CN118050644B - 一种氢燃料电池性能衰退预测方法、装置及介质 - Google Patents
一种氢燃料电池性能衰退预测方法、装置及介质 Download PDFInfo
- Publication number
- CN118050644B CN118050644B CN202410157183.1A CN202410157183A CN118050644B CN 118050644 B CN118050644 B CN 118050644B CN 202410157183 A CN202410157183 A CN 202410157183A CN 118050644 B CN118050644 B CN 118050644B
- Authority
- CN
- China
- Prior art keywords
- fuel cell
- hydrogen fuel
- follows
- performance degradation
- data
- 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
- 229910052739 hydrogen Inorganic materials 0.000 title claims abstract description 130
- 239000001257 hydrogen Substances 0.000 title claims abstract description 130
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 title claims abstract description 127
- 239000000446 fuel Substances 0.000 title claims abstract description 127
- 230000015556 catabolic process Effects 0.000 title claims abstract description 74
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 43
- 230000009467 reduction Effects 0.000 claims abstract description 21
- 238000009499 grossing Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 238000003384 imaging method Methods 0.000 claims abstract description 8
- 230000009466 transformation Effects 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 238000003062 neural network model Methods 0.000 claims abstract description 4
- 230000003287 optical effect Effects 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 20
- 230000003321 amplification Effects 0.000 claims description 13
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000012804 iterative process Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000007774 longterm Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000003190 augmentative effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 125000004435 hydrogen atom Chemical group [H]* 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000399 optical microscopy Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- 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)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Fuel Cell (AREA)
Abstract
本发明公开一种氢燃料电池性能衰退预测方法、装置及介质,所述方法包括:对预先获取的氢燃料电池电压退化数据进行预处理,采用结合局部加权回归法的VMD算法对原始数据进行降噪平滑处理,采用XGBoost对数据进行特征参数提取,进一步采用半数均匀初始化策略和透镜成像折射学习方法对光学显微镜算法进行改进,得到IOMA,同时使用IOMA对图卷积神经网络GCN和基于傅里叶变换的频域增强分解变压器结合的神经网络模型GCN‑FEDformer进行参数优化,得到IOMA‑GCN‑FEDformer预测模型,并将测试数据样本输入到IOMA‑GCN‑FEDformer预测模型中得到最终预测结果。本发明能够有效地提高氢燃料电池性能衰退预测模型精度,也为氢燃料电池寿命的预测提供了可靠的依据。
Description
技术领域
本发明涉及氢燃料电池技术领域,具体涉及一种氢燃料电池性能衰退预测方法、装置及介质。
背景技术
全球能源结构以化石燃料为主,但是目前所面临的化石能源逐渐枯竭和日益严重的环境问题,使新能源的开发变得至关重要。为了更好地节能减排以及缓解能源短缺,新能源的开发使用逐渐广泛起来。随着氢燃料电池的使用,各部件都会随着使用时间的增加发生一定程度的老化,从而导致性能的衰退。在氢燃料电池使用期间,对氢燃料电池进行适当的系统维护有利于提高其耐久性和长期安全性及可靠性,因此氢燃料电池的性能衰退预测是提高氢燃料电池耐久性至关重要的一环。
氢燃料电池作为如今氢能利用的主要方法,不同于传统的蓄电池,其通过氢氧的化学反应,实现能量之间的转变。这个过程在满足氢气和空气充足的情况下,可以一直进行,并且达到排放零污染,但是氢燃料电池性能的持久性却限制了其大规模的发展。
近年来,氢燃料电池性能的研究已成为一个具有实际应用价值的重大热点课题。氢燃料电池在使用过程中会存在于多种使用情况之下,涉及到很多因素,是一个复杂的过程,所以其性能的衰减会受各个方面的影响,其寿命就很难被准确预测。而传统的氢燃料电池性能衰退预测方法对氢燃料电池性能的预测的准确性都比较差,不能满足如今实际应用的需求。因此,需要一种能准确地评估氢燃料电池的性能衰退趋势法人方法。
发明内容
发明目的:针对现有技术存在的问题,本发明提供一种氢燃料电池性能衰退预测方法,能提高性能衰退预测模型精度。
技术方案:本发明所述的一种氢燃料电池性能衰退预测方法,具体包括以下步骤:
(1)对预先获取的氢燃料电池电压退化数据进行预处理,采用结合局部加权回归法的VMD算法对电压退化数据进行降噪平滑处理;
(2)采用XGBoost算法对进行降噪处理后的电压退化数据进行特征选取,选择与氢燃料电池性能衰退密切相关的变量;
(3)采用半数均匀初始化策略对OMA的种群初始化进行改进;在经过物镜和目镜的放大寻优之后,采用透镜成像折射学习方法,使OMA再进行一次新的放大寻优,得到IOMA算法;
(4)采用IOMA算法对图卷积神经网络GCN和基于傅里叶变换的频域增强分解变压器结合的神经网络模型GCN-FEDformer模型的超参数进行优化,获得最优超参数,完成IOMA-GCN-FEDformer预测模型的构建;
(5)将氢燃料电池电压性能衰退的测试数据样本输入到IOMA-GCN-FEDformer预测模型中进行预测,得到氢燃料电池性能衰退评估的预测结果。
进一步地,所述步骤(1)实现过程如下:
采用VMD算法对氢燃料电池数据信号进行模态分割处理,得到IMF分量,VMD的模型如下:
其中,δ(T)为冲激函数;K是模态数量;T代表时间;j代表虚数单位;f是原始振动波形;ωk和uk分别表示频率和模态分量;*为卷积运算符;加入惩罚项α和拉格朗日乘数λ(T),得到增广拉格朗日表达式为:
其中,α是二次惩罚项;δ(T)为冲激函数;
利用交替方向乘子法求解模态,公式如下:
其中,ω代表频率值;对进行傅里叶反变换得到模态分量IMF,即
对模态分量IMF进行方差计算,判断是否需要继续进行平滑处理,公式如下:
其中,n代表数据样本个数;σ是模态分量的方差,为的平均值;
设定方差的临界值为1,所有IMF分量的方差大于1的进行进一步降噪,采用局部加权回归法,对其进行平滑处理;将纯洁IMF分量和经过二次降噪的IMF分量进行融合重构,得到去除了原有的高频分量,即进行降噪平滑处理后的氢燃料电池电压数据。
进一步地,所述对有IMF分量进行平滑处理实现过程如下:
将需要进一步降噪的IMF分量设定为(xi,yi)(i=1,2,3,...,n)序列;定义宽带因子,确定参与拟合的样本数量,对含有噪声的氢燃料电池原始数据进行长度计算,p值取相近正整数;X轴上,在原始氢燃料电池电压数据序列中选择p个最接近拟合点的样本点,对两者在X轴上的距离进行过一化处理,并运用三次权重函数进行转化,其公式如下:
其中,d(xi)表示样本点与拟合点进行归一化距离,max(x)表示在X轴上最远的样本点与拟合点之间的距离,E(d)是三次权重函数;计算各个样本点的权重,公式为:
其中,V(xi)表示点(xi,yi)相对于点(x,y)的权重;越靠近拟合点处的样本点权重越趋近于1,越远离拟合点处的样本点权重逐渐递减为0;
设定局部加权回归的损失函数S(β)取最小值,求解可得拟合点和最佳回归系数β,损失函数S(β)公式为:
拟合完所有序列中的数据点,得到的LOESS回归曲线即被去除了噪声的IMF分量。
进一步地,所述步骤(2)实现过程如下:
(21)采用XGBoost对数据进行特征选择:
其中,是最终的xj对应的模型预测值;xj是第j个样本;m是决策树的数量;M是训练样本的个数;F是所有树的集合;
(22)在每一次迭代过程中,通过在前一步的基础上增加一个新生成的回归树,来拟合上次预测的残差,迭代过程如下:
(23)XGBoost目标函数为:
其中,yj是真实值;是损失函数;M表示样本的个数;m表示树的棵树;
(24)采用增量训练的方式对XGBoost进行t轮迭代,目标函数更新为:
(25)XGBoost最终输出结果为:
(26)XGBoost在迭代过程中,增益和权重是反映特征与预测目标相关性的两个参数,增益由该特征信息增益之和除以权重,公式为:
其中,gr和hr分别是在迭代过程中误差函数在ft=0时的一阶和二阶导数;根据上式所计算出的增益,对其进行排序,增益越大则表示该特征信息与预测目标越相关,即氢燃料电池电压退化数据经过XGBoost迭代后,增益越大的数据,与氢燃料电池性能衰退的相关性越大。
进一步地,所述步骤(3)实现过程如下:
(31)设置光学显微镜算法OMA的种群规模为N,迭代次数为t;
(32)采用半数均匀初始化策略对OMA算法进行种群位置的初始化,改进后的初始化公式为:
其中,xab(t)表示个体i在t次迭代后的第j个初始值;LB、UB分别表示搜索空间的上下限;r表示在[0,1]内生成的随机函数;a=1,2,...,N/2;b=N/2+1,...,N;
(33)在物镜放大阶段,种群个体的位置更新公式为:
其中,是物镜调试后,第a个个体更新后的位置,即根据氢燃料电池输入变量的维度定义a个个体,将氢燃料电池输入变量输入OMA算法后存在的形式;是第t代种群的最优个体;是第a个个体未更新时的位置,即氢燃料电池输入变量的初始位置;Rr是在[0,1]之间的随机向量;WF是所选物镜放大倍数;
在得到后,进行一次判断选择,为目镜放大选择合适的位置,公式如下:
将经过物镜放大更新后的位置与未更新过的位置进行比较,选择更好的位置去进行目镜放大,即氢燃料电池输出变量的优解;
(34)在目镜放大阶段,种群个体的位置更新公式为:
其中,是目镜调试后第a个个体更新后的位置;为第一次判断选择中得到位置;Rr是在[0,1]之间的随机向量;space是一个搜索范围:
式中,c是种群中的是一个随机个体,并且c≠a;
得到后,进行第一次判断选择,选择进入下一代的种群个体,公式如下:
将经过目镜放大更新后的位置与第一次判断选择后的位置进行比较,选择更好的位置,即氢燃料电池输出变量的优解;
(35)为提高OMA的局部搜索和全局搜索能力,在目镜放大阶段后加入凸透镜成像折射学习方法,新的位置更新公式如下:
其中,是经过凸透镜折射后,第a个个体更新后的位置;为第二次判断选择中得到位置;Rr是在[0,1]之间的随机向量;h是物体在x轴上的高度,h*是通过透镜成像在x轴上的高度;
得到后,进行第二次判断选择,选择进入下一代的种群个体,公式如下:
将经过凸透镜折射放大更新后的位置与第二次判断选择后的位置进行比较,选择更好的位置,即氢燃料电池输入变量的最佳位置,也就是氢燃料电池输出变量的最优解。
进一步地,所述步骤(4)实现过程如下:
(41)初始化IOMA算法的相关参数,包括种群规模、问题维度、搜索空间的上下限、当前迭代次数和最大迭代次数;
(42)将与氢燃料电池性能衰退密切相关的变量,划分为训练集和测试集;
(43)将训练集输入进GCN-FEDformer模型中,对模型中的超参数进行寻优,计算经过该模型训练的预测值forv和样本实际值actv,种群中每个个体的适应度值Fit由预测值和实际值的均方根误差来表示,公式如下:
(44)通过IOMA算法所得的新的位置,利用上述公式计算出每个个体的适应度值,并进行排序,达到最大迭代次数后,选择出最佳的种群位置,即为模型的最佳超参数;
(45)采用均方误差MSE和平均绝对误差MAE作为评价指标,用来评估当前氢燃料电池性能衰退预测模型的精确度:
其中,MSE为均方误差,MAE为平均绝对误差,actv为实际值,forv为预测值。
进一步地,所述步骤(5)实现过程如下:
对氢燃料电池电压序列数据进行建模和预测,图卷积神经网络GCN用于处理氢燃料电池电压数据的空间关系,基于傅里叶变换的频域增强分解FEDformer用于对氢燃料电池电压数据的时间关系进行建模;
在GCN模型中,构建一个图结构,并进行图卷积运算,公式如下:
其中,是自环后的邻接矩阵,U*是度矩阵,σ为激活函数,O表示某一层的特征矩阵,Q为某一层的权重矩阵;
在FEDformer中,加入时序分解机制和频域增强机制:在频域增强机制中,通过傅里叶变换,进行频率增强;同时将序列映射到频率域,并对注意力权重进行计算;针对氢燃料电池电压序列时间上的复杂模式,将序列分解为周期项分量和趋势项分量两部分,分别对应周期性和长期进展;
将氢燃料电池电压数据输入到IOMA-GCN-FEDformer预测模型中进行预测,得到最终的氢燃料电池性能衰退预测结果。
本发明所述的一种装置设备,包括存储器和处理器,其中:
存储器,用于存储能够在处理器上运行的计算机程序;
处理器,用于在运行所述计算机程序时,执行如上所述的一种氢燃料电池性能衰退预测方法的步骤。
本发明所述的一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被至少一个处理器执行时实现如上所述的一种氢燃料电池性能衰退预测方法的步骤。
有益效果:与现有技术相比,本发明的有益效果:
1、本发明针对氢燃料电池电压退化数据具有非线性、尖峰多和数据量大等特点,预测模型的预测精度会因此受到干扰,从而采用结合局部加权回归法(LOESS)的VMD算法对电压退化数据进行降噪平滑处理,将含噪数据筛减,提高模型的运算效率;采用XGBoost算法对进行降噪处理后的电压退化数据进行特征选取,选择与氢燃料电池性能衰退密切相关的特征作为模型的输入,从而达到减少特征个数,提高模型精度的效果;
2、针对传统OMA算法容易出现的缺陷,采用半数均匀初始化对OMA种群进行初始化操作,不仅避免初始化个体集中分,而且保留了种群随机性,有利于提高搜索效率;在物镜和目镜放大结束后加入凸透镜折射学习方法,该方法加入一个新的放大阶段,再次更新种群位置,找到新的适应度值,从而提高算法的局部搜索和全局搜索能力;
3、本发明基于GCN-FEDformer建立预测模型,图卷积神经网络GCN用来处理氢燃料电池电压数据的空间关系,基于FED former用来对氢燃料电池电压数据的时间关系进行建模,同时采用IOMA算法优化GCN-FEDformer的参数,能够有效地提高氢燃料电池性能衰退预测模型精度,准确评估氢燃料电池的电压退化趋势。
附图说明
图1为本发明提出的氢燃料电池性能衰退预测方法流程图;
图2为改进的VMD去噪算法流程示意图;
图3为采用半数均匀初始化策略和凸透镜成像折射学习优化光学显微镜算法流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
如图1所示,本发明提出了一种氢燃料电池性能衰退预测方法,采用结合局部加权回归法(LOESS)的VMD算法对数据进行降噪平滑处理,消除数据集中的含噪数据;采用极致梯度提升算法(eXtreme Gradient Boosting,XGBoost)对进行降噪处理后的电压退化数据进行特征选取,选择与氢燃料电池性能衰退密切相关的变量作为模型的输入;针对GCN-FEDformer模型中超参数的选取对模型性能的影响,使用OMA算法对其进行优化,同时为解决OMA的缺陷,使用半数均匀初始化和凸透镜折射学习方法对OMA进行改进,得到改进的OMA算法(IOMA);利用IOMA优化GCN-FEDformer模型的参数,并使用测试集对IOMA-GCN-FEDformer模型进行测试,得到最终的预测结果。具体步骤如下:
步骤1:如图2所示,对预先获取的氢燃料电池电压退化数据进行预处理,采用结合局部加权回归法的VMD算法对电压退化数据进行降噪平滑处理。
采用VMD算法对氢燃料电池数据信号进行模态分割处理,得到IMF分量,VMD的模型如下:
δ(T)为冲激函数;K是模态数量;T代表时间;j代表虚数单位;f是原始振动波形;ωk和uk分别表示频率和模态分量;*为卷积运算符。
为了解决限制变分问题,可以将其转变为非限制问题,因此加入一个惩罚项α和拉格朗日乘数λ(T),得到增广拉格朗日表达式为:
其中α是二次惩罚项;δ(T)为冲激函数。
利用交替方向乘子法求解模态,公式如下:
其中,ω代表频率值。
对计算所得的进行傅里叶反变换可得到IMF:
即模态分量IMF。
对模态分量IMF进行方差计算,判断是否需要继续进行平滑处理,公式如下:
其中,n代表数据样本个数;σ是模态分量的方差,为的平均值。
对方差较大的数据进行进一步降噪,即设定方差的临界值为1,所有IMF分量的方差大于1的都采用局部加权回归法(LOESS),对其进行平滑处理,步骤如下:
将需要进一步降噪的IMF分量设定为(xi,yi)(i=1,2,3,…,n)序列。定义宽带因子,确定参与拟合的样本数量,对含有噪声的氢燃料电池原始数据进行长度计算,p值取相近正整数。X轴上,在原始氢燃料电池电压数据序列中选择p个最接近拟合点的样本点,对两者在X轴上的距离进行过一化处理,并运用三次权重函数进行转化,其公式如下:
其中,d(xi)表示样本点与拟合点进行归一化距离,max(x)表示在X轴上最远的样本点与拟合点之间的距离,E(d)是三次权重函数。计算各个样本点的权重,公式为:
其中,V(xi)表示点(xi,yi)相对于点(x,y)的权重;越靠近拟合点处的样本点权重越趋近于1,越远离拟合点处的样本点权重逐渐递减为0。设定局部加权回归的损失函数S(β)取最小值,求解可得拟合点和最佳回归系数β,损失函数S(β)公式为:
直到拟合完所有序列中的数据点,得到的LOESS回归曲线即被去除了噪声的IMF分量。
将纯洁IMF分量和经过二次降噪的IMF分量进行融合重构,得到去除了原有的高频分量,即进行降噪平滑处理后的氢燃料电池电压数据。
步骤2:采用XGBoost算法对进行降噪处理后的电压退化数据进行特征选取,择与氢燃料电池性能衰退密切相关的变量作为下面构建IOMA-GCN-FEDformer预测模型的输入。
XGBoost是通过多个基学习器集成为一个强学习器,对数据进行特征选择,降低误差,其模型如下所示:
其中,是最终的xj对应的模型预测值;xj是第j个样本;m是决策树的数量;M是训练样本的个数;F是所有树的集合。
在每一次迭代过程中,都是通过在请前一步的基础上增加一个新生成的回归树,来拟合上次预测的残差,迭代过程如下:
步骤2.3:XGBoost目标函数为:
其中,yj是真实值;是损失函数;M表示样本的个数;m表示树的棵树。
采用增量训练的方式对XGBoost进行t轮迭代,目标函数更新为:
XGBoost最终输出结果为:
XGBoost在迭代过程中,增益和权重是反映特征与预测目标相关性的两个参数,增益由该特征信息增益之和除以权重,公式为:
其中,gr和hr分别是在迭代过程中误差函数在ft=0时的一阶和二阶导数。
根据上式所计算出的增益,对其进行排序,增益越大则表示该特征信息与预测目标越相关,即氢燃料电池电压退化数据经过XGBoost迭代后,增益越大的数据,与氢燃料电池性能衰退的相关性越大。
步骤3:如图3所示,采用半数均匀初始化策略和凸透镜成像折射学习方法对光学显微镜算法(OMA)进行改进,以提高算法的全局搜索能力。
设置光学显微镜算法(OMA)的种群规模为N,迭代次数为t。采用半数均匀初始化策略对OMA算法进行种群位置的初始化,改进后的初始化公式为:
其中,xab(t)表示个体i在t次迭代后的第j个初始值;LB、UB分别表示搜索空间的上下限;r表示在[0,1]内生成的随机函数;a=1,2,...,N/2;b=N/2+1,...,N。
在物镜放大阶段,种群个体的位置更新公式为:
其中,是物镜调试后,第a个个体更新后的位置,即根据氢燃料电池输入变量的维度定义a个个体,将氢燃料电池输入变量输入OMA算法后存在的形式;是第t代种群的最优个体;是第a个个体未更新时的位置,即氢燃料电池输入变量的初始位置;Rr是在[0,1]之间的随机向量;WF是所选物镜放大倍数。
在得到后,进行一次判断选择,为目镜放大选择合适的位置,公式如下:
将经过物镜放大更新后的位置与未更新过的位置进行比较,选择更好的位置去进行目镜放大,即氢燃料电池输出变量的优解。
在目镜放大阶段,种群个体的位置更新公式为:
其中,是目镜调试后,第a个个体更新后的位置;为第一次判断选择中得到位置;Rr是在[0,1]之间的随机向量;space是一个搜索范围:
式中,c是种群中的是一个随机个体,并且c≠a。
得到后,进行第一次判断选择,选择进入下一代的种群个体,公式如下:
将经过目镜放大更新后的位置与第一次判断选择后的位置进行比较,选择更好的位置,即氢燃料电池输出变量的优解。
为了提高OMA的局部搜索和全局搜索能力,所以在目镜放大阶段后加入凸透镜成像折射学习方法,新的位置更新公式如下:
其中,是经过凸透镜折射后,第a个个体更新后的位置;为第二次判断选择中得到位置;Rr是在[0,1]之间的随机向量;h是物体在x轴上的高度,h*是通过透镜成像在x轴上的高度。
得到后,进行第二次判断选择,选择进入下一代的种群个体,公式如下:
将经过凸透镜折射放大更新后的位置与第二次判断选择后的位置进行比较,选择更好的位置,即氢燃料电池输入变量的最佳位置,也就是氢燃料电池输出变量的最优解。
步骤4:利用IOMA对图卷积神经网络GCN和基于傅里叶变换的频域增强分解变压器(FED former)结合的神经网络模型GCN-FEDformer进行参数优化获得最优参数;利用优化后的预测模型IOMA-GCN-FEDformer对电压退化趋势的测试数据样本进行预测,得到预测结果。
初始化IOMA算法的相关参数,包括种群规模、问题维度、搜索空间的上下限、当前迭代次数和最大迭代次数。将氢燃料电池输入变量集,划分为训练集和测试集。将氢燃料电池的训练集输入进GCN-FEDformer模型中,对模型中的超参数进行寻优,计算经过该模型训练的预测值forv和样本实际值actv,种群中每个个体的适应度值Fit由预测值和实际值的均方根误差来表示,公式如下:
通过IOMA算法所得的新的位置,利用上述公式计算出每个个体的适应度值,并进行排序,达到最大迭代次数后,选择出最佳的种群位置,即为模型的最佳超参数。
采用均方误差(MSE)和平均绝对误差(MAE)作为评价指标,用来评估当前氢燃料电池性能衰退预测模型的精确度,MSE和MAE两个评价指标公式分别如下
MSE为均方误差,MAE为平均绝对误差,为actv为实际值,forv为预测值。
将氢燃料电池测试集数据输入到优化后的GCN-FEDformer模型中进行预测,得到最终的氢燃料电池性能衰退预测结果。
步骤5:将氢燃料电池电压性能衰退的测试数据样本输入到IOMA-GCN-FEDformer预测模型中进行预测,得到氢燃料电池性能衰退评估的预测结果。
对氢燃料电池电压序列数据进行建模和预测,图卷积神经网络(GCN)主要用于处理氢燃料电池电压数据的空间关系,FEDformer主要用于对氢燃料电池电压数据的时间关系进行建模。
在GCN模型中,构建一个图结构,并进行图卷积运算,公式如下:
是自环后的邻接矩阵,U*是度矩阵,σ为激活函数,O表示某一层的特征矩阵,Q为某一层的权重矩阵。
在FEDformer中,加入时序分解机制和频域增强机制,具体步骤如下:
在频域增强机制中,通过傅里叶变换,进行频率增强;同时将序列映射到频率域,并对注意力权重进行计算,达到实现增强序列信息的目的,进一步增强了对氢燃料电池电压时间序列数据的建模能力。
将序列分解为周期项分量和趋势项分量两部分,目的是针对氢燃料电池电压序列时间上的复杂模式,趋势项分量和周期项分量分别对应周期性和长期进展。
将氢燃料电池电压数据输入到IOMA-GCN-FEDformer模型中进行预测,得到最终的氢燃料电池性能衰退预测结果。
本发明还提供一种装置设备,包括存储器和处理器,其中:存储器,用于存储能够在处理器上运行的计算机程序;处理器,用于在运行所述计算机程序时,执行如上所述的一种氢燃料电池性能衰退预测方法的步骤。
本发明还提供一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被至少一个处理器执行时实现如上所述的一种氢燃料电池性能衰退预测方法的步骤。
本方法采用数据驱动的方法对氢燃料电池的性能衰退进行研究,该方法只需获取大量有关氢燃料电池电压退化的实验数据,并对这些数据进行处理,就可以对电池的性能进行评估,该方法具有更快的响应速度和更高的预测精度。
因此,为提高氢燃料电池性能的持久性,需建立一种适合氢燃料电池性能衰退特性且预测精度较高的预测方法,通过有效的数据处理,并结合深度学习模型,提高模型的泛化性能和估计精度,从而准确地评估氢燃料电池的性能衰退趋势
上述实施方式只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种氢燃料电池性能衰退预测方法,其特征在于,包括以下步骤:
(1)对预先获取的氢燃料电池电压退化数据进行预处理,采用结合局部加权回归法的VMD算法对电压退化数据进行降噪平滑处理;
(2)采用XGBoost算法对进行降噪处理后的电压退化数据进行特征选取,选择与氢燃料电池性能衰退密切相关的变量;
(3)采用半数均匀初始化策略对OMA的种群初始化进行改进;在经过物镜和目镜的放大寻优之后,采用透镜成像折射学习方法,使OMA再进行一次新的放大寻优,得到IOMA算法;
(4)采用IOMA算法对图卷积神经网络GCN和基于傅里叶变换的频域增强分解变压器结合的神经网络模型GCN-FEDformer模型的超参数进行优化,获得最优超参数,完成IOMA-GCN-FEDformer预测模型的构建;
(5)将氢燃料电池电压性能衰退的测试数据样本输入到IOMA-GCN-FEDformer预测模型中进行预测,得到氢燃料电池性能衰退评估的预测结果;
所述步骤(2)实现过程如下:
(21)采用XGBoost对数据进行特征选择:
其中,是最终的xe对应的模型预测值;xe是第e个样本;e=1,2,…,M;m是决策树的棵树;M是训练样本的个数;F是所有树的集合;
(22)在每一次迭代过程中,通过在前一步的基础上增加一个新生成的回归树,来拟合上次预测的残差,迭代过程如下:
(23)XGBoost目标函数为:
其中,yj是真实值;是损失函数;M表示样本的个数;m表示树的棵树;
(24)采用增量训练的方式对XGBoost进行t轮迭代,目标函数更新为:
(25)XGBoost最终输出结果为:
(26)XGBoost在迭代过程中,增益和权重是反映特征信息与预测目标相关性的两个参数,增益由该特征信息增益之和除以权重,公式为:
其中,gr和hr分别是在迭代过程中误差函数在ft=0时的一阶和二阶导数;根据上式所计算出的增益,对其进行排序,增益越大则表示该特征信息与预测目标越相关,即氢燃料电池电压退化数据经过XGBoost迭代后,增益越大的数据,与氢燃料电池性能衰退的相关性越大。
2.根据权利要求1所述的一种氢燃料电池性能衰退预测方法,其特征在于,所述步骤(1)实现过程如下:
采用VMD算法对氢燃料电池数据信号进行模态分割处理,得到IMF分量,VMD的模型如下:
其中,δ(t)为冲激函数;K是模态数量;T代表时间;j代表虚数单位;f是原始振动波形;ωk和uk分别表示频率和模态分量;*为卷积运算符;加入惩罚项α和拉格朗日乘数λ(T),得到增广拉格朗日表达式为:
其中,α是二次惩罚项;δ(T)为冲激函数;
利用交替方向乘子法求解模态,公式如下:
其中,ω代表频率值;对进行傅里叶反变换得到模态分量IMF,即
对模态分量IMF进行方差计算,判断是否需要继续进行平滑处理,公式如下:
其中,n代表数据样本个数;σ是模态分量的方差,为的平均值;
设定方差的临界值为1,所有IMF分量的方差大于1的进行进一步降噪,采用局部加权回归法,对其进行平滑处理;将纯洁IMF分量和经过二次降噪的IMF分量进行融合重构,得到去除了原有的高频分量,即进行降噪平滑处理后的氢燃料电池电压数据。
3.根据权利要求2所述的一种氢燃料电池性能衰退预测方法,其特征在于,对需要进行进一步降噪的IMF分量进行平滑处理实现过程如下:
将需要进一步降噪的IMF分量设定为(xi,yi)(i=1,2,3,...,n)序列;定义宽带因子,确定参与拟合的样本数量,对含有噪声的氢燃料电池原始数据进行长度计算,p值取相近正整数;X轴上,在原始氢燃料电池电压数据序列中选择p个最接近拟合点的样本点,对两者在X轴上的距离进行过一化处理,并运用三次权重函数进行转化,其公式如下:
其中,d(xi)表示样本点与拟合点进行归一化距离,max(x)表示在X轴上最远的样本点与拟合点之间的距离,E(d)是三次权重函数;计算各个样本点的权重,公式为:
其中,V(xi)表示点(xi,yi)相对于点(x,y)的权重;越靠近拟合点处的样本点权重越趋近于1,越远离拟合点处的样本点权重逐渐递减为0;
设定局部加权回归的损失函数S(β)取最小值,求解可得拟合点和最佳回归系数β,损失函数S(β)公式为:
拟合完所有序列中的数据点,得到的LOESS回归曲线即被去除了噪声的IMF分量。
4.根据权利要求1所述的一种氢燃料电池性能衰退预测方法,其特征在于,所述步骤(3)实现过程如下:
(31)设置光学显微镜算法OMA的种群规模为N,迭代次数为t;
(32)采用半数均匀初始化策略对OMA算法进行种群位置的初始化,改进后的初始化公式为:
其中,xab(t)表示个体i在t次迭代后的第j个初始值;LB、UB分别表示搜索空间的上下限;r表示在[0,1]内生成的随机函数;a=1,2,...,N/2;b=N/2+1,...,N;
(33)在物镜放大阶段,种群个体的位置更新公式为:
其中,是物镜调试后,第a个个体更新后的位置,即根据氢燃料电池输入变量的维度定义a个个体,将氢燃料电池输入变量输入OMA算法后存在的形式;是第t代种群的最优个体;是第a个个体未更新时的位置,即氢燃料电池输入变量的初始位置;Rr是在[0,1]之间的随机向量;WF是所选物镜放大倍数;
在得到后,进行一次判断选择,为目镜放大选择合适的位置,公式如下:
将经过物镜放大更新后的位置与未更新过的位置进行比较,选择更好的位置去进行目镜放大,即氢燃料电池输出变量的优解;
(34)在目镜放大阶段,种群个体的位置更新公式为:
其中,是目镜调试后第a个个体更新后的位置;为第一次判断选择中得到位置;Rr是在[0,1]之间的随机向量;space是一个搜索范围:
式中,c是种群中的是一个随机个体,并且c≠a;
得到后,进行第一次判断选择,选择进入下一代的种群个体,公式如下:
将经过目镜放大更新后的位置与第一次判断选择后的位置进行比较,选择更好的位置,即氢燃料电池输出变量的优解;
(35)为提高OMA的局部搜索和全局搜索能力,在目镜放大阶段后加入凸透镜成像折射学习方法,新的位置更新公式如下:
其中,是经过凸透镜折射后,第a个个体更新后的位置;为第二次判断选择中得到位置;Rr是在[0,1]之间的随机向量;h是物体在x轴上的高度,h*是通过透镜成像在x轴上的高度;
得到后,进行第二次判断选择,选择进入下一代的种群个体,公式如下:
将经过凸透镜折射放大更新后的位置与第二次判断选择后的位置进行比较,选择更好的位置,即氢燃料电池输入变量的最佳位置,也就是氢燃料电池输出变量的最优解。
5.根据权利要求1所述的一种氢燃料电池性能衰退预测方法,其特征在于,所述步骤(4)实现过程如下:
(41)初始化IOMA算法的相关参数,包括种群规模、问题维度、搜索空间的上下限、当前迭代次数和最大迭代次数;
(42)将与氢燃料电池性能衰退密切相关的变量,划分为训练集和测试集;
(43)将训练集输入进GCN-FEDformer模型中,对模型中的超参数进行寻优,计算经过该模型训练的预测值forv和样本实际值actv,种群中每个个体的适应度值Fit由预测值和实际值的均方根误差来表示,公式如下:
(44)通过IOMA算法所得的新的位置,利用上述公式计算出每个个体的适应度值,并进行排序,达到最大迭代次数后,选择出最佳的种群位置,即为模型的最佳超参数;
(45)采用均方误差MSE和平均绝对误差MAE作为评价指标,用来评估当前氢燃料电池性能衰退预测模型的精确度:
其中,MSE为均方误差,MAE为平均绝对误差,actv为实际值,forv为预测值。
6.根据权利要求1所述的一种氢燃料电池性能衰退预测方法,其特征在于,所述步骤(5)实现过程如下:
对氢燃料电池电压序列数据进行建模和预测,图卷积神经网络GCN用于处理氢燃料电池电压数据的空间关系,基于傅里叶变换的频域增强分解FEDformer用于对氢燃料电池电压数据的时间关系进行建模;
在GCN模型中,构建一个图结构,并进行图卷积运算,公式如下:
其中,是自环后的邻接矩阵,U*是度矩阵,σ为激活函数,O表示某一层的特征矩阵,Q为某一层的权重矩阵;
在FEDformer中,加入时序分解机制和频域增强机制:在频域增强机制中,通过傅里叶变换,进行频率增强;同时将序列映射到频率域,并对注意力权重进行计算;针对氢燃料电池电压序列时间上的复杂模式,将序列分解为周期项分量和趋势项分量两部分,分别对应周期性和长期进展;
将氢燃料电池电压数据输入到IOMA-GCN-FEDformer预测模型中进行预测,得到最终的氢燃料电池性能衰退预测结果。
7.一种装置设备,其特征在于,包括存储器和处理器,其中:
存储器,用于存储能够在处理器上运行的计算机程序;
处理器,用于在运行所述计算机程序时,执行如权利要求1至6任一项所述的一种氢燃料电池性能衰退预测方法的步骤。
8.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被至少一个处理器执行时实现如权利要求1至6任一项所述的一种氢燃料电池性能衰退预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410157183.1A CN118050644B (zh) | 2024-02-04 | 2024-02-04 | 一种氢燃料电池性能衰退预测方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410157183.1A CN118050644B (zh) | 2024-02-04 | 2024-02-04 | 一种氢燃料电池性能衰退预测方法、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118050644A CN118050644A (zh) | 2024-05-17 |
CN118050644B true CN118050644B (zh) | 2024-07-12 |
Family
ID=91050995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410157183.1A Active CN118050644B (zh) | 2024-02-04 | 2024-02-04 | 一种氢燃料电池性能衰退预测方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118050644B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292025A (zh) * | 2017-06-21 | 2017-10-24 | 北京航空航天大学 | 软包锂离子电池的密封寿命预测方法 |
CN111310387A (zh) * | 2020-02-19 | 2020-06-19 | 电子科技大学 | 一种燃料电池寿命预测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993270B (zh) * | 2019-03-27 | 2022-11-15 | 东北大学 | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 |
CN112487702B (zh) * | 2020-10-26 | 2024-04-05 | 湖州师范学院 | 一种锂离子电池剩余使用寿命预测方法 |
CN114547849A (zh) * | 2022-01-07 | 2022-05-27 | 国网浙江省电力有限公司电力科学研究院 | 储能电站电池工况健康状态预测方法及系统 |
CN116721542A (zh) * | 2023-06-12 | 2023-09-08 | 桂林电子科技大学 | 基于变分模态分解多阶段优化的短时交通流预测模型 |
CN117371579A (zh) * | 2023-09-20 | 2024-01-09 | 广西电网有限责任公司电力科学研究院 | 基于ga-vmd-lstm网络的负荷预测方法及系统 |
-
2024
- 2024-02-04 CN CN202410157183.1A patent/CN118050644B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292025A (zh) * | 2017-06-21 | 2017-10-24 | 北京航空航天大学 | 软包锂离子电池的密封寿命预测方法 |
CN111310387A (zh) * | 2020-02-19 | 2020-06-19 | 电子科技大学 | 一种燃料电池寿命预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN118050644A (zh) | 2024-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860982B (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
US11874640B2 (en) | Wind power prediction method and system for optimizing deep transformer network | |
CN112487702B (zh) | 一种锂离子电池剩余使用寿命预测方法 | |
CN109272156B (zh) | 一种超短期风电功率概率预测方法 | |
CN116306226B (zh) | 一种燃料电池性能退化预测方法 | |
CN111144644B (zh) | 基于变分异方差高斯过程回归的短期风速预测方法 | |
CN103530819A (zh) | 并网型光伏电站发电系统的输出功率的测定方法及设备 | |
CN115907131B (zh) | 一种北方地区电采暖负荷预测模型搭建方法和系统 | |
CN111200141A (zh) | 基于深度信念网络的质子交换膜燃料电池性能预测及寻优方法 | |
CN115438833A (zh) | 一种短期电力负荷混合预测方法 | |
CN114139893A (zh) | 一种碳排放影响因素分析与指标评估方法及装置 | |
CN114528638A (zh) | 基于强化学习的船舶运动大多步实时预测混合方法及系统 | |
CN115310669A (zh) | 一种基于二次分解和iwoa-lssvm的超短期风电功率预测方法 | |
CN116632820A (zh) | 基于序列延拓vmd与风速波动特性的风电功率预测方法 | |
CN118040678A (zh) | 一种短期海上风电功率组合预测方法 | |
CN115345297A (zh) | 一种基于生成对抗网络的台区样本生成方法及系统 | |
CN116960978A (zh) | 基于风速-功率组合分解重构的海上风电功率预测方法 | |
Li et al. | A new multi-fidelity surrogate modelling method for engineering design based on neural network and transfer learning | |
CN118114813A (zh) | 一种基于变量筛选时间卷积的换电站负荷预测方法及系统 | |
CN117494573B (zh) | 一种风速预测方法、系统及电子设备 | |
CN118050644B (zh) | 一种氢燃料电池性能衰退预测方法、装置及介质 | |
Zhang et al. | A novel fractional-order discrete grey Gompertz model for analyzing the aging population in Jiangsu Province, China | |
CN113449466B (zh) | 基于pca和混沌gwo优化relm的太阳辐射预测方法及系统 | |
CN115640903A (zh) | 考虑小波分解和多目标优化的光伏发电预测方法及系统 | |
CN115169740A (zh) | 基于压缩感知的池化回声状态网络的序列预测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |