CN117312939A - 基于深度学习的sofc系统工况辨识方法 - Google Patents
基于深度学习的sofc系统工况辨识方法 Download PDFInfo
- Publication number
- CN117312939A CN117312939A CN202311140002.6A CN202311140002A CN117312939A CN 117312939 A CN117312939 A CN 117312939A CN 202311140002 A CN202311140002 A CN 202311140002A CN 117312939 A CN117312939 A CN 117312939A
- Authority
- CN
- China
- Prior art keywords
- working condition
- sofc system
- data
- sofc
- network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013135 deep learning Methods 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000002068 genetic effect Effects 0.000 claims abstract description 10
- 230000008859 change Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 12
- 125000004057 biotinyl group Chemical group [H]N1C(=O)N([H])[C@]2([H])[C@@]([H])(SC([H])([H])[C@]12[H])C([H])([H])C([H])([H])C([H])([H])C([H])([H])C(*)=O 0.000 claims description 6
- 239000003054 catalyst Substances 0.000 claims description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 4
- 229910052799 carbon Inorganic materials 0.000 claims description 4
- 230000008021 deposition Effects 0.000 claims description 4
- 231100000572 poisoning Toxicity 0.000 claims description 4
- 230000000607 poisoning effect Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 230000007787 long-term memory Effects 0.000 abstract 1
- 238000005065 mining Methods 0.000 abstract 1
- 238000007781 pre-processing Methods 0.000 abstract 1
- 239000012528 membrane Substances 0.000 description 4
- 238000001035 drying Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000036571 hydration Effects 0.000 description 1
- 238000006703 hydration reaction Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- 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
- G06N3/02—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
- G06N3/0499—Feedforward 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Physiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习的SOFC系统工况辨识方法，包括：步骤1，采集SOFC系统不同工况状态数据；步骤2，数据预处理；步骤3，构建深度神经网络；步骤4，训练网络；步骤5，利用遗传算法优化网络参数；步骤6，得到最终的网络模型；步骤7，SOFC系统工况辨识。本发明通过挖掘不同历史工况状态数据随时间变化的规律性，并对历史数据进行学习，得到以工况类型为输出变量的辨识结果，达到对SOFC系统工况类型进行辨识的效果，克服了传统学习方式辨识率不足的缺点。利用LSTM长短期记忆网络对工况数据特征进行学习，并利用遗传算法对参数进行优化，从而提升了对SOFC系统工况辨识模型的辨识准确性。
Description
技术领域
本发明涉及高温燃料电池工况辨识领域，尤其是一种基于深度学习的SOFC系统工况辨识方法。
背景技术
SOFC系统作为一种以氢气为原料的新型清洁能源,在包括交通、储能等多个领域已经开展大规模的应用。然而其存在负载跟踪能力弱以及可靠性差等问题,限制了其大规模产业化发展。在SOFC系统运行过程中,水淹和膜干是经常发生的故障,水淹是指电堆内部的液态水不断积累,进而阻塞气体扩散层、催化剂层甚至气体流道,从而影响了电堆里电化学反应的顺利进行的现象；膜干是指电堆里面液态水不足,致使膜电极水合作用受阻,电导率下降以及膜的阻抗上升的现象,膜干故障严重时,也会引起电堆局部出现高温,进而降低SOFC系统的负载跟踪能力。同时一旦发生这些故障,轻则使自动化系统或者装有SOFC系统的车辆性能下降,重则会导致不可挽回的后果。
针对SOFC系统的工况辨识问题,当前主流的方法包括基于模型和非模型两大类别。基于模型的工况辨识方法需根据SOFC系统系统的物理过程建立对应模型,通过模型仿真结果与实际系统输出间的残差分析,实现工况辨识与分离。基于非模型的工况辨识方法指在专家系统、信号处理或二者混合方法以及运用可视化技术的基础上以获取SOFC系统系统的故障信息。相较于基于模型的工况辨识方法,该方法无需建立SOFC系统系统模型且工况辨识与分离这一过程由专家系统模拟人类推理活动代替,不过需预定义故障类型。非模型工况辨识方法随着人工智能的快速发展后来居上,目前已被广泛应用于工程中的工况辨识领域。由于SOFC系统的故障发生与其状态量随时间的变化关系之间有着复杂的联系，普通的网联模型已经难以实现高精度的辨识模型，故需要使用深度神经网络来构建模型。
发明内容
本发明的目的是提供一种能够提高辨识率的基于深度学习的SOFC系统工况辨识方法。
本发明采用的技术方案为：一种基于深度学习的SOFC系统工况辨识方法，包括以下步骤：
步骤1、针对SOFC系统工况辨识任务的需要，以秒为单位分别采集SOFC系统不同工况下一段时间内的工况数据Xi，其中i表示工况状态数据类型，包括：电堆电压、电流、净输出电流变化率、最低单片电压和电堆进出口温度；其输出类型为工况类型Yj，其中j表示不同工况类型，包括：电堆短路、电堆漏气、电堆过载、催化剂中毒和积碳；
步骤2、对步骤1采集SOFC系统工况数据生成以秒为单位的时间序列数据Z，其维度为i+1；
步骤3、将经过步骤2处理得到的SOFC系统工况数据Z进行归一化处理使其映射到[0,1]；其公式为：归一化后的数据为Z1；其中Zmin和Zmax分别表示此类工况状态数据的最小值和最大值；
步骤4、将步骤3得到的归一化SOFC系统工况数据按照7：3的比例划分成训练集Ztrain和测试集Ztest；
步骤5、基于SOFC系统的工况时间序列数据构建深度网络模型，所述深度网络模型包括输入层、LSTM层、全连接层和分类层；根据采集的工况数据设置批的大小a,最大迭代次数b,初始学习率c,学习率下降因子d；
步骤6、将归一化后的SOFC系统工况状态数据训练集Ztrain作为输入数据输入到输入层并加权求和进入到LSTM层；
步骤7、SOFC系统工况状态数据训练集Ztrain输入LSTM层后再依次经过dropper层和全连接层处理并使用结果函数进行输出得到LSTM数据，所述结果函数采用维tanh函数输出，所述维tanh函数如下所述：
所述全连接层将得到LSTM数据以及从SOFC系统工况状态数据中提取的此时刻的数据进行融合处理；处理后的数据再经过分类层分类处理；其输出为工况类型Yj＝{1,2，……，j}；
步骤8、将SOFC系统工况状态数据测试集Ztest输入到训练好的网络中，并统计结果；
步骤9、构建SOFC系统工况辨识准确度指标：其中Nright为预测结果Ypre与实际结果Yj相同的个数，NSUM为样本总个数；
步骤10、利用遗传算法对SOFC系统工况辨识网络LSTM参数进行优化；
步骤11、采集此时刻往前的一段时刻内的SOFC系统工况状态数据，输入到网络中辨识此时SOFC系统工况。
进一步的，所述步骤6包括：
步骤6.1、Ztrain经过遗忘门得到遗忘信息ft：ft＝σ(wf×[ht-1，Ztrain])，由LSTM网络对与SOFC工况无关的特征进行遗忘；其中ht-1表示上个时刻的网络状态，wf为遗忘门权重矩阵；
步骤6.2、Ztrain经过输入门得到输入信息：it＝σ(wi×[ht-1,Ztrain])， 其中it为输入门输出值,其为与SOFC工况相关的数据特征；/>为神经元当前状态值；
步骤6.3、经过输出门时，其输出值Ot＝σ(wo×[ht-1,Ztrain]+bo)；本批SOFC工况类型预测值为ht＝Ot×tanhCt；其中wo为输出门权重，bo为输出门偏置向量，σ为输出门激活函数。
进一步的，所述步骤10包括：
步骤10.1、以当前网络参数值为父本，复制M个相同个体，30<M<80；设置遗传算法终止进化代数G，200<G<400；交叉概率PC，0.5<PC<0.8；变异概率Pm，0.001<Pm<0.05；
步骤10.2、以SOFC系统工况辨识准确度Trate为个体适应度函数F(x)；选择目标函数J(X)＝max{F(X)}；
步骤10.3、以父本进行随机交叉产生大量子集并加入到新的个体库中，利用个体适应度函数对个体库进行筛选，取F(X)最大的M个个体再作为父本；重复以上步骤直到达到终止进化代数G；
步骤10.4、选取此个体库中F(X)值最大的个体，其所对应的LSTM网络参数为最优SOFC系统工况辨识网络参数，由此得到最终的SOFC系统工况辨识模型。
本发明的有益效果：
本发明通过挖掘不同历史工况状态数据随时间变化的规律性，并对大量历史数据进行学习，得到以工况类型为输出变量的辨识结果，达到SOFC系统工况辨识的效果。克服了传统学习方式对于时间具有高度依赖关系的电堆状态数据训练效果不好的缺点，利用LSTM长短期记忆网络对工况数据特征进行学习，并利用遗传算法对网络参数进行优化，进而实现更好的辨识效果。
附图说明
图1为本发明方法流程图。
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，以下结合附图及实施例，对本发明进行进一步的详细说明。此处所描述的具体实施例仅用于解释本发明技术方案，并不限于本发明。
如图1所示，一种基于深度学习的SOFC系统工况辨识方法，包括以下步骤：
步骤1、针对SOFC系统工况辨识任务的需要，以秒为单位分别采集SOFC系统不同工况下一段时间内的工况数据Xi，其中i表示工况状态数据类型，包括：电堆电压、电流、净输出电流变化率、最低单片电压和电堆进出口温度。其输出类型为工况类型Yj。其中j表示不同工况类型，包括：电堆短路、电堆漏气、电堆过载、催化剂中毒和积碳；
步骤2、对步骤1采集SOFC系统工况状态数据生成以秒为单位的时间序列数据Z，其维度为i+1；
步骤3、将经过步骤2处理得到的SOFC系统工况数据Z进行归一化处理使其映射到[0,1]；其公式为：归一化后的数据为Z1；其中Zmin和Zmax分别表示此类工况状态数据的最小值和最大值；
步骤4、将步骤3得到的归一化SOFC系统工况数据按照7：3的比例划分成训练集Ztrain和测试集Ztest；
步骤5、基于SOFC系统的工况时间序列数据构建深度网络模型，所述深度网络模型包括输入层、LSTM层、全连接层和分类层；根据采集的工况数据设置批的大小a,最大迭代次数b,初始学习率c,学习率下降因子d；
步骤6、将归一化后的SOFC系统工况状态数据训练集Ztrain作为输入数据输入到输入层并加权求和进入到LSTM层；
步骤6.1、Ztrain经过遗忘门得到遗忘信息ft：ft＝σ(wf×[ht-1，Ztrain])，由LSTM网络对与SOFC工况无关的特征进行遗忘。其中ht-1表示上个时刻的网络状态，wf为遗忘门权重矩阵；
步骤6.2、Ztrain经过输入门得到输入信息：it＝σ(wi×[ht-1,Ztrain])， 其中it为输入门输出值,其主要为与SOFC工况相关的数据特征。/>为神经元当前状态值；
步骤6.3、经过输出门时，其输出值Ot＝σ(wo×[ht-1,Ztrain]+bo)；本批SOFC工况类型预测值为ht＝Ot×tanhCt；其中wo为输出门权重，bo为输出门偏置向量，σ为输出门激活函数；
步骤7、SOFC系统工况状态数据训练集Ztrain输入LSTM层后再依次经过dropper层和全连接层处理并使用结果函数进行输出得到LSTM数据，所述结果函数采用维tanh函数输出，所述维tanh函数如下所述：
所述全连接层将得到LSTM数据以及从SOFC系统工况状态数据中提取的此时刻的数据进行融合处理；处理后的数据再经过分类层分类处理。其输出为工况类型Yj＝{1,2，……，j}。
步骤8、将SOFC系统工况状态数据测试集Ztest输入到训练好的网络中，并统计结果；
步骤9、构建SOFC系统工况辨识准确度指标：其中Nright为预测结果Ypre与实际结果Yj相同的个数，NSUM为样本总个数；
步骤10、利用遗传算法对SOFC系统工况辨识网络LSTM参数进行优化，其过程为：
步骤10.1、以当前网络参数值为父本，复制M(30<M<80)个相同个体；设置遗传算法终止进化代数G(200<G<400)；交叉概率PC(0.5<PC<0.8)；变异概率Pm(0.001<Pm<0.05)；
步骤10.2、以SOFC系统工况辨识准确度Trate为个体适应度函数F(x)；选择目标函数J(X)＝max{F(X)}；
步骤10.3、以父本进行随机交叉产生大量子集并加入到新的个体库中，利用个体适应度函数对个体库进行筛选，取F(X)最大的M个个体再作为父本；重复以上步骤直到达到终止进化代数G；
步骤10.4、选取此个体库中F(X)值最大的个体，其所对应的LSTM网络参数为最优SOFC系统工况辨识网络参数，由此得到最终的SOFC系统工况辨识模型；
步骤11、采集此时刻往前的一段时刻内的SOFC系统工况状态数据，输入到网络中便可辨识此时SOFC系统工况。例如：为了识别SOFC系统的工况类型，将不同工况类型的数据按照7:3的比例划分成训练集和验证集，训练集输入给搭建好的LSTM网络模型进行训练，网络参数随机，工况数据包括：电堆短路、电堆漏气、电堆过载、催化剂中毒和积碳共五个参数。LSTM网络包括：输入层、LSTM层、分类层和输出层。再以验证集得出网络模型的识别正确率，以此作为遗传算法个体的适应度函数，每组参数作为一个个体，初始参数作为亲本进行迭代，不断迭代到最大代数时，取出适应度最高的个体作为最终确定参数。此时的网络模型为最终的SOFC系统工况识别模型。输入某一时刻的状态数据到模型中便可识别此工况。
以上所述仅表达了本发明的优选实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形、改进及替代，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (3)
1.基于深度学习的SOFC系统工况辨识方法，其特征在于，包括以下步骤：
步骤1、针对SOFC系统工况辨识任务的需要，以秒为单位分别采集SOFC系统不同工况下一段时间内的工况数据Xi，其中i表示工况状态数据类型，包括：电堆电压、电流、净输出电流变化率、最低单片电压和电堆进出口温度；其输出类型为工况类型Yj，其中j表示不同工况类型，包括：电堆短路、电堆漏气、电堆过载、催化剂中毒和积碳；
步骤2、对步骤1采集SOFC系统工况数据生成以秒为单位的时间序列数据Z，其维度为i+1；
步骤3、将经过步骤2处理得到的SOFC系统工况数据Z进行归一化处理使其映射到[0,1]；其公式为：归一化后的数据为Z1；其中Zmin和Zmax分别表示此类工况状态数据的最小值和最大值；
步骤4、将步骤3得到的归一化SOFC系统工况数据按照7：3的比例划分成训练集Ztrain和测试集Ztest；
步骤5、基于SOFC系统的工况时间序列数据构建深度网络模型，所述深度网络模型包括输入层、LSTM层、全连接层和分类层；根据采集的工况数据设置批的大小a,最大迭代次数b,初始学习率c,学习率下降因子d；
步骤6、将归一化后的SOFC系统工况状态数据训练集Ztrain作为输入数据输入到输入层并加权求和进入到LSTM层；
步骤7、SOFC系统工况状态数据训练集Ztrain输入LSTM层后再依次经过dropper层和全连接层处理并使用结果函数进行输出得到LSTM数据，所述结果函数采用维tanh函数输出，所述维tanh函数如下所述：
所述全连接层将得到LSTM数据以及从SOFC系统工况状态数据中提取的此时刻的数据进行融合处理；处理后的数据再经过分类层分类处理；其输出为工况类型Yj＝{1,2，……，j}；
步骤8、将SOFC系统工况状态数据测试集Ztest输入到训练好的网络中，并统计结果；
步骤9、构建SOFC系统工况辨识准确度指标：其中Nright为预测结果Ypre与实际结果Yj相同的个数，NSUM为样本总个数；
步骤10、利用遗传算法对SOFC系统工况辨识网络LSTM参数进行优化；
步骤11、采集此时刻往前的一段时刻内的SOFC系统工况状态数据，输入到网络中辨识此时SOFC系统工况。
2.根据权利要求1所述的基于深度学习的SOFC系统工况辨识方法，其特征在于，所述步骤6包括：
步骤6.1、Ztrain经过遗忘门得到遗忘信息ft：ft＝σ(wf×[ht-1，Ztrain])，由LSTM网络对与SOFC工况无关的特征进行遗忘；其中ht-1表示上个时刻的网络状态，wf为遗忘门权重矩阵；
步骤6.2、Ztrain经过输入门得到输入信息：it＝σ(wi×[ht-1，Ztrain])， 其中it为输入门输出值，其为与SOFC工况相关的数据特征；/>为神经元当前状态值；
步骤6.3、经过输出门时，其输出值Ot＝σ(wo×[ht-1，Ztrain]+bo)；本批SOFC工况类型预测值为ht＝Ot×tanhCt；其中wo为输出门权重，bo为输出门偏置向量，σ为输出门激活函数。
3.根据权利要求1所述的基于深度学习的SOFC系统工况辨识方法，其特征在于，所述步骤10包括：
步骤10.1、以当前网络参数值为父本，复制M个相同个体，30＜M＜80；设置遗传算法终止进化代数G，200＜G＜400；交叉概率PC，0.5＜PC＜0.8二变异概率Pm，0.001＜Pm＜0.05；
步骤10.2、以SOFC系统工况辨识准确度Trate为个体适应度函数F(x)；选择目标函数J(X)＝max{F(X)}；
步骤10.3、以父本进行随机交叉产生大量子集并加入到新的个体库中，利用个体适应度函数对个体库进行筛选，取F(X)最大的M个个体再作为父本；重复以上步骤直到达到终止进化代数G；
步骤10.4、选取此个体库中F(X)值最大的个体，其所对应的LSTM网络参数为最优SOFC系统工况辨识网络参数，由此得到最终的SOFC系统工况辨识模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311140002.6A CN117312939A (zh) | 2023-09-05 | 2023-09-05 | 基于深度学习的sofc系统工况辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311140002.6A CN117312939A (zh) | 2023-09-05 | 2023-09-05 | 基于深度学习的sofc系统工况辨识方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117312939A true CN117312939A (zh) | 2023-12-29 |
Family
ID=89296299
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311140002.6A Pending CN117312939A (zh) | 2023-09-05 | 2023-09-05 | 基于深度学习的sofc系统工况辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117312939A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117725446A (zh) * | 2024-02-07 | 2024-03-19 | 南昌大学 | 基于ga-bp的sofc电堆性能衰减预测方法及系统 |
| CN118673537A (zh) * | 2024-08-26 | 2024-09-20 | 江苏君智信息服务有限公司 | 一种用于数据存储的大数据管理优化方法及系统 |
-
2023
- 2023-09-05 CN CN202311140002.6A patent/CN117312939A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117725446A (zh) * | 2024-02-07 | 2024-03-19 | 南昌大学 | 基于ga-bp的sofc电堆性能衰减预测方法及系统 |
| CN117725446B (zh) * | 2024-02-07 | 2024-05-14 | 南昌大学 | 基于ga-bp的sofc电堆性能衰减预测方法及系统 |
| CN118673537A (zh) * | 2024-08-26 | 2024-09-20 | 江苏君智信息服务有限公司 | 一种用于数据存储的大数据管理优化方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liao et al. | Fault diagnosis of power transformers using graph convolutional network | |
| CN109991542B (zh) | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 | |
| Ma et al. | A hybrid transfer learning scheme for remaining useful life prediction and cycle life test optimization of different formulation Li-ion power batteries | |
| CN109635928B (zh) | 基于深度学习模型融合的电压暂降原因识别方法 | |
| CN112379269B (zh) | 电池异常检测模型训练及其检测方法、装置 | |
| CN117312939A (zh) | 基于深度学习的sofc系统工况辨识方法 | |
| Ji et al. | An RUL prediction approach for lithium-ion battery based on SADE-MESN | |
| CN111046961B (zh) | 基于双向长短时记忆单元和胶囊网络的故障分类方法 | |
| CN112734002B (zh) | 一种基于数据层和模型层联合迁移学习的寿命预测方法 | |
| CN113052218A (zh) | 工业过程的多尺度残差卷积与lstm融合性能评估方法 | |
| CN116449218B (zh) | 一种锂电池健康状态的估计方法 | |
| CN116542382A (zh) | 基于混合优化算法的污水处理溶解氧浓度预测方法 | |
| Carmona et al. | MEFES: an evolutionary proposal for the detection of exceptions in subgroup discovery. An application to concentrating photovoltaic technology | |
| CN115147645A (zh) | 基于多特征信息融合的膜组件膜污染检测方法 | |
| CN115799580A (zh) | 基于优化fcm训练的os-elm燃料电池故障诊断方法 | |
| CN113359037A (zh) | 基于bp神经网络的燃料电池故障诊断方法 | |
| Mao et al. | Comparative study on prediction of fuel cell performance using machine learning approaches | |
| Wang et al. | A hybrid method for remaining useful life prediction of proton exchange membrane fuel cell stack | |
| Sahajpal et al. | Accurate long-term prognostics of proton exchange membrane fuel cells using recurrent and convolutional neural networks | |
| Legala et al. | Data-based modelling of proton exchange membrane fuel cell performance and degradation dynamics | |
| Klass et al. | Lifelong performance monitoring of PEM fuel cells using machine learning models | |
| Zhang et al. | Remaining useful life prediction of lithium-ion batteries based on TCN-DCN fusion model combined with IRRS filtering | |
| CN112327190B (zh) | 一种储能电池健康状态辨识方法 | |
| CN117034762A (zh) | 一种基于多算法加权和的复合模型锂电池寿命预测方法 | |
| CN111061708A (zh) | 一种基于lstm神经网络的电能量预测与修复方法 |
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 |