一种燃料电池寿命预测方法技术

本发明专利技术公开了一种燃料电池寿命预测方法，本方法以燃料电池输出电压作为性能衰减指标，首先采用自适应变分模态分解技术对原始燃料电池电压数据进行分析，提高对不同电压变化特征的自适应能力；基于燃料电池电压衰变特征和样本熵理论，重构VMD算法分解子序列以更好的反映电池的老化特征信息；建立深度置信网络预测模型，利用深度结构提取燃料电池高质量的老化特征信息，有效提高寿命预测结果的准确性。本方法预测精度高，适用于燃料电池寿命预测。

A life prediction method of fuel cell

【技术实现步骤摘要】
一种燃料电池寿命预测方法
本专利技术涉及电池寿命预测领域，具体涉及一种燃料电池寿命预测方法。
技术介绍
质子交换膜燃料电池(PEMFC)具有工作温度低、功率密度高、能量转换效率高、无污染等优点，已被广泛应用于固定基站、运输车辆、便携式设备和热电联供系统中。虽然PEMFC被认为是最有发展前景的能源装置，但在其商业化程度还处于初级阶段，寿命短和成本高是制约其大规模工业应用的两个重要因素。燃料电池寿命预测被认为是一种帮助延长PEMFC寿命并降低成本的有效手段，它可以提供对未来燃料电池失效模式以及故障时间的估计，以帮助使用者了解燃料电池的健康状况并制定有效的运维决策。因此，预测可以优化燃料使用，最大程度地减少维护成本和停机时间，同时提高PEMFC地运行可用性、安全性，延长燃料电池的剩余使用寿命(RUL)。然而，由于PEMFC的性能衰减过程复杂且内部各组分老化机理不同，因此建立精确的PEMFC寿命预测模型具有较大的挑战性。目前用于燃料电池寿命预测的方法主要有数据驱动方法和模型驱动方法这两类。模型驱动方法基于经验或物理模型来描述PEMFC的实际老化本文档来自技高网...

【技术保护点】
1.一种燃料电池寿命预测方法，其特征在于，包括以下步骤：/nS1、获取样本燃料电池的电压数据；/nS2、采用自适应变分模态分解方法将样本燃料电池的电压数据分解为若干个子序列；/nS3、重构样本燃料电池电压变化特征向量，将若干个子序列重构为随机序列、细节序列和趋势序列；/nS4、将随机序列、细节序列和趋势序列作为训练数据分别训练一个基于高斯受限玻尔兹曼机的深度置信网络预测模型；/nS5、采用与步骤S2和步骤S3相同的方法获取待预测燃料电池的随机序列、细节序列和趋势序列，并将其对应输入训练后的基于高斯受限玻尔兹曼机的深度置信网络预测模型中，根据三个基于高斯受限玻尔兹曼机的深度置信网络预测模型的输出...

【技术特征摘要】
1.一种燃料电池寿命预测方法，其特征在于，包括以下步骤：
S1、获取样本燃料电池的电压数据；
S2、采用自适应变分模态分解方法将样本燃料电池的电压数据分解为若干个子序列；
S3、重构样本燃料电池电压变化特征向量，将若干个子序列重构为随机序列、细节序列和趋势序列；
S4、将随机序列、细节序列和趋势序列作为训练数据分别训练一个基于高斯受限玻尔兹曼机的深度置信网络预测模型；
S5、采用与步骤S2和步骤S3相同的方法获取待预测燃料电池的随机序列、细节序列和趋势序列，并将其对应输入训练后的基于高斯受限玻尔兹曼机的深度置信网络预测模型中，根据三个基于高斯受限玻尔兹曼机的深度置信网络预测模型的输出结果得到目标燃料电池的预测寿命。


2.根据权利要求1所述的燃料电池寿命预测方法，其特征在于，所述步骤S1的具体方法包括以下子步骤：
S1-1、获取与目标燃料电池相同的样本燃料电池的电压时间序列；
S1-2、将前60％个样本燃料电池的电压时间序列作为训练样本，将剩下40％个样本燃料电池的电压时间序列作为测试样本；
S1-3、采用滚动迭代方法确定各训练样本和测试样本的输入输出对，得到样本燃料电池的电压数据。


3.根据权利要求1所述的燃料电池寿命预测方法，其特征在于，所述步骤S2的具体方法包括以下子步骤：
S2-1、将电压数据分解个数K和惩罚因子α所构成的向量{α，K}作为粒子，设置粒子群优化算法的最大迭代次数R、粒子种群数P、第一学习系数c1、第二学习系数c2、约束因子γ、最大惯性权重和最小惯性权重并将当前迭代次数k'设置为1；
S2-2、设置变分模态分解方法的收敛精度ε和最大迭代次数NVMD，将电压数据f傅里叶变换为对于每一个粒子，初始化该粒子的第k个子序列的模态分量中心频率和拉格朗日乘数
S2-3、根据公式：









获取该粒子的第k个初始化子序列在第n+1次迭代后的模态分量该粒子的第k个初始化子序列的拉格朗日乘数进行傅里叶变换后在第n+1次迭代后的结果以及该粒子的第k个初始化子序列的初始中心频率在第n+1次迭代后的结果τ为常数；K′和α′分别为该粒子对应的分解个数和惩罚因子；为该粒子的第kVMD个初始化子序列在第n次迭代后的模态分量；
S2-4、判断公式：



是否成立，若是则停止分解并进入步骤S2-7；否则进入步骤S2-5；
S2-5、判断当前迭代次数是否小于NVMD，若是则进入步骤S2-6；否则进入步骤S2-7；
S2-6、采用与步骤S2-3和步骤S2-4相同的方法进行模态分解过程中的再次迭代与判断，并返回步骤S2-5；
S2-7、对第k个初始化子序列在最新迭代中得到的模态分量进行傅里叶逆变换，得到该粒子对应的变分模态分解的第k个子序列xk，进而得到该粒子对应的K′个子序列；
S2-8、将粒子的品质因素作为粒子寻优过程中的适应度函数值，根据公式：






获取该粒子的品质因素Q，进而得到每个粒子的品质因素；其中Sk表示该粒子第k个子序列的信息熵；表示该粒子K′个子序列信息熵的平均值；ln(·)为以常数e为底的对数函数；q为xk中含有的元素数量；xk(i')为第k个子序列中第i'个元素；
S2-9、将品质因素最大的粒子当前的分解个数及对应的子序列作为自适应变分模态分解结果并输出。


4.根据权利要求3所述的燃料电池寿命预测方法，其特征在于，所述电压数据分解个数K的取值范围为[3,10]，惩罚因子α的取值范围为[0,2000]。


5.根据权利要求1所述的燃料电池寿命预测方法，其特征在于，所述步骤S3的具体方法包括以下子步骤：
S3-1、将长度为q的第k个子序列xk＝{x(l)|l＝1,2,...,q}重新划分为一组m维的向量Xm(i+)＝[x(i+),x(i++1),...,x(i++m-1)]；i+为常数，i+＝1,2,...,q-m+1；
S3-2、根据公式：



获取向量Xm(i+)与向量Xm(j+)之间的距离；其中j+为常数，j+＝1,2,...,q-m+1；s+为常数；
S3-3、设定距离阈值r，统计d[Xm(i+)...

【专利技术属性】
技术研发人员：邹见效，谢雨岑，彭超，朱云，徐红兵，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51