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】
本专利技术属于燃料,具体涉及一种质子交换膜燃料电池剩余使用寿命混合预测方法及系统。
技术介绍
1、能源是人类发展的基石,是各国经济发展和社会发展的重要内容和重要动力,在过去快速发展的时代进程中,能源的使用主要集中于不可再生能源,如化石燃料、煤炭、石油等,不可再生能源更易开采使用,且价格相对便宜,使用效率也较高。对不可再生能源的大量利用,的确为大多数工业以及交通运输业等带来飞速发展,但是由此引发的一系列问题却也难以避免与忽视。首先就是环境问题,不可再生能源的使用以及排放过程中会释放有毒气体,污染土地资源,由此衍生出的酸雨、全球变暖等环境问题更是对地球整个生态环境造成巨大影响;其次即使经过数百万年而累积起来的资源非常丰富,但长时间的过度使用终究会造成无法解决的能源危机。因此,面对如此严峻的能源危机以及产生的各种社会、环境等问题,发展高效且便于利用的可再生能源成为重要的研究方向。在众多可再生能源发展与利用的技术中,燃料电池受到了工业界和学术界的高度关注。燃料电池利用电化学反应来提供高效且清洁的能源,其环境适应性强、来源广泛,可以很好地克服传统能源的弊端。但由于其性能会发生暂时或永久性退化从而阻碍其广泛应用,因此对燃料电池进行老化行为分析以及剩余使用寿命(rul)预测就尤为重要。目前的质子交换膜燃料电池寿命预测方法主要有基于模型的方法、数据驱动的方法以及模型-数据驱动混合方法。其中,混合方法将机理模型、经验模型或半经验模型与机器学习算法相结合,预测燃料电池的剩余使用寿命。
2、目前存在多种机器学习算法,比如粒子滤波和遗传算法
技术实现思路
1、本专利技术的目的就是为了解决上述
技术介绍
存在的不足,提供一种质子交换膜燃料电池剩余使用寿命混合预测方法及系统,以静态及动态工况下的燃料电池电堆实测老化数据为基础,分析其电压数据具有整体老化趋势、电压波动、电压恢复三方面特征,具有良好的预测性能和准确度。
2、本专利技术采用的技术方案是:一种质子交换膜燃料电池剩余使用寿命混合预测方法,包括以下步骤:
3、基于质子交换膜燃料电池实测的端电压历史数据,采用平方根无迹卡尔曼滤波,预测质子交换膜燃料电池的端电压;
4、采用xception-lstm神经网络,基于质子交换膜燃料电池的实测端电压和预测端电压的差值,预测质子交换膜燃料电池的电压波动;
5、基于质子交换膜燃料电池的eis测试数据,构建质子交换膜燃料电池的二阶rq-rlc等效电路模型;根据质子交换膜燃料电池的二阶rq-rlc等效电路模型和eis数据确定质子交换膜燃料电池的恢复电压与运行时间之间的线性关系,预测质子交换膜燃料电池的恢复电压;
6、将质子交换膜燃料电池的端电压、电压波动和恢复电压的预测结果叠加得到预测电压;
7、根据预测电压达到设定电压的时间,得到质子交换膜燃料电池剩余使用寿命的预测值。
8、上述技术方案中,将质子交换膜燃料电池实测的端电压历史数据进行预处理后,再用于端电压和电压波动的预测;所述预处理包括去除监测噪声、离群值处理及时间戳重构。
9、上述技术方案中,预测质子交换膜燃料电池的端电压的过程包括:基于质子交换膜燃料电池对数线性经验模型,将端电压退化视为对数和线性两个部分的组合,通过以质子交换膜燃料电池实测的端电压历史数据,拟合质子交换膜燃料电池的实际退化情况;质子交换膜燃料电池对数线性经验模型中的状态方程用于表征端电压退化的对数部分,观测方程用于表征端电压退化的线性部分;采用平方根无迹卡尔曼滤波,将质子交换膜燃料电池对数线性经验模型中的状态方程带入,求解得到质子交换膜燃料电池的端电压;并基于预测得到的端电压,预测未来一段时间内端电压。
10、上述技术方案中,基于质子交换膜燃料电池实测的端电压历史数据,采用平方根无迹卡尔曼滤波对质子交换膜燃料电池过去一段时间内的端电压进行预测;将相应时刻的端电压的预测值和实测值的差值作为电压的周期性波动;将电压的周期性波动形成训练集以进行xception-lstm神经网络的训练,实现电压波动的长期预测。
11、上述技术方案中,所述二阶rq-rlc模型用于等效质子交换膜燃料电池的电化学反应过程;将电容、电感和cpe指数作为二阶rq-rlc模型待识别的参数,将nyquist图作为因变量,基于质子交换膜燃料电池的eis测试数据,采用粒子群优化算法,计算得到质子交换膜燃料电池的二阶rq-rlc等效电路模型的参数;基于二阶rq-rlc等效电路模型及参数辨识结果获得eis测试数据中各测试点的零频率下低频截距电阻;通过eis测试数据提取各测试点的恢复电压;采用最小二乘法进行线性拟合,得到零频率下低频截距电阻与运行时间的数学关系,以及零频率下低频截距电阻与恢复电压的数学关系。
12、上述技术方案中,预测质子交换膜燃料电池的电压波动的过程包括:将电压周期性波动数据作为输入序列,通过xception网络进行特征提取和降维处理,得到一组高层抽象的特征表示;然后将所述特征表示作为lstm网络的输入,进行时序预测,并输出未来一段时间内电压波动数据。
13、上述技术方案中,采用平方根无迹卡尔曼滤波,求解得到质子交换膜燃料电池的端电压的过程包括:
14、a1,给定质子交换膜燃料电池的状态变量初始值,和估计误差协方差初始值,并其进行平方根分解;所述状态变量为质子交换膜燃料电池的端电压;
15、a2,基于状态变量的均值及其估计误差协方差的平方解,通过无迹变换生成一组sigma点并计算对应的权值;
16、a3,通过状态方程获取sigma点的一步预测值;计算sigma点一步预测值的均值及其协方差平方根分解因子;
17、a4,通过sigma点的一步预测值计算预测的观测量;
18、a5,计算预测的观测量的均值及其协方差的平方根分解因子,以及状态变量和观测量之间的交叉协方差矩阵;
19、a6通过观测量的协方差的平方根分解因子,以及状态变量和观测量之间的交叉协方差矩阵,计算得到卡尔曼增益;
20、a7,通过卡尔曼增益更新状态变量及其估计误差协方差的平方解、状态方程的输入变量;将更新后的状态变量作为质子交换膜燃料电池的端电压的预测值输出;并基于更新后的状态变量及其估计误差协方差的平方解、状态方程的输入变量循环执行步骤a2-a7。
21、上述技术方案中,所述xception网络包括卷积层1-12、全局平均池化层、全连接层和分类器;卷积层本文档来自技高网...
【技术保护点】
1.一种质子交换膜燃料电池剩余使用寿命混合预测方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的一种方法,其特征在于:将质子交换膜燃料电池实测的端电压历史数据进行预处理后,再用于端电压和电压波动的预测;所述预处理包括去除监测噪声、离群值处理及时间戳重构。
3.根据权利要求1所述的一种方法,其特征在于:预测质子交换膜燃料电池的端电压的过程包括:基于质子交换膜燃料电池对数线性经验模型,将端电压退化视为对数和线性两个部分的组合,通过以质子交换膜燃料电池实测的端电压历史数据,拟合质子交换膜燃料电池的实际退化情况;质子交换膜燃料电池对数线性经验模型中的状态方程用于表征端电压退化的对数部分,观测方程用于表征端电压退化的线性部分;采用平方根无迹卡尔曼滤波,将质子交换膜燃料电池对数线性经验模型中的状态方程带入,求解得到质子交换膜燃料电池的端电压;并基于预测得到的端电压,预测未来一段时间内端电压。
4.根据权利要求3所述的一种方法,其特征在于:基于质子交换膜燃料电池实测的端电压历史数据,采用平方根无迹卡尔曼滤波对质子交换膜燃料电池过去一段时间内的端电压进
5.根据权利要求3所述的一种方法,其特征在于:所述二阶RQ-RLC模型用于等效质子交换膜燃料电池的电化学反应过程;将电容、电感和CPE指数作为二阶RQ-RLC模型待识别的参数,将Nyquist图作为因变量,基于质子交换膜燃料电池的EIS测试数据,采用粒子群优化算法,计算得到质子交换膜燃料电池的二阶RQ-RLC等效电路模型的参数;基于二阶RQ-RLC等效电路模型及参数辨识结果获得EIS测试数据中各测试点的零频率下低频截距电阻;通过EIS测试数据提取各测试点的恢复电压;采用最小二乘法进行线性拟合,得到零频率下低频截距电阻与运行时间的数学关系,以及零频率下低频截距电阻与恢复电压的数学关系。
6.根据权利要求4所述的一种方法,其特征在于:预测质子交换膜燃料电池的电压波动的过程包括:将电压周期性波动数据作为输入序列,通过Xception网络进行特征提取和降维处理,得到一组高层抽象的特征表示;然后将所述特征表示作为LSTM网络的输入,进行时序预测,并输出未来一段时间内电压波动数据。
7.根据权利要求3所述的一种方法,其特征在于:采用平方根无迹卡尔曼滤波,求解得到质子交换膜燃料电池的端电压的过程包括:
8.根据权利要求6所述的一种方法,其特征在于:所述Xception网络包括卷积层1-12、全局平均池化层、全连接层和分类器;卷积层1采用33的卷积核对输入数据进行卷积处理,随后进行批量归一化和应用ReLU函数的激活操作,得到经过第一层卷积的特征图;卷积层2~12采用多个串联的深度分离卷积层对特征图进行进一步的卷积操作,并同样进行批量归一化和ReLU函数激活的操作,得到经过多层卷积的特征图;全局平均池化层将最后一个卷积层的输出特征图进行降维,得到一个全局池化的特征向量;全连接层将全局平均池化层得到的向量与分类器连接起来进行逻辑分类,实现数据的特征提取和降维处理。
9.一种质子交换膜燃料电池剩余使用寿命混合预测系统,其特征在于:该系统用于实现权利要求1-8任一项所述的一种质子交换膜燃料电池剩余使用寿命混合预测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-9中任一项所述的质子交换膜燃料电池剩余使用寿命混合预测方法。
...【技术特征摘要】
1.一种质子交换膜燃料电池剩余使用寿命混合预测方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的一种方法,其特征在于:将质子交换膜燃料电池实测的端电压历史数据进行预处理后,再用于端电压和电压波动的预测;所述预处理包括去除监测噪声、离群值处理及时间戳重构。
3.根据权利要求1所述的一种方法,其特征在于:预测质子交换膜燃料电池的端电压的过程包括:基于质子交换膜燃料电池对数线性经验模型,将端电压退化视为对数和线性两个部分的组合,通过以质子交换膜燃料电池实测的端电压历史数据,拟合质子交换膜燃料电池的实际退化情况;质子交换膜燃料电池对数线性经验模型中的状态方程用于表征端电压退化的对数部分,观测方程用于表征端电压退化的线性部分;采用平方根无迹卡尔曼滤波,将质子交换膜燃料电池对数线性经验模型中的状态方程带入,求解得到质子交换膜燃料电池的端电压;并基于预测得到的端电压,预测未来一段时间内端电压。
4.根据权利要求3所述的一种方法,其特征在于:基于质子交换膜燃料电池实测的端电压历史数据,采用平方根无迹卡尔曼滤波对质子交换膜燃料电池过去一段时间内的端电压进行预测;将相应时刻的端电压的预测值和实测值的差值作为电压的周期性波动;将电压的周期性波动形成训练集以进行xception-lstm神经网络的训练,实现电压波动的长期预测。
5.根据权利要求3所述的一种方法,其特征在于:所述二阶rq-rlc模型用于等效质子交换膜燃料电池的电化学反应过程;将电容、电感和cpe指数作为二阶rq-rlc模型待识别的参数,将nyquist图作为因变量,基于质子交换膜燃料电池的eis测试数据,采用粒子群优化算法,计算得到质子交换膜燃料电池的二阶rq-rlc等效电路模型的参数;基于二阶rq-rlc等效电路模型及参数辨识结果获得eis测...
【专利技术属性】
技术研发人员:周申培,冯宇康,杨扬,谢长君,徐冰,朱文超,黄亮,石英,
申请(专利权)人:武汉理工大学,
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。