CN117390436A - 一种基于燃料电池变化状态的检测方法及装置 - Google Patents
一种基于燃料电池变化状态的检测方法及装置 Download PDFInfo
- Publication number
- CN117390436A CN117390436A CN202311131870.8A CN202311131870A CN117390436A CN 117390436 A CN117390436 A CN 117390436A CN 202311131870 A CN202311131870 A CN 202311131870A CN 117390436 A CN117390436 A CN 117390436A
- Authority
- CN
- China
- Prior art keywords
- fuel cell
- change state
- stack
- state
- parameters
- 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 88
- 230000008859 change Effects 0.000 title claims abstract description 87
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 64
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000003062 neural network model Methods 0.000 claims abstract description 31
- 230000007787 long-term memory Effects 0.000 claims abstract description 28
- 230000006403 short-term memory Effects 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 230000009467 reduction Effects 0.000 claims abstract description 15
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 44
- 229910052739 hydrogen Inorganic materials 0.000 claims description 44
- 239000001257 hydrogen Substances 0.000 claims description 44
- 230000015654 memory Effects 0.000 claims description 37
- 238000012360 testing method Methods 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 238000002922 simulated annealing Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 13
- 238000012847 principal component analysis method Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- NBIIXXVUZAFLBC-UHFFFAOYSA-N Phosphoric acid Chemical compound OP(O)(O)=O NBIIXXVUZAFLBC-UHFFFAOYSA-N 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 1
- 229910000147 aluminium phosphate Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- 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
- 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
- G06N3/08—Learning methods
Abstract
本发明属于燃料电池状态的检测方法技术领域，具体涉及一种基于燃料电池变化状态的检测方法及装置，该方法包括：确定电池在目标区域的变化状态，所述变化状态用于表示电池在目标区域的变化；根据所述变化状态，基于分析算法，确定变化状态下电池的数据特征，从而实现数据降维。可见，该方法通过使用主成分分析方法，有效地降低了用于在线故障诊断所需要输入的数据维度，大大地降低了在线运算量；其次，通过采用长短期记忆神经网络模型(算法)，有效地提高了燃料电池运行状态的分类准确度；最后，根据训练数据集合，确定是否更新长短期记忆神经网络模型参数，使得分类器诊断精度可以随运行时间不断提升。
Description
技术领域
本发明属于燃料电池状态的检测方法技术领域，具体涉及一种基于燃料电池变化状态的检测方法及装置。
背景技术
当前燃料电池已在交通运输、分布式发电、移动电源等领域得到了较大关注。但是，燃料电池技术本身具有一定的发展瓶颈，导致它目前使用寿命较短、耐久性相对来说比较薄弱。尤其是在恶劣的工作环境下，它的使用寿命会受到更大影响。因此，对于供电要求比较高的场景来说，有必要对燃料电池供电的可靠性进行有效监控，及时地发现和处理故障的燃料电池，并制定故障条件下的应对机制。另外，有效地发现燃料电池故障，还能够保护燃料电池不进一步出现影响更大、范围更广，甚至不可逆的损失。这对于推广燃料电池的应用意义非常重大。
不过，当前燃料电池故障诊断仍然存在计算量较大、准确性不高且未能实现模型在线定期更新的能力。这对于进一步实现燃料电池商业化是一个不小的技术瓶颈。
发明内容
为了解决上述问题，本发明提出了一种基于燃料电池变化状态的检测方法及装置，该方法通过使用主成分分析方法，有效地降低了用于在线故障诊断所需要输入的数据维度，大大地降低了在线运算量；其次，通过采用长短期记忆神经网络模型(算法)，有效地提高了燃料电池运行状态的分类准确度；最后，根据训练数据集合，确定是否更新长短期记忆神经网络模型参数，使得分类器诊断精度可以随运行时间不断提升。
本发明第一方面公开了一种基于燃料电池变化状态的检测方法，所述方法包括：
确定电池在目标区域的变化状态，所述变化状态用于表示电池在目标区域的变化；
根据所述变化状态，基于分析算法，确定变化状态下电池的数据特征，从而实现数据降维；
根据所述变化状态，基于长短期记忆神经网络模型，得到归一划分的训练数据集合。
根据所述训练数据集合，确定是否更新长短期记忆神经网络模型参数。
作为一种可选的实施方式，在本发明第一方面中，所述确定电池在目标区域的变化状态，包括：
所述变化状态包括燃料电池总电流、燃料电池总电压、氢气入堆压力、氢气出堆压力、氢气入堆温度、氢气出堆温度、入堆空气压力、出堆空气压力、最低单片电压和最高单片电压中的一种或多种；
根据采集燃料电池总电流、燃料电池总电压、氢气入堆压力、氢气出堆压力、氢气入堆温度、氢气出堆温度、入堆空气压力、出堆空气压力、最低单片电压和最高单片电压中的一种或多种，确定电池在目标区域的变化状态。
作为一种可选的实施方式，在本发明第一方面中，所述确定电池在目标区域的变化状态，还包括：
根据采集燃料电池总电流、燃料电池总电压、氢气入堆压力、氢气出堆压力、氢气入堆温度、氢气出堆温度、入堆空气压力、出堆空气压力、最低单片电压和最高单片电压中的一种或多种，确定原始运行数据；
根据所述原始运行数据，将原始运行数据分别划分为训练集和测试集；
根据所述训练集和测试集，确定电池在目标区域的变化状态。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述变化状态，基于分析算法，确定变化状态下电池的数据特征，从而实现数据降维，包括：
所述分析算法对运行数据特征提取的步骤：
(1)对原始数据的标准化处理：
假设主成分分析针对m个指标变量z1，z2，……，zm进行，并且有n个评价对象，第i个评价对象的第j个指标的取值为zi,j。按照下列公式将各指标zi,j转化为标准化指标yi,j；
其中，
x，j，avg和sj是第j个指标的样本均值和标准差。
(2)计算相关系数矩阵：
相关系数矩阵R定义为R＝(ri,j)m×m；
其中：
rij是第i个指标与第j个指标的相关系数，且rii＝1，rij＝rji；
(3)计算特征值和特征向量：
计算相关系数矩阵R的特征值及各特征值所对应的特征向量，由所有特征向量组成m个新的指标变量：
其中，z1是第一主成分，z2是第二主成分，zm是第m主成分；
(4)计算特征值和特征向量：
选择p个主成分，计算综合评价值。当综合评价值接近1时，可认为前p个主成分指标可以代替原来m个指标变量，即后续仅采用p个主成分指标进行分析，从而完成数据降维。
作为一种可选的实施方式，在本发明第一方面中，所述基于长短期记忆神经网络模型，得到归一划分的训练数据集合，包括：
所述长短期记忆神经网络的结构包括输入门、遗忘门、输出门和单元状态中的一种或多种；
其中，所述输入门用于表示决定当前条件下有多少网络的输入数据需要保存到单元状态；
所述遗忘门用于表示决定了在上一时刻状态下，单元状态有多少需要保留到当前时刻；
所述输出门将控制当前状态有多少需要输出到当前的输出值，从而得到归一划分的训练数据集合。
作为一种可选的实施方式，在本发明第一方面中，所述输出门将控制当前状态有多少需要输出到当前的输出值，从而得到归一划分的训练数据集合，包括：
根据所述长短期记忆神经网络，进行网络优化配置；
所述网络优化配置的参数包括输入门参数、遗忘门参数、输出门参数、候选细胞参数和输出层参数中的一种或多种；
根据所述网络优化配置的参数，基于模拟退火算法，进行上述参数最优组合的寻优计算，从而得到归一划分的训练数据集合。
作为一种可选的实施方式，在本发明第一方面中，所述方法还包括：
根据所述长短期记忆神经网络，对配置离线训练过程的学习率和迭代次数优化，并将归一划分训练数据集合开展训练；
根据结合测试集数据验证离线训练的分类器的分类效果，确认所得到的分类器对于训练集和测试集的准确分类率是否达到95％以上，若达到95％以上，则导出当前网络参数，并部署至实际控制器。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述训练数据集合，确定是否更新长短期记忆神经网络模型参数，包括：
确认燃料电池的特征参数取值情况，所述特征参数取值情况表示为燃料电池的故障情况；
以每运行100h的周期，基于远程通信技术，将所记录的数据传输至远程计算机，由远程计算机进行模型参数更新计算，从而确定是否更新长短期记忆神经网络模型参数。
本发明第二方面公开了一种基于燃料电池变化状态的检测装置，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明实施例第一方面公开的一种基于燃料电池变化状态的检测方法中的部分或全部步骤。
本发明实施例第三方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明实施例第一方面公开的一种基于燃料电池变化状态的检测方法中的部分或全部步骤。
与现有技术相比，本发明实施例具有以下有益效果：
确定电池在目标区域的变化状态，所述变化状态用于表示电池在目标区域的变化；根据所述变化状态，基于分析算法，确定变化状态下电池的数据特征，从而实现数据降维；根据所述变化状态，基于长短期记忆神经网络模型，得到归一划分的训练数据集合；根据所述训练数据集合，确定是否更新长短期记忆神经网络模型参数，可见，该方法通过使用主成分分析方法，有效地降低了用于在线故障诊断所需要输入的数据维度，大大地降低了在线运算量；其次，通过采用长短期记忆神经网络模型(算法)，有效地提高了燃料电池运行状态的分类准确度；最后，根据训练数据集合，确定是否更新长短期记忆神经网络模型参数，使得分类器诊断精度可以随运行时间不断提升。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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示出的结构获得其他的附图。
图1为本发明实施例公开的一种基于燃料电池变化状态的检测方法的流程示意图；
图2为本发明实施例公开的一种基于实验数据的燃料电池汽车功率的分配装置的结构示意图；
图3为本发明分析算法运行数据特征提取的步骤图；
图4为本发明结合远程通信技术实现分类器模型参数在线更新的方法图。
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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
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”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，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、装置、产品或端没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于燃料电池变化状态的检测方法及装置，该方法通过使用主成分分析方法，有效地降低了用于在线故障诊断所需要输入的数据维度，大大地降低了在线运算量；其次，通过采用长短期记忆神经网络模型(算法)，有效地提高了燃料电池运行状态的分类准确度；最后，根据训练数据集合，确定是否更新长短期记忆神经网络模型参数，使得分类器诊断精度可以随运行时间不断提升。
实施例一
请参阅图1，图1是本发明实施例公开的一种基于燃料电池变化状态的检测方法的流程示意图。其中，图1所描述的方法应用于基于燃料电池变化状态的检测装置中，该处理装置可以是相应的处理终端、处理设备或服务器，且该服务器可以是本地服务器，也可以是云服务器，本发明实施例不做限定。如图1所示，该一种基于燃料电池变化状态的检测方法可以包括以下操作：
101、确定电池在目标区域的变化状态。
本发明实施例中，变化状态用于表示电池在目标区域的变化。
本发明实施例中，目标区域可以为室内场景，例如大型工厂、大型车间或大型加工厂的室内场景。
本发明实施例中，变化状态可以为电池系统正常工作状态下、氢气泄漏、空气压力过大、燃料电池电堆水故障或其他条件等的状态。
102、根据变化状态，基于分析算法，确定变化状态下电池的数据特征，从而实现数据降维。
本发明实施例中，根据步骤101中所确定电池在目标区域的变化状态，基于主成分分析算法(PCA)进行各工作状态下的运行数据特征提取，实现数据降维。
本发明实施例中，所述电池可以为氢燃料电池、碱性燃料电池、固定氧化物燃料电池、磷酸燃料电池、质子交换膜燃料电池、熔融碳酸盐燃料电池或者其他种类的燃料电池，不限定为一种。
可见，本发明能够通过根据变化状态，基于分析算法，确定变化状态下电池的数据特征，从而实现数据降维，有效地降低了用于在线故障诊断所需要输入的数据维度，大大地降低了在线运算量。
103、根据变化状态，基于长短期记忆神经网络模型，得到归一划分的训练数据集合。
本发明实施例中，根据步骤101中所确定电池在目标区域的变化状态，根据变化状态，基于长短期记忆神经网络模型，得到归一划分的训练数据集合，对训练参数，如学习率、迭代次数等进行优化设置。通过对训练参数的设置可以有效避免训练结果陷入局部最优解，并且尽量提升训练速度。
104、根据训练数据集合，确定是否更新长短期记忆神经网络模型参数。
本发明实施例中，根据步骤103中的根据变化状态，基于长短期记忆神经网络模型，得到归一划分的训练数据集合，从而确定是否更新长短期记忆神经网络模型参数，使得分类器诊断精度可以随运行时间不断提升。
在一个可选的实施方式中，步骤101中的，确定电池在目标区域的变化状态，包括：
所述变化状态包括燃料电池总电流、燃料电池总电压、氢气入堆压力、氢气出堆压力、氢气入堆温度、氢气出堆温度、入堆空气压力、出堆空气压力、最低单片电压和最高单片电压中的一种或多种；
根据采集燃料电池总电流、燃料电池总电压、氢气入堆压力、氢气出堆压力、氢气入堆温度、氢气出堆温度、入堆空气压力、出堆空气压力、最低单片电压和最高单片电压中的一种或多种，确定电池在目标区域的变化状态。
在本实施例中，于步骤101中，根据采集燃料电池总电流、燃料电池总电压、氢气入堆压力、氢气出堆压力、氢气入堆温度、氢气出堆温度、入堆空气压力、出堆空气压力、最低单片电压和最高单片电压中的一种或多种，确定电池在目标区域的变化状态，从而更好的方便工作人员确认是哪一部分出现故障，且可以对多个变化状态的信息进行采集。
在一个可选的实施方式中，步骤101中的，所述确定电池在目标区域的变化状态，还包括：
根据采集燃料电池总电流、燃料电池总电压、氢气入堆压力、氢气出堆压力、氢气入堆温度、氢气出堆温度、入堆空气压力、出堆空气压力、最低单片电压和最高单片电压中的一种或多种，确定原始运行数据；
根据所述原始运行数据，将原始运行数据分别划分为训练集和测试集；
根据所述训练集和测试集，确定电池在目标区域的变化状态。
在本实施例中，步骤101中，正常工作状态下、氢气泄漏、空气压力过大、燃料电池电堆水故障四种条件下，各条件下有效数据量应至少达到200组，并且，按照7:3的比例，将原始运行数据分别划分为训练集和测试集。
可见，通过上述工作状态的条件下，确定原始运行数据；根据所述原始运行数据，将原始运行数据分别划分为训练集和测试集；根据所述训练集和测试集，确定电池在目标区域的变化状态，从而有效地为提高燃料电池运行状态的分类准确度提供数据基础。
如图3所示，在一个可选的实施方式中，步骤102中的，根据变化状态，基于分析算法，确定变化状态下电池的数据特征，从而实现数据降维，包括：
所述分析算法对运行数据特征提取的步骤：
(1)对原始数据的标准化处理：
假设主成分分析针对m个指标变量z1，z2，……，zm进行，并且有n个评价对象，第i个评价对象的第j个指标的取值为zi,j。按照下列公式将各指标zi,j转化为标准化指标yi,j；
其中，
x，j，avg和sj是第j个指标的样本均值和标准差。
(2)计算相关系数矩阵：
相关系数矩阵R定义为R＝(ri,j)m×m；
其中：
rij是第i个指标与第j个指标的相关系数，且rii＝1，rij＝rji；
(3)计算特征值和特征向量：
计算相关系数矩阵R的特征值及各特征值所对应的特征向量，由所有特征向量组成m个新的指标变量：
其中，z1是第一主成分，z2是第二主成分，zm是第m主成分；
(4)计算特征值和特征向量：
选择p个主成分，计算综合评价值。当综合评价值接近1时，可认为前p个主成分指标可以代替原来m个指标变量，即后续仅采用p个主成分指标进行分析，从而完成数据降维。
在本实施例中，选择p个主成分(p<m)，计算综合评价值。当综合评价值接近1(常取0.85或0.90或0.95)时，可认为前p个主成分指标可以代替原来m个指标变量。即后续仅采用p个主成分指标进行分析，至此，完成数据降维。
可见，通过根据变化状态，基于分析算法，确定变化状态下电池的数据特征，从而实现数据降维，有效地为提高燃料电池运行状态的分类准确度提供数据基础。
在一个可选的实施方式中，步骤103中的，根据变化状态，基于长短期记忆神经网络模型，得到归一划分的训练数据集合，包括：
所述长短期记忆神经网络的结构包括输入门、遗忘门、输出门和单元状态中的一种或多种；
其中，所述输入门用于表示决定当前条件下有多少网络的输入数据需要保存到单元状态；
所述遗忘门用于表示决定了在上一时刻状态下，单元状态有多少需要保留到当前时刻；
所述输出门将控制当前状态有多少需要输出到当前的输出值，从而得到归一划分的训练数据集合。
在本实施例中，所采用的长短期记忆神经网络的结构主要由输入门、遗忘门、输出门和单元状态组成。其中，输入门用于决定当前条件下有多少网络的输入数据需要保存到单元状态；遗忘门决定了在上一时刻状态下，单元状态有多少需要保留到当前时刻；最终，输出门将控制当前状态有多少需要输出到当前的输出值。
可见，所述输出门将控制当前状态有多少需要输出到当前的输出值，从而得到归一划分的训练数据集合，有效地为提高燃料电池运行状态的分类准确度提供数据基础。
在一个可选的实施方式中，所述输出门将控制当前状态有多少需要输出到当前的输出值，从而得到归一划分的训练数据集合，包括：
根据所述长短期记忆神经网络，进行网络优化配置；
所述网络优化配置的参数包括输入门参数、遗忘门参数、输出门参数、候选细胞参数和输出层参数中的一种或多种；
根据所述网络优化配置的参数，基于模拟退火算法，进行上述参数最优组合的寻优计算，从而得到归一划分的训练数据集合。
在本实施例中，用计算能力较强的工作站，结合MATLAB或TensorFlow计算机软件平台，基于长短期记忆神经网络，开展燃料电池故障诊断分类器的离线训练。在此过程中，首先需要对长短期记忆神经网络的结构参数进行优化设置，如：输入门参数、遗忘门参数、输出门参数、候选细胞参数、输出层参数等。为实现上述参数的最优取值，需要采用一种改进的模拟退火算法进行上述参数最优组合的寻优计算。另外，需要对训练参数，如学习率、迭代次数等进行优化设置。通过对训练参数的设置可以有效避免训练结果陷入局部最优解，并且尽量提升训练速度。
可见，根据所述网络优化配置的参数，基于模拟退火算法，进行上述参数最优组合的寻优计算，从而得到归一划分的训练数据集合，有效地为提高燃料电池运行状态的分类准确度提供数据基础。
在一个可选的实施方式中，所述方法还包括：
根据所述长短期记忆神经网络，对配置离线训练过程的学习率和迭代次数优化，并将归一划分训练数据集合开展训练；
根据结合测试集数据验证离线训练的分类器的分类效果，确认所得到的分类器对于训练集和测试集的准确分类率是否达到95％以上，若达到95％以上，则导出当前网络参数，并部署至实际控制器。
在本实施例中，迭代收敛后，结合测试集数据验证离线训练的分类器的分类效果。如所得到的分类器对于训练集和测试集的准确分类率均达到95％以上，则导出当前网络参数，并部署至实际控制器。
可见，根据结合测试集数据验证离线训练的分类器的分类效果，确认所得到的分类器对于训练集和测试集的准确分类率是否达到95％以上，若达到95％以上，则导出当前网络参数，并部署至实际控制器，从而有效地为提高燃料电池运行状态的分类准确度提供数据基础。
在一个可选的实施方式中，步骤104中的，根据所述训练数据集合，确定是否更新长短期记忆神经网络模型参数，包括：
确认燃料电池的特征参数取值情况，所述特征参数取值情况表示为燃料电池的故障情况；
以每运行100h的周期，基于远程通信技术，将所记录的数据传输至远程计算机，由远程计算机进行模型参数更新计算，从而确定是否更新长短期记忆神经网络模型参数。
在本实施例中，在线使用所得到的故障分类器后，仍需要长期记录燃料电池在四种(正常工作状态下、氢气泄漏、空气压力过大、燃料电池电堆水故障)状态下的特征参数取值情况，以图4的方式，每运行100h的周期，基于远程通信技术，将所记录的数据传输至远程计算机，由远程计算机进行模型参数更新计算。
可见，基于远程通信技术，将所记录的数据传输至远程计算机，由远程计算机进行模型参数更新计算，从而确定是否更新长短期记忆神经网络模型参数，有效地降低了用于在线故障诊断所需要输入的数据维度，大大地降低了在线运算量；其次，通过采用长短期记忆神经网络模型(算法)，有效地提高了燃料电池运行状态的分类准确度；最后，根据训练数据集合，确定是否更新长短期记忆神经网络模型参数，使得分类器诊断精度可以随运行时间不断提升。
实施例二
请参阅图2，图2是本发明实施例公开的另一种基于实验数据的燃料电池汽车功率的分配装置的结构示意图。如图2所示，该装置可以包括：
存储有可执行程序代码的存储器201；
与存储器201耦合的处理器202；
处理器202调用存储器201中存储的可执行程序代码，执行本发明实施例一公开的一种基于燃料电池变化状态的检测方法中的部分或全部步骤。
实施例三
本发明实施例公开了一种计算机存储介质，该计算机存储介质存储有计算机指令，该计算机指令被调用时，用于执行本发明实施例一公开的一种基于燃料电池变化状态的检测方法中的部分或全部步骤。
以上所描述的装置实施例仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(RandomAccess Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-OnlyMemory，EEPROM)、只读光盘(CompactDisc Read-OnlyMemory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是：本发明实施例公开的一种基于燃料电池变化状态的检测方法及装置所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种基于燃料电池变化状态的检测方法，其特征在于，所述方法包括：
确定电池在目标区域的变化状态，所述变化状态用于表示电池在目标区域的变化；
根据所述变化状态，基于分析算法，确定变化状态下电池的数据特征，从而实现数据降维；
根据所述变化状态，基于长短期记忆神经网络模型，得到归一划分的训练数据集合；
根据所述训练数据集合，确定是否更新长短期记忆神经网络模型参数。
2.如权利要求1所述的一种基于燃料电池变化状态的检测方法，其特征在于，所述确定电池在目标区域的变化状态，包括：
所述变化状态包括燃料电池总电流、燃料电池总电压、氢气入堆压力、氢气出堆压力、氢气入堆温度、氢气出堆温度、入堆空气压力、出堆空气压力、最低单片电压和最高单片电压中的一种或多种；
根据采集燃料电池总电流、燃料电池总电压、氢气入堆压力、氢气出堆压力、氢气入堆温度、氢气出堆温度、入堆空气压力、出堆空气压力、最低单片电压和最高单片电压中的一种或多种，确定电池在目标区域的变化状态。
3.如权利要求2所述的一种基于燃料电池变化状态的检测方法，其特征在于，所述确定电池在目标区域的变化状态，还包括：
根据采集燃料电池总电流、燃料电池总电压、氢气入堆压力、氢气出堆压力、氢气入堆温度、氢气出堆温度、入堆空气压力、出堆空气压力、最低单片电压和最高单片电压中的一种或多种，确定原始运行数据；
根据所述原始运行数据，将原始运行数据分别划分为训练集和测试集；
根据所述训练集和测试集，确定电池在目标区域的变化状态。
4.如权利要求1所述的一种基于燃料电池变化状态的检测方法，其特征在于，所述根据所述变化状态，基于分析算法，确定变化状态下电池的数据特征，从而实现数据降维，包括：
所述分析算法对运行数据特征提取的步骤：
(1)对原始数据的标准化处理：
假设主成分分析针对m个指标变量z1，z2，……，zm进行，并且有n个评价对象，第i个评价对象的第j个指标的取值为zi,j，按照下列公式将各指标zi,j转化为标准化指标yi,j；
其中，
x，j，avg和sj是第j个指标的样本均值和标准差；
(2)计算相关系数矩阵：
相关系数矩阵R定义为R＝(ri,j)m×m；
其中：
rij是第i个指标与第j个指标的相关系数，且rii＝1，rij＝rji；
(3)计算特征值和特征向量：
计算相关系数矩阵R的特征值及各特征值所对应的特征向量，由所有特征向量组成m个新的指标变量：
其中，z1是第一主成分，z2是第二主成分，zm是第m主成分；
(4)计算特征值和特征向量：
选择p个主成分，计算综合评价值，当综合评价值接近1时，可认为前p个主成分指标可以代替原来m个指标变量，即后续仅采用p个主成分指标进行分析，从而完成数据降维。
5.如权利要求1所述的一种基于燃料电池变化状态的检测方法，其特征在于，所述基于长短期记忆神经网络模型，得到归一划分的训练数据集合，包括：
所述长短期记忆神经网络的结构包括输入门、遗忘门、输出门和单元状态中的一种或多种；
其中，所述输入门用于表示决定当前条件下有多少网络的输入数据需要保存到单元状态；
所述遗忘门用于表示决定了在上一时刻状态下，单元状态有多少需要保留到当前时刻；
所述输出门将控制当前状态有多少需要输出到当前的输出值，从而得到归一划分的训练数据集合。
6.如权利要求5所述的一种基于燃料电池变化状态的检测方法，其特征在于，所述输出门将控制当前状态有多少需要输出到当前的输出值，从而得到归一划分的训练数据集合，包括：
根据所述长短期记忆神经网络，进行网络优化配置；
所述网络优化配置的参数包括输入门参数、遗忘门参数、输出门参数、候选细胞参数和输出层参数中的一种或多种；
根据所述网络优化配置的参数，基于模拟退火算法，进行上述参数最优组合的寻优计算，从而得到归一划分的训练数据集合。
7.如权利要求6所述的一种基于燃料电池变化状态的检测方法，其特征在于，所述方法还包括：
根据所述长短期记忆神经网络，对配置离线训练过程的学习率和迭代次数优化，并将归一划分训练数据集合开展训练；
根据结合测试集数据验证离线训练的分类器的分类效果，确认所得到的分类器对于训练集和测试集的准确分类率是否达到95％以上，若达到95％以上，则导出当前网络参数，并部署至实际控制器。
8.如权利要求1所述的一种基于燃料电池变化状态的检测方法，其特征在于，所述根据所述训练数据集合，确定是否更新长短期记忆神经网络模型参数，包括：
确认燃料电池的特征参数取值情况，所述特征参数取值情况表示为燃料电池的故障情况；
以每运行100h的周期，基于远程通信技术，将所记录的数据传输至远程计算机，由远程计算机进行模型参数更新计算，从而确定是否更新长短期记忆神经网络模型参数。
9.一种基于燃料电池变化状态的检测装置，其特征在于，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-8任一项所述的一种基于燃料电池变化状态的检测方法。
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，所述计算机指令被调用时，用于执行如权利要求1-8任一项所述的一种基于燃料电池变化状态的检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311131870.8A CN117390436A (zh) | 2023-09-04 | 2023-09-04 | 一种基于燃料电池变化状态的检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311131870.8A CN117390436A (zh) | 2023-09-04 | 2023-09-04 | 一种基于燃料电池变化状态的检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117390436A true CN117390436A (zh) | 2024-01-12 |
Family
ID=89470984
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311131870.8A Pending CN117390436A (zh) | 2023-09-04 | 2023-09-04 | 一种基于燃料电池变化状态的检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117390436A (zh) |
-
2023
- 2023-09-04 CN CN202311131870.8A patent/CN117390436A/zh active Pending
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 | |
| Rotondo et al. | Robust fault diagnosis of proton exchange membrane fuel cells using a Takagi-Sugeno interval observer approach | |
| US20230118702A1 (en) | Method, device and computer readable storage medium for estimating SOC of lithium battery | |
| KR102296309B1 (ko) | 태양광 발전량 예측 장치 및 그 방법 | |
| CN111695736A (zh) | 一种基于多模型融合的光伏发电短期功率预测方法 | |
| CN116167527B (zh) | 纯数据驱动的电力系统静态安全运行风险在线评估方法 | |
| CN115455746B (zh) | 一种核动力装置运行监测数据异常检测与校正一体化方法 | |
| CN116205265A (zh) | 一种基于深层神经网络的电网故障诊断方法及装置 | |
| CN116087787A (zh) | 一种基于主成分分析法的电池故障判断方法和系统 | |
| AU2021106200A4 (en) | Wind power probability prediction method based on quantile regression | |
| Klass et al. | Lifelong performance monitoring of PEM fuel cells using machine learning models | |
| CN112128950B (zh) | 一种基于多种模型对比的机房温湿度预测方法及系统 | |
| CN117390436A (zh) | 一种基于燃料电池变化状态的检测方法及装置 | |
| KR102389317B1 (ko) | 순환 신경망(rnn)을 이용한 스마트팜 센서의 고장여부 판단방법 | |
| CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 | |
| CN116819345B (zh) | 电池系统故障识别方法、装置、电子设备及存储介质 | |
| CN116452070B (zh) | 多辨识框架下的大型设备健康评估方法和装置 | |
| CN115863712B (zh) | 一种燃料电池的水管理方法和系统 | |
| CN117491793B (zh) | 一种氢电耦合系统综合性能测试方法、装置及介质 | |
| Li et al. | A Novel PEM Fuel Cell Degradation Prediction Method Based On Sparrow Search Algorithm and Long Short-Term Memory | |
| CN117829334A (zh) | 一种区域综合能源系统态势感知方法、系统、设备及介质 | |
| CN116722542A (zh) | 光伏出力异常检测方法、装置、计算机设备及存储介质 | |
| Ma et al. | A Data-Driven Short-Term Voltage Prediction Model for Fuel Cells under Multiple Conditions | |
| CN114298495A (zh) | 基于细粒度数据驱动的电网可靠性评估方法 | |
| CN116384569A (zh) | 一种应用于功率波动率控制的风况预测方法及系统 |
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 |