【技术实现步骤摘要】
本专利技术属于燃料电池状态的检测方法，具体涉及一种基于燃料电池变化状态的检测方法及装置。
技术介绍
1、当前燃料电池已在交通运输、分布式发电、移动电源等领域得到了较大关注。但是，燃料电池技术本身具有一定的发展瓶颈，导致它目前使用寿命较短、耐久性相对来说比较薄弱。尤其是在恶劣的工作环境下，它的使用寿命会受到更大影响。因此，对于供电要求比较高的场景来说，有必要对燃料电池供电的可靠性进行有效监控，及时地发现和处理故障的燃料电池，并制定故障条件下的应对机制。另外，有效地发现燃料电池故障，还能够保护燃料电池不进一步出现影响更大、范围更广，甚至不可逆的损失。这对于推广燃料电池的应用意义非常重大。
2、不过，当前燃料电池故障诊断仍然存在计算量较大、准确性不高且未能实现模型在线定期更新的能力。这对于进一步实现燃料电池商业化是一个不小的技术瓶颈。
技术实现思路
1、为了解决上述问题，本专利技术提出了一种基于燃料电池变化状态的检测方法及装置，该方法通过使用主成分分析方法，有效地降低了用于在线故障诊断所需要输入的数据维度，大大地降低了在线运算量；其次，通过采用长短期记忆神经网络模型(算法)，有效地提高了燃料电池运行状态的分类准确度；最后，根据训练数据集合，确定是否更新长短期记忆神经网络模型参数，使得分类器诊断精度可以随运行时间不断提升。
2、本专利技术第一方面公开了一种基于燃料电池变化状态的检测方法，所述方法包括：
3、确定电池在目标区域的变化状态，所述变化状态用于表
4、根据所述变化状态，基于分析算法，确定变化状态下电池的数据特征，从而实现数据降维；
5、根据所述变化状态，基于长短期记忆神经网络模型，得到归一划分的训练数据集合。
6、根据所述训练数据集合，确定是否更新长短期记忆神经网络模型参数。
7、作为一种可选的实施方式，在本专利技术第一方面中，所述确定电池在目标区域的变化状态，包括：
8、所述变化状态包括燃料电池总电流、燃料电池总电压、氢气入堆压力、氢气出堆压力、氢气入堆温度、氢气出堆温度、入堆空气压力、出堆空气压力、最低单片电压和最高单片电压中的一种或多种；
9、根据采集燃料电池总电流、燃料电池总电压、氢气入堆压力、氢气出堆压力、氢气入堆温度、氢气出堆温度、入堆空气压力、出堆空气压力、最低单片电压和最高单片电压中的一种或多种，确定电池在目标区域的变化状态。
10、作为一种可选的实施方式，在本专利技术第一方面中，所述确定电池在目标区域的变化状态，还包括：
11、根据采集燃料电池总电流、燃料电池总电压、氢气入堆压力、氢气出堆压力、氢气入堆温度、氢气出堆温度、入堆空气压力、出堆空气压力、最低单片电压和最高单片电压中的一种或多种，确定原始运行数据；
12、根据所述原始运行数据，将原始运行数据分别划分为训练集和测试集；
13、根据所述训练集和测试集，确定电池在目标区域的变化状态。
14、作为一种可选的实施方式，在本专利技术第一方面中，所述根据所述变化状态，基于分析算法，确定变化状态下电池的数据特征，从而实现数据降维，包括：
15、所述分析算法对运行数据特征提取的步骤：
16、(1)对原始数据的标准化处理：
17、假设主成分分析针对m个指标变量z1，z2，……，zm进行，并且有n个评价对象，第i个评价对象的第j个指标的取值为zi,j。按照下列公式将各指标zi,j转化为标准化指标yi,j；
18、其中，
19、
20、
21、x，j，avg和sj是第j个指标的样本均值和标准差。
22、(2)计算相关系数矩阵：
23、相关系数矩阵r定义为r＝(ri,j)m×m；
24、其中：
25、rij是第i个指标与第j个指标的相关系数，且rii＝1，rij＝rji；
26、(3)计算特征值和特征向量：
27、计算相关系数矩阵r的特征值及各特征值所对应的特征向量，由所有特征向量组成m个新的指标变量：
28、
29、其中，z1是第一主成分，z2是第二主成分，zm是第m主成分；
30、(4)计算特征值和特征向量：
31、选择p个主成分，计算综合评价值。当综合评价值接近1时，可认为前p个主成分指标可以代替原来m个指标变量，即后续仅采用p个主成分指标进行分析，从而完成数据降维。
32、作为一种可选的实施方式，在本专利技术第一方面中，所述基于长短期记忆神经网络模型，得到归一划分的训练数据集合，包括：
33、所述长短期记忆神经网络的结构包括输入门、遗忘门、输出门和单元状态中的一种或多种；
34、其中，所述输入门用于表示决定当前条件下有多少网络的输入数据需要保存到单元状态；
35、所述遗忘门用于表示决定了在上一时刻状态下，单元状态有多少需要保留到当前时刻；
36、所述输出门将控制当前状态有多少需要输出到当前的输出值，从而得到归一划分的训练数据集合。
37、作为一种可选的实施方式，在本专利技术第一方面中，所述输出门将控制当前状态有多少需要输出到当前的输出值，从而得到归一划分的训练数据集合，包括：
38、根据所述长短期记忆神经网络，进行网络优化配置；
39、所述网络优化配置的参数包括输入门参数、遗忘门参数、输出门参数、候选细胞参数和输出层参数中的一种或多种；
40、根据所述网络优化配置的参数，基于模拟退火算法，进行上述参数最优组合的寻优计算，从而得到归一划分的训练数据集合。
41、作为一种可选的实施方式，在本专利技术第一方面中，所述方法还包括：
42、根据所述长短期记忆神经网络，对配置离线训练过程的学习率和迭代次数优化，并将归一划分训练数据集合开展训练；
43、根据结合测试集数据验证离线训练的分类器的分类效果，确认所得到的分类器对于训练集和测试集的准确分类率是否达到95％以上，若达到95％以上，则导出当前网络参数，并部署至实际控制器。
44、作为一种可选的实施方式，在本专利技术第一方面中，所述根据所述训练数据集合，确定是否更新长短期记忆神经网络模型参数，包括：
45、确认燃料电池的特征参数取值情况，所述特征参数取值情况表示为燃料电池的故障情况；
46、以每运行100h的周期，基于远程通信技术，将所记录的数据传输至远程计算机，由远程计算机进行模型参数更新计算，从而确定是否更新长短期记忆神经网络模型参数。
47、本专利技术第二方面公开了一种基于燃料电池变化状态的检测装置，所述装置包括：
48、存储有可执行程序代码的存储器；
49、与所述存储器耦合的处理器；
50、所述处理器调用所述存储器中存储的所述可执行本文档来自技高网...
【技术保护点】
1.一种基于燃料电池变化状态的检测方法，其特征在于，所述方法包括：
2.如权利要求1所述的一种基于燃料电池变化状态的检测方法，其特征在于，所述确定电池在目标区域的变化状态，包括：
3.如权利要求2所述的一种基于燃料电池变化状态的检测方法，其特征在于，所述确定电池在目标区域的变化状态，还包括：
4.如权利要求1所述的一种基于燃料电池变化状态的检测方法，其特征在于，所述根据所述变化状态，基于分析算法，确定变化状态下电池的数据特征，从而实现数据降维，包括：
5.如权利要求1所述的一种基于燃料电池变化状态的检测方法，其特征在于，所述基于长短期记忆神经网络模型，得到归一划分的训练数据集合，包括：
6.如权利要求5所述的一种基于燃料电池变化状态的检测方法，其特征在于，所述输出门将控制当前状态有多少需要输出到当前的输出值，从而得到归一划分的训练数据集合，包括：
7.如权利要求6所述的一种基于燃料电池变化状态的检测方法，其特征在于，所述方法还包括：
8.如权利要求1所述的一种基于燃料电池变化状态的检测方法，其特征
9.一种基于燃料电池变化状态的检测装置，其特征在于，所述装置包括：
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如权利要求1-8任一项所述的一种基于燃料电池变化状态的检测方法。
...【技术特征摘要】
1.一种基于燃料电池变化状态的检测方法，其特征在于，所述方法包括：
2.如权利要求1所述的一种基于燃料电池变化状态的检测方法，其特征在于，所述确定电池在目标区域的变化状态，包括：
3.如权利要求2所述的一种基于燃料电池变化状态的检测方法，其特征在于，所述确定电池在目标区域的变化状态，还包括：
4.如权利要求1所述的一种基于燃料电池变化状态的检测方法，其特征在于，所述根据所述变化状态，基于分析算法，确定变化状态下电池的数据特征，从而实现数据降维，包括：
5.如权利要求1所述的一种基于燃料电池变化状态的检测方法，其特征在于，所述基于长短期记忆神经网络模型，得到归一划分的训练数据集合，包括：
6.如权利要求...
【专利技术属性】
技术研发人员：卜庆元，张诗蔚，马宁，李超，罗庆贺，孙柏刚，
申请(专利权)人：北京理工大学，
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。