CN118281263A - 燃料电池在线故障监测和预警的方法、装置及控制系统 - Google Patents
燃料电池在线故障监测和预警的方法、装置及控制系统 Download PDFInfo
- Publication number
- CN118281263A CN118281263A CN202410533005.4A CN202410533005A CN118281263A CN 118281263 A CN118281263 A CN 118281263A CN 202410533005 A CN202410533005 A CN 202410533005A CN 118281263 A CN118281263 A CN 118281263A
- Authority
- CN
- China
- Prior art keywords
- fault
- fuel cell
- monitoring
- change rate
- output voltage
- 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 122
- 238000012544 monitoring process Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000008859 change Effects 0.000 claims abstract description 87
- 230000002159 abnormal effect Effects 0.000 claims abstract description 19
- 230000005856 abnormality Effects 0.000 claims abstract description 6
- 210000004027 cell Anatomy 0.000 claims description 124
- 230000007246 mechanism Effects 0.000 claims description 18
- 239000007789 gas Substances 0.000 claims description 17
- 238000005516 engineering process Methods 0.000 claims description 13
- 238000012423 maintenance Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 11
- 238000003745 diagnosis Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 5
- 239000001257 hydrogen Substances 0.000 claims description 5
- 229910052739 hydrogen Inorganic materials 0.000 claims description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 4
- 239000012528 membrane Substances 0.000 claims description 4
- 239000001301 oxygen Substances 0.000 claims description 4
- 229910052760 oxygen Inorganic materials 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000007248 cellular mechanism Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Abstract
本发明公开了一种燃料电池在线故障监测和预警的方法、装置及控制系统,方法包括:采集待监测的燃料电池的相关运行数据;首先监测实时输出电压值,若出现异常,则根据燃料电池的相关运行数据计算燃料电池的变化率,判断燃料电池的变化率是否出现异常,若是,则进行故障类型诊断,否则,重新监测;将燃料电池的变化率作为故障特征值,输入构建的故障预测模型,输出预测的燃料电池的故障类型;根据量化的故障程度发出故障信号,根据所述故障信号采取相应的预警控制措施。本发明解决了燃料电池的在线故障监测和预警的准确性、稳定性和实时性还有待加强的问题。
Description
技术领域
本发明涉及燃料电池技术领域,尤其涉及一种燃料电池在线故障监测和预警的方法、装置及控制系统。
背景技术
目前,氢能作为一种潜力无限的清洁能源,发展迅猛;燃料电池作为氢能应用中最广泛的方式之一,由于其具有高效率、能量密度大、无噪声和无污染等优点,在飞机、分布式发电、电动汽车等领域显示出了其巨大的优势和发展潜力。
燃料电池可代替传统铅酸电池成为变电站备用电源,以构成新型的交直流供电变电站结构。所引入的燃料电池需要提供长时交直流负荷支撑,难免会发生故障。典型的燃料电池故障有水淹、膜干故障等,若能及时监测到故障或预测故障发生并提前做好维护措施,将有效消除安全隐患避免重大事故。因此,针对作为变电站备用电源的燃料电池,采取必要的故障监测和预警方法具有重要的价值与意义。然而,燃料电池难以直接评估内部化学反应状态,需要更为先进的故障监测和预警技术,以保障燃料电池的安全运行。虽然燃料电池故障诊断已取得一定的进展,但仍然存在一些局限性,大多故障诊断和预警技术局限于离线实验阶段;此外,燃料电池系统中多传感器数据的处理、可能产生的多重故障情况将导致系统复杂性增大,反而影响实时性,因此对于燃料电池故障预警技术仍然有进一步的提升空间。
发明内容
(一)要解决的技术问题
基于上述问题,本发明提供一种燃料电池在线故障监测和预警的方法、装置及控制系统,解决燃料电池的在线故障监测和预警的准确性、稳定性和实时性还有待加强的问题。
(二)技术方案
基于上述的技术问题,本发明提供一种燃料电池在线故障监测和预警的方法,包括:
步骤S1、采集数据:获取待监测的燃料电池的相关运行数据,所述相关运行数据包括燃料电池的输出电流值、输出电压值、电池表面温度、阴极气体压力、阳极气体压力、堆内各电池组电压;
步骤S2、初步故障监测:监测实时输出电压值,根据构建的informer模型得到预测输出电压值,根据所述预测输出电压值判断实时输出电压值是否出现异常,若是,则进入步骤S3,否则,继续监测;
步骤S3、进一步故障监测:根据所述燃料电池的相关运行数据计算燃料电池的变化率,判断所述燃料电池的变化率是否出现异常,若是,则进入步骤S4,否则,返回步骤S2;
步骤S4、故障类型诊断:将所述燃料电池的变化率作为故障特征值,输入构建的故障预测模型,输出预测的燃料电池的故障类型;
所述故障特征值数据包括输出电流变化率、输出电压变化率、堆内各电池组电压变化率、阴极气体压力变化率和阳极气体压力变化率;所述故障类型包括正常、电流短路故障、电压过压故障、膜干故障、水淹故障、系统温度异常、供氧系统故障和供氢系统故障;
步骤S5、故障预警和控制:根据量化的故障程度发出故障信号,根据所述故障信号采取相应的控制措施。
进一步的,所述步骤S2包括:
步骤S21、根据燃料电池历史保存的输出电压值,构建并训练informer模型,测试模型的准确度;
步骤S22、利用移动窗口技术定期更新informer模型输入的实时输出电压值,得到informer模型实时的预测输出电压值;
步骤S23、对窗口内的所述预测输出电压值和实时输出电压值进行比较,并计算二者的相关性系数r:
其中,U(true,i)表示实时输出电压值,U(predict,i)表示预测输出电压值;
步骤S24、判断所述相关性系数是否超过预设的阈值,若是,则进入步骤S3进行二次故障判断;否则,将所述实时输出电压值对informer模型进行更新,返回步骤S22。
进一步的,所述步骤S3包括:
步骤S31、根据所述燃料电池的相关运行数据计算燃料电池的变化率;
步骤S32、将所述燃料电池的变化率与上一采样周期的变化率作差,判断差值的绝对值是否超过设定的阈值,若是,则判定为异常数据,进入步骤S4;否则,认定为在可以接受的误差范围内,更新上一采样周期变化率,返回步骤S2。
进一步的,所述步骤S4包括:
步骤S41、根据燃料电池历史保存的相关运行数据计算燃料电池的变化率,将所述燃料电池的变化率与上一采样周期的变化率作差,将差值的绝对值超过设定的阈值的变化率作为故障特征值数据,输入故障预测模型,训练并验证模型的准确性;
步骤S42、将步骤S3中所述燃料电池的变化率作为故障预测模型的输入,输出预测的燃料电池的故障类型。
进一步的,所述步骤S41中,所述故障预测模型采用LSTM-CNN混合模型,引入注意力机制。
进一步的,所述步骤S5包括:
步骤S51、实施多个阈值机制,对应不同级别的预警,并综合考虑故障概率、故障影响和故障阈值级别来量化故障的严重性;
设定四个阈值级别:
量化故障严重性:
S=P(data│failure)×I
其中,S是故障严重性系数,I是故障可能造成的经济损失或停机时间预先定义的权重;
步骤S52、利用ZigBee无线传输通信连接传感器终端节点和协调器节点;
步骤S53、监控中心存储数据,收发控制指令,上位机将指令可视化;
步骤S54、系统依据控制指令和优先级参数采取相应控制措施;优先级参数:
其中,Pr是优先级参数,当多个故障一起发生时,可以为维护人员提供优先级维护参考,t则是响应该故障所需的时间。
进一步的,所述步骤S5后面还包括:
步骤S6、阈值动态调整:建立动态阈值机制,根据故障预测模型的故障概率和预测表现调整步骤S2和S3中的进行异常判断的阈值;
所述的步骤S2和S3中的进行异常判断的阈值包括:相关性系数预设的阈值和变化率设定的阈值,阈值调整公式为:
其中,θnew是新的阈值,θold是旧的阈值,FPt是当前误报率,FNt是当前漏报率,并且考虑误报率和漏报率变化趋势的影响,即用α1和α2来调整误报率和漏报率之差及其差值变化趋势的影响。
本发明也公开了一种燃料电池在线故障监测和预警装置,包括:
至少一个处理器;以及与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行所述的方法,包括:数据采集模块,用于运行步骤S1;第一监测模块,用于运行步骤S2;第二监测模块,用于运行步骤S3;故障预测模块,用于运行步骤S4;以及监测预警模块,用于运行步骤S5。
本发明也公开了一种燃料电池在线故障监测和预警的控制系统,包括:依次通信连接的传感器终端节点、协调器节点和监控中心,所述监控中心执行所述的方法。
本发明也公开了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行所述的方法。
(三)有益效果
本发明的上述技术方案具有如下优点:
(1)本发明通过输出电压的实时监测进行燃料电池的初步故障监测,再对相关运行数据的变化率的实时监测进行燃料电池的进一步故障监测,通过两次判断降低故障监测的误诊,提高准确性;再通过根据故障情况的变化率建立的故障预测模型,分析出具体的故障类型,进行预警控制,再通过阈值动态调整,不断提高两次故障监测的准确性;
(2)本发明利用实时电压数据进行初步监测,基于Informer模型,预测未来电压变化,显著提升了故障监测的准确性和响应速度,通过移动窗口技术更新模型输入,确保预测的实时性,并通过与实际数据的相关性分析,实时评估偏差,快速响应潜在故障;
(3)本发明通过相关运行数据的变化率的实时监测提高故障监测的准确性,并利用历史数据,采用LSTM-CNN融合有效地以高准确率预测故障类型;
(4)本发明还通过多阈值预警策略,通过评估故障的严重性来优化维护响应,极大地提高了操作效率并降低了运营成本,并集成了ZigBee无线传输技术,简化了监测系统的复杂性,支持远程监控,提升了操作便利性和系统灵活性,这一全面、高效且经济的解决方案适用于各种燃料电池系统,能显著提升其稳定性和可靠性,为能源行业的可持续发展做出贡献。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,在附图中:
图1为本发明实施例的燃料电池在线故障监测和预警的方法的流程示意图;
图2为本发明实施例的步骤S2初步故障监测的具体流程示意图;
图3为本发明实施例的步骤S3进一步故障监测的具体流程示意图;
图4为本发明实施例的步骤S4-S6的具体流程示意图;
图5为本发明实施例的故障预测模型的示意图;
图6为本发明实施例的燃料电池在线故障监测和预警装置的模块示意图;
图7为本发明实施例的燃料电池在线故障监测和预警的控制系统示意图;
图中:001:数据采集模块;002:第一监测模块;003:第二监测模块;004:故障预测模块;005:监测预警模块;101:传感器终端节点;102:协调器节点;103:监控中心。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
本发明实施例一为一种燃料电池在线故障监测和预警的方法,如图1所示,包括以下步骤:
步骤S1、采集数据:获取待监测的燃料电池的相关运行数据,所述相关运行数据包括燃料电池的输出电流值、输出电压值、电池表面温度、阴极气体压力、阳极气体压力、堆内各电池组电压;
燃料电池系统中除了电堆本体外,还包括许多辅助机构系统,然而电堆本体与各机构相连,电堆本体故障可间接反映辅助机构系统故障,因此本发明实施例只通过对电堆本体的传感器数据采集,主要包括电池输出电流值、输出电压值、电池表面温度、阴/阳极气体压力即进/出口压力、堆内各电池组电压,而不包括燃料电池系统中其它机构传感器数据,却能涵盖燃料电池系统中大体故障监测情况。
步骤S2、初步故障监测:监测实时输出电压值,根据构建的informer模型得到预测输出电压值,根据所述预测输出电压值判断实时输出电压值是否出现异常,若是,则进入步骤S3,否则,继续监测;如图2所示,具体包括:
步骤S21、根据燃料电池历史保存的输出电压值,构建并训练informer模型,测试模型的准确度;
构建Informer模型时,需要构建自注意力机制,满足以下公式:
其中,Q、K和V分别时查询、键和值矩阵,可以通过电压输入数据U通过线性变换得到,dk是键向量的维度。
步骤S22、利用移动窗口技术定期更新informer模型输入的实时输出电压值,得到informer模型实时的预测输出电压值,确保预测的实时性;
在使用informer模型进行电压预测时,为了能够接收到最新的电压信息,利用移动窗口技术进行数据更新,假设窗口长度为T,在每个时间步t,窗口将包含从时间t-T+1到t的电压数据。窗口随时间向前移动,以包含最新的观测值,当新的电压数据ut+1可用时,输入向量由Ut更新为Ut+1
步骤S23、对窗口内的电压预测数据和实时输出电压值进行比较,并计算二者的相关性系数,根据所述相关性系数评估电压预测和实时输出电压值之间的偏差;
为了更好地利用电压预测进行早期故障诊断,评估实测电压数据和预测电压数据的相关性,具体公式如下:
步骤S24、判断所述相关性系数是否超过预设的阈值,若是,则认定为系统存在潜在故障,进入步骤S3进行二次故障判断;否则,认定为在可以接受的误差范围内,并将所述实时电压数据对informer模型进行更新,以保证模型能更好地适应系统,返回步骤S22。
预设的阈值α,当窗口内的实测输出电压数据和预测电压数据相关性系数r小于阈值α,则认为实测输出电压存在异常现象,即做出早期故障诊断,当r大于α,认为误差在合理范围内,并更新相关模型参数,以更好地适应系统变化。
使用Informer模型对燃料电池电压进行精确预测,并利用移动窗口技术定期更新模型输入,保障数据的实时性和预测的连续性。
为了更准确地进行故障预警,系统进一步通过比较模型的电压预测与实际测量值,并计算两者的相关性,以评估预测偏差是否超过预设阈值。若偏差超阈值,表明可能存在系统故障,此时系统将进行进一步的故障监测,避免误判;若未超过阈值,则视为正常误差范围内,并对Informer模型进行适时更新,以提高其预测精度和系统的适应性。这种方法不仅提高了故障预测的准确性,还通过持续的模型优化,增强了系统对新变化的适应能力。
步骤S3、进一步故障监测:根据所述燃料电池的相关运行数据计算燃料电池的变化率,判断所述燃料电池的变化率是否出现异常,若是,则进入步骤S4,否则,返回步骤S2;如图3所示,具体包括:
步骤S31、根据所述燃料电池的相关运行数据计算燃料电池的变化率;
燃料电池的变化率包括输出电流变化率、输出电压变化率、电池表面温度变化率、阴极气体压力变化率、阳极气体压力变化率和堆内各电池组电压变化率。
步骤S32、将所述燃料电池的变化率与上一采样周期的变化率作差,判断差值的绝对值是否超过设定的阈值,若是,则判定为异常数据,进入步骤S4;否则,认定为在可以接受的误差范围内,更新上一采样周期变化率,返回步骤S2;
具体为:
Ki(k)=[Xi(k)-Xi(k-1)]/Δt (5)
αi=|Ki(k)-Ki(k1)| (6)
其中,Ki(k)为传感器i所采集值Xi在第k个采样周期Δt时间内的变化率,Xi(k-1)为传感器i为所采集值Xi在第k-1个采样周期Δt时间内的变化率,αi为传感器i的变化率差值的绝对值。
将所述燃料电池的变化率与上一采样周期的变化率作差,取差值的绝对值,与设定阈值比较,小于设定阈值的数据判定为正常数据,不采取后续分析,大于设定阈值的数据判定为异常数据,并采用归一化处理,从而使特征数据具有相同度量尺度。该设定阈值可由专家知识或结合燃料电池出厂前测试数据决定。
对筛选出的异常变化率,采用Min-Max归一化方法进行归一化处理,以使特征数据具有相同度量尺度:
其中,Cmax和Cmin分别为特征数据集中的最大值和最小值。C是要规范化的值,Cnom是规范化的结果。在发明实施例中,数据集被等量缩放到区间[0,1]。
仅选择那些变化率异常的数据,从而减少正常冗余数据的影响,这种策略有助于提高数据处理的效率,同时通过对变化率数据的分析,进一步提高预测燃料电池系统出现的故障的准确性,为故障诊断和维护提供更为及时的信息。
步骤S4、故障类型诊断:将所述燃料电池的变化率作为故障特征值,输入构建的故障预测模型,输出预测的燃料电池的故障类型;如图4所示;
步骤S41、根据燃料电池历史保存的相关运行数据计算燃料电池的变化率,将所述燃料电池的变化率与上一采样周期的变化率作差,将差值的绝对值超过设定的阈值的变化率作为故障特征值数据,输入故障预测模型,训练并验证模型的准确性;
故障预测模型采用LSTM-CNN混合模型建立,基于历史故障数据,训练并验证模型的准确性,引入注意力机制,增强对关键信息的捕捉能力;
在建立预测模型前,基于燃料电池运行过程中存储历史数据集,取该数据集的十分之七作为故障预测模型的训练集,剩下的十分之三部分作为测试集以验证预测模型的准确性。
将测试集中的故障特征值数据作为预测模型的输入层数据,燃料电池各故障类型作为预测模型的输出层数据,建立燃料电池预测故障数据模型。其中LSTM可以捕获长期依赖关系,CNN负责提取时间窗口中的局部特征,首先使用LSTM层处理时间序列数据,比如燃料电池的电压和电流读数。LSTM层的输出为每个时间步的隐状态,这些状态包含了过去信息的累积。将LSTM的输出送入CNN层,CNN层通过卷积和池化操作进一步提取特征。在LSTM输出的每个时间步上应用注意力机制,计算出每个时间步的重要性,以便突出与故障最相关的特征。
其中γt是注意力机制中的注意力权重,ht则是LSTM的输出,注意力机制的目标是为每一个ht计算得到权重γt,表示它在故障诊断中的重要性。
本实施例中,如图5所示,经归一化后总结故障预测系统的输入特征,故障特征值数据包括输出电流变化率C1、输出电压变化率C2、堆内电池组1电压变化率C3、堆内电池组2电压变化率C4、堆内电池组3电压变化率C5、堆内电池组4电压变化率C6、堆内电池组5电压变化率C7、电池表面温度变化率C8、阴极气体压力变化率C9和阳极气体压力变化率C10。
输出故障类型包括正常F1、电流短路故障F2、电压过压故障F3、膜干故障F4、水淹故障F5、系统温度异常F6、供氧系统故障F7和供氢系统故障F8。
步骤S42、将步骤S3中所述燃料电池的变化率作为故障预测模型的输入,输出预测的燃料电池的故障类型;
所述特征值处理是利用一种集成的LSTM-CNN混合模型来预测燃料电池的故障发生。
步骤S5、故障预警和控制:发出故障信号,根据所述故障信号采取相应的控制措施,并根据故障;
步骤S51、实施多个阈值机制,对应不同级别的预警,并综合考虑故障概率、故障影响和故障阈值级别来量化故障的严重性,帮助后续维护人员优先处理最严重的问题。
本实施例中,设定四个阈值级别:
量化故障严重性:
S=P(data|failure)×I (10)
其中,S是故障严重性系数,I是故障可能造成的经济损失或停机时间预先定义的权重。
该方法不仅可以预测故障的可能性,还可以通过动态阈值机制来调整预警级别,从而确保维护团队能够及时并有效地响应潜在的故障。
步骤S52、利用ZigBee无线传输通信连接传感器终端节点和协调器节点;
在信号传输方面,将ZigBee无线传输技术与燃料电池在线故障监测相结合,这项技术整合不仅降低了燃料电池监测系统的复杂性,也使得系统的操作更加简便。通过采用ZigBee技术,实现了对燃料电池系统的远程监控,为用户提供了更便捷的监测手段。这种融合的方法不仅有助于提高燃料电池系统的稳定性和可靠性,同时也为监测系统的推广应用提供了一种经济、高效的解决方案。
步骤S53、监控中心存储数据,收发控制指令,上位机将指令可视化;
步骤S54、系统依据指令和优先级参数采取相应控制措施。
为了确保最严重的故障得到最快的响应,设置优先级参数:
其中,Pr是优先级参数,当多个故障一起发生时,可以为维护人员提供优先级维护参考,t则是响应该故障所需的时间。
该方法对多个传感器在线采集数据预处理,通过所设筛选规则,选取数据变化率异常数值,进行燃料电池故障预测,并结合ZigBee技术,实现具有燃料电池系统中设备间的无线通讯。
步骤S6、阈值动态调整:建立动态阈值机制,根据故障预测模型的故障概率和预测表现调整所述相关性系数预设的阈值和变化率设定的阈值;
根据模型预测的故障概率和历史预测表现(如误报和漏报的情况),动态调整故障预警的阈值。设置反馈系统,根据故障响应的成功与否进一步优化阈值设定。动态阈值的调整可以基于模型预测的故障概率与设定的性能指标(如误报率和漏报率)来实现。阈值调整公式如下:
其中θnew是新的阈值,θold是旧的阈值,FPt是当前误报率,FNt是当前漏报率,并且考虑误报率和漏报率变化趋势的影响,即用α1和α2来调整误报率和漏报率之差及其差值变化趋势的影响。
当前故障对应特征数据超过最大阈值,采取相应的控制措施以降低该特征数据,当前故障对应特征数据低于最低阈值,采取相应的控制措施以增加该特征数据,以预测供氧系统故障为例,对应阳极气体压力超过最大阈值,采取减压措施或检查减压阀是否故障。该控制措施可由控制器产生信号,控制燃料电池机构运行或暂停而后由人为检测故障问题。
本发明实施例二提供了一种燃料电池在线故障监测和预警的装置,如图6所示,包括:
数据采集模块001,用于获取待监测的燃料电池相关运行数据,包括燃料电池输出电流值、输出电压值、电池表面温度、阴/阳极气体压力、堆内各电池组电压。详细说明参考上述发明实施例中步骤S1。
第一监测模块002,用于设定筛选规则,选取输出电压异常的数据,详细说明参考上述发明实施例中步骤S2;
第二监测模块003,用于对所采集数据进行处理,计算相关运行数据变化率,设定筛选规则,选取变化率异常的数据,对不符合规则的数据进行过滤。详细说明参考上述发明实施例中步骤S3。
故障预测模块004,用于利用所构建的故障预测模型,预测燃料电池故障发生。详细说明参考上述发明实施例中步骤S4。
监测预警模块005,基于预测故障信号,实现燃料电池故障监测预警系统中的上位机预警。详细说明参考上述发明实施例中步骤S5。
本发明实施例三提供了一种燃料电池在线故障监测和预警的控制系统,如图7所示,包括:传感器终端节点101、协调器节点102和监控中心103,所述传感器终端节点101和所述协调器节点102之间通过ZigBee无线传输通信连接,所述监控中心103存储数据,收发控制指令并实现监测数据可视化。
具体地,如图7所示,由电流、电压、温度和压力传感器构成的传感器模块作为传感器终端节点101,通过ZigBee网络传感器终端节点101采集、储存,并通过A/D信号转换无线传输给协调器节点102,协调器节点102通过USB串口与上位机通信进行燃料电池传感器相关数据的监测,结合软件设计诊断故障,协调器节点102还可接受上位机命令,通过无线传输返回传感器终端节点101,控制传感器的运行。传感器终端节点101与协调器节点102主要的核心部件为ZigBee芯片CC2530或CC2430、天线和电源等。
最后需要说明的是,上述的控制方法可以转换为软件程序指令,既可以使用包括处理器和存储器的控制系统来运行实现,也可以通过非暂态计算机可读存储介质中存储的计算机指令来实现。上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
综上可知,通过上述的一种燃料电池在线故障监测和预警的方法、装置及控制系统,具有以下有益效果:
(1)本发明通过输出电压的实时监测进行燃料电池的初步故障监测,再对相关运行数据的变化率的实时监测进行燃料电池的进一步故障监测,通过两次判断降低故障监测的误诊,提高准确性;再通过根据故障情况的变化率建立的故障预测模型,分析出具体的故障类型,进行预警控制,再通过阈值动态调整,不断提高两次故障监测的准确性;
(2)本发明利用实时电压数据进行初步监测,基于Informer模型,预测未来电压变化,显著提升了故障监测的准确性和响应速度,通过移动窗口技术更新模型输入,确保预测的实时性,并通过与实际数据的相关性分析,实时评估偏差,快速响应潜在故障;
(3)本发明通过相关运行数据的变化率的实时监测提高故障监测的准确性,并利用历史数据,采用LSTM-CNN融合有效地以高准确率预测故障类型;
(4)本发明还通过多阈值预警策略,通过评估故障的严重性来优化维护响应,极大地提高了操作效率并降低了运营成本,并集成了ZigBee无线传输技术,简化了监测系统的复杂性,支持远程监控,提升了操作便利性和系统灵活性,这一全面、高效且经济的解决方案适用于各种燃料电池系统,能显著提升其稳定性和可靠性,为能源行业的可持续发展做出贡献。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;虽然结合附图描述了本发明的实施方式,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种燃料电池在线故障监测和预警的方法,其特征在于,包括:
步骤S1、采集数据:获取待监测的燃料电池的相关运行数据,所述相关运行数据包括燃料电池的输出电流值、输出电压值、电池表面温度、阴极气体压力、阳极气体压力、堆内各电池组电压;
步骤S2、初步故障监测:监测实时输出电压值,根据构建的informer模型得到预测输出电压值,根据所述预测输出电压值判断实时输出电压值是否出现异常,若是,则进入步骤S3,否则,继续监测;
步骤S3、进一步故障监测:根据所述燃料电池的相关运行数据计算燃料电池的变化率,判断所述燃料电池的变化率是否出现异常,若是,则进入步骤S4,否则,返回步骤S2;
步骤S4、故障类型诊断:将所述燃料电池的变化率作为故障特征值,输入构建的故障预测模型,输出预测的燃料电池的故障类型;
所述故障特征值数据包括输出电流变化率、输出电压变化率、堆内各电池组电压变化率、阴极气体压力变化率和阳极气体压力变化率;所述故障类型包括正常、电流短路故障、电压过压故障、膜干故障、水淹故障、系统温度异常、供氧系统故障和供氢系统故障;
步骤S5、故障预警和控制:根据量化的故障程度发出故障信号,根据所述故障信号采取相应的控制措施。
2.根据权利要求1所述的燃料电池在线故障监测和预警的方法,其特征在于,所述步骤S2包括:
步骤S21、根据燃料电池历史保存的输出电压值,构建并训练informer模型,测试模型的准确度;
步骤S22、利用移动窗口技术定期更新informer模型输入的实时输出电压值,得到informer模型实时的预测输出电压值;
步骤S23、对窗口内的所述预测输出电压值和实时输出电压值进行比较,并计算二者的相关性系数r:
其中,U(true,i)表示实时输出电压值,U(predict,i)表示预测输出电压值;
步骤S24、判断所述相关性系数是否超过预设的阈值,若是,则进入步骤S3进行二次故障判断;否则,将所述实时输出电压值对informer模型进行更新,返回步骤S22。
3.根据权利要求1所述的燃料电池在线故障监测和预警的方法,其特征在于,所述步骤S3包括:
步骤S31、根据所述燃料电池的相关运行数据计算燃料电池的变化率;
步骤S32、将所述燃料电池的变化率与上一采样周期的变化率作差,判断差值的绝对值是否超过设定的阈值,若是,则判定为异常数据,进入步骤S4;否则,认定为在可以接受的误差范围内,更新上一采样周期变化率,返回步骤S2。
4.根据权利要求1所述的燃料电池在线故障监测和预警的方法,其特征在于,所述步骤S4包括:
步骤S41、根据燃料电池历史保存的相关运行数据计算燃料电池的变化率,将所述燃料电池的变化率与上一采样周期的变化率作差,将差值的绝对值超过设定的阈值的变化率作为故障特征值数据,输入故障预测模型,训练并验证模型的准确性;
步骤S42、将步骤S3中所述燃料电池的变化率作为故障预测模型的输入,输出预测的燃料电池的故障类型。
5.根据权利要求4所述的燃料电池在线故障监测和预警的方法,其特征在于,所述步骤S41中,所述故障预测模型采用LSTM-CNN混合模型,引入注意力机制。
6.根据权利要求1所述的燃料电池在线故障监测和预警的方法,其特征在于,所述步骤S5包括:
步骤S51、实施多个阈值机制,对应不同级别的预警,并综合考虑故障概率、故障影响和故障阈值级别来量化故障的严重性;
设定四个阈值级别:
量化故障严重性:
S=P(data│failure)×I
其中,S是故障严重性系数,I是故障可能造成的经济损失或停机时间预先定义的权重;
步骤S52、利用ZigBee无线传输通信连接传感器终端节点和协调器节点;
步骤S53、监控中心存储数据,收发控制指令,上位机将指令可视化;
步骤S54、系统依据控制指令和优先级参数采取相应控制措施;优先级参数:
其中,Pr是优先级参数,当多个故障一起发生时,可以为维护人员提供优先级维护参考,t则是响应该故障所需的时间。
7.根据权利要求1所述的燃料电池在线故障监测和预警的方法,其特征在于,所述步骤S5后面还包括:
步骤S6、阈值动态调整:建立动态阈值机制,根据故障预测模型的故障概率和预测表现调整步骤S2和S3中的进行异常判断的阈值;
所述的步骤S2和S3中的进行异常判断的阈值包括:相关性系数预设的阈值和变化率设定的阈值,阈值调整公式为:
其中,θnew是新的阈值,θold是旧的阈值,FPt是当前误报率,FNt是当前漏报率,并且考虑误报率和漏报率变化趋势的影响,即用α1和α2来调整误报率和漏报率之差及其差值变化趋势的影响。
8.一种燃料电池在线故障监测和预警的装置,其特征在于,包括:
至少一个处理器;以及与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至7任一项所述的方法,包括:数据采集模块,用于运行步骤S1;第一监测模块,用于运行步骤S2;第二监测模块,用于运行步骤S3;故障预测模块,用于运行步骤S4;以及监测预警模块,用于运行步骤S5。
9.一种燃料电池在线故障监测和预警的控制系统,其特征在于,包括:依次通信连接的传感器终端节点、协调器节点和监控中心,所述监控中心执行如权利要求1至7任一项所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至7任一项所述的方法。
Publications (1)
Publication Number | Publication Date |
---|---|
CN118281263A true CN118281263A (zh) | 2024-07-02 |
Family
ID=
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112611936B (zh) | 一种基于边缘计算的配网变压器故障动态检测与分类系统 | |
KR102632527B1 (ko) | 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템 및 방법 | |
CN112880750A (zh) | 一种变压器多维度综合在线监测智能诊断系统 | |
CN117689214B (zh) | 一种柔性直流牵引供电系统能量路由器动态安全评估方法 | |
CN116308304B (zh) | 基于元学习概念漂移检测的新能源智慧运维方法及系统 | |
CN108347352A (zh) | 一种电力系统中信息系统及设备性能的诊断方法 | |
CN212895016U (zh) | 一种基于LoRa无线测控技术的铝电解槽况诊断系统 | |
CN115112978A (zh) | 一种电力系统绝缘环网柜故障检测方法 | |
CN110412417B (zh) | 基于智能电力监测仪表的微电网数据故障诊断方法 | |
CN110443481B (zh) | 基于混合k-近邻算法的配电自动化终端状态评价系统及方法 | |
CN117117258B (zh) | 一种氢燃料电池系统的故障监测方法及装置 | |
CN114487705A (zh) | 一种电网设备故障定位检测方法 | |
KR102169040B1 (ko) | 인공 지능이 탑재된 연료 전지 제어 시스템 및 이를 이용한 제어 방법 | |
CN117674249A (zh) | 一种含分布式光伏的配电网故障自愈控制与评价方法 | |
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 | |
CN116951328A (zh) | 基于大数据的排水管线运行智慧监控系统 | |
CN114142069A (zh) | 一种基于燃料电池健康状态评估的在线监控装置及方法 | |
CN113098132A (zh) | 一种基于群智能优化的改进机器学习故障诊断系统 | |
CN114492578A (zh) | 一种基于bp神经网络的电气设备运行数据分类方法 | |
CN117491793B (zh) | 一种氢电耦合系统综合性能测试方法、装置及介质 | |
CN117394409B (zh) | 储能电站设备状态的智能评估方法及系统 | |
CN115455729A (zh) | 基于故障率拟合的电网安全稳定控制装置可靠性评估方法 | |
Fan et al. | Prediction of the Remaining Useful Life of the Proton Exchange Membrane Fuel Cell with an Integrated Health Index | |
CN118114101A (zh) | 燃料电池故障诊断方法及系统 | |
CN117438618A (zh) | 氢燃料电池的性能预测方法、系统、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication |