一种基于WaveNet的燃料电池寿命预测方法技术

本发明专利技术公开了一种基于WaveNet的燃料电池寿命预测方法，其利用经验模态分解算法将预处理数据进行分解，得到一系列本征模态分量；然后对具有噪声与真实信号混叠现象的本征模态分量imf1(t)进行滤波处理，得到一阶模态分量；接着将一阶模态分量与未处理的本征模态分量进行信号重构，得到待输入WaveNet信号；然后利用初始参数构建基于WaveNet的燃料电池寿命预测模型；最后将待输入WaveNet信号输入至基于WaveNet的燃料电池寿命预测模型中进行训练，得到燃料电池原始寿命的预测数据。通过本申请的预测方法，其预测时间步长能够达到500步，实现了燃料电池的长期寿命预测；所需的训练时间少，很适合用于在线实时预测。很适合用于在线实时预测。很适合用于在线实时预测。

【技术实现步骤摘要】
一种基于WaveNet的燃料电池寿命预测方法


[0001]本申请属于燃料电池
，特别是涉及一种基于WaveNet的燃料电池寿命预测方法。

技术介绍

[0002]质子交换膜燃料电池(PEMFC)，由于其无污染、效率高以及噪声低等特点，成为实现能源低碳转型的发电工具之一，并被广泛应用于多个领域。目前，PEMFC的运行寿命、长期性能和维护成本成为制约其进一步商业化发展的主要因素。因此，对燃料电池的性能退化曲线进行准确的预测是其走向商业化发展的重要一环。PEMFC寿命预测的目的在于通过研究燃料电池的历史经验数据从而使系统学习到燃料电池的老化趋势(FDT)，进而预测得到其剩余寿命，起到预测与预防的作用。
[0003]目前，评估PEMFC剩余使用寿命的方法主要分为模型驱动和数据驱动两种类型。在学术界和工业界，大多采用基于数据驱动的预测方法评估PEMFC剩余使用寿命。中国专利申请CN202010102029.6公开了一种燃料电池寿命预测方法，其基于高斯受限玻尔兹曼机的深度置信网络预测模型对燃料电池的寿命进行预测，预测精度高于一般BP网络的预测效果，但其预测长度较短，只能实现燃料电池的短期寿命预测，对长期寿命预测而言，效果不理想。大多现有的关于燃料电池的预测方法都属于短期预测，因此，现有的预测技术还有待进一步改善和提高。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种基于WaveNet的燃料电池寿命预测方法以解决现有的预测方法只能预测短期寿命、预测长度较短等问题。本申请通过经验模态分解算法对原始时间序列按照频率进行分解，将其分解为一系列的子序列，然后对个别子序列进行降噪处理，最后建立基于WaveNet的预测模型，将子序列输入至预测模型中进行训练，最终得出预测结果，其预测时间步长能够达到500步，在保证预测精度的同时可以有效的延长预测时间长度。
[0005]本专利技术实施例提供一种基于WaveNet的燃料电池寿命预测方法，包括如下步骤：
[0006]S1、将燃料电池的原始寿命数据进行预处理，得到预处理数据；利用经验模态分解(EMD)算法将所述预处理数据进行经验模态分解，得到一系列的本征模态分量(IMF)；
[0007]S2、计算步骤S1的各本征模态分量(IMF)与残差信号r(t)之间的相关系数，观察各本征模态分量(IMF)的统计特征；判断具有噪声与真实信号混叠现象的本征模态分量，记为imf1(t)；
[0008]S3、将步骤S2中的imf1(t)输入至低通滤波器中进行滤波处理，得到一阶模态分量；
[0009]S4、将步骤S3的一阶模态分量与步骤S1中未处理的本征模态分量(IMF)进行信号重构，得到待输入WaveNet信号；
[0010]S5、确定所述WaveNet中的各初始参数，利用所述初始参数构建基于WaveNet的燃料电池寿命预测模型；
[0011]S6、将步骤S4中待输入WaveNet信号输入至步骤S5中的基于WaveNet的燃料电池寿命预测模型中进行训练，得到燃料电池原始寿命的预测数据。
[0012]步骤S1中，
[0013]所述原始寿命数据是指燃料电池的输出电压随使用时间变化的曲线数据。燃料电池的输出电压通过Python进行读取得到。
[0014]所述曲线数据通过如下方法采集绘制：在燃料电池的长期使用过程中，平均每隔0.5s测量一次所述燃料电池的输出电压值，然后以使用时间为横坐标、输出电压值为纵坐标绘制曲线，得到所述曲线数据。
[0015]所述预处理通过如下方法实现：从所述曲线数据中，每间隔30个数据点采样一个数据点，然后以采样的数据点为数据集，以使用时间为横坐标、输出电压值为纵坐标绘制曲线，得到预处理数据。由于原始数据量太大，通过预处理，可以简化冗繁的数据，在不影响采样均匀性的同时，有利于提高计算机的计算效率。
[0016]所述经验模态分解算法的具体计算过程如下所示：
[0017](1)找到所述预处理数据x(t)的所有极大值点，通过三次样条函数拟合出极大值包络线e
+
(t)；同理，找到所述预处理数据x(t)的所有极小值点，通过三次样条函数拟合出极小值包络线e
‑
(t)；以所述极大值包络线与所述极小值包络线之和的平均值作为所述预处理数据x(t)的均值包络m1(t)，满足：
[0018][0019](2)将所述预处理数据x(t)减去m1(t)，得到一阶模态分量imf1(t)，满足：imf1(t)＝x(t)
‑
m1(t)；
[0020](3)假定imf1(t)满足IMF条件，则重复上述步骤(1)和步骤(2)，得到imf
n
(t)，其中，n＝1,2,3
…
；
[0021]所述IMF条件如下所示：
[0022]①
在整个预处理数据的信号上，极值点(包括极大值点和极小值点)的个数和过零点的个数相差不大于1；
[0023]②
在任意点处，所述极大值包络线的均值与所述极小值包络线的的均值均为0。
[0024](4)通过上述分解，将所述预处理数据x(t)分解为一系列imf(t)和残差信号r(t)，满足：
[0025][0026]优选的，所述经验模态分解算法的分解层数为n＝10层，即所述预处理数据x(t)满足：
[0027][0028]优选的，步骤(1)中，
[0029]所述三次样条函数S(x)满足：
[0030]S(t
i
)＝x(t
i
)
ꢀꢀꢀꢀ
(式一)，
[0031]其中，t
i
为所述极大值点或所述极小值点；
[0032]根据连续性条件：
[0033]S(t
i
‑
0)＝S(t
i
+0)
[0034]S(t
i
‑
0)
′
＝S(t
i
+0)
′
[0035]S(t
i
‑
0)
″
＝S(t
i
+0)
″ꢀꢀ
(式二)，
[0036]加入边界假设：
[0037]S(t0)
′
＝x(t0)
′
＝0
[0038]S(t
n
)
′
＝x(t
n
)
′
＝0
ꢀꢀ
(式三)；
[0039]联合式一、式二和式三，计算得到所述极大值包络线或所述极小值包络线。
[0040]在本申请中，随着分解层数的加深，信号会逐渐褪去其所拥有的非线性因素，直至退化到接近线性模型。
[0041]步骤S2中，
[0042]所述相关系数的计算公式如下：
[0043][0044]其中，r代表相关系数，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于WaveNet的燃料电池寿命预测方法，其特征在于，包括如下步骤：S1、将燃料电池的原始寿命数据进行预处理，得到预处理数据；利用经验模态分解算法将所述预处理数据进行经验模态分解，得到一系列的本征模态分量；S2、计算步骤S1的各本征模态分量与残差信号r(t)之间的相关系数，观察各本征模态分量的统计特征；判断具有噪声与真实信号混叠现象的本征模态分量，记为imf1(t)；S3、将步骤S2中的imf1(t)输入至低通滤波器中进行滤波处理，得到一阶模态分量；S4、将步骤S3的一阶模态分量与步骤S1中未处理的本征模态分量进行信号重构，得到待输入WaveNet信号；S5、确定所述WaveNet中的各初始参数，利用所述初始参数构建基于WaveNet的燃料电池寿命预测模型；S6、将步骤S4中待输入WaveNet信号输入至步骤S5中的基于WaveNet的燃料电池寿命预测模型中进行训练，得到燃料电池原始寿命的预测数据。2.根据权利要求1所述的基于WaveNet的燃料电池寿命预测方法，其特征在于，步骤S1中，所述原始寿命数据是指燃料电池的输出电压随使用时间变化的曲线数据；所述曲线数据通过如下方法采集绘制：在燃料电池的长期使用过程中，平均每隔0.5s测量一次所述燃料电池的输出电压值，然后以使用时间为横坐标、输出电压值为纵坐标绘制曲线，得到所述曲线数据。3.根据权利要求2所述的基于WaveNet的燃料电池寿命预测方法，其特征在于，所述预处理通过如下方法实现：从所述曲线数据中，每间隔30个数据点采样一个数据点，然后以采样的数据点为数据集，以使用时间为横坐标、输出电压值为纵坐标绘制曲线，得到预处理数据。4.根据权利要求3所述的基于WaveNet的燃料电池寿命预测方法，其特征在于，所述经验模态分解算法的具体计算过程如下所示：(1)找到所述预处理数据x(t)的所有极大值点，通过三次样条函数拟合出极大值包络线e
+
(t)；同理，找到所述预处理数据x(t)的所有极小值点，通过三次样条函数拟合出极小值包络线e
‑
(t)；以所述极大值包络线与所述极小值包络线之和的平均值作为所述预处理数据x(t)的均值包络m1(t)，满足：(2)将所述预处理数据x(t)减去m1(t)，得到一阶模态分量imf1(t)，满足：imf1(t)＝x(t)
‑
m1(t)；(3)假定imf1(t)满足IMF条件，则重复上述步骤(1)和步骤(2)，得到imf
n
(t)，其中，n＝1,2,3
…
；(4)通过上述分解，将所述预处理数据x(t)分解为一系列imf(t)和残差信号r(t)，满足：5.根据权利要求4所述的基于WaveNet的燃料电池寿命预测方法，其特征在于，步骤(1)
中，所述三次样条函数S(x)满足：S(t
i
)＝x(t
i
)
ꢀꢀꢀꢀ
(式一)，其中，t
i
为所述极大值点或所述极小值点；根据连续性条件：S(t
i
‑
0)＝S(t
i
+0)S(t
i
‑
0)
′
＝S(t
i
+0)
′
S(t
i...

【专利技术属性】
技术研发人员：袁鹏，杨骄，高鹏然，
申请(专利权)人：深圳市雄韬电源科技股份有限公司，
类型：发明
国别省市：