一种基于迁移学习的燃料电池剩余寿命预测方法技术

本申请公开了一种基于迁移学习的燃料电池剩余寿命预测方法，使用数据平滑方法将收集的多组PEMFC退化数据中尖锐点去除，使用模态分解方法将原始数据分解为多个模态，基于增强后的退化数据，采用滤波法搭配时序神经网络进行剩余寿命建模，通过DTW对数据规整后进行相似性度量确定与目标PEMFC退化数据最为相似的源域退化数据，然后通过源域数据为目标域提供解决方案，本申请使用了DTW技术对候选电池进行相似性度量，据此选出数据量较大且与目标电池相似性较高的源电池进行预训练后，对预训练模型进行fine‑turning的方法，并且使用了时间点切割等数据增强方式使训练数据尽量有效。

【技术实现步骤摘要】

本专利技术属于燃料电池，特别是涉及一种基于迁移学习的燃料电池剩余寿命预测方法。

技术介绍

1、质子交换膜燃料电池(proton exchange membrane fuel cells,pemfc)因其高能量密度(>350wh/kg)、高转换效率(>40％)、低工作温度(-20～100℃)、快速启动和低噪音等优点，从众多类型的燃料电池中脱颖而出，已成功地应用于交通运输、分布式发电、便携式电源等领域中，实现了早期的商业化。然而，相较传统能量转换装置如内燃机，pemfc的耐久性仍然较差，其较短的服役寿命严重制约了它的进一步大规模工业部署。除实现材料突破和结构优化外，预测与健康管理是保障pemfc长时间安全稳定运行的方法有效途径之一，其中，对pemfc剩余寿命进行准确地预测可保证电堆得到及时维护，进而延长其服役寿命。

2、目前，燃料电池的健康预测主要包括基于模型的方法、基于数据驱动的方法和融合方法。基于模型的方法包括基于机理老化模型和基于经验老化模型，其预测精度依赖于模型的准确性。基于数据驱动的方法利用机器学习方法，实现外部可测特征与内部本文档来自技高网...

【技术保护点】

1.一种基于迁移学习的燃料电池剩余寿命预测方法，其特征在于：使用数据平滑方法将收集的多组PEMFC退化数据中尖锐点去除，使用模态分解方法将原始数据分解为多个模态，每个模态对应不同的频率或时域特征，在筛选后去除噪声，为训练深度学习模型或构建预测模型提供优质的数据，具体步骤如下：

2.根据权利要求1所述一种基于迁移学习的燃料电池剩余寿命预测方法，其特征在于：采取卷积的方法，将每一个点的数据aj平滑为以其为中心，半径为R的小邻域内数据的平均值ai；

3.根据权利要求1所述一种基于迁移学习的燃料电池剩余寿命预测方法，其特征在于：所述第二步中算法计算过程通过迭代进行，步骤如...

【技术特征摘要】

1.一种基于迁移学习的燃料电池剩余寿命预测方法，其特征在于：使用数据平滑方法将收集的多组pemfc退化数据中尖锐点去除，使用模态分解方法将原始数据分解为多个模态，每个模态对应不同的频率或时域特征，在筛选后去除噪声，为训练深度学习模型或构建预测模型提供优质的数据，具体步骤如下：

2.根据权利要求1所述一种基于迁移学习的燃料电池剩余寿命预测方法，其特征在于：采取卷积的方法，将每一个点的数据aj平滑为以其为中心，半径为r的小邻域内数据的平均值ai；

3.根据权利要求1所述一种基于迁移学习的燃料电池剩余寿命预测方法，其特征在于：所述第二步中算法计算过程通过迭代进行，步骤如下:

4.根据权利要求1所述一种基于迁移学习的燃料电池剩余寿命预测方法，其特征在于：所述第四步中首先使用dtw寻找与目标电池数据相似性较高的源域电池数据，并且要求源域电池数据的数据量充足且有效；然后对数据使用数据平滑，模态分解方式处理后得到平滑度高且降噪的有效训练数据，接着使用有效数据进行训练得到lstm模型和pf模型，通过将lstm所得预测值作为pf算法的观测值，利用pf算法获取变量真实状态的最优估计值以更新修正lstm预测值，再使用修正后的预测值进行循环预测的方式融合两种算法，得到lstm-pf融合模型，将此模型作为目标电池的预训练模型，再使用目标电池数据对预训练模型进行fine-turning，将目标电池数据特征融入预训练模型后得到目标电池数据的寿命预测模型。

5.根据权利要求1所述一种基于迁移学习的燃料电池剩余寿命预测方法，其特征在于：所述第三步中滤波法为粒子滤波，时序神经网络为lstm，数据建模包括lstm建模、粒子滤波建模、电池长期剩余寿命预测建模、电池长期剩余寿命预测建模、预测改该进以及结果分析、lstm-pf循环预测、基于迁移学习的电池寿命预测建模。

【专利技术属性】
技术研发人员：仲政，张程泓，龚仔航，冯百祥，曹玉宇，
申请(专利权)人：哈尔滨工业大学深圳哈尔滨工业大学深圳科技创新研究院，
类型：发明
国别省市：