【技术实现步骤摘要】
一种基于迁移学习的燃料电池退化预测方法、装置、设备
[0001]本专利技术涉及燃料电池性能评估和健康管控
，特别是涉及一种基于迁移学习的燃料电池退化预测方法、装置、设备。
技术介绍
[0002]当前社会正处于一个能源发展的大变革时期。在这样的背景之下，燃料电池高效率，低排放，燃料来源广的特点使其在多领域具有广泛用途，是全球未来的清洁和可再生能源解决方案的主要候选人之一。然而燃料电池在长时间运行过程中存在的退化现象，阻碍了其广泛的商业化。这就需要我们开展对燃料电池性能评估和健康管控方面的研究。对燃料电池进行退化预测就是其中的一个重要环节。
[0003]退化预测的方法现在主要分三大类：基于模型驱动的预测方法、基于数据驱动的预测方法以及基于混合的预测方法。而退化模型建立十分复杂，因此数据驱动的退化预测方法受到了广泛关注。
[0004]近年来，随着人工智能及计算机硬件性能的不断发展，越来越多基于神经网络、模糊系统等人工智能技术的预测算法由于其学习能力强、训练速度快等优点，在退化预测领域得到广泛应用。
[...
【技术保护点】
【技术特征摘要】
1.一种基于迁移学习的燃料电池退化预测方法，其特征在于，包括：获取燃料电池的原始数据，并根据所述原始数据筛选出退化特征数据；将所述退化特征数据作为目标域数据，并获取与所述目标域数据相似的特征数据作为源域数据；根据所述源域数据搭建源域LSTM预测模型，并通过所述源域数据对所述LSTM预测模型进行预训练，确定预训练参数；根据所述目标域数据搭建目标域LSTM预测模型，并将所述预训练参数迁移至所述目标域LSTM预测模型，通过所述目标域数据对目标域LSTM预测模型进行重训练；基于重训练后的目标域LSTM预测模型，生成燃料电池的性能退化曲线。2.如权利要求1所述的一种基于迁移学习的燃料电池退化预测方法，其特征在于，所述获取燃料电池的原始数据，并根据所述原始数据筛选出退化特征数据，包括：根据用户载入的燃料电池文件，提取所述燃料电池的原始数据；将所述原始数据通过归一化处理，并将所述原始数据标准化至[0，1]的区间内；其中，将所述原始数据进行归一化处理通过下式进行：其中，所述X
min
表示最小原始数据；所述X
max
表示最大原始数据；所述X表示原始数据；所述axis＝0表示归一化操作；根据所述标准化的原始数据，确定所述原始数据为时间序列数据；将所述时间序列数据转化成有输入序列和输出序列的监督问题数据；根据所述原始数据特征量，确定能表征燃料电池退化性能的燃料电池输出电压为预测输出；根据所述输出电压，确定表征性能的衰减值；根据所述衰减值的波动情况，确定退化特征数据。3.如权利要求1所述的一种基于迁移学习的燃料电池退化预测方法，其特征在于，所述将所述退化特征数据作为目标域数据，并获取与所述目标域数据相似的特征数据作为源域数据，包括：根据所述退化特征数据，确定所述燃料电池的退化属性；根据所述退化属性，将所述退化特征数据作为目标域数据；根据所述目标域数据，确定所述原始数据中具有相似的退化特征的数据作为源域数据。4.如权利要求3所述的一种基于迁移学习的燃料电池退化预测方法，其特征在于，所述将所述退化特征数据作为目标域数据，并获取与所述目标域数据相似的特征数据作为源域数据，还包括：将所述原始数据基于训练模型的输入格式进行重构；其中，所述训练模型的输入格式包括：样本数、时间步和特征量；获取所述目标域数据的目标特征量和原始数据的总特征量；并根据所述目标特征量和总特征量的共有特征量，确定源域数据；其中，
所述共有特征量可以包括：输出电压、输出电流和工作温度等；所述源域数据包括源域训练集；所述目标域数据包括目标域训练集和目标域测试集。5.如权利要求4所述的一种基于迁移学习的燃料电池退化预测方法，其特征在于，所述根据所述源域数据搭建源域LSTM预测模型，并通过所述源域数据对所述LSTM预测模型进行预训练，确定预训练参数，包括：基于LSTM神经网络模型和源域数据，构建所述源域LSTM预测模型；其中，所述LSTM神经网络模型为三层神经网络结构，分别为输入层、隐藏层和输出层；所述隐藏层由LSTM单元构成；所述输入层和输出层由基础网络构成；通过所述源域数据集代入所述源域LSTM预测模型进行预训练，生成预训练模型，并确定预训练参数。6.如权利要求4所述的一种基于迁移学习的燃料电池退化预测方法，其特征在于，所述根据所述目标域数据搭建...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。