技术新讯 > 测量装置的制造及其应用技术 > 基于CNN-GRU的燃料电池电压预测方法及装置  >  正文

基于CNN-GRU的燃料电池电压预测方法及装置

  • 国知局
  • 2024-07-30 11:06:53

本发明涉及燃料电池,尤其涉及一种基于cnn-gru的燃料电池电压预测方法及装置。

背景技术:

1、燃料电池是目前正在快速发展的燃料电池类型,具有零碳排放、能量转换效率高、工作温度低等优势,被认为是最有前途的新能源之一。燃料电池系统是一个多物理场耦合的非线性复杂系统,在实际运行中,电堆的工况和寿命受多重因素影响,可以通过多个参数进行表征。

2、在商业化应用的过程中,燃料电池的使用寿命是其在市场上是否能够成功应用的重要因素,也是当前制约燃料电池进一步推广的主要障碍之一。现有研究发现,燃料电池的性能衰退与电池输出电压有很大关系,如果可以有效地预测燃料电池电压变化趋势,就能做出针对性的决策或者控制策略以延长燃料电池的使用寿命,避免了由电池过度损坏导致的各种负面效果。

3、燃料电池运行中其电池内部材料和外部组件均可能发生老化,进而导致输出性能下降或发生故障,车用pemfc系统在实际运行工况中,电堆老化的成因同故障相似,均为多种复杂因素相互耦合导致,除水热管理、气体供给不当及长期低温运行等因素以外,其老化的主要原因是电池的内部材料性能退化,包含催化剂降解、气体扩散层衰退和质子交换膜腐蚀。

4、此外,车用燃料电池的典型工况——启停,会加速电池老化,阳极暴露在空气中,h2与空气共存,产生氢-空界面,局部阳极的氧化还原反应进一步降低后侧电位,导致右侧阴极区域界面电位差增大,可达1.5v,损伤阴极组件,并导致碳腐蚀;碳腐蚀会加速铂衰退,破坏阴极气体传输层结构,阻碍传质和电荷传输。

5、针对以上故障,通常采用伏安特性法去检验燃料电池的耐久输出性能,伏安特性法通过极化曲线表示运行中的输出电压与电流变化,分析其输出特性,输出电压较易获取,且采集过程不影响电堆运行,因此通常将其作为健康状态评价和剩余寿命估计的重要指标参数,通过实际台架实验耗时久,效率低。

技术实现思路

1、有鉴于此,有必要提供一种基于cnn-gru的燃料电池电压预测方法及装置,用以解决现有采用伏安特性法检验燃料电池的耐久输出性能的效率低的问题。

2、为了解决上述问题,本发明提供一种基于cnn-gru的燃料电池电压预测方法,包括:

3、将目标参数输入至训练好的电压预测模型中,得到所述电压预测模型输出的预测电压;所述目标参数是通过dwt滤波对燃料电池对应的电压时序数据进行滤波得到的;

4、所述电压预测模型通过以下方式训练得到:

5、构建基于cnn-gru的初始预测模型;

6、基于训练集、测试集、目标损失函数对所述初始预测模型进行优化,得到所述电压预测模型;所述训练集和所述测试集是基于样本参数确定的;所述样本参数是基于样本电压时序数据确定的。

7、在一种可能的实现方式中,所述目标参数通过以下方式获取:

8、构造尺度函数和小波函数,对所述电压时序数据进行dwt滤波处理,得到所述目标参数。

9、在一种可能的实现方式中,所述初始预测模型,用于:

10、通过cnn神经网络对输入数据进行特征提取,得到高层特征序列;

11、通过gru神经网络对所述高层特征序列进行预测,得到预测值。

12、在一种可能的实现方式中,所述基于训练集、测试集、目标损失函数对所述初始预测模型进行优化,得到所述电压预测模型,包括:

13、将所述训练集输入到所述初始预测模型中,得到所述初始预测模型输出的预测值;

14、基于所述训练集对应的实际值和所述预测值,构建目标损失函数;

15、基于预设迭代次数,将目标损失函数最小所对应的模型确定为优化后的模型;

16、基于所述测试集对所述优化后的模型进行验证,得到所述电压预测模型。

17、在一种可能的实现方式中,所述目标损失函数的表达式如下:

18、

19、其中,loss2表示目标损失函数,yi表示实际值,f(xi)表示预测值,m表示数据数量。

20、在一种可能的实现方式中,还包括:

21、对所述样本参数进行归一化处理。

22、在一种可能的实现方式中,所述电压时序数据包括以下至少一项:

23、输出电压、输出电流、单体电压、空气压力、空气流量、氢气流量或冷却液温度。

24、本发明还提供一种基于cnn-gru的燃料电池电压预测装置,包括:

25、预测模块,用于将目标参数输入至训练好的电压预测模型中,得到所述电压预测模型输出的预测电压;所述目标参数是通过dwt滤波对燃料电池对应的电压时序数据进行滤波得到的;

26、所述电压预测模型通过以下方式训练得到:

27、构建基于cnn-gru的初始预测模型;

28、基于训练集、测试集、目标损失函数对所述初始预测模型进行优化,得到所述电压预测模型;所述训练集和所述测试集是基于样本参数确定的;所述样本参数是基于样本电压时序数据确定的。

29、另一方面,本发明还提供一种电子设备,包括存储器和处理器,其中,

30、所述存储器,用于存储程序;

31、所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以实现上述任意实现方式中所述的基于cnn-gru的燃料电池电压预测方法。

32、另一方面,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意实现方式中所述的基于cnn-gru的燃料电池电压预测方法。

33、本发明的有益效果是:本发明提供的基于cnn-gru的燃料电池电压预测方法,通过dwt滤波对燃料电池对应的电压时序数据进行滤波,得到与电压相关程度较高的参数作为目标参数,并将目标参数输入至训练好的电压预测模型中,得到燃料电池的电压预测值,电压预测模型是基于cnn-gru构建的,即用cnn提取输入数据的高层特征,利用gru学习长时间序列前后关系,解决了海量电压数据高层特征提取困难及模型学习长时间序列信息易梯度消失的问题,有效提高了燃料电池电压预测精度和效率。

技术特征:

1.一种基于cnn-gru的燃料电池电压预测方法,其特征在于,包括:

2.根据权利要求1所述的基于cnn-gru的燃料电池电压预测方法,其特征在于,所述目标参数通过以下方式获取:

3.根据权利要求1所述的基于cnn-gru的燃料电池电压预测方法,其特征在于,所述初始预测模型,用于:

4.根据权利要求1所述的基于cnn-gru的燃料电池电压预测方法,其特征在于,所述基于训练集、测试集、目标损失函数对所述初始预测模型进行优化,得到所述电压预测模型,包括:

5.根据权利要求4所述的基于cnn-gru的燃料电池电压预测方法,其特征在于,所述目标损失函数的表达式如下:

6.根据权利要求1所述的基于cnn-gru的燃料电池电压预测方法,其特征在于,还包括:

7.根据权利要求1所述的基于cnn-gru的燃料电池电压预测方法,其特征在于,所述电压时序数据包括以下至少一项:

8.一种基于cnn-gru的燃料电池电压预测装置,其特征在于,包括:

9.一种电子设备,其特征在于,包括存储器和处理器,其中,

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,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于cnn-gru的燃料电池电压预测方法。

技术总结本发明涉及一种基于CNN‑GRU的燃料电池电压预测方法及装置,属于燃料电池技术领域,该方法包括:将目标参数输入至训练好的电压预测模型中,得到电压预测模型输出的预测电压;目标参数是通过DWT滤波对燃料电池对应的电压时序数据进行滤波得到的;电压预测模型通过以下方式训练得到:构建基于CNN‑GRU的初始预测模型;基于训练集、测试集、目标损失函数对初始预测模型进行优化,得到电压预测模型。本发明提供的基于CNN‑GRU的燃料电池电压预测方法,解决了海量电压数据高层特征提取困难及模型学习长时间序列信息易梯度消失的问题,有效提高了燃料电池电压预测精度和效率。技术研发人员:杜常清,郑超,张一鸣,潘童雨受保护的技术使用者:武汉理工大学技术研发日:技术公布日:2024/7/25

本文地址:https://www.jishuxx.com/zhuanli/20240730/155501.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。