一种制氢电解槽剩余寿命预测方法技术

本发明专利技术公开了一种制氢电解槽剩余寿命预测方法。本发明专利技术采用的步骤如下：采集制氢电解槽的工艺参数数据和电压数据；对采集的电压数据进行离散小波变换重构，捕捉电压退化趋势；使用去趋势化的方法对离散小波变换重构后的电压数据进行处理，得到去噪的训练样本；采用降维算法，将原高维空间中的数据点映射到低维度的空间中，以去除工艺参数数据中的冗余信息；将经过处理的电压数据和降维的工艺参数数据输入到NARX神经网络模型中进行训练，将上一个时间步的预测电压作为下一个时间步的输入电压，通过迭代预测制氢电解槽的剩余寿命。本发明专利技术使制氢电解槽的寿命预测精度高且计算的时间相对较短。时间相对较短。时间相对较短。

【技术实现步骤摘要】
一种制氢电解槽剩余寿命预测方法


[0001]本专利技术属于氢能与燃料电池领域，涉及制氢电解槽的寿命预测，尤其是一种基于数据驱动的制氢电解槽剩余寿命预测方法。

技术介绍

[0002]随着风电、光伏等可再生能源迎来爆发式增长，可再生能源将逐步替代传统化石能源占据能源领域主导地位。但是可再生能源发电所固有的随机性、季节性和反调峰特性进一步增加了可再生能源调峰难度，而配置储能系统可以解决大规模可再生能源消纳的问题，这其中对大规模、长时间储能需求尤为迫切，而氢储能电站是实现低成本、大规模、长周期储能的一种重要方式，因而日益得到人们的重视。在氢储能电站中，通常包括电转氢装置、储氢装置和氢转电装置，而制氢电解槽是将电能转换为氢能的核心装置。
[0003]制氢电解槽存在性能退化的问题。寿命预测与健康管理技术可以在一定程度上帮助延长其寿命，目前通用的预测方法包括数据驱动、模型驱动和混合驱动三类。由于制氢电解槽在运行过程中会产生大量的监测数据，观测数据是非线性、非高斯分布的时间序列，因此无法通过简单的静态线性模型进行预测，可通过动态的训练来学习其退化趋势并进行预测，通过数据驱动的方式进行制氢电解槽剩余寿命预测更为可行。

技术实现思路

[0004]为实现制氢电解槽的剩余寿命预测，实现系统精细化管理和运维，本专利技术提出一种制氢电解槽剩余寿命预测方法，使制氢电解槽的寿命预测精度高且消耗的时间较短，将离散小波变换和去趋势化应用于电压数据的预处理，同时采用降维算法降低工艺参数数据的维度，最后将处理好的电压数据和工艺参数数据输入到NARX神经网络模型中，在制氢电解槽的寿命预测中提高预测精度和减短预测时间。
[0005]为达到上述目的，本专利技术采用的技术方案是：一种制氢电解槽剩余寿命预测方法，其包括步骤：1）采集制氢电解槽的工艺参数数据和电压数据；2）对采集的制氢电解槽电压数据进行离散小波变换重构，去除其中的低频成分，保留高频成分，更精确地跟随或捕捉电压退化趋势，小波分解的阶数为M阶(M可取4
‑
7)；3）使用去趋势化的方法对离散小波变换重构后的电压数据进行处理，得到去噪的训练样本，降低NARX神经网络模型的过拟合，提高迭代预测的精度；4）采用降维算法，将原高维空间中的数据点映射到低维度的空间中，以去除工艺参数数据中的冗余信息；5）将经过步骤2）和步骤3）处理的电压数据和经过步骤4）降维的工艺参数数据输入到NARX神经网络模型中进行训练，将上一个时间步的预测电压作为下一个时间步的输入电压，通过迭代预测制氢电解槽的剩余寿命。
[0006]作为上述技术方案的补充，所述步骤1）中，采集的工艺参数数据包括电解槽温度、
阴极气体压力、阳极气体压力、阳极气体流速、阴极气体流速、电流和阴极pH值。
[0007]作为上述技术方案的补充，所述步骤1）中，所述的电压数据为制氢电解槽的端电压。
[0008]作为上述技术方案的补充，所述步骤2）中，对采集的电压数据进行离散小波变换重构时，每阶分解到的低频成分均置零，高频成分保留，重构电压数据时，使用第M阶的低频成分和所有的高频成分逆向重构数据。
[0009]作为上述技术方案的补充，所述步骤3）中，针对制氢电解槽电压表现出的非线性衰减趋势，采用log变换消除对时间的依赖性，将复杂的趋势转变为线性趋势，有利于NARX神经网络模型对时间序列的训练学习，变换的方法如下，U是变换后的电压数据，V是原始的电压数据，。
[0010]作为上述技术方案的补充，所述步骤4）中，将降维算法（LDA算法）应用于工艺参数数据的维度筛选时，选取贡献率的累计值大于或者等于90%的前几个特征值，与电压数据一起作为NARX神经网络(即基于带有外源输入的非线性自回归神经网络)模型的输入。
[0011]LDA算法的步骤如下：（1）求解全局散度矩阵S
t
：其中，m为整个样本集的均值向量，x
i
为输入的第i个样本数据，其中的类内散度矩阵S
w
为所有类别矩阵的散度矩阵之和。
[0012]（2）基于全局散度矩阵，可以求得类间散度矩阵S
b
：其中，m
j
为第j个类别样本总数，m
j
为第j个类别的均值向量。
[0013]（3）计算一个投影矩阵w，使得类间距离最大和类内距离最小，优化目标为：根据优化目标可得：式中，l为特征值，w为S
w
‑1S
b
的k个最大非零广义特征值l对应的特征向量组成的矩阵。求出S
w
‑1S
b
的特征值和特征向量后，选取其中的k个最大非零广义特征值对应的特征向量作为投影矩阵w，再将原始数据集矩阵与投影矩阵w相乘，则得到降维后的数据。
[0014]作为上述技术方案的补充，所述步骤5）中，在使用NARX神经网络模型训练的过程中，反向学习的灰狼粒子群算法优化NARX神经网络模型的超参数，提高模型的精度。
[0015]作为上述技术方案的补充，优化超参数的步骤如下：（1）设置NARX神经网络模型的超参数隐藏层神经元数量、隐藏层数量、最小梯度和
最大迭代次数的上下限；（2）设置反向学习的灰狼粒子群算法的相关参数，算法寻优的目的是使目标函数更小，目标优化函数为：其中，RMSE是均方根误差，N是电压数据点的数量，V
cell
是采集的制氢电解槽端电压数据，V
m
是NARX神经网络模型预测的电压数据；（3）根据寻优的结果确定NARX神经网络模型的超参数隐藏层神经元数量、隐藏层数量、最小梯度和最大迭代次数的最优值。
[0016]作为上述技术方案的补充，所述步骤5）中，使用NARX神经网络模型进行迭代预测的步骤如下：对数据集进行归一化预处理；采用K折交叉验证的方法设置验证数据（Validation Data）；基于训练集数据训练模型；输入起始预测点，得到第一个预测时间步的预测电压点，然后将第一个预测步电压作为下一个时间步的输入数据，以此迭代预测。
[0017]作为上述技术方案的补充，在制氢电解槽剩余寿命预测中选择均方根误差RMSE作为NARX神经网络模型的适应度函数。
[0018]本专利技术具有的有益效果如下：本专利技术使制氢电解槽的寿命预测精度高且消耗的时间较短，将离散小波变换和去趋势化应用于电压数据的预处理，同时采用降维算法降低工艺参数数据的维度，最后将处理好的电压数据和工艺参数数据输入到NARX神经网络模型中，在制氢电解槽的寿命预测中提高了预测精度和减短了预测时间。
附图说明
[0019]图1为本专利技术实施例中制氢电解槽施加的端电压图；图2为本专利技术实施例中制氢电解槽剩余寿命预测流程图；图3为本专利技术实施例中经过小波分解重构和去趋势化后的电压数据图；图4为本专利技术实施例中LDA算法前4个特征值的贡献率图；图5为本专利技术制氢电解槽的剩余使用寿命预测图。
具体实施方式
[0020]下面将结合本专利技术实施例中的附图，对本实施例本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种制氢电解槽剩余寿命预测方法，其特征在于，包括步骤：1）采集制氢电解槽的工艺参数数据和电压数据；2）对采集的制氢电解槽电压数据进行离散小波变换重构，去除其中的低频成分，保留高频成分，小波分解的阶数为M阶；3）使用去趋势化的方法对离散小波变换重构后的电压数据进行处理，得到去噪的训练样本；4）采用降维算法，将原高维空间中的数据点映射到低维度的空间中，以去除工艺参数数据中的冗余信息；5）将经过步骤2）和步骤3）处理的电压数据和经过步骤4）降维的工艺参数数据输入到NARX神经网络模型中进行训练，将上一个时间步的预测电压作为下一个时间步的输入电压，通过迭代预测制氢电解槽的剩余寿命。2.根据权利要求1所述的一种制氢电解槽剩余寿命预测方法，其特征在于，所述步骤1）中，采集的工艺参数数据包括电解槽温度、阴极气体压力、阳极气体压力、阳极气体流速、阴极气体流速、电流和阴极pH值。3.根据权利要求1所述的一种制氢电解槽剩余寿命预测方法，其特征在于，所述步骤1）中，所述的电压数据为制氢电解槽的端电压。4.根据权利要求1所述的一种制氢电解槽剩余寿命预测方法，其特征在于，所述步骤2）中，对采集的电压数据进行离散小波变换重构时，每阶分解到的低频成分均置零，高频成分保留，重构电压数据时，使用第M阶的低频成分和所有的高频成分逆向重构数据。5.根据权利要求1所述的一种制氢电解槽剩余寿命预测方法，其特征在于，所述步骤3）中，针对制氢电解槽电压表现出的非线性衰减趋势，采用log变换消除对时间的依赖性，将复杂的趋势转变为线性趋势。6.根据权利要求1所述的一种制氢电解槽剩余寿命预测方法，其特征在于，所述步骤4...

【专利技术属性】
技术研发人员：赵波，章雷其，张领先，毛航银，张雪松，刘敏，吴启亮，龚迪阳，王激华，叶夏明，马丽军，秦如意，
申请(专利权)人：国网浙江省电力有限公司电力科学研究院，
类型：发明
国别省市：