一种SOFC系统退化预测方法、系统、电子设备及存储介质技术方案

本发明专利技术涉及固体氧化物燃料电池技术领域，基于目前的预测模型对SOFC系统的退化预测效果不佳，且缺乏通用性和精准度的问题，设计了一种基于注意力机制和数据驱动的SOFC系统退化预测方法、系统、电子设备及存储介质。首先，本发明专利技术采用了数据驱动的方法构建SOFC系统退化预测模型，不需要花费大量的精力构建高精度的机理模型；其次，本发明专利技术基于数据驱动的方法所得到的神经网络通用性较好，针对不同的SOFC系统只需要重新训练调整参数即可，不需要改变模型框架结构；最后，本申请在构建模型时引入了注意力机制，相比其它的数据驱动预测方法，可以自动更新神经网络参数权重，相比普通的LSTM模型，预测精度更高。预测精度更高。预测精度更高。

【技术实现步骤摘要】
一种SOFC系统退化预测方法、系统、电子设备及存储介质


[0001]本专利技术涉及固体氧化物燃料电池
，特别是涉及一种基于注意力机制和数据驱动的SOFC系统退化预测方法、系统、电子设备及存储介质。

技术介绍

[0002]现有固体氧化物燃料电池退化预测方法主要集中在机理建模方法。机理建模方法根据固体氧化物燃料电池(Solid Oxide Fuel Cell，SOFC)系统的物料平衡方程、能量守恒方程以及质量守恒方程来构建SOFC系统各部件的物理模型。根据所建立的物理模型来仿真SOFC系统的实际运行机制，从而进行退化预测。此方法的预测效果与物理模型的精度密切相关。
[0003]现有方法大多集中在SOFC电堆的退化预测上，无法针对整个SOFC系统进行退化预测；由于燃料电池的复杂结构和运行现象，比如三维热传递、电荷流动、电化学反应、三相界面反应等等。因此想要建立一个精确的模型是十分困难的，导致退化预测效果不佳；每个SOFC系统由于构造不同，部件不同，机理模型也不相同，模型之间缺乏通用性。

技术实现思路

[0004]本专利技术提供一种基于注意力机制和数据驱动的SOFC系统退化预测方法、系统、电子设备及存储介质，解决目前的预测模型对SOFC系统的退化预测效果不佳，且缺乏通用性和精准度的问题。
[0005]为解决上述技术问题，本专利技术第一方面提供一种基于注意力机制和数据驱动的SOFC系统退化预测方法，包括：
[0006]获取原始实验数据，并根据所述原始实验数据构建数据集，所述原始实验数据为所需要预测退化情况的SOFC系统的正常运行数据；
[0007]对所述数据集进行预处理，按照预设比例划分为训练集与测试集，并将所述训练集与测试集分别转化为监督学习训练数据集与监督学习测试数据集；
[0008]通过顺序前进法对所述监督学习训练数据集与监督学习测试数据集进行特征选择，得到特征选取结果；
[0009]根据所述特征选取结果搭建SOFC系统退化预测模型，所述SOFC系统退化预测模型为在隐藏层与输出层之间引入注意力机制的LSTM模型；
[0010]利用所述监督学习训练数据集与监督学习测试数据集分别对所述SOFC系统退化预测模型进行训练和测试，并输出测试结果；
[0011]根据所述测试结果对所述SOFC系统退化预测模型进行性能评估；
[0012]当所述测试结果达到要求时，将SOFC系统实时产生的当前观测数据输入至所述SOFC系统退化预测模型中进行退化预测，得到SOFC系统的退化情况。
[0013]进一步地，所述对所述数据集进行预处理，按照预设比例划分为训练集与测试集，并将所述训练集与测试集分别转化为监督学习训练数据集与监督学习测试数据集，包括：
[0014]对所述数据集中的数据进行选择，具体为：填充缺失值和删除异常值；其中，
[0015]对于缺失值，直接用上一时刻的数据进行填充；
[0016]对于异常值，使用DBSCAN算法来确定，并删除。
[0017]进一步地，所述对所述数据集进行预处理，按照预设比例划分为训练集与测试集，并将所述训练集与测试集分别转化为监督学习训练数据集与监督学习测试数据集，还包括：
[0018]对数据集进行归一化处理，将归一化后的数据集按照预设比例划分为训练集和测试集；其中，
[0019]对数据集进行归一化处理通过下式进行：
[0020][0021]其中，x
nom
是放缩完的数据，x是原始实验数据，x
max
为原始实验数据的最大值，x
min
为原始实验数据的最小值。
[0022]进一步地，所述对所述数据集进行预处理，按照预设比例划分为训练集与测试集，并将所述训练集与测试集分别转化为监督学习训练数据集与监督学习测试数据集，还包括：
[0023]将所述训练集与测试集中的数据根据时间进行切割重新分组，并将t+1时刻的数据作为输入，t+2时刻的数据作为输出，将所述训练集与测试集分别转化为监督学习训练数据集与监督学习测试数据集。
[0024]进一步地，所述特征选取结果包括输出电压、输出电流、输入燃料流量、输入空气流量、入口甲烷压强和入口空气压强。
[0025]进一步地，所述根据所述测试结果对所述SOFC系统退化预测模型进行性能评估，包括：
[0026]通过均方根误差和确定系数来评价所述测试结果的测试精度；
[0027]计算所述均方根误差，并判断所述确定系数的值是否在预设区间内；若不在预设区间内，则调整所述SOFC系统退化预测模型的参数，并重新进行训练与测试；若在预设区间内，则所述测试结果达到要求。
[0028]进一步地，所述参数包括神经元个数、隐藏层层数和训练批量大小。
[0029]本专利技术第二方面提供一种基于注意力机制和数据驱动的SOFC系统退化预测系统，包括：
[0030]数据获取模块，用于获取原始实验数据，并根据所述原始实验数据构建数据集，所述原始实验数据为所需要预测退化情况的SOFC系统的正常运行数据；
[0031]数据处理模块，用于对所述数据集进行预处理，按照预设比例划分为训练集与测试集，并将所述训练集与测试集分别转化为监督学习训练数据集与监督学习测试数据集；
[0032]特征选择模块，用于通过顺序前进法对所述监督学习训练数据集与监督学习测试数据集进行特征选择，得到特征选取结果；
[0033]模型构建模块，用于根据所述特征选取结果搭建SOFC系统退化预测模型，所述SOFC系统退化预测模型为在隐藏层与输出层之间引入注意力机制的LSTM模型；
[0034]训练测试模块，用于利用所述监督学习训练数据集与监督学习测试数据集分别对
所述SOFC系统退化预测模型进行训练和测试，并输出测试结果；
[0035]模型评估模块，用于根据所述测试结果对所述SOFC系统退化预测模型进行性能评估；
[0036]预测退化模块，用于当所述测试结果达到要求时，将SOFC系统实时产生的当前观测数据输入至SOFC系统退化预测模型中进行退化预测，得到SOFC系统的退化情况。
[0037]本专利技术第三方面提供一种电子设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面中任意一项所述的SOFC系统退化预测方法。
[0038]本专利技术第四方面提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述第一方面中任意一项所述的SOFC系统退化预测方法。
[0039]与现有技术相比，本专利技术实施例的有益效果在于：
[0040]本专利技术提供一种基于注意力机制和数据驱动的SOFC系统退化预测方法、系统、电子设备及存储介质，首先，采用了数据驱动的方法构建SOFC系统退化预测模型，不需要花费大量的精力构本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种SOFC系统退化预测方法，其特征在于，包括：获取原始实验数据，并根据所述原始实验数据构建数据集，所述原始实验数据为所需要预测退化情况的SOFC系统的正常运行数据；对所述数据集进行预处理，按照预设比例划分为训练集与测试集，并将所述训练集与测试集分别转化为监督学习训练数据集与监督学习测试数据集；通过顺序前进法对所述监督学习训练数据集与监督学习测试数据集进行特征选择，得到特征选取结果；根据所述特征选取结果搭建SOFC系统退化预测模型，所述SOFC系统退化预测模型为在隐藏层与输出层之间引入注意力机制的LSTM模型；利用所述监督学习训练数据集与监督学习测试数据集分别对所述SOFC系统退化预测模型进行训练和测试，并输出测试结果；根据所述测试结果对所述SOFC系统退化预测模型进行性能评估；当所述测试结果达到要求时，将SOFC系统实时产生的当前观测数据输入至所述SOFC系统退化预测模型中进行退化预测，得到SOFC系统的退化情况。2.根据权利要求1所述的一种SOFC系统退化预测方法，其特征在于，所述对所述数据集进行预处理，按照预设比例划分为训练集与测试集，并将所述训练集与测试集分别转化为监督学习训练数据集与监督学习测试数据集，包括：对所述数据集中的数据进行选择，具体为：填充缺失值和删除异常值；其中，对于缺失值，直接用上一时刻的数据进行填充；对于异常值，使用DBSCAN算法来确定，并删除。3.根据权利要求1所述的一种SOFC系统退化预测方法，其特征在于，所述对所述数据集进行预处理，按照预设比例划分为训练集与测试集，并将所述训练集与测试集分别转化为监督学习训练数据集与监督学习测试数据集，还包括：对数据集进行归一化处理，将归一化后的数据集按照预设比例划分为训练集和测试集；其中，对数据集进行归一化处理通过下式进行：其中，x
nom
是放缩完的数据，x是原始实验数据，x
max
为原始实验数据的最大值，x
min
为原始实验数据的最小值。4.根据权利要求1所述的一种SOFC系统退化预测方法，其特征在于，所述对所述数据集进行预处理，按照预设比例划分为训练集与测试集，并将所述训练集与测试集分别转化为监督学习训练数据集与监督学习测试数据集，还包括：将所述训练集与测试集中的数据根据时间进行切割重新分组，并将t+1时刻的数据作为输入，t+2时刻的数据作为输出，将所述训练集与测试集分别转化为监督学习...

【专利技术属性】
技术研发人员：饶睦敏，李明飞，彭志平，黄慧，侯龙通，陈正鹏，董江波，陈创庭，
申请(专利权)人：广东能源集团科学技术研究院有限公司，
类型：发明
国别省市：