CN117310533A - 一种质子交换膜燃料电池的寿命加速测试方法及系统 - Google Patents
一种质子交换膜燃料电池的寿命加速测试方法及系统 Download PDFInfo
- Publication number
- CN117310533A CN117310533A CN202311154741.0A CN202311154741A CN117310533A CN 117310533 A CN117310533 A CN 117310533A CN 202311154741 A CN202311154741 A CN 202311154741A CN 117310533 A CN117310533 A CN 117310533A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- short
- artificial neural
- term memory
- 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
Links
- 239000000446 fuel Substances 0.000 title claims abstract description 57
- 239000012528 membrane Substances 0.000 title claims abstract description 50
- 230000001133 acceleration Effects 0.000 title claims abstract description 21
- 238000010998 test method Methods 0.000 title claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims abstract description 92
- 230000015654 memory Effects 0.000 claims abstract description 83
- 230000006870 function Effects 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 241000287127 Passeridae Species 0.000 claims abstract description 16
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 15
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 210000004027 cell Anatomy 0.000 claims description 60
- 238000012360 testing method Methods 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000002457 bidirectional effect Effects 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims 2
- 238000012544 monitoring process Methods 0.000 claims 1
- 230000006403 short-term memory Effects 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 5
- 238000010845 search algorithm Methods 0.000 abstract 1
- 230000003068 static effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000037351 starvation Effects 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- 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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Fuel Cell (AREA)
Abstract
本发明提供一种质子交换膜燃料电池的寿命加速测试方法及系统,将采集到的质子交换膜燃料电池的电压‑时间序列数据进行滤波处理并进行经验模态分解,将电压数据分解得到K个本征模态函数;构建的双向长短期记忆人工神经网络的具有多数入特性,能对每个本征模态函数单独建模,降低在有限训练数据场景下长周期寿命预测的难度;另外通过麻雀搜索算法实现了对双向长短期记忆人工神经网络的最优参数寻优,大大提升了质子交换膜燃料电池剩余寿命的预测准确性。本发明的方法及系统运算成本低、参数整定简单、预测精度高,极其适用于质子交换膜燃料电池的运行和维护。
Description
技术领域
本发明属于电池技术领域,涉及一种电池的寿命加速测试方法及系统。
背景技术
近些年能源问题一直是环保与发展的重要问题,一方面由于化石能源储量有限而且不可再生,另一方面工业和生活能源的消耗日益增大。质子交换膜燃料电池作为目前最具前景和最受关注的新能源技术之一,具有无污染、能量转换率高、机械结构简单、运行稳定、噪音低等众多优点。
质子交换膜燃料电池采用串联式的结构设计,电堆中一个单电池的性能衰减就会引起整个电堆发电效率降低,系统出现电压退化,因而导致暂时性或永久性的电池退化。而燃料电池的直接测试会导致燃料电池电堆报废。燃料电池长时间的运行,特别是在复杂动态工况时,动态湿热变化引起的应力应变差异和气体饥饿,都会导致电池的性能衰减和电压下降。质子交换膜的材质故障是不可逆的,即不可通过调节参数使质子交换膜燃料电池系统恢复,会对质子交换膜燃料电池产生永久性损伤造成不可挽回的经济损失。因此,保证质子交换膜燃料电池系统处于健康状态对持续运行至关重要。在维持质子交换膜燃料电池系统安全可靠运行的同时,根据系统运行参数实时预测质子交换膜燃料电池剩余使用寿命可在电堆报废前停机维护系统,最大限度地减少维修时间并延长安全使用寿命。
现有的基于数据的方法需要大量的训练数据来学习质子交换膜燃料电池的老化趋势,无法通过有限的数据准确预测质子交换膜燃料电池的剩余使用寿命。此外,现有数据驱动算法的参数大多是根据经验设置的。有限数据下测试算法容易过拟合,并且人工调整参数耗时长,适应性差,导致预测算法预测精度低。燃料电池的运行数据具有非线性和多维性,包含燃料电池的重要退化信息,单变量寿命预测算法在有限数据集中特征提取能力较弱,难以提高整体预测精度。
发明内容
为解决背景技术中所述的问题,本发明提供一种质子交换膜燃料电池寿命加速测试方法及系统。
本发明的方法包括以下步骤:
步骤一、数据的采集与处理:通过传感器采集质子交换膜燃料电池的电压-时间序列数据,并进行高斯滤波,过滤噪声和异常峰值,得到处理后的电压-时间序列数据;对处理后的电压-时间序列数据进行经验模态分解,将电压数据分解得到K个本征模态函数,其中K≥1,K为整数;将K个本征模态函数按比例划分为训练数据集和测试数据集,并将数据集进行归一化处理,平滑映射到[0,1];
步骤二、构建双向长短期记忆人工神经网络:双向长短期记忆人工神经网络由输入层、隐藏层和输出层组成,根据本征模态函数的数量确定双向长短期记忆人工神经网络的输入的特征值个数,并将网络的矩阵和向量初始化为0;
步骤三、训练双向长短期记忆人工神经网络:选择t个时间步长作为预测区间,将每个时间步长之前的数据作为当前时刻的输入训练数据;选择均方根误差作为误差函数,当误差大于默认阈值时则采用自适应矩阵估计算法作优化器,根据相应的误差项计算每个权重的梯度,误差项沿时间反向传递,通过随机梯度下降法更新权重;然后进行梯度评价,梯度精度满足停止标准,则输出其相对应的值作为预测结果,若梯度精度不满足停止标准,则重新进行梯度更新;
步骤四、根据模型参数的范围,以初始学习率、迭代次数、隐藏层神经元个数产生初始样本点Xi,将初始样本点Xi输入麻雀优化算法中,对双向长短期记忆人工神经网络包括初始学习率、迭代次数、隐藏层神经元个数在内的网络参数进行自动寻优,输出得到最优的网络参数,得到训练优化后的双向长短期记忆人工神经网络;判断新选取的样本点是否满足模型精度要求,若满足则终止算法终止执行,输出最优双向长短期记忆人工神经网络;若不满足模型精度要求,判断自动寻优是否达到最大迭代次数,若满足输出最优双向长短期记忆人工神经网络,否则循环迭代麻雀优化算法,直至满足模型精度要求为止;
步骤五、将最优双向长短期记忆人工神经网络应用于质子交换膜燃料电池的寿命加速测试,将预测结果进行反归一化,输出层将预测的剩余寿命数据转换为剩余寿命-时间序列数据。
进一步地,所述步骤一中,高斯滤波公式为:
si=K[(tj-ti)]/H,
式中,K(t)表示参数数据在t时刻的标准正态分布,f(tj)表示滤波后的数据,u(tj)表示参数数据,n表示参数数据的个数,H表示带宽。
更进一步地,所述步骤一中,电压数据分解的具体过程为:通过经验模态分解将电压数据平稳化处理,分解出来的K个本征模态函数分别包含了原信号的不同时间尺度的局部特征信号。
更进一步地,所述步骤二中,输入层的计算公式如下:
it=σ(Wi·[ht-1,xt]+bi),
ot=σ(Wo·[ht-1,xt]+bo),
ft=σ(Wf·[ht-1,xt]+bf),
式中:it、Wt、bt分别为输入层的计算结果、权重矩阵和偏置项;ot、WO、bo分别为输出层的计算结果、权重矩阵和偏置项;ft、Wf、bf分别为遗忘门的计算结果、权重矩阵和偏置项;ht-1表示t-1时刻下一步隐藏层的值,xt表示输入信息,σ表示sigmoid激活函数;
t时刻输出层输出记忆信息的值为ct,t-1时刻输出层输出记忆信息的值为ct-1,t时刻隐藏层的值为ht,t-1时刻隐藏层的值为ht-1,公式如下:
ht=ot·tanh(ct),
式中:为t时刻记忆单元候选状态;tanh为双曲正切激活函数;Wc为输入单元权重矩阵;xt表示输入信息;bc为输入单元状态偏执项;·为按元素相乘。
更进一步地,所述步骤三中,自适应矩阵估计算法的具体操作为:
(1)随机初始化神经网络中所有的参数;
(2)设置初始一阶矩、二阶矩、全局学习率以及衰减系数参数;
(3)通过损失函数计算获得当前梯度值;
(4)对时间步长进行计算;
(5)使用当前梯度值对累积梯度更新以进行一阶矩估计;
(6)使用当前梯度值对累积梯度平方更新以进行二阶矩估计;
(7)对一阶矩与二阶矩进行偏差修正;
(8)通过修正后的一阶矩与二阶矩对参数的更新量进行计算;
(9)对参数进行更新;
(10)重复上述(3)至(9),当达到最大停止迭代次数时停止迭代,输出此时的参数值。
更进一步地,所述步骤三中,对网络参数进行自动寻优的具体操作为:
随机初始化麻雀种群位置,设置生产者比例和寻优维度,设置不同预警值时发现者的位置更新方式并计算适应度值,设置不同适应度值的跟随者位置更新方式,得到最终位置即为最优解,从而输出得到最优的网络参数,得到优化后的双向长短期记忆人工神经网络。
本发明还提出了一种质子交换膜燃料电池的寿命加速测试系统,包括数据采集处理模块、神经网络构建模块、神经网络训练模块、神经网络寻优模块和神经网络应用模块。
所述数据采集处理模块通过传感器采集质子交换膜燃料电池的电压-时间序列数据,并进行高斯滤波,过滤噪声和异常峰值,得到处理后的电压-时间序列数据;对处理后的电压-时间序列数据进行经验模态分解,将电压数据分解得到K个本征模态函数,其中K≥1,K为整数;将K个本征模态函数按比例划分为训练数据集和测试数据集,并将数据集进行归一化处理,平滑映射到[0,1]。
所述神经网络构建模块用于构建双向长短期记忆人工神经网络,所述双向长短期记忆人工神经网络由输入层、隐藏层和输出层组成,根据本征模态函数的数量确定双向长短期记忆人工神经网络的输入的特征值个数,并将网络的矩阵和向量初始化为0。
所述神经网络训练模块首先选择t个时间步长作为预测区间,将每个时间步长之前的数据作为当前时刻的输入训练数据;选择均方根误差作为误差函数,当误差大于默认阈值时则采用自适应矩阵估计算法作优化器,根据相应的误差项计算每个权重的梯度,误差项沿时间反向传递,通过随机梯度下降法更新权重;然后进行梯度评价,梯度精度满足停止标准,则输出其相对应的值作为预测结果,若梯度精度不满足停止标准,则重新进行梯度更新。
所述神经网络寻优模块根据模型参数的范围,以初始学习率、迭代次数、隐藏层神经元个数产生初始样本点Xi,将初始样本点Xi输入麻雀优化算法中,对双向长短期记忆人工神经网络包括初始学习率、迭代次数、隐藏层神经元个数在内的网络参数进行自动寻优,输出得到最优的网络参数,得到训练优化后的双向长短期记忆人工神经网络。判断新选取的样本点是否满足模型精度要求,若满足则终止算法终止执行,输出最优双向长短期记忆人工神经网络;若不满足模型精度要求,判断自动寻优是否达到最大迭代次数,若满足输出最优双向长短期记忆人工神经网络,否则循环迭代麻雀优化算法,直至满足模型精度要求为止。
所述神经网络应用模块将最优双向长短期记忆人工神经网络应用于质子交换膜燃料电池的寿命加速测试,将预测结果进行反归一化,输出层将预测的剩余寿命数据转换为剩余寿命-时间序列数据。
本发明还提出了一种质子交换膜燃料电池的寿命加速测试的计算机设备,其包括存储器、处理器和存储在存储器中可供处理器运行的程序指令,其中所述处理器执行所述程序指令以实现上述所述方法中的步骤和上述所述系统。
本发明还提出了一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述所述方法中的步骤和上述所述系统。
本发明与现有技术相比,将采集到的质子交换膜燃料电池的电压-时间序列数据进行处理并进行经验模态分解,将电压数据分解得到K个本征模态函数,通过构建的双向长短期记忆人工神经网络,能对K个本征模态函数中的局部特征信号单独预测,达到互不干扰的效果,降低预测难度;另外通过对双向长短期记忆人工神经网络的训练优化和测试,可得到最优的双向长短期记忆人工神经网络,大大提升了质子交换膜燃料电池剩余寿命的预测准确性。本发明的方法及系统运算成本低、参数整定简单、预测精度高,极其适用于质子交换膜燃料电池的运行和维护。
附图说明
图1为本发明的方法流程图。
图2为质子交换膜燃料电池静态工况下的寿命加速测试结果图。
图3为质子交换膜燃料电池动态工况下的寿命加速测试结果图。
具体实施方式
为了使本申请所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本申请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申请,并不用于限定本申请。
一种质子交换膜燃料电池的寿命加速测试方法,如图1所示,具体步骤如下所述。
步骤一、数据的采集与处理:
通过传感器采集质子交换膜燃料电池的电压-时间序列数据,并进行高斯滤波,过滤噪声和异常峰值,得到处理后的电压-时间序列数据;对处理后的电压-时间序列数据进行经验模态分解,将电压数据分解得到K个本征模态函数,其中K≥1,K为整数;将K个本征模态函数按比例划分为训练数据集和测试数据集,并将数据集进行归一化处理,平滑映射到[0,1]。
具体地,高斯滤波公式为:
si=K[(tj-ti)]/H,
式中,K(t)表示参数数据在t时刻的标准正态分布,f(tj)表示滤波后的数据,u(tj)表示参数数据,n表示参数数据的个数,H表示带宽。
电压数据分解的具体过程为:通过经验模态分解将电压数据平稳化处理,分解出来的K个本征模态函数分别包含了原信号的不同时间尺度的局部特征信号。
步骤二、构建双向长短期记忆人工神经网络:
双向长短期记忆人工神经网络由输入层、隐藏层和输出层组成,根据本征模态函数的数量确定双向长短期记忆人工神经网络的输入的特征值个数,并将网络的矩阵和向量初始化为0。
具体地,输入层的计算公式如下:
it=σ(Wi·[ht-1,xt]+bi),
ot=σ(Wo·[ht-1,xt]+bo),
ft=σ(Wf·[ht-1,xt]+bf),
式中:it、Wt、bt分别为输入层的计算结果、权重矩阵和偏置项;ot、WO、bo分别为输出层的计算结果、权重矩阵和偏置项;ft、Wf、bf分别为遗忘门的计算结果、权重矩阵和偏置项;ht-1表示t-1时刻下一步隐藏层的值,xt表示输入信息,σ表示sigmoid激活函数;
t时刻输出层输出记忆信息的值为ct,t-1时刻输出层输出记忆信息的值为ct-1,t时刻下一步隐藏层的值为ht,t时刻下一步隐藏层的值为ht-1,公式如下:
ht=ot·tanh(ct),
式中:为t时刻记忆单元候选状态;tanh为双曲正切激活函数;Wc为输入单元权重矩阵;xt表示输入信息;bc为输入单元状态偏执项;·为按元素相乘。
步骤三、训练双向长短期记忆人工神经网络:
首先选择t个时间步长作为预测区间,将每个时间步长之前的数据作为当前时刻的输入训练数据;选择均方根误差作为误差函数,当误差大于默认阈值时则采用自适应矩阵估计算法作优化器,根据相应的误差项计算每个权重的梯度,误差项沿时间反向传递,通过随机梯度下降法更新权重;然后进行梯度评价,梯度精度满足停止标准,则输出其相对应的值作为预测结果,若梯度精度不满足停止标准,则重新进行梯度更新;
具体地,自适应矩阵估计算法的具体操作为:
(1)随机初始化神经网络中所有的参数;
(2)设置初始一阶矩、二阶矩、全局学习率以及衰减系数参数;
(3)通过损失函数计算获得当前梯度值;
(4)对时间步长进行计算;
(5)使用当前梯度值对累积梯度更新以进行一阶矩估计;
(6)使用当前梯度值对累积梯度平方更新以进行二阶矩估计;
(7)对一阶矩与二阶矩进行偏差修正;
(8)通过修正后的一阶矩与二阶矩对参数的更新量进行计算;
(9)对参数进行更新;
(10)重复上述(3)至(9),当达到最大停止迭代次数时停止迭代,输出此时的参数值。
具体地,对网络参数进行自动寻优的具体操作为:
根据模型参数的范围,以初始学习率、迭代次数、隐藏层神经元个数产生初始样本点Xi,将初始样本点Xi输入麻雀优化算法中,对双向长短期记忆人工神经网络包括初始学习率、迭代次数、隐藏层神经元个数在内的网络参数进行自动寻优。随机初始化麻雀种群位置,设置生产者比例和寻优维度,设置不同预警值时发现者的位置更新方式并计算适应度值,设置不同适应度值的跟随者位置更新方式,得到最终位置即为最优解,从而输出得到最优的网络参数,得到优化后的双向长短期记忆人工神经网络。
本发明还提出了一种质子交换膜燃料电池的寿命加速测试系统,由数据采集处理模块、神经网络构建模块、神经网络训练模块、神经网络寻优模块和神经网络应用模块构成。
数据采集处理模块通过传感器采集质子交换膜燃料电池的电压-时间序列数据,并进行高斯滤波,过滤噪声和异常峰值,得到处理后的电压-时间序列数据;对处理后的电压-时间序列数据进行经验模态分解,将电压数据分解得到K个本征模态函数,其中K≥1,K为整数;将K个本征模态函数按比例划分为训练数据集和测试数据集,并将数据集进行归一化处理,平滑映射到[0,1]。
神经网络构建模块用于构建双向长短期记忆人工神经网络,所述双向长短期记忆人工神经网络由输入层、隐藏层和输出层组成,根据本征模态函数的数量确定双向长短期记忆人工神经网络的输入的特征值个数,并将网络的矩阵和向量初始化为0。
神经网络训练模块首先选择t个时间步长作为预测区间,将每个时间步长之前的数据作为当前时刻的输入训练数据;选择均方根误差作为误差函数,当误差大于默认阈值时则采用自适应矩阵估计算法作优化器,根据相应的误差项计算每个权重的梯度,误差项沿时间反向传递,通过随机梯度下降法更新权重;然后进行梯度评价,梯度精度满足停止标准,则输出其相对应的值作为预测结果,若梯度精度不满足停止标准,则重新进行梯度更新。
神经网络寻优根据模型参数的范围,以初始学习率、迭代次数、隐藏层神经元个数产生初始样本点Xi,将初始样本点Xi输入麻雀优化算法中,对双向长短期记忆人工神经网络包括初始学习率、迭代次数、隐藏层神经元个数在内的网络参数进行自动寻优,输出得到最优的网络参数,得到训练优化后的双向长短期记忆人工神经网络。判断新选取的样本点是否满足模型精度要求,若满足则终止算法终止执行,输出最优双向长短期记忆人工神经网络;若不满足模型精度要求,判断自动寻优是否达到最大迭代次数,若满足输出最优双向长短期记忆人工神经网络,否则循环迭代麻雀优化算法,直至满足模型精度要求为止。
神经网络应用模块将最优双向长短期记忆人工神经网络应用于质子交换膜燃料电池的寿命加速测试,将预测结果进行反归一化,输出层将预测的剩余寿命数据转换为剩余寿命-时间序列数据。
该系统的具体内容见上述方法所述,此处不再赘述。
本发明还提出了一种质子交换膜燃料电池的寿命加速测试的计算机设备,其包括存储器、处理器和存储在存储器中可供处理器运行的程序指令,其中所述处理器执行所述程序指令以实现上述所述方法中的步骤和上述所述系统。
本发明还提出了一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述所述方法中的步骤和上述所述系统。
实施例
本发明以2014年IEEE PHM数据挑战赛超过1000小时的静态和动态工况下的数据集作为实施例的实施数据。
数据集来自1kW功率的质子交换膜燃料电池平台,该平台电堆由5片单电池组成,激活面积为100cm2。电池的标称电流密度为0.70A/cm2,最大电流密度为1A/cm2。质子交换膜燃料电池在70A恒定电流下的长期测试得到静态工况数据集。在恒定电流70A的条件下增加7A,5khz高频增量纹波电流进行长期测试得到动态工况数据集。静态工况为1150小时的电压-时间序列数据;动态工况为1020小时的电压-时间序列数据.
利用本发明的方法实现IEEE PHM质子交换膜燃料电池寿命加速测试实施例。分别选取静态工况和动态工况前200个小时的数据作为训练数据,余下数据为测试数据。本发明的预测步长为12。按照步骤一对静态工况和动态工况电压-时间序列数据进行滤波处理,并采用经验模态分解将电压-时间序列数据分解成多个本征模态函数,以增加双向长短期记忆人工神经网络的输入特征。根据步骤二和步骤三构建和训练双向长短期记忆人工神经网络。根据步骤四采用麻雀搜索算法自动寻找双向长短期记忆人工神经网络最佳网络参数。根据步骤五采用最优网络参数的双向长短期记忆人工神经网络输出预测结果。采用本发明方法的静态工况和动态工况的预测结果分别如图2和图3所示。
执行本发明所获得的预测曲线与测试数据紧紧贴合,即使预测步长为12,预测数据与真实数据之前存在较小误差。本发明通过经验模态分解增加了双向长短期记忆人工神经网络的输入数据。本发明利用低占比训练实现长周期剩余使用寿命预测,并根据训练数据的不同实现网络参数的自动寻优,有效避免燃料电池的过早损坏,对燃料电池的日常维护具有重要意义。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种质子交换膜燃料电池寿命加速测试方法,其特征在于,包括以下步骤:
步骤一、数据的采集与处理:通过传感器采集质子交换膜燃料电池的电压-时间序列数据,并进行高斯滤波,过滤噪声和异常峰值,得到处理后的电压-时间序列数据;对处理后的电压-时间序列数据进行经验模态分解,将电压数据分解得到K个本征模态函数,其中K≥1,K为整数;将K个本征模态函数按比例划分为训练数据集和测试数据集,并将数据集进行归一化处理,平滑映射到[0,1];
步骤二、构建双向长短期记忆人工神经网络:双向长短期记忆人工神经网络由输入层、隐藏层和输出层组成,根据本征模态函数的数量确定双向长短期记忆人工神经网络的输入的特征值个数,并将网络的矩阵和向量初始化为0;
步骤三、训练双向长短期记忆人工神经网络:长短期记忆人工神经网络根据输入数据进行网络训练,首先选择t个时间步长作为预测区间,将每个时间步长之前的数据作为当前时刻的输入训练数据;选择均方根误差作为误差函数,当误差大于默认阈值时则采用自适应矩阵估计算法作优化器,根据相应的误差项计算每个权重的梯度,误差项沿时间反向传递,通过随机梯度下降法更新权重;然后进行梯度评价,梯度精度满足停止标准,则输出其相对应的值作为预测结果,若梯度精度不满足停止标准,则重新进行梯度更新;最后根据模型参数的范围,以初始学习率、迭代次数、隐藏层神经元个数产生初始样本点Xi,将初始样本点Xi输入麻雀优化算法中,对双向长短期记忆人工神经网络包括初始学习率、迭代次数、隐藏层神经元个数在内的网络参数进行自动寻优,输出得到最优的网络参数,得到训练优化后的双向长短期记忆人工神经网络;
步骤四、测试双向长短期记忆人工神经网络:将测试数据集输入到训练优化后双向长短期记忆人工神经网络中进行测试,判断新选取的样本点是否满足模型精度要求,若满足则终止算法终止执行,输出最优双向长短期记忆人工神经网络;若不满足模型精度要求,判断自动寻优是否达到最大迭代次数,若满足输出最优双向长短期记忆人工神经网络,否则循环迭代麻雀优化算法,直至满足模型精度要求为止;
步骤五、将最优双向长短期记忆人工神经网络应用于质子交换膜燃料电池的寿命加速测试,将预测结果进行反归一化,输出层将预测的剩余寿命数据转换为剩余寿命-时间序列数据。
2.根据权利要求1所述的一种质子交换膜燃料电池的寿命加速测试方法,其特征在于:所述步骤一中,高斯滤波公式为:
si=K[(tj-ti)]/H,
式中,K(t)表示参数数据在t时刻的标准正态分布,f(tj)表示滤波后的数据,u(tj)表示参数数据,n表示参数数据的个数,H表示带宽。
3.根据权利要求2所述的一种质子交换膜燃料电池的寿命加速测试方法,其特征在于:所述步骤一中,电压数据分解的具体过程为:通过经验模态分解将电压数据平稳化处理,分解出来的K个本征模态函数分别包含了原信号的不同时间尺度的局部特征信号。经验模态分解方法适用于质子交换膜燃料电池监测数据少的应用场景,通过分解电压-时间增加双向长短期记忆
人工神经网络的训练数据,实现以低占比训练数据预测长周期燃料电池寿命的加速测试。
4.根据权利要求3所述的一种质子交换膜燃料电池的寿命加速测试方法,其特征在于:所述步骤二中,输入层的计算公式如下:
it=σ(Wi·[ht-1,xt]+bi),
ot=σ(Wo·[ht-1,xt]+bo),
ft=σ(Wf·[ht-1,xt]+bf),
式中:it、Wt、bt分别为输入层的计算结果、权重矩阵和偏置项;ot、WO、bo分别为输出层的计算结果、权重矩阵和偏置项;ft、Wf、bf分别为遗忘门的计算结果、权重矩阵和偏置项;ht-1表示t-1时刻下一步隐藏层的值,xt表示输入信息,σ表示sigmoid激活函数;
t时刻输出层输出记忆信息的值为ct,t-1时刻输出层输出记忆信息的值为ct-1,t时刻下一步隐藏层的值为ht,t时刻下一步隐藏层的值为ht-1,公式如下:
ht=ot·tanh(ct),
式中:为t时刻记忆单元候选状态;tanh为双曲正切激活函数;Wc为输入单元权重矩阵;xt表示输入信息;bc为输入单元状态偏执项;·为按元素相乘。
5.根据权利要求1所述的一种质子交换膜燃料电池的寿命加速测试方法,其特征在于:所述步骤三中,自适应矩阵估计算法的具体操作为:
(1)随机初始化神经网络中所有的参数;
(2)设置初始一阶矩、二阶矩、全局学习率以及衰减系数参数;
(3)通过损失函数计算获得当前梯度值;
(4)对时间步长进行计算;
(5)使用当前梯度值对累积梯度更新以进行一阶矩估计;
(6)使用当前梯度值对累积梯度平方更新以进行二阶矩估计;
(7)对一阶矩与二阶矩进行偏差修正;
(8)通过修正后的一阶矩与二阶矩对参数的更新量进行计算;
(9)对参数进行更新;
(10)重复上述(3)至(9),当达到最大停止迭代次数时停止迭代,输出此时的参数值。
6.根据权利要求5所述的一种质子交换膜燃料电池的寿命加速测试方法,其特征在于:所述步骤三中,对网络参数进行自动寻优的具体操作为:
随机初始化麻雀种群位置,设置生产者比例和寻优维度,设置不同预警值时发现者的位置更新方式并计算适应度值,设置不同适应度值的跟随者位置更新方式,得到最终位置即为最优解,从而输出得到最优的网络参数,得到优化后的双向长短期记忆人工神经网络。
7.一种质子交换膜燃料电池的寿命加速测试系统,其特征在于:包括数据采集处理模块、神经网络构建模块、神经网络训练模块、神经网络寻优模块和神经网络应用模块;
所述数据采集处理模块通过传感器采集质子交换膜燃料电池的电压-时间序列数据,并进行高斯滤波,过滤噪声和异常峰值,得到处理后的电压-时间序列数据;对处理后的电压-时间序列数据进行经验模态分解,将电压数据分解得到K个本征模态函数,其中K≥1,K为整数;将K个本征模态函数按比例划分为训练数据集和测试数据集,并将数据集进行归一化处理,平滑映射到[0,1];
所述神经网络构建模块用于构建双向长短期记忆人工神经网络,所述双向长短期记忆人工神经网络由输入层、隐藏层和输出层组成,根据本征模态函数的数量确定双向长短期记忆人工神经网络的输入的特征值个数,并将网络的矩阵和向量初始化为0;
所述神经网络训练模块选择t个时间步长作为预测区间,将每个时间步长之前的数据作为当前时刻的输入训练数据;选择均方根误差作为误差函数,当误差大于默认阈值时则采用自适应矩阵估计算法作优化器,根据相应的误差项计算每个权重的梯度,误差项沿时间反向传递,通过随机梯度下降法更新权重;然后进行梯度评价,梯度精度满足停止标准,则输出其相对应的值作为预测结果,若梯度精度不满足停止标准,则重新进行梯度更新;
所述神经网络寻优模块根据模型参数的范围,以初始学习率、迭代次数、隐藏层神经元个数产生初始样本点Xi,将初始样本点Xi输入麻雀优化算法中,对双向长短期记忆人工神经网络包括初始学习率、迭代次数、隐藏层神经元个数在内的网络参数进行自动寻优,输出得到最优的网络参数,得到训练优化后的双向长短期记忆人工神经网络;判断新选取的样本点是否满足模型精度要求,若满足则终止算法终止执行,输出最优双向长短期记忆人工神经网络;若不满足模型精度要求,判断自动寻优是否达到最大迭代次数,若满足输出最优双向长短期记忆人工神经网络,否则循环迭代麻雀优化算法,直至满足模型精度要求为止;
所述神经网络应用模块将最优双向长短期记忆人工神经网络应用于质子交换膜燃料电池的寿命加速测试,将预测结果进行反归一化,输出层将预测的剩余寿命数据转换为剩余寿命-时间序列数据。
8.根据权利要求7所述的一种质子交换膜燃料电池的寿命加速测试系统,
其特征在于:所述双向长短期记忆人工神经网络中,输入层的计算公式如下:
it=σ(Wi·[ht-1,xt]+bi),
ot=σ(Wo·[ht-1,xt]+bo),
ft=σ(Wf·[ht-1,xt]+bf),
式中:it、Wt、bt分别为输入层的计算结果、权重矩阵和偏置项;ot、WO、bo分别为输出层的计算结果、权重矩阵和偏置项;ft、Wf、bf分别为遗忘门的计算结果、权重矩阵和偏置项;ht-1表示t-1时刻下一步隐藏层的值,xt表示输入信息,σ表示sigmoid激活函数;
t时刻输出层输出记忆信息的值为ct,t-1时刻输出层输出记忆信息的值为ct-1,t时刻隐藏层的值为ht,t-1时刻隐藏层的值为ht-1,公式如下:
ht=ot·tanh(ct),
式中:为t时刻记忆单元候选状态;tanh为双曲正切激活函数;Wc为输入单元权重矩阵;xt表示输入信息;bc为输入单元状态偏执项;·为按元素相乘。
9.一种质子交换膜燃料电池的寿命加速测试的计算机设备,其包括存储器、处理器和存储在存储器中可供处理器运行的程序指令,其中所述处理器执行所述程序指令以实现权利要求1至6中任一项所述方法中的步骤和权利要求7-8任一项所述系统。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述方法中的步骤和权利要求7-8任一项所述系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311154741.0A CN117310533A (zh) | 2023-09-07 | 2023-09-07 | 一种质子交换膜燃料电池的寿命加速测试方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311154741.0A CN117310533A (zh) | 2023-09-07 | 2023-09-07 | 一种质子交换膜燃料电池的寿命加速测试方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117310533A true CN117310533A (zh) | 2023-12-29 |
Family
ID=89285669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311154741.0A Pending CN117310533A (zh) | 2023-09-07 | 2023-09-07 | 一种质子交换膜燃料电池的寿命加速测试方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117310533A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117878360A (zh) * | 2024-03-12 | 2024-04-12 | 长春师范大学 | 一种燃料电池效率预测方法及系统 |
-
2023
- 2023-09-07 CN CN202311154741.0A patent/CN117310533A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117878360A (zh) * | 2024-03-12 | 2024-04-12 | 长春师范大学 | 一种燃料电池效率预测方法及系统 |
CN117878360B (zh) * | 2024-03-12 | 2024-05-28 | 长春师范大学 | 一种燃料电池效率预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111339712B (zh) | 质子交换膜燃料电池剩余寿命预测方法 | |
CN112986827B (zh) | 一种基于深度学习的燃料电池剩余寿命预测方法 | |
CN107918103B (zh) | 一种基于灰色粒子滤波的锂离子电池剩余寿命预测方法 | |
CN113156325B (zh) | 一种对电池的健康状态进行估计的方法 | |
CN112016237B (zh) | 锂电池寿命预测的深度学习方法、装置及系统 | |
CN113406521B (zh) | 一种基于特征分析的锂电池健康状态在线估计方法 | |
CN116840720A (zh) | 燃料电池剩余寿命预测方法 | |
CN117310533A (zh) | 一种质子交换膜燃料电池的寿命加速测试方法及系统 | |
CN109471049B (zh) | 一种基于改进堆叠自编码器的卫星电源系统异常检测方法 | |
CN112001066B (zh) | 一种基于深度学习的极限传输容量的计算方法 | |
CN116599050A (zh) | 基于自注意力机制的光伏预测方法及相关装置 | |
Cai et al. | Prediction of lithium-ion battery remaining useful life based on hybrid data-driven method with optimized parameter | |
CN113344283B (zh) | 基于边缘智能的能源互联网新能源消纳能力评估方法 | |
CN115236526A (zh) | 一种剩余充电时间预测方法、装置、存储介质和车辆 | |
Tang et al. | Parameter identification for lithium batteries: Model variable-coupling analysis and a novel cooperatively coevolving identification algorithm | |
Sahajpal et al. | Accurate long-term prognostics of proton exchange membrane fuel cells using recurrent and convolutional neural networks | |
CN116679213A (zh) | 基于集成深度学习的电动汽车动力电池soh估算方法 | |
CN115481796A (zh) | 基于贝叶斯混合神经网络的电池剩余使用寿命预测方法 | |
Xiaosheng et al. | A deep learning approach for wind power prediction based on stacked denoising auto encoders optimized by bat algorithm | |
CN114757548A (zh) | 一种采用场景构建的风电储能设备调节性能评估方法 | |
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 | |
CN112215253A (zh) | 一种基于降噪自编码的锂电池储能系统监测方法及系统 | |
Bin et al. | Simple and effective fault diagnosis method of power lithium-ion battery based on GWA-DBN | |
Su | Remaining useful life prediction of Lithium-ion batteries by PSO-SVM based on multi-feature extraction | |
Zhu et al. | Prediction method of turbine engine RUL based on GA-SVR |
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 |