【技术实现步骤摘要】
本专利技术属于高温固体氧化物燃料电池，更具体地，涉及一种基于随机森林的固体氧化物燃料电池系统故障诊断模型训练方法。
技术介绍
1、固体氧化物燃料电池(solid oxide fuel cell，sofc)系统具有高效、方便、低噪音、无污染等优点，在新能源
具有广泛的研究和应用。sofc系统的工作温度一般可达800摄氏度以上，一旦系统出现故障，若无法尽早察觉，缓变的小故障会逐渐扩散到后续其它部件，产生一系列链式反应，可能使系统面临参数失配等问题，严重时甚至会导致停机。然而，系统内部密封和高温的特性造成了难以准确快速地物理定位和识别故障。
2、现有技术中一般采用人工神经网络算法(artificial neural network，ann)或支持向量机算法(support vector machine，svm)，将数据集输入至对应的机器学习模型上进行分类实验。然而，人工神经网络算法具有泛化性能和预测准确度低等缺陷，支持向量机算法在二分类任务上有较好的分类效果，然而若sofc系统的故障存在多种类型，仍然还采用这种方式会导致预测
本文档来自技高网...【技术保护点】
1.一种基于随机森林的固体氧化物燃料电池系统故障诊断模型训练方法，其特征在于，包括：
2.根据权利要求1所述的固体氧化物燃料电池系统故障诊断模型训练方法，其特征在于，对所述随机森林进行训练过程中，采用所述随机森林进行固体氧化物燃料电池系统故障类型预测，包括：
3.根据权利要求2所述的固体氧化物燃料电池系统故障诊断模型训练方法，其特征在于，每棵决策树采用CART算法、ID3算法或C4.5算法进行故障分类。
4.根据权利要求2或3所述的固体氧化物燃料电池系统故障诊断模型训练方法，其特征在于，采用bootstrap重抽样方法对所述训练数据...
【技术特征摘要】
1.一种基于随机森林的固体氧化物燃料电池系统故障诊断模型训练方法，其特征在于，包括：
2.根据权利要求1所述的固体氧化物燃料电池系统故障诊断模型训练方法，其特征在于，对所述随机森林进行训练过程中，采用所述随机森林进行固体氧化物燃料电池系统故障类型预测，包括：
3.根据权利要求2所述的固体氧化物燃料电池系统故障诊断模型训练方法，其特征在于，每棵决策树采用cart算法、id3算法或c4.5算法进行故障分类。
4.根据权利要求2或3所述的固体氧化物燃料电池系统故障诊断模型训练方法，其特征在于，采用bootstrap重抽样方法对所述训练数据进行有放回的随机抽样。
5.根据权利要求1-3任意一项所述的固体氧化物燃料电池系统故障诊断模型训练方法，其特征在于，采用主成分分析法对固体氧化物燃料电池系统历史运行过程中的多个变量数据进行降维和解耦合...
【专利技术属性】
技术研发人员：李曦，朱康林，邬佳键，彭靖轩，吴晗，向国辉，
申请(专利权)人：华中科技大学，
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。