一种固体氧化物燃料电池性能退化的混合预测方法及系统技术方案

本发明专利技术公开了一种固体氧化物燃料电池性能退化的混合预测方法及系统。该方法包括：采用基于灰色预测模型的第一预测方法捕捉预设预测时间段内的燃料电池电压的退化趋势，得到目标时刻的第一预测结果；利用基于数据驱动的自适应神经模糊系统的第二预测方法，获取燃料电池电压的退化过程中的局部非线性特征，得到目标时刻的第二预测结果；通过滑动窗口和数据融合方法将目标时刻的第一预测结果和第二预测结果进行数据融合，得到目标时刻对应的目标电压的混合预测结果。解决了现有燃料电池的性能预测方法具有局限性，预测精度较差的问题，实现了能够捕捉长期燃料电池电压退化趋势，同时保持短期非线性退化特性的细节，具有更高的预测精度的有益效果。预测精度的有益效果。预测精度的有益效果。

【技术实现步骤摘要】
一种固体氧化物燃料电池性能退化的混合预测方法及系统


[0001]本专利技术属于燃料电池领域，更具体地，涉及一种固体氧化物燃料电池性能退化的混合预测方法及系统。

技术介绍

[0002]固体氧化物燃料电池(SOFC)能够实现中高温条件下化学能到电能的直接转换，无需Pt等贵金属电极材料，具有成本低、高效、无污染、燃料来源广泛等优点，成为21世纪最具发展前景的绿色能源之一，然而其性能退化和耐久性成为阻碍其大规模商业化的瓶颈。准确预测SOFC的性能退化趋势，及时诊断故障，可以提前维护和调整设备，有利于延长其使用寿命。
[0003]传统的预测方法一般分为基于模型的和数据驱动的。基于模型的方法设计思路简单，实验成本低，但准确的机理模型难以建立。基于数据驱动的方法对的数据需求巨大，具有一定的局限性。

技术实现思路

[0004]针对相关技术的缺陷，本专利技术的目的在于一种固体氧化物燃料电池性能退化的混合预测方法及系统，旨在解决对燃料电池的性能进行预测时，基于模型预测的方法难以准确建立模型，基于数据驱动的方法对的数据需求巨大，具有一定局限性，以及预测精度较差的问题。
[0005]为实现上述目的，本专利技术提供了一种固体氧化物燃料电池性能退化的混合预测方法，包括：
[0006]采用基于灰色预测模型的第一预测方法捕捉预设预测时间段内的燃料电池电压的退化趋势，得到目标时刻的第一预测结果；
[0007]利用基于数据驱动的自适应神经模糊系统的第二预测方法，获取所述燃料电池电压的退化过程中的局部非线性特征，得到所述目标时刻的第二预测结果；
[0008]通过滑动窗口和数据融合方法将所述目标时刻的第一预测结果和第二预测结果进行数据融合，得到所述目标时刻对应的目标电压的混合预测结果。
[0009]可选的，所述灰色预测模型采用GM(1,1)一阶单变量灰色预测模型。
[0010]可选的，所述一阶单变量灰色预测模型的建立包括：
[0011]定义原始燃料电池电压序列u
(0)
为：
[0012]u
(0)
＝{u
(0)
(1),u
(0)
(2),u
(0)
(3),...,u
(0)
(n)}
[0013]其中，n是电压序列的样本大小，u
(0)
(k)为燃料电池电压序列的第k个数据；
[0014]根据初始电压序列一阶累加生成的新序列u
(1)
为：
[0015]u
(1)
＝{u
(1)
(1),u
(1)
(2),u
(1)
(3),...,u
(1)
(n)}
[0016]其中，u
(1)
(k)为数列u
(0)
对应前k项数据的累加,具体计算公式为：
[0017][0018]之后定义相邻平均序列Z
(1)
：
[0019]Z
(1)
＝{Z
(1)
(1),Z
(1)
(2),Z
(1)
(3),...,Z
(1)
(n)}
[0020]其中，Z
(1)
(k)为平均序列Z
(1)
的第k个数据，具体计算如下：
[0021]Z
(1)
(1)＝u
(1)
(1)
[0022]Z
(1)
(k)＝0.5
·
[u
(1)
(k)+u
(1)
(k
‑
1)],k＝2,3,...,n
[0023]GM(1，1)一阶灰色微分方程：
[0024]u
(0)
(k)+a
·
Z
(1)
(k)＝b
[0025]其白化函数可以表示如下：
[0026][0027]根据最小二乘法可以得到两个参数a,b的估计值
[0028][0029][0030]将带入白化函数，可得灰色微分方程的解为：
[0031][0032]u
(1)
(0)＝u
(0)
(1)
[0033]还原成原始序列则可以得到预测值为：
[0034][0035]其中，为累加序列的预测值，为原始序列的预测值。
[0036]可选的，所述一阶单变量灰色预测模型的建立还包括：
[0037]对所述一阶单变量灰色预测模型进行误差修正；
[0038]引入误差校正因子ψ，u
(1)
(t)＝0.5
·
[u
(1)
(k)+u
(1)
(k
‑
1)
‑
ψ]；
[0039]新的灰色微分方程可以写成：
[0040][0041]其中，中间参数m，n的估计值为：
[0042][0043]因此可以得到灰色微分方程的解为：
[0044][0045]其中
[0046][0047]两个新参数μ，υ的估计值同样可以通过最小二乘法来得到：
[0048][0049]其中
[0050][0051]通过误差修正模型可以得到最终的第一预测结果
[0052][0053]其中，当k＝2,3,
…
,n时可以得到初始电压衰减序列的拟合值，当k＞n时可以得到电压衰减序列的第一预测结果。
[0054]可选的，所述自适应神经模糊系统的模糊规则选择策略为ANFIS
‑
SC，分别设置参数：最大迭代次数、目标训练误差、初始训练步长、步长减小率和步长增长率。
[0055]可选的，所述通过滑动窗口和数据融合方法将所述目标时刻的第一预测结果和第二预测结果进行数据融合，得到所述目标时刻对应的目标电压的混合预测结果，包括：
[0056]通过滑动窗口构建输入矩阵和所述混合预测结果矩阵；
[0057]为预测未来N个目标时刻的目标电压，所述输入矩阵为输入现有的m个电压数据，所述输入矩阵为：
[0058][0059]其中，m
×
K矩阵每列代表一个输入样本序列；N是窗口滑动大小，k表示实际的预测步，k＝0为初始序列，k＝1表示第1步预测，K为总滑动步数；
[0060]所述混合预测结果矩阵为：
[0061][0062]其中，N
×
K矩阵表示预测的目标，每个元素代表一个需要预测的目标电压，每个元素的值代表每个目标时刻对应的目标电压的混合预测结果；m
×
K矩阵的每一列m个输入对应于N
×
K矩阵每列该步数下所需要预测的N个目标电压。
[0063]可选的，所述通过滑动窗口和数据融合方法将所述目标时刻的第一预测结果和第二预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种固体氧化物燃料电池性能退化的混合预测方法，其特征在于，包括：采用基于灰色预测模型的第一预测方法捕捉预设预测时间段内的燃料电池电压的退化趋势，得到目标时刻的第一预测结果；利用基于数据驱动的自适应神经模糊系统的第二预测方法，获取所述燃料电池电压的退化过程中的局部非线性特征，得到所述目标时刻的第二预测结果；通过滑动窗口和数据融合方法将所述目标时刻的第一预测结果和第二预测结果进行数据融合，得到所述目标时刻对应的目标电压的混合预测结果。2.如权利要求1所述的方法，其特征在于，所述灰色预测模型采用GM(1,1)一阶单变量灰色预测模型。3.如权利要求2所述的方法，其特征在于，所述一阶单变量灰色预测模型的建立包括：定义原始燃料电池电压序列u
(0)
为：u
(0)
＝{u
(0)
(1),u
(0)
(2),u
(0)
(3),
…
,u
(0)
(n)}其中，n是电压序列的样本大小，u
(0)
(k)为燃料电池电压序列的第k个数据；根据初始电压序列一阶累加生成的新序列u
(1)
为：u
(1)
＝{u
(1)
(1),u
(1)
(2),u
(1)
(3),
…
,u
(1)
(n)}其中，u
(1)
(k)为数列u
(0)
对应前k项数据的累加,具体计算公式为：之后定义相邻平均序列Z
(1)
：Z
(1)
＝{Z
(1)
(1),Z
(1)
(2),Z
(1)
(3),
…
,Z
(1)
(n)}其中，Z
(1)
(k)为平均序列Z
(1)
的第k个数据，具体计算如下：Z
(1)
(1)＝u
(1)
(1)Z
(1)
(k)＝0.5
·
[u
(1)
(k)+u
(1)
(k
‑
1)],k＝2,3,
…
,nGM(1，1)一阶灰色微分方程：u
(0)
(k)+a
·
Z
(1)
(k)＝b其白化函数可以表示如下：根据最小二乘法可以得到两个参数a,b的估计值根据最小二乘法可以得到两个参数a,b的估计值根据最小二乘法可以得到两个参数a,b的估计值将带入白化函数，可得灰色微分方程的解为：
u
(1)
(0)＝u
(0)
(1)还原成原始序列则可以得到预测值为：其中，为累加序列的预测值，为原始序列的预测值。4.如权利要求3所述的方法，其特征在于，所述一阶单变量灰色预测模型的建立还包括：对所述一阶单变量灰色预测模型进行误差修正；引入误差校正因子ψ，u
(1)
(t)＝0.5
·
[u
(1)
(k)+u
(1)
(k
‑
1)
‑
ψ]；新的灰色微分方程可以写成：其中，中间参数m，...

【专利技术属性】
技术研发人员：李曦，盛闯，俎焱敏，傅俊，曾令鸿，邓忠华，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：