本申请公开了一种基于循环神经网络的燃料电池极化曲线预测方法及装置，包括：首先获取待预测的目标燃料电池；以及获取目标燃料电池的电流密度和电压；然后，将目标燃料电池的电流密度和电压输入至预先构建的基于循环神经网络的燃料电池极化曲线预测模型，以预测出目标燃料电池的极化曲线。可见，由于目标燃料电池的电流密度和电压的测量值具有时序关系，而本申请实施例是利用预先构建的基于循环神经网络的燃料电池极化曲线预测模型，对目标燃料电池的极化曲线进行预测，从而能够大幅度提高预测结果的准确率和预测效率。高预测结果的准确率和预测效率。高预测结果的准确率和预测效率。
【技术实现步骤摘要】
基于循环神经网络的燃料电池极化曲线预测方法及装置
[0001]本申请涉及电池
，尤其涉及一种基于循环神经网络的燃料电池极化曲线预测方法及装置。
技术介绍
[0002]燃料电池作为一种新型能源形式，在当前的节能减排进程中发挥着重要的作用。而制约目前燃料电池发展的主要是成本和寿命。其中，是否能够实时获知燃料电池的性能表现，对于燃料电池寿命的评价是至关重要的。目前，燃料电池性能正是通过燃料电池的极化曲线体现出来的，因此，是否能够对燃料电池极化曲线进行准确预测就显得尤为重要。
[0003]现有的对于燃料电池极化曲线的预测方法通常有两种：一种是插值方式的预测方法，具体为首先通过实验测试得到典型工况点的数据，然后对于测试点之间的未知数据采用插值的方式获得，但该插值方式的预测方法得到的数据的误差较大，与实际情形有较大差距。另一种预测方法是多项式拟合方式的预测方法，具体为先根据燃料电池的数学模型，采用多项式拟合的方式得到实际燃料电池的极化曲线的函数表达式，然后再通过该函数表达式来计算出未知数据，但由于目前主流的燃料电池数学模型——Amphlett模型由活化过电势、欧姆过电势和浓差过电势组成，本身就很复杂，所以，通过多项式拟合得到的函数形式未必能够完全包含上述三部分，会导致一定的误差。且通过拟合得到的函数对未知范围的极化曲线数据预测效果也难以评价。
[0004]因此，如何提升燃料电池极化曲线的预测准确率，降低误差，已成为亟待解决的问题。
技术实现思路
[0005]本申请实施例的主要目的在于提供一种基于循环神经网络的燃料电池极化曲线预测方法及装置，能够采用循环神经网络进行燃料电池极化曲线预测，大幅度提高预测结果的准确率。
[0006]本申请实施例提供了一种基于循环神经网络的燃料电池极化曲线预测方法，包括：
[0007]获取待预测的目标燃料电池；以及获取所述目标燃料电池的电流密度和电压；
[0008]将所述目标燃料电池的电流密度和电压输入至预先构建的基于循环神经网络的燃料电池极化曲线预测模型，以预测出所述目标燃料电池的极化曲线。
[0009]可选的，所述基于循环神经网络的燃料电池极化曲线预测模型是利用初始基于循环神经网络的燃料电池极化曲线预测模型训练得到的；所述初始基于循环神经网络的燃料电池极化曲线预测模型包括输入层、隐藏层、输出层。
[0010]可选的，构建所述基于循环神经网络的燃料电池极化曲线预测模型，包括：
[0011]S1：获取燃料电池的训练电流密度和训练电压；
[0012]S2：将所述训练电流密度和训练电压输入Python编写好的代码中进行训练，得到
所述初始基于循环神经网络的燃料电池极化曲线预测模型的网络参数；
[0013]S3：利用所述交叉熵损失函数，计算所述训练电流密度和训练电压的损失值；
[0014]S4：将所述隐藏层和所述输入层的梯度清零，以及将所述输出层和所述隐藏层的梯度清零；
[0015]S5：通过反向传播，计算所述隐藏层和所述输入层的梯度，以及计算所述输出层和所述隐藏层的梯度；
[0016]S6：重复执行步骤S2
‑
S5，直至所述训练电流密度和训练电压的损失值小于预设阈值，停止训练，生成所述基于循环神经网络的燃料电池极化曲线预测模型。
[0017]可选的，所述方法还包括：
[0018]获取燃料电池的验证电流密度和验证电压；
[0019]将所述验证电流密度和验证电压输入所述基于循环神经网络的燃料电池极化曲线预测模型，获得所述验证电流密度和验证电压对应的极化曲线预测结果；
[0020]当所述验证电流密度和验证电压对应的极化曲线预测结果与所述验证电流密度和验证电压对应的极化曲线标记结果不一致时，将所述验证电流密度和验证电压分别重新作为所述训练电流密度和训练电压，对所述基于循环神经网络的燃料电池极化曲线预测模型进行更新。
[0021]本申请实施例还提供了一种基于循环神经网络的燃料电池极化曲线预测装置，包括：
[0022]第一获取单元，用于获取待预测的目标燃料电池；以及获取所述目标燃料电池的电流密度和电压；
[0023]预测单元，用于将所述目标燃料电池的电流密度和电压输入至预先构建的基于循环神经网络的燃料电池极化曲线预测模型，以预测出所述目标燃料电池的极化曲线。
[0024]可选的，所述基于循环神经网络的燃料电池极化曲线预测模型是利用初始基于循环神经网络的燃料电池极化曲线预测模型训练得到的；所述初始基于循环神经网络的燃料电池极化曲线预测模型包括输入层、隐藏层、输出层。
[0025]可选的，所述装置还包括：
[0026]第二获取单元，用于获取燃料电池的训练电流密度和训练电压；
[0027]训练单元，用于将所述训练电流密度和训练电压输入Python编写好的代码中进行训练，得到所述初始基于循环神经网络的燃料电池极化曲线预测模型的网络参数；
[0028]第一计算单元，用于利用所述交叉熵损失函数，计算所述训练电流密度和训练电压的损失值；
[0029]清零单元，用于将所述隐藏层和所述输入层的梯度清零，以及将所述输出层和所述隐藏层的梯度清零；
[0030]第二计算单元，用于通过反向传播，计算所述隐藏层和所述输入层的梯度，以及计算所述输出层和所述隐藏层的梯度；
[0031]生成单元，用于重复调用执行训练单元、第一计算单元、清零单元以及第二计算单元，直至所述训练电流密度和训练电压的损失值小于预设阈值，停止训练，生成所述基于循环神经网络的燃料电池极化曲线预测模型。
[0032]可选的，所述装置还包括：
[0033]第三获取单元，用于获取燃料电池的验证电流密度和验证电压；
[0034]获得单元，用于将所述验证电流密度和验证电压输入所述基于循环神经网络的燃料电池极化曲线预测模型，获得所述验证电流密度和验证电压对应的极化曲线预测结果；
[0035]更新单元，用于当所述验证电流密度和验证电压对应的极化曲线预测结果与所述验证电流密度和验证电压对应的极化曲线标记结果不一致时，将所述验证电流密度和验证电压分别重新作为所述训练电流密度和训练电压，对所述基于循环神经网络的燃料电池极化曲线预测模型进行更新。
[0036]本申请实施例还提供了一种基于循环神经网络的燃料电池极化曲线预测设备，包括：处理器、存储器、系统总线；
[0037]所述处理器以及所述存储器通过所述系统总线相连；
[0038]所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行上述基于循环神经网络的燃料电池极化曲线预测方法中的任意一种实现方式。
[0039]本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行上述基于循环神经网络的燃料电池极化曲线预测方法中的任意一种实现本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于循环神经网络的燃料电池极化曲线预测方法，其特征在于，包括：获取待预测的目标燃料电池；以及获取所述目标燃料电池的电流密度和电压；将所述目标燃料电池的电流密度和电压输入至预先构建的基于循环神经网络的燃料电池极化曲线预测模型，以预测出所述目标燃料电池的极化曲线。2.根据权利要求1所述的方法，其特征在于，所述基于循环神经网络的燃料电池极化曲线预测模型是利用初始基于循环神经网络的燃料电池极化曲线预测模型训练得到的；所述初始基于循环神经网络的燃料电池极化曲线预测模型包括输入层、隐藏层、输出层。3.根据权利要求2所述的方法，其特征在于，构建所述基于循环神经网络的燃料电池极化曲线预测模型，包括：S1：获取燃料电池的训练电流密度和训练电压；S2：将所述训练电流密度和训练电压输入Python编写好的代码中进行训练，得到所述初始基于循环神经网络的燃料电池极化曲线预测模型的网络参数；S3：利用所述交叉熵损失函数，计算所述训练电流密度和训练电压的损失值；S4：将所述隐藏层和所述输入层的梯度清零，以及将所述输出层和所述隐藏层的梯度清零；S5：通过反向传播，计算所述隐藏层和所述输入层的梯度，以及计算所述输出层和所述隐藏层的梯度；S6：重复执行步骤S2
‑
S5，直至所述训练电流密度和训练电压的损失值小于预设阈值，停止训练，生成所述基于循环神经网络的燃料电池极化曲线预测模型。4.根据权利要求3所述的方法，其特征在于，所述方法还包括：获取燃料电池的验证电流密度和验证电压；将所述验证电流密度和验证电压输入所述基于循环神经网络的燃料电池极化曲线预测模型，获得所述验证电流密度和验证电压对应的极化曲线预测结果；当所述验证电流密度和验证电压对应的极化曲线预测结果与所述验证电流密度和验证电压对应的极化曲线标记结果不一致时，将所述验证电流密度和验证电压分别重新作为所述训练电流密度和训练电压，对所述基于循环神经网络的燃料电池极化曲线预测模型进行更新。5.一种基于循环神经网络的燃料电池极化曲线预测装置，其特征在于，包括：第一获取单元，用于获取待预测的目标燃料电池；以及获取所述目标燃料电池的电流密度和电压；预测单元，用于将所述目标燃料电池的电流密度和电压输入至预先构建的基于循环神经网络的燃料电池极化曲线预测模型，以预测出所述目标燃料电池的极化曲线。6.根据权利要...
【专利技术属性】
技术研发人员：陈俊超，蒋永伟，刘冬安，姜炜，
申请(专利权)人：上海汽车集团股份有限公司，
类型：发明
国别省市：
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。