CN117491793B - 一种氢电耦合系统综合性能测试方法、装置及介质 - Google Patents
一种氢电耦合系统综合性能测试方法、装置及介质 Download PDFInfo
- Publication number
- CN117491793B CN117491793B CN202311856960.3A CN202311856960A CN117491793B CN 117491793 B CN117491793 B CN 117491793B CN 202311856960 A CN202311856960 A CN 202311856960A CN 117491793 B CN117491793 B CN 117491793B
- Authority
- CN
- China
- Prior art keywords
- hydrogen
- fault
- coupling system
- data
- electric coupling
- 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
- 239000001257 hydrogen Substances 0.000 title claims abstract description 149
- 229910052739 hydrogen Inorganic materials 0.000 title claims abstract description 149
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 title claims abstract description 146
- 230000008878 coupling Effects 0.000 title claims abstract description 88
- 238000010168 coupling process Methods 0.000 title claims abstract description 88
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000011056 performance test Methods 0.000 title claims description 14
- 238000003745 diagnosis Methods 0.000 claims abstract description 45
- 238000012360 testing method Methods 0.000 claims abstract description 36
- 230000008569 process Effects 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 20
- 239000000446 fuel Substances 0.000 claims description 19
- 238000010248 power generation Methods 0.000 claims description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 19
- 238000004519 manufacturing process Methods 0.000 claims description 17
- 238000005868 electrolysis reaction Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 9
- 230000036541 health Effects 0.000 claims description 8
- 239000000112 cooling gas Substances 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 239000012495 reaction gas Substances 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 5
- 238000007906 compression Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 210000004027 cell Anatomy 0.000 description 21
- 239000011159 matrix material Substances 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 9
- 230000005611 electricity Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 239000012528 membrane Substances 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- NBIIXXVUZAFLBC-UHFFFAOYSA-N Phosphoric acid Chemical compound OP(O)(O)=O NBIIXXVUZAFLBC-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000003642 hunger Nutrition 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000037351 starvation Effects 0.000 description 2
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 229910000147 aluminium phosphate Inorganic materials 0.000 description 1
- 239000003011 anion exchange membrane Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 150000002431 hydrogen Chemical class 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 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
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/24—Classification 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明为一种氢电耦合系统综合性能测试方法、装置及介质,属于新能源领域,针对现有氢电耦合系统工况复杂、故障诊断不准确的问题,提供一种氢电耦合系统综合性能测试方法,具体步骤如下:获得氢电耦合系统正常状态下的状态运行数据,并对数据进行预处理;获得基于LSTM网络的状态预测模型;通过状态预测模型处理实时采集的状态运行数据,实现故障时间维度定位,并获得故障时间段氢电耦合系统状态运行数据;构建基于PCA和Fuzzy‑ART结合的故障诊断模型,处理故障时间段氢电耦合系统状态运行数据,实现故障位置定位;输出故障时间维度定位数据和故障位置定位数据,完成故障诊断。本申请可以处理未知的故障类型,实时诊断效果好。
Description
技术领域
本发明属于新能源领域,尤其涉及一种氢电耦合系统综合性能测试方法、装置及介质。
背景技术
利用可再生能源制氢可有效提升可再生能源消纳水平,氢能作为灵活高效的二次能源,在能源消费端可以利用电解槽和燃料电池,利用氢储能特性,实现电能跨季节长周期大规模存储。氢能与电能耦合,利用电网谷电、清洁能源制氢存储,在用电高峰时再通过氢燃料电池发电,实现电网削峰填谷。电解槽和燃料 电池是实现氢能与电能耦合的关键设备,为了确保氢电转换关键设备的安全性,需要掌握关键设备在典型波动工况下的特性,明确设备内部的危险点和潜在事故发生风险,建立可靠的故障诊断及状态评估方法,并且根据设备在运行过程中随着服役时间而发生的性能变化,使设备的最佳输出处于动态变化的过程。因此,优化氢电耦合系统的维护至关重要。但目前氢电耦合系统的状态评估方法均不够完善,存在以下问题:1.氢电耦合系统的工作状况复杂,供电端可再生能源波动大,耦合系统规模大、系统复杂,因此综合状态评估困难;2.基于模型的故障诊断方案,是通过建立氢电耦合系统的非线性物理模型,来判断系统是否出现故障。但是由于存在不确定的参数以及干扰,必须对模型进行相应的简化,这会导致模型的不确定性;氢电耦合系统是一个复杂的非线性模型,系统中存在大量的耦合关系,模型很难准确的还原系统的性能;实际系统变得越来越复杂,在模型运行过程中,往往需要相当长的处理时间,不适合于实时诊断。
发明内容
针对现有氢电耦合系统工况复杂、故障诊断不准确的问题,本发明提供了一种氢电耦合系统综合性能测试方法、装置及介质,其目的在于对氢电耦合系统典型波动工况下的综合特性进行测试,对系统的健康状态进行评估,识别并定位系统故障。
一种氢电耦合系统综合性能测试方法,具体步骤如下:
步骤1,获得氢电耦合系统正常状态下的状态运行数据,并对数据进行预处理,以剔除状态运行数据中的空值和异常值;
步骤2,构建LSTM网络模型,通过预处理数据对该LSTM网络模型进行训练,获得基于LSTM网络的状态预测模型;通过状态预测模型处理实时采集的状态运行数据,实现故障时间维度定位,并获得故障时间段氢电耦合系统状态运行数据;
步骤3,构建基于PCA和Fuzzy-ART结合的故障诊断模型,处理故障时间段氢电耦合系统状态运行数据,实现故障位置定位;
步骤4,输出故障时间维度定位数据和故障位置定位数据,完成故障诊断。
氢电耦合系统状态运行数据采集过程中可能存在噪声干扰、通讯受阻等情况,导致原始的氢电耦合系统运行数据会存在空值和干扰数据,如果对这些异常数据不进行处理,会影响后续模型预测的准确度。因此需要对原始运行数据进行处理,去除掉原始数据中的空值和异常值。
采用LSTM网络的状态预测模型,能够对运行数据进行预测,基于PCA与Fuzzy-ART相结合的故障诊断模型,不仅可以实现已知故障的诊断,还可以实现未知故障的准确判断。在遇到新的故障类型或复合故障时,将其输出为新的类别,并结合专家知识对新的类别进行标记。在运行前期主要是通过专家知识确定故障类型。当故障数据积累到一定数量以后,完成故障诊断模型的训练。
进一步地,所述步骤1中,所述状态运行数据包括输出电压、输出电流、输出功率、空气流速、氢气流速、反应气体温度、反应气体湿度、压力、冷却气体温度、冷却气体流速。
进一步地,步骤2具体过程为:
步骤2.1,构建LSTM网络模型,并将预处理后的状态运行数据输入LSTM网络模型进行训练,获得基于LSTM网络的状态预测模型;
步骤2.2,将实时采集的一定时间段内氢电耦合系统的多个运行状态数据输入到状态预测模型中,获得预测状态数据,以预测氢电耦合系统后续运行状态;
步骤2.3,将预测状态数据与实时采集的运行状态数据做残差处理,当差值超过阈值时,则判定氢电耦合系统在该时间发生故障,完成故障时间维度定位,并获得故障时间段氢电耦合系统状态运行数据。
获取系统不同制氢、发电工况下的状态、运行参数历史数据,构建基于 LSTM网络的状态预测模型,利用获取的历史数据完成对LSTM网络模型进行训练。测试过程中,将某一时间段采集的氢电耦合系统状态、运行参数信息数据输入健康状态预测模型,预测得到系统未来一定时间内的状态运行参数,并于对系统性能进行评估,判断测试过程中是否发生故障,并对故障进行定位和标记。阈值设定过小容易造成误判,将正常的波动判定为故障状态;阈值设定过大,容易造成漏判。阈值根据实际测试情况结合专家知识进行设定。
进一步地,所述步骤2.2中,实时采集的状态参数数据以时间序列的方式存储,即参数指标按时间点顺序排列,并且包含当前时段的时间信息。状态参数数据采集自氢电耦合系统的健康运行阶段,即选自氢电耦合系统从系统启动开始到设定工况的相对稳定阶段。
进一步地,步骤3具体过程为:
步骤3.1,通过专家知识对步骤2.3获得的故障时间段氢电耦合系统状态运行数据的故障类型进行诊断标定,将每个状态数据样本和其对应的故障类型整理成故障类型数据集;
步骤3.2,使用PCA算法对故障类型数据集中的数据进行降维,去除数据中的噪声影响、提取数据特征;
步骤3.3,选取降维处理后的数据集中影响显著的综合因子作为故障诊断特征向量,构建最终的训练数据集;
步骤3.4,构建Fuzzy-ART模型,基于故障诊断特征向量,使用最终的训练数据集对Fuzzy-ART模型进行训练,初始化Fuzzy-ART网络参数,获得基于PCA和Fuzzy-ART结合的故障诊断模型;
步骤3.5,提取步骤2.3获得的故障时间段氢电耦合系统状态运行数据作为待识别样本,输入基于PCA和Fuzzy-ART相结合的故障诊断模型,输出诊断结果,实现故障位置定位。
进一步地,所述步骤3.1中,所述专家知识包括基于理论分析获得的氢电耦合系统的典型故障特征以及基于长期从事氢电耦合系统性能测试工作的专家积累的经验。
一种氢电耦合系统综合性能测试装置,包括依次相连的:能够制备氢气的电解水制氢装置、具有储氢功能的储氢装置和将氢气转化为电能的氢燃料电池发电装置,所述电解水制氢装置与一可调节直流电源相连,所述可调节直流电源用于模拟波动性可再生能源(如太阳能发电、风能发电等)发电工况,所述氢燃料电池发电装置与一可调节电子负载相连,所述可调节电子负载用于模拟波动负荷工况;所述可调节直流电源、电解水制氢装置、储氢装置、氢燃料电池发电装置和可调节电负载均与一上位机测试控制模块相连,所述上位机测试控制模块用于采集设备状态运行信息,输出控制指令;一健康状态评估模块与所述上位机测试控制模块相连,用于实现上述的氢电耦合系统综合性能测试方法。
可调节直流电源的主要作用是为电解水制氢装置提供直流电源。可调节直流电源与上位机测试控制模块相连接,可通过上位机编程模拟太阳能发电、风能发电等波动性可再生能源发电工况,对电解水制氢装置在波动性制氢工况下的性能进行测试,评估其可靠性、工作稳定性和效率等。氢电耦合系统组成部件多,结构复杂,故障类型多样,用于训练故障诊断模型的样本数据有限。系统实际运行过程可能出现新的故障类型或者多种故障同时出现的情形,导致传统的基于监督的故障诊断模型分类方法受限。本申请提供的装置能够较好地模拟各种工况,提供可靠的、与实际相符的运行数据。
电解水制氢装置是氢电耦合系统氢电转换的核心装备,利用电网谷电或太阳能、风能等可再生能源发电电解水制取氢气。常见的四种电解水技术包括碱性电解水技术(ALK)、质子交换膜电解水技术(PEM)、高温固体氧化物电解水技术(SOEC)和固体聚合物阴离子交换膜电解水技术(AEM)。ALK是最早开展的电解水制氢技术之一,其发展最成熟,投资、运行成本低,但存在碱液流失、腐蚀、能耗高等问题。PEM具有能耗低、设备紧凑的优势,能适应可再生能源电力输入,但存在电解槽使用寿命较短,设备成本高等问题。SOEC在高温下运行,制氢系统电化学性能显著提升,效率更高。但高温也制约着该技术的推广应用,因此SOEC还在初期示范阶段。AEM作为最新的电解水技术,其潜力在于将碱性电解槽的低成本与PEM的简单、高效相结合,目前处于研发阶段。电解水制氢装置可以采用ALK、PEM或SOFC技术,电解水制氢装置与可调节直流电源相互连接,可调节直流电源可通过模拟可再生能源发电的波动特性为制氢装置供电,从而进行电解水反应生产氢气。
氢燃料电池发电装置是氢电耦合系统实现氢电转换的核心装备,与储氢装置连接,使用储氢装置的氢气,生产电能。主要的燃料电池包括质子交换膜燃料电池(PEMFC)、磷酸燃料电池(PAFC)、熔融碳酸盐燃料电池(MCFC)和固体氧化物燃料电池(SOFC)。
可调节电子负载与上位机测试控制模块相连接,作为氢燃料电池发电装置虚拟负载,可通过上位机编程模拟氢燃料电池发电装置实际波动载荷工况,对氢燃料电池在波动性载荷工况下的性能进行测试,评估其可靠性、工作稳定性和效率等。
进一步地,所述储氢装置包括氢气压缩模块和高压储氢罐。储氢装置采用物理方式进行储氢,制氢装置产生的氢气首先经过分离纯化,再经过压缩加压后注入高压储氢罐。
一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,用于实现上述的氢电耦合系统综合性能测试方法。
本发明可以取得以下有益效果:
1.本申请提供一种氢电耦合系统综合性能测试方法,能够解决氢电耦合系统原始数据量大、机理复杂、难以分辨和诊断故障的问题,采用的方法不依赖复杂的机理模型,通过构建基于 LSTM网络的状态预测模型和基于PCA和Fuzzy-ART结合的故障诊断模型,对氢电耦合系统故障进行诊断,且可以处理一些未知的故障类型,实时诊断效果好。
2.本申请还提供一种氢电耦合系统综合性能测试装置,通过可调节的直流电源和载荷模拟不同工况,可以对氢电耦合系统进行各种工况的综合性能测试,相比恒定工况的性能测试,可以更全面地对系统进行评估和诊断,掌握系统的特性,及时排查波动情况下可能出现的异常状况。
附图说明
图1为氢电耦合系统综合性能测试方法;
图2 为长短期记忆网络原理图;
图3为测试结果图;
图4为实施例2的结构示意图。
其中,1-可调节直流电源;2-可调节电子负载;3-电解水制氢装置;4-储氢装置;5-氢燃料电池发电装置;6-上位机测试控制模块;7-健康状态评估模块;8-氢气压缩模块;9-高压储氢罐。
具体实施方式
为了便于本领域的技术人员的理解,下面用具体的实施例对本发明进行说明。
实施例1
一种氢电耦合系统综合性能测试方法,具体步骤如下:
步骤1,获得氢电耦合系统正常状态下的状态运行数据,并对数据进行预处理,以剔除状态运行数据中的空值和异常值;
所述状态运行数据包括输出电压、输出电流、输出功率、空气流速、氢气流速、反应气体温度、反应气体湿度、压力、冷却气体温度、冷却气体流速;状态参数数据采集自氢电耦合系统的健康运行阶段,即选自氢电耦合系统从系统启动开始到设定工况的相对稳定阶段。
步骤2,构建LSTM网络模型,通过预处理数据对该LSTM网络模型进行训练,获得基于LSTM网络的状态预测模型;通过状态预测模型处理实时采集的状态运行数据,实现故障时间维度定位,并获得故障时间段氢电耦合系统状态运行数据;具体过程为:
步骤2.1,构建LSTM网络模型,并将预处理后的状态运行数据输入LSTM网络模型进行训练,获得基于LSTM网络的状态预测模型;
步骤2.2,将实时采集的一定时间段内氢电耦合系统的多个运行状态数据输入到状态预测模型中,获得预测状态数据,以预测氢电耦合系统后续运行状态;
步骤2.3,将预测状态数据与实时采集的运行状态数据做残差处理,当差值超过阈值时,则判定氢电耦合系统在该时间发生故障,完成故障时间维度定位,并获得故障时间段氢电耦合系统状态运行数据。
LSTM网络模型是一种时间递归神经网络,其结构如图2所示。在网络模型中通过引入门机制,在隐含层内部加入输入门、输出门、遗忘门,并增加了用于存储记忆的单元。每一个LSTM神经元是由细胞状态即长期状态和即时状态/>、输入门/>、遗忘门/>、输出门/>所组成。
遗忘门决定哪些信息要被删除,哪些信息要被记忆下去;输入门控制哪些信息可以被输入;输出门控制哪些信息可以被输出到下一个神经元。
输入门控制/>要保持哪些信息,如果关闭输入门,即/>时,即时状态/>将不写入新的状态信息,/>保存的状态信息便只和上一时刻的状态/>有关。输入门由sigmoid函数选择更新保留哪些信息和tanh函数构造新的向量组成新的细胞状态。计算公式如下:
(1);
(2);
式中:为sigmoid函数,/>是输入门的权值矩阵;/>表示上一时刻的输出;表示当前时刻的输入;/>是输入门的偏置项;tanh(.)为线性整流激活函数;/>为状态值计算的权重矩阵;/>为状态值计算的偏置项;
遗忘门决定/>要保留舍弃多少到当前状态,如果关闭遗忘门时,即/>时,记忆单元内保存的历史信息将会被删除,上一时刻的细胞状态将不能影响当前时刻的细胞状态。计算公式如下:
(3);
式中:是遗忘门的权值矩阵;/>是遗忘门的偏置项;
由公式(4)更新的值,并通过输出门/>确定输出结果/>:
(4);
式中,表示当前时刻的输出,/>是输出门的权值矩阵;/>是输出门的偏置项;/>为t时刻输出门所得到的输出结果。
如果差值大于设定阈值,则判定系统出现故障,激活故障分类系统。
获取系统不同制氢、发电工况下的状态、运行参数历史数据,构建基于 LSTM网络构建系统健康状态预测模型,利用获取的历史数据完成对健康状态预测模型的训练。测试过程中,将某一时间段采集的氢电耦合系统状态、运行参数信息数据输入健康状态预测模型,预测得到系统未来一定时间内的状态运行参数,并于对系统性能进行评估,判断测试过程中是否发生故障,并对故障进行定位和标记。阈值设定过小容易造成误判,将正常的波动判定为故障状态;阈值设定过大,容易造成漏判。阈值根据实际测试情况结合专家知识进行设定。
步骤3,构建基于PCA和Fuzzy-ART结合的故障诊断模型,处理故障时间段氢电耦合系统状态运行数据,实现故障位置定位;具体过程为:
步骤3.1,通过专家知识对步骤2.3获得的故障时间段氢电耦合系统状态运行数据的故障类型进行诊断标定,将每个状态数据样本和其对应的故障类型整理成故障类型数据集;氢电耦合系统状态参数运行数据采集过程中可能存在噪声干扰、通讯受阻等情况,导致原始的氢电耦合系统状态运行数据会存在空值和干扰数据,在利用状态参数数据对模型进行训练之前,需要对原始数据进行处理,剔除原始数据中的空值和异常值。所述专家知识包括基于理论分析获得的氢电耦合系统的典型故障特征以及基于长期从事氢电耦合系统性能测试工作的专家积累的经验。
为消除不同参数量纲差异对诊断结果的影响,需要对数据进行归一化处理。设数据中有m个变量,分别用X 1,X 2,X m表示。每个变量中有n个数据,其矩阵表示为:
(5);
对数据进行归一化处理:
(6);
其中,x ij表示公式(5)中矩阵元素;i=1,2,...,n;j=1,2,...,m;为第j个变量的最小值,/>为第j个变量的最大值。
归一化后的数据矩阵为:
(7);
矩阵中元素为。
步骤3.2,使用PCA算法对故障类型数据集中的数据进行降维,去除数据中的噪声影响、提取数据特征;原始数据各特征之间存在一定的相关性,为实现对故障的快速诊断,要先对数据进行降维处理。PCA是一种非监督学习的数据降维方法,它通过特征值分解对数据进行压缩和去噪,在一定程度上消除信息的重叠。具体过程如下:
1)计算相关系数矩阵:
(8);
其中,相关系数矩阵的元素为r hl,
则,其中,h取值1,2,...,m,l取值1,2,...,m;/>和/>表示归一矩阵中两个不同的列均值;/>为归一化后的数据矩阵中对应h列的元素,/>为归一化后的数据矩阵中对应l列的元素。
2)计算特征值与特征向量:
根据雅可比法解特征方程,求特征值/>,并使其按大小顺序排列,即/>。分别求出对应于特征值/>的特征向量/>。这里要求/>,即/>,其中/>表示向量/>的第q个分量。
3)计算主成分贡献率及累计贡献率:
第t个主成分的贡献率为:
(9);
累计贡献率为:
(10);
一般取累计贡献率达85%~95%对应的特征值所对应的的第1,第2,第u(u≤m)个主成分。降维后的数据矩阵为:
(11);
步骤3.3,选取降维处理后的数据集中影响显著的综合因子作为故障诊断特征向量,构建最终的训练数据集;
步骤3.4,构建Fuzzy-ART模型,基于故障诊断特征向量,使用最终的训练数据集对Fuzzy-ART模型进行训练,以始化Fuzzy-ART网络参数,获得基于PCA和Fuzzy-ART结合的故障诊断模型。
步骤3.4.1,Fuzzy-ART神经网络拓扑结构,其包括预处理层F 0、比较层F 1和识别层F 2。Z为输入向量,,/>,V为输入向量个数,v取值1至V,对向量Z求余得到向量/>;构造F 0层补码输入向量/>;
步骤3.4.2,F 2层权值W初始化:选择因子初始化,学习速率/>初始化,警戒值/>初始化,对所有/>计算选择函数T r:
(12);
其中,函数表示最小值计算,/>为所有维度求和计算;/>为第r个类别的权值向量;/>为选择因子;N为类别数量,即F2层的节点数。
步骤3.4.3,选择T r中的最大值T rmax:
(13);
若T rmax有多个,选择下标最小的T rmax设为T R,该T R对应的设为/>。
步骤3.4.4,F 1层的活动向量和输入向量/>做比较得相似度K,K定义为:
(15);
K与系统警戒阈值比较;若相似度/>,T r变为负数,返回步骤3.4.3;若/>,即发生共振,Fuzzy-ART网络进入学习阶段,向下一步骤进行。若所有类别节点均不满足,则在层新建一个类别节点,N=N+1,转至步骤3.4.1。
步骤3.4.6,节点R权值向量修改,其他类别节点权值向量不变,R点权值调整为:
(16);
式中:β为学习速率;为更新后的权值,/>为更新前的权值,返回公式(12)处接受下一外部输入。
步骤3.5,提取步骤2.3获得的故障时间段氢电耦合系统状态运行数据作为待识别样本,输入基于PCA和Fuzzy-ART相结合的故障诊断模型,输出诊断结果,实现故障位置定位。
步骤4,输出故障时间维度定位数据和故障位置定位数据,完成故障诊断。
在本实施例1步骤3及步骤4中,构建Fuzzy-ART故障诊断模型训练集样本包含正常状态、膜干故障、水淹故障三种状态各190组样本。测试集样本包含,正常状态、膜干故障、水淹故障、饥饿故障四种状态各80组样本。参见附图3,本发明实施例1中Fuzzy-ART故障分类器,除了可以实现已知类型故障诊断(训练集中包含的故障类型),还可以实现未知故障类型的准确分类(训练集中不包含的饥饿故障),实验测得准确率为95.94%。
氢电耦合系统状态运行数据采集过程中可能存在噪声干扰、通讯受阻等情况,导致原始的氢电耦合系统运行数据会存在空值和干扰数据,如果对这些异常数据不进行处理,会影响后续模型预测的准确度。因此需要对原始运行数据进行处理,去除掉原始数据中的空值和异常值。
氢电耦合系统综合性能测试装置组成部件多,结构复杂,故障类型多样,用于训练故障诊断模型的样本数据有限。系统实际运行过程可能出现新的故障类型或者多种故障同时出现的情形,导致传统的基于监督的故障诊断模型分类方法受限。提出的基于PCA与Fuzzy-ART相结合的故障诊断算法,不仅可以实现已知故障的诊断,还可以实现未知故障的准确判断。在遇到新的故障类型或复合故障时,将其输出为新的类别,并结合专家知识对新的类别进行标记。在运行前期主要是通过专家知识确定故障类型。当故障数据积累到一定数量以后,完成故障诊断模型的训练。
实施例2
一种氢电耦合系统综合性能测试装置,其包括依次相连的:能够制备氢气的电解水制氢装置3、具有储氢功能的储氢装置4和将氢气转化为电能的氢燃料电池发电装置5,所述电解水制氢装置3与可调节直流电源1相连,所述可调节直流电源1用于模拟波动性可再生能源发电工况,所述氢燃料电池发电装置5与可调节电子负载2相连,所述储氢装置包括氢气压缩模块8和高压储氢罐9。所述可调节电子负载2用于模拟波动负荷工况;所述可调节直流电源1、电解水制氢装置3、储氢装置4、氢燃料电池发电装置5和可调节电负载均与上位机测试控制模块6相连,所述上位机测试控制模块6用于采集设备状态运行信息,输出控制指令;健康状态评估模块7与所述上位机测试控制模块6相连,用于实现实施例1所述的氢电耦合系统综合性能测试方法。
实施例3
一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,用于实现实施例1所述的氢电耦合系统综合性能测试方法。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,熟悉该领域的技术人员应该明白本发明包括但不限于附图和上面具体实施方式中描述的内容。任何不偏离本发明的功能和结构原理的修改都将包括在权利要求的范围中。
Claims (7)
1.一种氢电耦合系统综合性能测试方法,其特征在于,具体步骤如下:
步骤1,获得氢电耦合系统正常状态下的状态运行数据,并对数据进行预处理,以剔除状态运行数据中的空值和异常值;
步骤2,构建LSTM网络模型,通过预处理数据对该LSTM网络模型进行训练,获得基于LSTM网络的状态预测模型;通过状态预测模型处理实时采集的状态运行数据,实现故障时间维度定位,并获得故障时间段氢电耦合系统状态运行数据;步骤2具体过程为:
步骤2.1,构建LSTM网络模型,并将预处理后的状态运行数据输入LSTM网络模型进行训练,获得基于LSTM网络的状态预测模型;
步骤2.2,将实时采集的一定时间段内氢电耦合系统的多个运行状态数据输入到状态预测模型中,获得预测状态数据,以预测氢电耦合系统后续运行状态;
步骤2.3,将预测状态数据与实时采集的运行状态数据做残差处理,当差值超过阈值时,则判定氢电耦合系统在该时间发生故障,完成故障时间维度定位,并获得故障时间段氢电耦合系统状态运行数据;
步骤3,构建基于PCA和Fuzzy-ART结合的故障诊断模型,处理故障时间段氢电耦合系统状态运行数据,实现故障位置定位;步骤3具体过程为:
步骤3.1,通过专家知识对步骤2.3获得的故障时间段氢电耦合系统状态运行数据的故障类型进行诊断标定,将每个状态数据样本和其对应的故障类型整理成故障类型数据集;
步骤3.2,使用PCA算法对故障类型数据集中的数据进行降维,去除数据中的噪声影响、提取数据特征;
步骤3.3,选取降维处理后的数据集中影响显著的综合因子作为故障诊断特征向量,构建最终的训练数据集;
步骤3.4,构建Fuzzy-ART模型,基于故障诊断特征向量,使用最终的训练数据集对Fuzzy-ART模型进行训练,初始化Fuzzy-ART网络参数,获得基于PCA和Fuzzy-ART结合的故障诊断模型;
步骤3.5,提取步骤2.3获得的故障时间段氢电耦合系统状态运行数据作为待识别样本,输入基于PCA和Fuzzy-ART相结合的故障诊断模型,输出诊断结果,实现故障位置定位;
步骤4,输出故障时间维度定位数据和故障位置定位数据,完成故障诊断。
2.根据权利要求1所述的氢电耦合系统综合性能测试方法,其特征在于,所述步骤1中,所述状态运行数据包括输出电压、输出电流、输出功率、空气流速、氢气流速、反应气体温度、反应气体湿度、压力、冷却气体温度、冷却气体流速。
3.根据权利要求1所述的氢电耦合系统综合性能测试方法,其特征在于,所述步骤2.2中,实时采集的状态参数数据以时间序列的方式存储。
4.根据权利要求1所述的氢电耦合系统综合性能测试方法,其特征在于,所述步骤3.1中,所述专家知识包括基于理论分析获得的氢电耦合系统的典型故障特征以及基于长期从事氢电耦合系统性能测试工作的专家积累的经验。
5.一种氢电耦合系统综合性能测试装置,其特征在于,其包括依次相连的:能够制备氢气的电解水制氢装置、具有储氢功能的储氢装置和将氢气转化为电能的氢燃料电池发电装置,所述电解水制氢装置与一可调节直流电源相连,所述可调节直流电源用于模拟波动性可再生能源发电工况,所述氢燃料电池发电装置与一可调节电子负载相连,所述可调节电子负载用于模拟波动负荷工况;所述可调节直流电源、电解水制氢装置、储氢装置、氢燃料电池发电装置和可调节电负载均与一上位机测试控制模块相连,所述上位机测试控制模块用于采集设备状态运行信息,输出控制指令;一健康状态评估模块与所述上位机测试控制模块相连,用于实现权利要求1至4任一项权利要求所述的氢电耦合系统综合性能测试方法。
6.根据权利要求5所述的氢电耦合系统综合性能测试装置,其特征在于,所述储氢装置包括氢气压缩模块、高压储氢罐。
7.一种计算机可读存储介质,其特征在于,其上存储有程序,该程序被处理器执行时,实现权利要求1-4任一项所述氢电耦合系统综合性能测试方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311856960.3A CN117491793B (zh) | 2023-12-29 | 2023-12-29 | 一种氢电耦合系统综合性能测试方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311856960.3A CN117491793B (zh) | 2023-12-29 | 2023-12-29 | 一种氢电耦合系统综合性能测试方法、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117491793A CN117491793A (zh) | 2024-02-02 |
CN117491793B true CN117491793B (zh) | 2024-05-10 |
Family
ID=89678608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311856960.3A Active CN117491793B (zh) | 2023-12-29 | 2023-12-29 | 一种氢电耦合系统综合性能测试方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117491793B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508811A (zh) * | 2018-09-30 | 2019-03-22 | 中冶华天工程技术有限公司 | 基于主成分分析和长短期记忆网络的污水处理出水参数预测方法 |
CN112578891A (zh) * | 2020-12-01 | 2021-03-30 | 深圳前海有电物联科技有限公司 | 不间断电源预测性维护方法、装置及存储介质 |
CN113253063A (zh) * | 2020-10-29 | 2021-08-13 | 诸暨市迪朗物联科技有限公司 | 基于长短时记忆网络深度学习的故障电弧检测系统及方法 |
CN114243063A (zh) * | 2021-12-17 | 2022-03-25 | 华中科技大学 | 一种固体氧化物燃料电池系统故障定位方法和诊断方法 |
WO2023000985A1 (zh) * | 2021-07-22 | 2023-01-26 | 中国第一汽车股份有限公司 | 燃料电池的剩余寿命预测方法及装置 |
CN116384823A (zh) * | 2023-04-04 | 2023-07-04 | 国网浙江省电力有限公司电力科学研究院 | 氢电耦合系统可靠性评估方法及系统 |
CN116383636A (zh) * | 2023-03-30 | 2023-07-04 | 武汉理工大学 | 一种基于pca与lstm融合算法的磨煤机故障预警方法 |
CN116794510A (zh) * | 2023-06-06 | 2023-09-22 | 中国工商银行股份有限公司 | 故障预测方法、装置、计算机设备和存储介质 |
CN117035332A (zh) * | 2023-08-15 | 2023-11-10 | 国网安徽省电力有限公司经济技术研究院 | 一种基于氢电耦合的能源协同优化处理方法 |
-
2023
- 2023-12-29 CN CN202311856960.3A patent/CN117491793B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508811A (zh) * | 2018-09-30 | 2019-03-22 | 中冶华天工程技术有限公司 | 基于主成分分析和长短期记忆网络的污水处理出水参数预测方法 |
CN113253063A (zh) * | 2020-10-29 | 2021-08-13 | 诸暨市迪朗物联科技有限公司 | 基于长短时记忆网络深度学习的故障电弧检测系统及方法 |
CN112578891A (zh) * | 2020-12-01 | 2021-03-30 | 深圳前海有电物联科技有限公司 | 不间断电源预测性维护方法、装置及存储介质 |
WO2023000985A1 (zh) * | 2021-07-22 | 2023-01-26 | 中国第一汽车股份有限公司 | 燃料电池的剩余寿命预测方法及装置 |
CN114243063A (zh) * | 2021-12-17 | 2022-03-25 | 华中科技大学 | 一种固体氧化物燃料电池系统故障定位方法和诊断方法 |
CN116383636A (zh) * | 2023-03-30 | 2023-07-04 | 武汉理工大学 | 一种基于pca与lstm融合算法的磨煤机故障预警方法 |
CN116384823A (zh) * | 2023-04-04 | 2023-07-04 | 国网浙江省电力有限公司电力科学研究院 | 氢电耦合系统可靠性评估方法及系统 |
CN116794510A (zh) * | 2023-06-06 | 2023-09-22 | 中国工商银行股份有限公司 | 故障预测方法、装置、计算机设备和存储介质 |
CN117035332A (zh) * | 2023-08-15 | 2023-11-10 | 国网安徽省电力有限公司经济技术研究院 | 一种基于氢电耦合的能源协同优化处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117491793A (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110221225B (zh) | 一种航天器锂离子电池循环寿命预测方法 | |
Liu et al. | PEMFC residual life prediction using sparse autoencoder-based deep neural network | |
Liu et al. | Sequence fault diagnosis for PEMFC water management subsystem using deep learning with t-SNE | |
JP4922597B2 (ja) | 燃料電池システムの診断方法および診断装置 | |
Morando et al. | Fuel cells remaining useful lifetime forecasting using echo state network | |
Wu et al. | A hybrid prognostic model applied to SOFC prognostics | |
CN107807860B (zh) | 一种基于矩阵分解的电力故障分析方法及系统 | |
Becker et al. | Predictive models for PEM-electrolyzer performance using adaptive neuro-fuzzy inference systems | |
CN112069727B (zh) | 具备高可信度的电力系统暂态稳定智能化评估系统及方法 | |
Hua et al. | Lifespan prediction for proton exchange membrane fuel cells based on wavelet transform and echo state network | |
CN116840720A (zh) | 燃料电池剩余寿命预测方法 | |
CN111695736A (zh) | 一种基于多模型融合的光伏发电短期功率预测方法 | |
CN118114101B (zh) | 燃料电池故障诊断方法及系统 | |
CN115563563A (zh) | 基于变压器油色谱分析的故障诊断方法及装置 | |
Wu et al. | Fault detection and assessment for solid oxide fuel cell system gas supply unit based on novel principal component analysis | |
CN117169761A (zh) | 电池状态评估方法、装置、设备、存储介质和程序产品 | |
CN115146739A (zh) | 基于堆叠时间序列网络的电力变压器故障诊断方法 | |
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 | |
CN118281263A (zh) | 燃料电池在线故障监测和预警的方法、装置及控制系统 | |
CN114581699A (zh) | 考虑多源信息时基于深度学习模型的变压器状态评估方法 | |
CN117558947B (zh) | 一种燃料电池在线健康诊断和寿命预测方法、装置及系统 | |
CN114595883A (zh) | 基于元学习的油浸式变压器剩余寿命个性化动态预测方法 | |
CN109978252A (zh) | 一种大功率集成燃料电池系统运行状态预测评估方法 | |
CN114460481A (zh) | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 | |
CN117491793B (zh) | 一种氢电耦合系统综合性能测试方法、装置及介质 |
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 |