System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于氢燃料电池应用,涉及一种氢燃料电池剩余使用寿命预测方法。
技术介绍
1、燃料电池是一种将燃料和氧化剂中的化学能通过电化学反应直接在内部转换为电能和热能的装置。氢燃料电池(hydrogen fuel cell)由于其无污染、能量转换事高、充能时间短、工作温度低、噪音低等优点,成为目前最具前景和最受欢迎的燃料电池技术。但氢燃料电池在大规模商业化应用的道路上仍然面临两个主要瓶颈,即在实际运行工况下较短的使用寿命(尤其是在车辆应用中)和较高的成本。
2、目前的大部分研究也都集中在解决两个瓶颈问题上:即降低成本和延长使用寿命。除了开发高性能、低成本的新材料和设计新的氢燃料电池结构之外,还可以通过剩余使用寿命预测和健康管理技术来有效的延长氢的使用寿命并降低使用成本。剩余使用寿命预测技术能够预测氢燃料电池系统的老化趋势以及失效时间和风险,是将系统维护从传统的“失效和修复”转变为“预测和预防”的关键技术。有效的剩余使用寿命预测方法不仅可以提高氢燃料的使用寿命、可靠性和安全性,还能同时降低使用成本和停机时间。因此,剩余使用寿命预测是能够改善氢燃料电池使用寿命短和使用成本高的有效解决方案之一,也是本专利的主要目标。
3、当前氢燃料电池的剩余使用寿命预测方法主要可分为三类:模型驱动法,数据驱动法和混合法。模型驱动法依托于氢燃料电池负载条件、材料属性、退化机理和失效机制,实现剩余使用寿命的预测,代表性的方法有粒子滤波、卡尔曼滤波、退化机理模型和经验退化模型等。模型驱动法需要的数据量较少且准确率较高,但缺点是精确模型
技术实现思路
1、本专利技术的目的是提供一种氢燃料电池剩余使用寿命的预测方法,解决了现有技术中需要氢燃料电池自身精确的系统模型或混合方法结构复杂计算量大的问题,更适用于在实际应用场景中对氢燃料电池的剩余使用寿命进行预测。
2、本专利技术的目的是以下述方式实现的:
3、一种基于遗传算法的lstm的氢燃料电池剩余使用寿命预测方法,包括如下步骤:
4、步骤1:搭建长短时记忆网络并进行初始化。
5、确定长短时记忆网络神经元数量的公式为:
6、
7、其中,fc是输入层神经元个数;fd是输出层神经元个数;fb是训练集的样本数;α是可以自取的任意值变量,通常范围可取2-10。
8、步骤2:完成遗传算法个体编码,将初始网络的训练误差作为适应度。
9、步骤3:经过生物遗传算法中的选择、交叉和变异三个过程,筛选出最优解。
10、步骤4:将生物遗传算法得到的最优值作为长短时记忆网络的最优阈值和权值,对网络进行优化,并使用训练数据,完成长短时记忆网络的训练。
11、步骤5:使用训练好的长短时记忆网络对氢燃料电池的剩余使用寿命进行计算,即可得氢燃料电池剩余使用寿命的预测值。
12、进一步地,步骤2具体为:
13、适应度的计算公式为:
14、
15、其中,w1、w2、w3为预设置的权重系数,p表示调度任务池中任务的数量,i用于标识不同的任务,ri表示调度任务池中任务i的所需人数,λi表示调度任务池中任务i的重要程度,k用于标识不同的操作员,γk表示执行任务i的操作员k的技能评分,ai表示延误时间,δli表示调度任务池中任务i的单位延误成本,bi表示提前完成时间。
16、进一步地,步骤23具体为:
17、s31:选择。根据适应度评估的结果,选择一部分编码进行繁殖。s32:交叉。随机选择两个编码,并交换他们的部分或全部位数(以二进制编码为例),来产生新的后代。
18、s33:变异。随机改变编码中的某些位数,以增加编码种群的多样性。
19、s34:经过s31到s33不断迭代,最终得到符合要求的参数值,将这些最优的参数值传回长短时记忆网络。
20、进一步地,步骤4具体为:
21、s41:使用遗传算法对lstm的阈值和权值进行优化。这通常涉及初始化一组随机的阈值和权值,然后使用一个适应度函数来评估每个解的优劣。适应度函数应该基于预测的准确性或者其他性能指标。
22、s42:在每一轮迭代中,选择适应性强的个体进行交叉和变异,生成新的解。
23、s43:重复这个过程,直到达到预设的终止条件,例如达到最大迭代次数或者找到满足要求的解。选
24、s44:择最优的解作为lstm的最优阈值和权值。
25、s45:在得到了一些参数符合条件的全局最优取值之后,将这些参数值传入长短时记忆网络,作为网络最优的阈值和权值。
26、s46:将燃料电池的工作状态数据作为训练数据,对优化后的长短时记忆网络进行训练,训练完成后得到最终的长短时记忆网络结构和对应的各网络参数。
27、进一步地,步骤5具体为:
28、s51:输入新的数据:将需要预测剩余使用寿命的氢燃料电池的相关数据作为输入序列提供给训练好的长短时记忆网络。
29、s52:计算预测值,长短时记忆网络会根据输入序列,模拟电池老化过程和影响因素,并输出氢燃料电池剩余使用寿命的预测值。
30、本专利技术的有益效果:
31、1.本专利提到的方法在使用时无需氢燃料电池系统的相关先验信息和模型,使用遗传算法对长短时记忆网络进行改进,降低了整个方法的计算总量,加快了网络的训练和收敛,能够在实际使用中完成氢燃料电池剩余使用寿命的准确预测。
32、2.本专利提到的基于遗传算法的长短时记忆网络的氢燃料电池剩余使用寿命预测方法,遗传算法是一种启发式优化算法,能够模拟生物进化过程中的选择、交叉和变异等操作,以搜索最优解。当将其与lstm结合本文档来自技高网...
【技术保护点】
1.一种基于遗传算法的LSTM的氢燃料电池剩余使用寿命预测方法,其特征在于,包括如下步骤:
【技术特征摘要】
1.一种基于遗传算法的lstm的氢燃料电池剩余...
【专利技术属性】
技术研发人员:郑超,张鹏,李亚楠,李冰冰,唐乾坤,
申请(专利权)人:河南省科学院物理研究所,
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。