状态异常指数;
通过所述输出层,将所述M个电池状态异常指数输出为所述电池状态检测结果。
5.如权利要求4所述的方法,其特征在于,所述偏离状态评价层包括平均正态偏离度计算公式和偏离状态评价公式,所述平均正态偏离度计算公式为
;
其中,表征第一变量监测偏离分析结果,/>表征第一变量监测偏离分析结果的均值系数,i为正整数,且,1≤i≤n,/>为第一变量监测偏离分析结果内第一变量正态偏离度的总数量;
所述偏离状态评价公式为:
;
其中,表征第一变量监测偏离分析结果对应的变量偏离状态评价结果,i为正整数,且,1≤i≤n,/>为第一变量监测偏离分析结果内第一变量正态偏离度的总数量,/>表征第一变量监测偏离分析结果,/>表征第一变量监测偏离分析结果的均值系数。
6.一种氢燃料电池运行状态的智能监测系统,其特征在于,所述系统用于执行权利要求1至5中任一项所述的方法,所述系统包括:
监测变量集获得模块,所述监测变量集获得模块用于基于大数据,获得氢燃料电池监测变量集;
预定监测变量获得模块,所述预定监测变量获得模块用于基于第一氢燃料电池的运行状态特征对所述氢燃料电池监测变量进行筛选,获得所述第一氢燃料电池的预定监测变量集,其中,所述预定监测变量集包括M个预定监测变量,M为大于1的正整数;
监测算力配置模块,所述监测算力配置模块用于基于所述预定监测变量集配置变量监测算力,获得变量监测算力配置结果;
监测单元搭建模块,所述监测单元搭建模块用于基于所述M个预定监测变量和所述变量监测算力配置结果,搭建M个电池状态变量传感监测单元;
实时监测模块,所述实时监测模块用于基于所述M个电池状态变量传感监测单元执行所述第一氢燃料电池的实时运行状态监测,获得M个变量监测数据集合;
偏离分析模块,所述偏离分析模块用于基于变量状态偏离分析函数对所述M个变量监测数据集合进行偏离分析,获得M个变量监测偏离分析结果;
状态检测模块,所述状态检测模块用于将所述M个变量监测偏离分析结果输入电池状态检测模型,获得电池状态检测结果;
状态判断模块,所述状态判断模块用于判断所述电池状态检测结果是否满足预设电池状态约束;
状态预警模块,所述状态预警模块用于当所述电池状态检测结果不满足所述预设电池状态约束时,获得电池状态预警信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311258477.5A CN116995280B (zh) | 2023-09-27 | 2023-09-27 | 一种氢燃料电池运行状态的智能监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311258477.5A CN116995280B (zh) | 2023-09-27 | 2023-09-27 | 一种氢燃料电池运行状态的智能监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116995280A CN116995280A (zh) | 2023-11-03 |
CN116995280B true CN116995280B (zh) | 2023-11-28 |
Family
ID=88532563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311258477.5A Active CN116995280B (zh) | 2023-09-27 | 2023-09-27 | 一种氢燃料电池运行状态的智能监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116995280B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117540337B (zh) * | 2023-11-15 | 2024-04-16 | 中国铁塔股份有限公司辽宁省分公司 | 一种多源融合的智能化区域安全精准感知方法 |
CN117312807B (zh) * | 2023-11-29 | 2024-02-06 | 浙江万胜智能科技股份有限公司 | 一种断路器的控制状态分析方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170091202A (ko) * | 2016-01-29 | 2017-08-09 | 재단법인대구경북과학기술원 | 신호처리기법을 이용한 pemfc 스택 모니터링장치 및 방법 |
CN109886430A (zh) * | 2019-01-24 | 2019-06-14 | 同济大学 | 一种基于工业大数据的设备健康状态评估与预测方法 |
CN115134850A (zh) * | 2022-06-30 | 2022-09-30 | 深圳蓝奥声科技有限公司 | 无线追踪监测方法、装置及系统 |
CN116207845A (zh) * | 2022-11-28 | 2023-06-02 | 无锡广盈集团有限公司 | 一种用于电力设备保护的自动化监控方法及系统 |
CN116520755A (zh) * | 2023-06-29 | 2023-08-01 | 深圳东原电子有限公司 | 一种音响的自动化产线监测预警方法及系统 |
CN116579768A (zh) * | 2023-07-12 | 2023-08-11 | 南京华天科技发展股份有限公司 | 一种发电厂在线仪表运维管理方法及系统 |
CN116714437A (zh) * | 2023-06-01 | 2023-09-08 | 西华大学 | 基于大数据的氢燃料电池汽车安全监控系统及监控方法 |
-
2023
- 2023-09-27 CN CN202311258477.5A patent/CN116995280B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170091202A (ko) * | 2016-01-29 | 2017-08-09 | 재단법인대구경북과학기술원 | 신호처리기법을 이용한 pemfc 스택 모니터링장치 및 방법 |
CN109886430A (zh) * | 2019-01-24 | 2019-06-14 | 同济大学 | 一种基于工业大数据的设备健康状态评估与预测方法 |
CN115134850A (zh) * | 2022-06-30 | 2022-09-30 | 深圳蓝奥声科技有限公司 | 无线追踪监测方法、装置及系统 |
CN116207845A (zh) * | 2022-11-28 | 2023-06-02 | 无锡广盈集团有限公司 | 一种用于电力设备保护的自动化监控方法及系统 |
CN116714437A (zh) * | 2023-06-01 | 2023-09-08 | 西华大学 | 基于大数据的氢燃料电池汽车安全监控系统及监控方法 |
CN116520755A (zh) * | 2023-06-29 | 2023-08-01 | 深圳东原电子有限公司 | 一种音响的自动化产线监测预警方法及系统 |
CN116579768A (zh) * | 2023-07-12 | 2023-08-11 | 南京华天科技发展股份有限公司 | 一种发电厂在线仪表运维管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116995280A (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116995280B (zh) | 一种氢燃料电池运行状态的智能监测方法 | |
Wen et al. | A new ensemble residual convolutional neural network for remaining useful life estimation | |
CN102696025B (zh) | 检测电化学装置缺陷的方法 | |
Kosek et al. | Ensemble regression model-based anomaly detection for cyber-physical intrusion detection in smart grids | |
CN113987205A (zh) | 一种燃气轮机故障诊断方法及系统 | |
CN116505665A (zh) | 一种电网配电线路的故障监测方法及系统 | |
CN116467667B (zh) | 一种基于数据融合的停电监测预警方法及系统 | |
CN113888353A (zh) | 分布式光伏发电设备的能效诊断方法、系统及介质 | |
CN115713162A (zh) | 一种分布式低碳能源站健康状态预警预测方法 | |
Xiang et al. | State-of-health prognosis for lithium-ion batteries considering the limitations in measurements via maximal information entropy and collective sparse variational gaussian process | |
León-Ruiz et al. | Fault diagnosis based on machine learning for the high frequency link of a grid-tied photovoltaic converter for a wide range of irradiance conditions | |
CN111784537B (zh) | 一种配电网状态参数监测方法、装置及电子设备 | |
CN116658433A (zh) | 一种耐颗粒型磁力泵智能检测方法及系统 | |
CN117093852A (zh) | 工业机器人早期异常监测模型及方法 | |
CN115237091A (zh) | 一种机电装备故障溯源方法及系统 | |
CN115659201A (zh) | 物联网气体浓度检测方法及监控系统 | |
CN113705888A (zh) | 基于皮尔逊相关性和神经网络的工业蒸汽生成量预测方法和系统 | |
Doraiswami et al. | An intelligent sensor to monitor power system stability, performance and diagnose failures | |
Chen et al. | Ensembling-mRBF-LSTM framework for prediction of abnormal traffic flows | |
CN114004360B (zh) | 基于模糊专家模型的智能装备诊断设备和方法 | |
Ma et al. | Operating Health State Prediction and Evaluation of Excitation Unit Based on GMM and LSTM | |
CN117474345B (zh) | 一种智慧环境环保远程实时监测预警方法及系统 | |
Zhou et al. | A dynamic health assessment method for industrial equipment based on sg-fcm clustering algorithm | |
CN117411436B (zh) | 光伏组件状态检测方法、系统及存储介质 | |
Yang et al. | Hybrid Cloud-Edge Collaborative Data Anomaly Detection in Industrial Sensor Networks |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |