CN117761559A - 燃料电池热失控预测模型的构建方法、装置、设备及介质 - Google Patents
燃料电池热失控预测模型的构建方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117761559A CN117761559A CN202311778898.0A CN202311778898A CN117761559A CN 117761559 A CN117761559 A CN 117761559A CN 202311778898 A CN202311778898 A CN 202311778898A CN 117761559 A CN117761559 A CN 117761559A
- Authority
- CN
- China
- Prior art keywords
- fuel cell
- thermal runaway
- gas
- prediction model
- key
- 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 129
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000013507 mapping Methods 0.000 claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000007637 random forest analysis Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims description 23
- 230000003595 spectral effect Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 16
- 238000001228 spectrum Methods 0.000 claims description 15
- 238000004519 manufacturing process Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 5
- 239000007789 gas Substances 0.000 description 118
- 230000008569 process Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000010943 off-gassing Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 229910052739 hydrogen Inorganic materials 0.000 description 3
- 239000001257 hydrogen Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005192 partition Methods 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
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 150000002431 hydrogen Chemical class 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- Fuel Cell (AREA)
Abstract
本发明实施例公开了一种燃料电池热失控预测模型的构建方法、装置、设备及介质。该方法包括：确定燃料电池热失控时释放的关键气体信息；其中，所述关键气体信息包括关键气体类别及关键气体参数；获取所述燃料电池电芯在热失控时的性能参数；其中，所述性能参数包括温度、电流及电压中的至少一项；建立所述性能参数与关键气体参数间的映射关系；采用随机森林算法对所述性能参数与关键气体参数间的映射关系进行处理，以构建所述燃料电池的热失控预测模型。基于随机森林算法构建燃料电池的热失控预测模型，能够提高对燃料电池热失控预测的精度。
Description
技术领域
本发明实施例涉及燃料电池技术领域，尤其涉及一种燃料电池热失控预测模型的构建方法、装置、设备及介质。
背景技术
燃料电池以其高能量密度、高循环寿命、高环保等优点，在多个领域得到广泛应用。然而，燃料电池在长期的充放电循环过程中，由于多种客观诱因，可能会触发热失控而产生大量有毒或高度可燃性气体，导致后续剧烈的火灾或者爆炸。因此，实时分析热失控气体对燃料电池热失控早期预警、安全性评估和安全管理等具有重要意义。
在目前的燃料电池安全设计中，对燃料电池热失控预警检测方法，一般都集中于采用在电池内部布置传感器，或者对电池输出的电压、电流、电阻性能参数进行采集分析，进而对电池热失控的潜在风险进行相关预测。
但上述方法存在电路设计复杂、检测能力不足、精确性不高等局限性，导致在燃料电池热安全分析测试中存在各种各样的问题。
发明内容
本发明实施例提供一种燃料电池热失控预测模型的构建方法、装置、设备及介质，通过随机森林算法构建燃料电池的热失控预测模型，可以提高对燃料电池热失控预测的精度。
第一方面，本发明实施例提供了一种燃料电池热失控预测模型的构建方法，包括：
确定燃料电池热失控时释放的关键气体信息；其中，所述关键气体信息包括关键气体类别及关键气体参数；
获取所述燃料电池电芯在热失控时的性能参数；其中，所述性能参数包括温度、电流及电压中的至少一项；
建立所述性能参数与关键气体参数间的映射关系；
采用随机森林算法对所述性能参数与关键气体参数间的映射关系进行处理，以构建所述燃料电池的热失控预测模型。
第二方面，本发明实施例还提供了一种燃料电池热失控预测模型的构建装置，该装置包括：
关键气体信息确定模块，用于确定燃料电池热失控时释放的关键气体信息；其中，所述关键气体信息包括关键气体类别及关键气体参数；
性能参数获取模块，用于获取所述燃料电池电芯在热失控时的性能参数；其中，所述性能参数包括温度、电流及电压中的至少一项；
映射关系建立模块，用于建立所述性能参数与关键气体参数间的映射关系；
预测模型构建模块，用于采用随机森林算法对所述性能参数与关键气体参数间的映射关系进行处理，以构建所述燃料电池的热失控预测模型。
第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明实施例所述的燃料电池热失控预测模型的构建方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明实施例所述的燃料电池热失控预测模型的构建方法。
本发明实施例公开了一种燃料电池热失控预测模型的构建方法、装置、设备及介质，包括：确定燃料电池热失控时释放的关键气体信息；其中，关键气体信息包括关键气体类别及关键气体参数；获取燃料电池电芯在热失控时的性能参数；其中，性能参数包括温度、电流及电压中的至少一项；建立性能参数与关键气体参数间的映射关系；采用随机森林算法对性能参数与关键气体参数间的映射关系进行处理，以构建燃料电池的热失控预测模型。本发明实施例提供的燃料电池热失控预测模型的构建方法，建立性能参数与关键气体参数间的映射关系，使用随机森林算法对该映射关系进行处理，进而构建燃料电池的热失控预测模型，提高了对燃料电池热失控预测的精度。
附图说明
图1是本发明实施例一中的一种燃料电池热失控预测模型的构建方法的流程图；
图2是本发明实施例二中的一种燃料电池热失控预测模型的构建方法的流程图；
图3为本发明实施例提供的燃料电池分区的示例图；
图4是本发明实施例三中的一种燃料电池热失控预测模型的构建方法的流程图；
图5是本发明实施例四中的一种燃料电池热失控预测模型的构建装置的结构示意图；
图6是本发明实施例五中的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种燃料电池热失控预测模型的构建方法的流程图，本实施例可适用于对燃料电池进行热失控预测的情况，该方法可以由燃料电池热失控预测模型的构建装置来执行，该装置可以通过软件和/或硬件的形式实现，可选的，通过电子设备来实现，该电子设备可以是移动终端、PC端或服务器等。具体包括如下步骤：
S110、确定燃料电池热失控时释放的关键气体信息。
其中，关键气体信息包括关键气体类别及关键气体参数。关键气体参数包括产气速率、气体浓度及逸气速率中的至少一项。
示例性的，关键气体类别可以为CO2、CO、CH4、C2H4、C3H6、H2等气体。
本实施例中，确定燃料电池热失控时释放的关键气体信息的方式可以是：采集燃料电池在热失控时释放气体的光谱数据；对光谱数据进行滤波处理；基于滤波处理的光谱数据确定燃料电池热失控时释放的关键气体类别。
本实施例中，可以采用卡尔曼滤波方法对光谱数据进行滤波处理，也可以采用其他的滤波方法对光谱数据进行滤波处理，此处不做限定。
S120、获取燃料电池电芯在热失控时的性能参数。
其中，性能参数包括温度、电流及电压中的至少一项。
本实施例中，燃料电池包含多个电芯，获取燃料电池中多个电芯在热失控时的温度、电流及电压中的至少一项。
S130、建立性能参数与关键气体参数间的映射关系。
示例性的，假设上述获取到的性能参数为温度，关键气体类别为H2，关键气体参数为产气速率、H2浓度及逸气速率。则建立温度和产气速率、H2浓度及逸气速率之间的映射关系，例如：在T1温度下，H2的产气速率为v1、H2浓度为h1及H2的逸气速率为w1；在T2温度下，H2的产气速率为v2、H2浓度为h2及H2的逸气速率为w2；在T3温度下，H2的产气速率为v3、H2浓度为h3及H2的逸气速率为w3……。类似的，建立性能参数与关键气体参数间的多个映射关系。
S140、采用随机森林算法对性能参数与关键气体参数间的映射关系进行处理，以构建燃料电池的热失控预测模型。
本实施例中，采用随机森林算法对性能参数与关键气体参数间的映射关系进行处理，以构建燃料电池的热失控预测模型的方式可以是：采用随机森林算法对性能参数与各关键气体参数间的映射关系进行处理，获得多个候选热失控预测模型；基于设定评价指标从多个候选热失控预测模型中确定出目标热失控预测模型。
其中，热失控预测模型的作用为：当温度为多少时，产气速率、气体浓度及逸气速率为多少的情况下，该燃料电池处于热失控状态。
示例性的，采用随机森林算法对上述步骤的多个映射关系进行处理，获得多个候选热失控预测模型，即多个温度与产气速率、气体浓度及逸气速率之间的关系。根据设定评价指标从多个候选热失控预测模型中确定出目标热失控预测模型。
其中，设定评价指标包括拟合度、均方根误差及相对误差中的至少一项。
本实施例的技术方案，确定燃料电池热失控时释放的关键气体信息；获取燃料电池电芯在热失控时的性能参数；建立性能参数与关键气体参数间的映射关系；采用随机森林算法对性能参数与关键气体参数间的映射关系进行处理，以构建燃料电池的热失控预测模型。本发明实施例提供的燃料电池热失控预测模型的构建方法，采用随机森林算法对多个映射关系进行处理，从而构建燃料电池的热失控预测模型，提高了对燃料电池热失控预测的精度。
实施例二
图2为本发明实施例二提供的一种燃料电池热失控预测模型的构建方法的流程图，在上述实施例的基础上，该方法包括如下步骤：
S210、采集燃料电池在热失控时释放气体的光谱数据。
本实施例中，采集燃料电池在热失控时释放气体的光谱数据的方式可以是：将燃料电池划分为多个区域；分别采集燃料电池热失控时在各区域中释放气体的光谱数据。
图3为本发明实施例提供的燃料电池分区的示例图，如图3所示，将燃料电池随机划分为多个区域，分别采集燃料电池热失控时在各个区域中释放气体的光谱数据。
S220、对光谱数据进行滤波处理。
示例性的，采用卡尔曼滤波方法对光谱数据进行滤波处理，即过滤光谱数据中的噪声数据。其中，卡尔曼滤波表达式如下：
X(k)＝A*X(k-1)+B*U(k)+W(k)
并加上系统的测量值：
Z(k)＝H*X(k)+V(k)
在上式中，X(k)是k时刻的系统状态，U(k)是k时刻对系统的控制量。A和B是系统参数，对于多模型系统，他们为矩阵。Z(k)是k时刻的测量值，H是测量系统的参数，对于多测量系统，H为矩阵。W(k)和V(k)分别表示过程和测量的噪声。
S230、基于滤波处理的光谱数据确定燃料电池热失控时释放的关键气体类别。
本实施例中，基于滤波处理的光谱数据确定燃料电池热失控时释放的关键气体类别的方式可以是：提取滤波处理后的光谱数据中的特征峰，确定特征峰所处的光谱段，基于光谱段确定燃料电池热失控时释放的关键气体类别。
本实施例中，在基于滤波处理的光谱数据确定燃料电池热失控时释放的关键气体类别之后，还包括：通过气体传感器采集燃料电池热失控时释放的气体类别；基于气体类别对燃料电池热失控时释放的关键气体类别进行修正。
示例性的，假设基于滤波处理的光谱数据确定出的关键气体类别为H2和CO，使用氢气传感器采集燃料电池热失控时释放的气体，判断是否产生了H2。采用CO传感器采集燃料电池热失控时释放的气体，判断是否产生了CO，如果发现产生了H2，并没有产生CO，则将燃料电池热失控时释放的关键气体类别修正为氢气。
S240、获取燃料电池电芯在热失控时的性能参数。
S250、建立性能参数与关键气体参数间的映射关系。
S260、采用随机森林算法对性能参数与关键气体参数间的映射关系进行处理，以构建燃料电池的热失控预测模型。
本实施例的技术方案，采集燃料电池在热失控时释放气体的光谱数据；对光谱数据进行滤波处理；基于滤波处理的光谱数据确定燃料电池热失控时释放的关键气体类别；获取燃料电池电芯在热失控时的性能参数；建立性能参数与关键气体参数间的映射关系；采用随机森林算法对性能参数与关键气体参数间的映射关系进行处理，以构建燃料电池的热失控预测模型。本发明实施例提供的燃料电池热失控预测模型的构建方法，对燃料电池在热失控时释放气体的光谱数据进行采集，并对其进行滤波处理，根据滤波处理后的光谱数据获得燃料电池热失控时释放的关键气体类别，可以提高关键气体类别确定的准确性，进而提高对燃料电池热失控预测的精度。
实施例三
图4为本发明实施例三提供的一种燃料电池热失控预测模型的构建方法的流程图，在上述实施例的基础上，该方法包括如下步骤：
S310、确定燃料电池热失控时释放的关键气体信息。
本实施例中，假设关键气体信息中的关键气体类别为H2，关键气体参数为H2的产气速率、H2浓度及H2的逸气速率。
S320、获取燃料电池电芯在热失控时的性能参数。
本实施例中，假设获取到的燃料电池电芯在热失控时的性能参数为温度。
S330、建立性能参数与关键气体参数间的映射关系。
本实施例中，建立温度与H2的产气速率、H2浓度及H2的逸气速率之间的多个映射关系。
S340、采用随机森林算法对性能参数与各关键气体参数间的映射关系进行处理，获得多个候选热失控预测模型。
本实施例中，采用随机森林算法对温度与H2的产气速率、H2浓度及H2的逸气速率之间的多个映射关系进行处理，获得多个候选热失控预测模型，即多个温度与产气速率、H2浓度及逸气速率之间的关系。
S350、基于设定评价指标从多个候选热失控预测模型中确定出目标热失控预测模型。
本实施例中，基于设定评价指标从多个候选热失控预测模型中确定出目标热失控预测模型的方式可以是：分别确定多个候选热失控预测模型的设定评价指标；将设定评价指标最优的候选热失控预测模型确定为目标热失控预测模型。
其中，设定评价指标包括拟合度、均方根误差及相对误差中的至少一项。
其中，当拟合度越趋近1，表明模型的拟合性越强，均方根误差越趋近0，相对误差大于2时，表明热失控预测模型的预测效果最好。
示例性的，假设有三个候选热失控预测模型，分别记作模型1、模型2和模型3，选取的设定评价指标为拟合度、均方根误差及相对误差。对于每一个模型，都需要计算模型的预测值与真实值之间的拟合度、均方根误差及相对误差。假设模型1的拟合度、均方根误差及相对误差分别为0.8、0.1和1.6，模型2的拟合度、均方根误差及相对误差分别为0.99、0.01和2.1，模型3的拟合度、均方根误差及相对误差分别为0.7、0.2和1.5。由此可知，模型2的设定评价指标是最优的，因此将模型2确定为目标热失控预测模型。
其中，真实值为温度与H2的产气速率、H2浓度及H2的逸气速率之间的多个映射关系，模型的预测值为采用随机森林算法处理后的温度与H2的产气速率、H2浓度及H2的逸气速率之间的多个映射关系。
本实施例的技术方案，确定燃料电池热失控时释放的关键气体信息；获取燃料电池电芯在热失控时的性能参数；建立性能参数与关键气体参数间的映射关系；采用随机森林算法对性能参数与各关键气体参数间的映射关系进行处理，获得多个候选热失控预测模型；基于设定评价指标从多个候选热失控预测模型中确定出目标热失控预测模型。本发明实施例提供的燃料电池热失控预测模型的构建方法，采用随机森林算法对多个映射关系进行处理，获得多个候选热失控预测模型，根据评价指标从多个候选模型中确定出目标热失控预测模型，可以提高对燃料电池热失控预测的精度。
实施例四
图5为本发明实施例四提供的一种燃料电池热失控预测模型的构建装置的结构示意图，如图5所示，该装置包括：
关键气体信息确定模块410，用于确定燃料电池热失控时释放的关键气体信息；其中，关键气体信息包括关键气体类别及关键气体参数；
性能参数获取模块420，用于获取燃料电池电芯在热失控时的性能参数；其中，性能参数包括温度、电流及电压中的至少一项；
映射关系建立模块430，用于建立性能参数与关键气体参数间的映射关系；
预测模型构建模块440，用于采用随机森林算法对性能参数与关键气体参数间的映射关系进行处理，以构建燃料电池的热失控预测模型。
其中，关键气体参数包括产气速率、气体浓度及逸气速率中的至少一项。
可选的，关键气体信息确定模块410，还用于：
采集燃料电池在热失控时释放气体的光谱数据；对光谱数据进行滤波处理；基于滤波处理的光谱数据确定燃料电池热失控时释放的关键气体类别。
其中，采集燃料电池在热失控时释放气体的光谱数据，包括：将燃料电池划分为多个区域；分别采集燃料电池热失控时在各区域中释放气体的光谱数据。
其中，在基于滤波处理的光谱数据确定燃料电池热失控时释放的关键气体类别之后，还包括：通过气体传感器采集燃料电池热失控时释放的气体类别；基于气体类别对燃料电池热失控时释放的关键气体类别进行修正。
可选的，预测模型构建模块440，还用于：
采用随机森林算法对性能参数与各关键气体参数间的映射关系进行处理，获得多个候选热失控预测模型；基于设定评价指标从多个候选热失控预测模型中确定出目标热失控预测模型。
其中，基于设定评价指标从多个候选热失控预测模型中确定出目标热失控预测模型，包括：分别确定多个候选热失控预测模型的设定评价指标；其中，设定评价指标包括拟合度、均方根误差及相对误差中的至少一项；将设定评价指标最优的候选热失控预测模型确定为目标热失控预测模型。
上述装置可执行本发明前述所有实施例所提供的方法，具备执行上述方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明前述所有实施例所提供的方法。
实施例五
图6示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图6所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如燃料电池热失控预测模型的构建方法。
在一些实施例中，燃料电池热失控预测模型的构建方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的燃料电池热失控预测模型的构建方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行燃料电池热失控预测模型的构建方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种燃料电池热失控预测模型的构建方法，其特征在于，包括：
确定燃料电池热失控时释放的关键气体信息；其中，所述关键气体信息包括关键气体类别及关键气体参数；
获取所述燃料电池电芯在热失控时的性能参数；其中，所述性能参数包括温度、电流及电压中的至少一项；
建立所述性能参数与关键气体参数间的映射关系；
采用随机森林算法对所述性能参数与关键气体参数间的映射关系进行处理，以构建所述燃料电池的热失控预测模型。
2.根据权利要求1所述的方法，其特征在于，确定燃料电池热失控时释放的关键气体信息，包括：
采集燃料电池在热失控时释放气体的光谱数据；
对所述光谱数据进行滤波处理；
基于滤波处理的光谱数据确定燃料电池热失控时释放的关键气体类别。
3.根据权利要求2所述的方法，其特征在于，采集燃料电池在热失控时释放气体的光谱数据，包括：
将燃料电池划分为多个区域；
分别采集燃料电池热失控时在各区域中释放气体的光谱数据。
4.根据权利要求2所述的方法，其特征在于，还包括：
通过气体传感器采集燃料电池热失控时释放的气体类别；
基于所述气体类别对所述燃料电池热失控时释放的关键气体类别进行修正。
5.根据权利要求1所述的方法，其特征在于，所述关键气体参数包括产气速率、气体浓度及逸气速率中的至少一项。
6.根据权利要求1所述的方法，其特征在于，采用随机森林算法对所述性能参数与关键气体参数间的映射关系进行处理，以构建所述燃料电池的热失控预测模型，包括：
采用随机森林算法对所述性能参数与各关键气体参数间的映射关系进行处理，获得多个候选热失控预测模型；
基于设定评价指标从所述多个候选热失控预测模型中确定出目标热失控预测模型。
7.根据权利要求6所述的方法，其特征在于，基于设定评价指标从所述多个候选热失控预测模型中确定出目标热失控预测模型，包括：
分别确定多个候选热失控预测模型的设定评价指标；其中，所述设定评价指标包括拟合度、均方根误差及相对误差中的至少一项；
将设定评价指标最优的候选热失控预测模型确定为目标热失控预测模型。
8.一种燃料电池热失控预测模型的构建装置，其特征在于，包括：
关键气体信息确定模块，用于确定燃料电池热失控时释放的关键气体信息；其中，所述关键气体信息包括关键气体类别及关键气体参数；
性能参数获取模块，用于获取所述燃料电池电芯在热失控时的性能参数；其中，所述性能参数包括温度、电流及电压中的至少一项；
映射关系建立模块，用于建立所述性能参数与关键气体参数间的映射关系；
预测模型构建模块，用于采用随机森林算法对所述性能参数与关键气体参数间的映射关系进行处理，以构建所述燃料电池的热失控预测模型。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的燃料电池热失控预测模型的构建方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的燃料电池热失控预测模型的构建方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311778898.0A CN117761559A (zh) | 2023-12-21 | 2023-12-21 | 燃料电池热失控预测模型的构建方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311778898.0A CN117761559A (zh) | 2023-12-21 | 2023-12-21 | 燃料电池热失控预测模型的构建方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117761559A true CN117761559A (zh) | 2024-03-26 |
Family
ID=90310001
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311778898.0A Pending CN117761559A (zh) | 2023-12-21 | 2023-12-21 | 燃料电池热失控预测模型的构建方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117761559A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118483596A (zh) * | 2024-07-08 | 2024-08-13 | 烟台海博电气设备有限公司 | 一种基于voc的锂电池组热失控监测方法及系统 |
-
2023
- 2023-12-21 CN CN202311778898.0A patent/CN117761559A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118483596A (zh) * | 2024-07-08 | 2024-08-13 | 烟台海博电气设备有限公司 | 一种基于voc的锂电池组热失控监测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117761559A (zh) | 燃料电池热失控预测模型的构建方法、装置、设备及介质 | |
| CN112907128B (zh) | 基于ab测试结果的数据分析方法、装置、设备及介质 | |
| CN115372841A (zh) | 一种锂离子电池单体热失控风险评价方法及装置 | |
| CN117791856A (zh) | 一种基于巡检机器人的电网故障预警方法及装置 | |
| CN115754772B (zh) | 一种电池容量衰减处理方法、装置、设备和存储介质 | |
| CN118154026A (zh) | 一种燃料可靠性指标的确定方法、装置、设备及介质 | |
| CN117805626A (zh) | 热失控预测模型确定方法、装置、电子设备及存储介质 | |
| CN117890791A (zh) | 热失控预测模型确定方法、装置、电子设备及存储介质 | |
| CN116804690A (zh) | 一种变压器故障检测方法、装置、电子设备及存储介质 | |
| CN117198017B (zh) | 一种报警等级确定方法、装置、电子设备及存储介质 | |
| CN117131784B (zh) | 一种基于全局代理优化的加速退化试验设计方法和装置 | |
| CN116127326B (zh) | 一种复合绝缘子检测方法、装置、电子设备及存储介质 | |
| CN115373449B (zh) | 一种数据处理方法、装置、设备及存储介质 | |
| CN116070951A (zh) | 一种煤气消耗管理方法、装置、设备和存储介质 | |
| CN118432952B (zh) | 一种零信任环境下的异常检测方法、电子设备及存储介质 | |
| CN117249036B (zh) | 一种抽水蓄能系统、水轮发电机组状态评估方法及装置 | |
| CN115392027A (zh) | 一种网架结构的安全评估方法、装置、设备及介质 | |
| CN118068210A (zh) | 一种电芯衰减评估方法、装置、设备及介质 | |
| CN117608896A (zh) | 交易数据处理方法、装置、电子设备及存储介质 | |
| CN118777769A (zh) | 一种低压台区异常线路诊断方法、装置、系统及介质 | |
| CN117635311A (zh) | 一种风险等级预测方法、装置、设备及存储介质 | |
| CN118313102A (zh) | 页岩气藏最终可采储量的预测方法、装置、设备及介质 | |
| CN118297406A (zh) | 一种电化学储能风险预测方法、装置、设备及存储介质 | |
| CN118169563A (zh) | 铅酸电池的异常预警方法、装置、设备和介质 | |
| CN117851208A (zh) | 一种芯片评估方法、装置、电子设备及介质 |
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 |