一种基于质子交换膜燃料电池退化趋势的极化曲线预测方法

本技术涉及一种基于质子交换膜燃料电池(pemfc，proton exchange membranefuel cell)退化趋势的极化曲线预测方法，属于质子交换膜燃料电池领域。

背景技术：

1、燃料电池具有能源利用率高、燃料来源广、除水蒸气外零排放和无噪声等突出优势，在未来有望逐步取代内燃机，成为新能源汽车的主要动力源之一；燃料电池直接将化学能转化为电能，没有中间的能量转化过程，具有较高的能量转化效率。同时车载燃料电池还具有续航里程远和燃料加注快等优势，比车载锂离子电池等蓄电池有更广阔的应用前景。

2、尽管燃料电池具有巨大的产业潜力和应用价值，但耐久性差和寿命短是其实现商业和产业化推广的最主要障碍。由于车载燃料电池的运行工况复杂多变，包括常规工况(如稳态运行、动态负载循环和启停循环)和恶劣工况(如长期ocv状态、怠速和过载运行)，导致车载燃料电池的寿命目标比固定式应用燃料电池更加难以实现。pemfc的性能衰减及寿命受操作条件影响很大，因此，为了有效地控制燃料电池系统，最大限度地延长燃料电池寿命，必须清楚地了解燃料电池的衰减现象，并能够及时有效地对其输出特性进行评估。

3、输出特性评估可以反映离散时间上的pemfc性能变化，是较为常用的健康状态评估方法。pemfc的输出特性测试方法有多种，包括极化曲线测试法、电化学阻抗谱法、电流中断法等。其中最为常用的是极化曲线测试法。极化曲线测试法记录了pemfc输出电压与电流变化的v-i特性曲线，是描述pemfc性能的重要数据。利用极化曲线评估pemfc输出特性适用于各种工况下的pemfc系统，但通常每隔100小时进行一次极化曲线测试，一方面难以实时监测pemfc的性能变化，另一方面需要花费大量的时间成本，还需要投入大量的人力及消耗大量的能源，不利于缩短商业化进程。

4、从这个角度来讲，基于质子交换膜燃料电池的退化趋势预测极化曲线，不仅可以实时监测pemfc在不同电流工况下的性能变化，还可以对电池未来输出特性进行总体评估，并大大缩短了测试时间、节约了经济成本。

技术实现思路

1、本发明的目的在于，针对上述存在的问题，提供一种基于质子交换膜燃料电池退化趋势的极化曲线预测方法，该方法可以通过pemfc在不同工况条件下退化趋势的准确预测，来实现未来极化曲线的预测，应用于燃料电池耐久性研究及寿命测试研究。

2、本发明是通过下述技术方案实现的。

3、本发明公开的一种基于质子交换膜燃料电池退化趋势的极化曲线预测方法，包括如下步骤：

4、步骤一：预先获取质子交换膜燃料电池在动态循环工况下运行的监测数据，并对该监测数据进行包括插值、采样的清洗预处理；

5、步骤二：从步骤一得到的数据中筛选动态循环工况存在的电流，并建立不同电流对应的电压退化趋势；

6、步骤三：基于防脉冲干扰平均滤波法对步骤二得到的电压退化趋势进行处理，并获取输入变量集，将输入变量集划分为训练集和测试集；

7、步骤四：建立改进的灰狼算法优化的纯全连接神经网络模型igwo-nbeats，并分别将步骤三中获取的训练集输入igwo-nbeats模型中进行训练；

8、步骤五：将步骤三中的测试集输入到步骤四中训练好的igwo-nbeats模型，预测得到不同电流对应的未来输出电压的退化趋势；

9、步骤六：采集步骤五预测得到的未来某时刻不同电流对应的电压值，并绘制电流-电压曲线图来得到未来某时刻电堆的极化曲线。

10、步骤一所述的质子交换膜燃料电池监测数据包括但不限于老化时间(s)、pemfc的工作负载电流(a)、输出电压(v)和功率(w)、氢气进出口压力(kpa)、空气进出口压力(kpa)、氢气进出口温度(℃)、空气进出口温度(℃)、氢气露点水温(℃)、空气露点水温(℃)、氢气堆总流量(nlpm)、空气堆总流量(nlpm)、pemfc工作温度(℃)。步骤一所述的对耐久运行数据进行多种清洗预处理，一是通过实验记录，对电堆运行时的特殊操作进行分离，恢复或补偿工况突变造成的时序数据的波动；二是通过数据插值等方法保留原始数据信息的同时减少计算时间。

11、步骤二的实现过程如下：对循环复合工况进行研究，观察一个周期内的电流主要分布在哪几个电流值附近，并统计一个周期内的电流值分布情况。选择第一个周期内某电流值附近的时间点，取这些时间点对应电压的平均值，以电压平均值代表第一个周期的输出电压。对余下所有周期内的电压进行相同的操作，得到每个周期对应的输出电压。最终得到该电流下输出电压随周期的变化趋势。分别对所有的主要电流值进行以上操作，得到不同电流对应的电压退化趋势。

12、步骤三是对电压趋势数据进行滤波平滑处理，采用防脉冲干扰平均滤波法。该滤波方法相当于中位值滤波与算术平均滤波的结合，融合了两种滤波法的优点，对于偶然出现的脉冲性干扰，可消除由于脉冲干扰所引起的采样值偏差。实现过程为：连续采样n个数据，去掉一个最大值和一个最小值，然后计算n-2个数据的算术平均值。通常n值的选取为3-14。

13、步骤四的实现过程如下：

14、1.建立nbeats模型：nbeats有多个基本单元模块，基本单元模块具有分叉结构。第l个块接受输入xl并输出两个向量和对于模型中的第一个块，它的输入xl是整个模型的输入，即一个一定长度的历史回溯窗口。一般设置输入窗口的长度(回溯窗口的窗口长度)为预测未来窗口长度h的倍数，通常，回溯窗口的窗口长度为2h-7h。对于其余的块，它们的输入xl是前面单元块的残差输出。

15、基本单元模块内部由两部分组成。

16、第一部分是一个完全连通的网络，产生正向和反向预测系数。这里的线性层就是一个简单的线性投影层，fc层是一个标准的全连接层，具有relu非线性激活函数:

17、hl,1＝relu(wl,1xl+bl,1)

18、hl,2＝relu(wl,2xl+bl,2)

19、hl,3＝relu(wl,3xl+bl,3)

20、hl,4＝relu(wl,4xl+bl,4)

21、第二部分由后向和前向基层组成，它们接受各自的前向和后向预测系数，生成前向预测和后向预测即

22、

23、

24、其中和分别是前向和后向基向量。

25、和的作用是提供足够丰富的集合和可以是可学习的；也可以设置为特定的功能形式，以反映特定问题的归纳偏差，以适当地限制输出结构。

26、这部分结构的一个任务是预测正向预测最终目标是优化前向预测的准确性。此外，该子网络预测xl的最佳估计其最终目标是通过移除输入数据中对于预测任务没有帮助的成分，来帮助下游模块更好地进行预测。

27、经典的残差网络架构在将结果传递给下一个模块之前，将此模块的输入添加到其输中。这里提出了一种新的分层双残差拓扑结构。提出的体系结构有两个剩余分支，一个分支运行在每一层的回溯预测上，另一个分支运行在每一层的预测分支上。它的运行由以下方程描述：

28、

29、在第一个块的特殊情况下，它的输入是模型的全部输入x，即x1≡x。对于所有其他块，回溯残差分支xl可以被认为是对输入信号进行序列分析。前一个基本模块去掉了信号中可以很好近似的部分，使得下游区块的预测工作更加容易。更重要的是，每个基本模块输出它本身可以预测的部分前向预测这些前向预测提供了层级分解。最后的预测是所有部分预测的总和。当允许为每一个基本模块有自己的后向和前向时，这使得网络对梯度流更加透明。如果后向和前向共享一个基，此时通过聚合有意义的部分，对实现可解释性至关重要。

30、2.改进灰狼算法：当设计igwo时，首先需构建灰狼社会等级层次模型。计算种群每个个体的适应度，将狼群中适应度最好的三匹灰狼依次标记为α、β、δ而剩下的灰狼标记为ω。也就是说，灰狼群体中的社会等级从高往低排列依次为α、β、δ及ω。igwo的优化过程主要由每代种群中的最好三个解(即α、β、δ)来指导完成。

31、灰狼群体通过以下几个公式逐渐接近并包围猎物：

32、d＝|cxp(t)-x(t)|

33、x(t+1)＝xp(t)-ad

34、式中，t是当前的迭代代数，a和c是系数向量，xp和x分别是猎物的位置向量和灰狼的位置向量。a和c的计算公式如下：

35、a＝2ar1-a+ρ

36、c＝2r2

37、

38、式中，a是收敛因子，随着迭代次数从2线性减小到0，r1和r2服从[0，1]之间的均匀分布，ρ为由阶级不同而带来的支配权重因子。

39、狼群中其他灰狼个体xi根据α、β和δ的位置xα、xβ和xδ来更新各自的位置：

40、

41、式中，dα，dβ和dδ分别表示α、β和δ与其他个体间的距离；xα、xβ和xδ分别代表α、β和δ的当前位置；c1，c2，c3是随机向量，xi是当前灰狼的位置。

42、灰狼个体的位置更新公式如下：

43、xi1＝xα-a1dα

44、xi2＝xβ-a2dβ

45、xi3＝xδ-a3dδ

46、

47、构建攻击猎物模型的过程中，根据上面的公式，a值的减少会引起a的值也随之波动。换句话说，a是一个在区间[-a，a]上的随机向量，其中a在迭代过程中呈线性下降。当a在[-1，1]区间上时，则灰狼的下一位置可以位于其当前位置和猎物位置之间的任意位置。当|a|<1时，陷入局部最优解。

48、灰狼主要依赖α、β和δ的信息来寻找猎物。它们开始分散地去搜索猎物位置信息，然后集中起来攻击猎物。对于分散模型的建立，通过|a|>1使其捜索代理远离猎物，这种搜索方式使gwo能进行全局搜索。gwo算法中的另一个搜索系数是c。从公式可知，c向量是在区间范围[0，2]上的随机值构成的向量，此系数为猎物提供了随机权重，以便増加(|c|>1)或减少(|c|<1)。这有助于gwo在优化过程中展示出随机搜索行为，以避免算法陷入局部最优。值得注意的是，c并不是线性下降的，c在迭代过程中是随机值，该系数有利于算法跳出局部，特别是算法在迭代的后期显得尤为重要。

49、改进的灰狼算法的具体步骤为：

50、①参数初始化：包括种群数量n，最大迭代次数m，调控参数a、a、c；

51、②根据变量的上下界来随机初始化灰狼个体的位置x；

52、③计算每一头狼的适应度值，并将种群中适应度值最优的狼的位置信息保存为xα，将种群中适应度值次优的狼的位置信息保存为xβ，将种群中适应度第三优的灰狼的位置信息保存为xδ；

53、④设计等级影响力权重ρ；

54、⑤更新灰狼个体x的位置；

55、⑥更新参数a、a、c、ρ；

56、⑦计算每一头灰狼的适应度值，并更新三匹头狼的最优位置；

57、⑧判断是否到达最大迭代次数m，若满足则算法停止并返回xα的值作为最终得到的最优解，否则转到⑤。

58、3.利用改进的灰狼算法优化nbeats模型参数，建立igwo-nbeats模型：nbeats模型有多个需要设置的参数，包括基本单元块数量、学习率、批量大小，这些参数的取值对nbeats模型预测性能的影响较大。为了使nbeats模型准确预测电压未来退化趋势，本技术通过利用改进的灰狼算法igwo优化nbeats模型。首先进行种群初始化，包括种群数量n，最大迭代次数m，调控参数a、a、c；然后根据模型参数的上下界来随机初始化灰狼个体的位置x，并计算每一头狼的适应度值；接着设计等级影响力权重ρ，更新灰狼个体x的位置，更新参数a、a、c，并更新三头适应度最好的狼的最优位置；最后，当达到最大迭代次数后，解码适应度最好的狼的最佳位置得到最优参数。带入参数最优值得到的nbeats模型为经过训练集训练且优化好的igwo-nbeats模型。模型中的灰狼指模型参数在取值范围内的某个参数值，适应度指nbeats模型对电压退化趋势的预测值与真实值的均方根误差。

59、适应度计算公式为：

60、

61、式中，是nbeats模型对电压退化趋势的预测值，yi是电压退化趋势的真实测量值，n是电压退化趋势数据的数量值；

62、步骤五将测试集中平滑后的电压退化趋势数据输入到经过训练集训练好的igwo-nbeats模型，预测得到对应的未来输出电压的退化趋势。分别对动态循环工况中所有电流值对应的电压退化趋势进行预测，得到不同电流对应的电压退化趋势。

63、步骤六通过采集步骤五预测得到的未来某时刻不同电流对应的电压值来得到未来某时刻电堆的极化曲线。首先，确定需要预测的极化曲线的具体时间，然后，分别在不同电流对应的电压趋势线上采集步骤五预测得到的该时刻对应的电压值，最后，以电流为横坐标，电压为纵坐标，绘制电流-电压曲线图来得到该时刻电堆的极化曲线。

64、有益效果：

65、1、本发明公开的一种基于质子交换膜燃料电池退化趋势的极化曲线预测方法，为一种能够有效减少时间成本，节省不必要的人力、能源，缩短质子交换膜燃料电池商业化进程的方法。本发明通过pemfc在不同工况条件下退化趋势的准确预测，来实现未来极化曲线的预测。不仅能够全面了解pemfc的性能变化，另一方面也减少了电堆的非必要停机。

66、2、本发明改进了灰狼算法，gwo算法具有高效的搜索能力，能够在多目标优化问题中找到较好的pareto前沿。与此同时，gwo算法通过多个种群的协同搜索，能够保持搜索的多样性，并避免搜索结果集中在某些局部最优解。此外，gwo算法只有几个需要设置的参数，易于使用和实现。最后，gwo算法具有较好的可扩展性，可以通过增加种群数量和改变算法参数等方式来提高算法性能。本发明在原有gwo算法上引入了等级影响力权重ρ，在保证多样性的前提下，有效提高了算法的收敛速度。

67、3、本发明利用改进的gwo算法对纯全连接神经网络模型nbeats模型的参数进行了优化。nbeats可以自适应地选择不同层面与不同时间窗口下的基函数，使得模型可以捕捉到时间序列中的各种波动和周期性。利用改进的gwo算法优化nbeats模型的参数能够更准确的得到燃料电池性能退化趋势，极大的有益于未来某时刻极化曲线的预测。