【技术实现步骤摘要】
本申请涉及电子信息技术及能源，尤其涉及一种方法及设备。
技术介绍
1、质子交换膜燃料电池(pemfc)是一种将氢(燃料)和氧的电化学反应过程中释放的化学能转化为电能的装置，具有低温启动速度快、功率密度高、绿色环保等优点，被认为是未来最有前途的替代能源之一，广泛应用于电动汽车、无人机、便携式电源等领域。然而，膜材料成本高、耐久性和高维护成本是限制pemfc技术商业化的主要因素。燃料电池老化是一个不可避免的过程，因此需要准确预测其剩余使用寿命(rul)，以减少化其维护成本，增加其可用性，帮助用户在正确的时间采取维护措施，避免不必要的故障，减少设备停机时间。
2、从不同的角度来看，rul预测可分为短期预测和长期预测。短期预测能准确地捕捉局部变化，长期预测能捕捉衰老趋势。通常pemfc的rul预测方法可分为三类：基于模型的方法、数据驱动的方法和混合方法。基于模型的方法依赖于燃料电池的负载条件、材料特性、退化机理和失效机理来实现剩余寿命的预测，主要的方法包括经验和物理模型、卡尔曼滤波器(kf)和粒子滤波器(pf)等。基于模型的方法都是根据pemfc系统复杂的劣化机理建立数学模型，然而，由于失效机制的复杂性和不确定性，很难开发一个可靠的基于物理的老化模型用于预测应用。从数学统计的角度来看，数据驱动的方法使用分类或回归技术来学习和预测pemfc的未来性能，可以在没有充分理解衰退机制的情况下进行预测，只要有足够的数据即可。而混合方法是基于模型方法和数据驱动方法的综合。
3、基于模型方法和混合方法本质上都是基于模型的，难以
4、在现有的关于pemfc的rul预测的研究及专利技术专利中，已经有一些基于lstm的pemfc rul预测方法，但存在着一些不足：缺少可以在pemfc短期和长期rul预测中都表现很好的方法，虽然在短期预测上取得了较好的预测精度，但是在长期预测中误差较大；一些方法在进行长期rul预测时，快要接近失效时间才能准确进行预测。因此，需要一种在pemfc短期和长期rul预测中都能够有优异表现的方法。
技术实现思路
1、1、要解决的技术问题
2、针对
技术介绍
中存在的问题和不足之处，本专利技术所能解决的具体问题为：
3、(1)短期预测精度不足问题。在进行pemfc的短期rul预测时，对电堆运行状态准确的预测十分重要，预测结果可以给相关人员进行系统控制提供参考。当前基于lstm的pemfc短期rul预测方法，虽然能够基本拟合pemfc电堆的衰减趋势，但在局部细节上预测值和实际值之间存在着较大的误差，这样在面对需要精确获知电堆运行状态的情形下，可能会给相关人员进行系统控制带来误导。本专利技术中采用的相应方法可以有效解决短期rul预测精度不足问题。
4、(2)长期rul预测误差大，需要接近失效时间才能准确预测电堆剩余使用寿命的问题。在进行pemfc的长期rul预测时，能够在长时间范围内进行准确的rul预测十分重要，因为这可以帮助相关人员提早准备在正确的时间采取维护措施，避免不必要的故障，减少设备停机时间。当前基于lstm的pemfc长期rul预测方法，预测时长范围较短，在接近失效时间才能准确进行预测，当离着失效时间较远进行预测，其误差一般都比较大。这样不利于相关人员预先采取措施来延长电堆的使用寿命以及提前做好维护的准备工作，可能会使电堆的经济性变差。本专利技术中采用的相应方法可以有效解决长期rul预测误差大、预测范围短的问题。
5、2、本专利技术中涉及到的相关算法介绍
6、lstm介绍：
7、长短时记忆网络(long short term memory，lstm)模型，本质上是一种特定形式的循环神经网络(recurrent neural network，rnn)，具有rnn的递归特性。传统的rnn输出仅由权值，偏置以及激活函数决定，在模型训练过程中存在梯度消失和梯度爆炸的问题，因此rnn无法使用基于梯度的训练框架来处理使用长距离的时序信息。而lstm模型在rnn模型的基础上使用门限(gates)而不是通常隐藏的节点来解决rnn短期记忆的问题，能够真正有效地利用长距离的时序信息。
8、lstm在传统rnn的基础结构上增加了输入门、输出门、遗忘门3个逻辑控制单元，且各自连接到了一个乘法元件上，通过设定神经网络的记忆单元与其他部分连接的边缘处的权值控制信息流的输入、输出以及细胞单元(memory cell)的状态。lstm结构如下图1所示。
9、lstm神经网络由下面的方程进行定义。
10、ft＝σ(wf·[ht-1，xt]+bf)
11、it＝σ(wi·[ht-1，xt]+bt)
12、ot＝σ(wo·[ht-1，xt]+bo) (1)
13、
14、
15、ht＝ot⊙tanh(ct)
16、其中，是t-1时刻隐藏层的输出，是t时刻的输入数据；xt是遗忘门，控制上一时刻memory cell中的信息是否积累到当前时刻memory cell中，wf和bf代表遗忘门的递归权重和偏置；it是输入门，控制信息是否流入memory cell中，wi和bi代表输入门的递归权重和偏置；ot是输出门，控制当前时刻memory cell中的信息是否流入当前隐藏状态ht中，wo和bo代表输出门的递归权重和偏置；σ为sigmoid激活函数，保持对应的输出值范围在0到1之间；ct为记忆单元，表示神经元的记忆状态，使得lstm单元有保存、读取、重置和更新长距离历史信息的能力，由ft、ct-1、it和计算得到；表示单元状态更新值，由输入数据和隐藏节点经由一个神经网络层得到，单元状态更新值的激活函数通常使用tanh函数；ht是当前时刻隐藏层的输出，由ot和ct计算得到；⊙表示矩阵逐个对应元素相乘。
17、lstm神经网络的具体工作流程如下：在t时刻，lstm单元在接收到当前输入数据xt、t-1时刻的隐藏层输出ht-1和t-1时刻记忆单元存储的状态ct-1后，通过输入门、输出门、遗忘门对接收到的数据按公式(1)进行相应操作，得到当前时刻记忆单元状态ct和隐藏层的输出ht。
18、局部加权回归(lowess)
19、线性回归是以线性的方法拟合出数据的趋势，但是对于有周期性、波动性的数据，并不能简单以线性的方式拟合，否则模型会偏差较大，而局部加权回归(lowess)能较好的处理本文档来自技高网...
【技术保护点】
1.一种质子交换膜燃料电池剩余使用寿命预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述(1)中，首先使用LOWESS算法对包含噪声和异常点的原始数据进行平滑操作得到滤波后的数据；然后对平滑后的数据进行等间隔采样进行数据重构，以减少数据集的规模，节省后续的分析时间；对重构后的数据进行差分处理；最后将差分后的数据进行归一化操作，将数据映射到[0，1]之间。
3.根据权利要求1所述的方法，其特征在于，所述(2)中，首先采用多步骤的输入和多步骤的输出(MIMO)策略对预处理后的数据进行处理，将数据构造成能够供算法使用的数据特征和标签；然后在时间维度上对数据特征采用注意力机制进行加权，以找出可能对预测输出贡献更重要的时间点。
4.根据权利要求1所述的方法，其特征在于，所述(3)中，采用堆叠LSTM网络进行PEMFC的RUL预测工作，将两个LSTM堆叠在一起，原始数据作为第一个LSTM的输入，前一LSTM的隐藏层输出作为后一LSTM的输入，然后将后一LSTM的隐藏层输出输入到一个全连接层完成预测任务；首先将经过注意力机制
5.根据权利要求1所述的方法，其特征在于，所述(4)中，模型结构及训练过程与短期预测完全相同，在模型训练完成后，预测过程采用递归策略进行，将当前的预测值添加到前一步的输入，用于下一步的预测，不断重复这个过程，直到预测结束；当所有的时间步都预测完成后，将每一预测步骤的最后一个输出值组合起来构成长期预测的预测结果，然后将结果进行逆归一化和逆差分处理后用于预测PEMFC的RUL。
...【技术特征摘要】
1.一种质子交换膜燃料电池剩余使用寿命预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述(1)中，首先使用lowess算法对包含噪声和异常点的原始数据进行平滑操作得到滤波后的数据；然后对平滑后的数据进行等间隔采样进行数据重构，以减少数据集的规模，节省后续的分析时间；对重构后的数据进行差分处理；最后将差分后的数据进行归一化操作，将数据映射到[0，1]之间。
3.根据权利要求1所述的方法，其特征在于，所述(2)中，首先采用多步骤的输入和多步骤的输出(mimo)策略对预处理后的数据进行处理，将数据构造成能够供算法使用的数据特征和标签；然后在时间维度上对数据特征采用注意力机制进行加权，以找出可能对预测输出贡献更重要的时间点。
4.根据权利要求1所述的方法，其特征在于，所述(3)中，采用堆叠lstm网络进行pemfc的rul预测工作，将两个lstm堆叠在一起，原始数...
【专利技术属性】
技术研发人员：李晓锦，胡旭峰，
申请(专利权)人：中国科学院青岛生物能源与过程研究所，
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。