一种质子交换膜燃料电池剩余使用寿命预测方法

技术领域

本发明属于燃料电池技术领域，特别是涉及一种质子交换膜燃料电池剩余使用寿命预测方法。

背景技术

制约质子交换膜燃料电池商业化推广应用的原因在于其低耐久性，准确预测质子交换膜燃料电池在不同使用条件下的剩余使用寿命能够尽早感知燃料电池的运行损伤和性能衰退情况，能够实现电池剩余价值的最大化利用。因此剩余寿命预测对于电池管理至关重要，本专利将为质子交换膜燃料电池的剩余寿命预测技术提供有力支撑。现有预测技术主要基于模型、数据驱动、混合三大类方法，其中随着人工智能的壮大发展及便利性，数据驱动方法应用越来越广。影响电池寿命的因素很多，质子交换膜、催化剂、气体扩散层、双极板等等，这使得燃料电池的衰退情况有着很强的不确定性，与此同时目前现有的数据驱动方法在寿命预测的准确性上仍不足够，即使模型能够针对电池的衰退情况和剩余寿命具有良好的预测性能，在实际应用中也有一定挑战和改进。因此，对于如何使用快速且准确的神经网络方法来构建燃料电池预测模型，是目前一大探究点。

对于基于模型的方法来讲，电化学模型的建立需要考虑电池内部各物理量的关系和本质，虽然使用少量数据便可得到高精度的模型，但是这种方法基于复杂的数学公式开发，将增加计算成本。数据驱动方法构建模型相对来说更简单，但它的局限性在于需要足够多与研究内容相关性大的训练数据来实现，数据之间的紧密联系程度决定该方法的准确度高低。

发明内容

为了解决上述问题，本发明提出了一种质子交换膜燃料电池剩余使用寿命预测方法，进行长期老化预测和剩余使用寿命预测，以弥补现有预测数据关系不密切和数据量少导致的预测精度较低的不足。

为达到上述目的，本发明采用的技术方案是：一种质子交换膜燃料电池剩余使用寿命预测方法，包括步骤：

S10,构建基础数据集：获取燃料电池电堆，监测数据，构成数据集；对数据集随机划分为训练集和测试集，分别用于训练样本的权重参数和评估模型能力；确定健康指标参数，采用电压和电流参数作为指标；

S20,建立质子交换膜燃料电池剩余使用寿命预测模型，采用基于加法网络和深层域混合的混合深度迁移学习模型，包括特征提取，领域分类和回归预测；

特征提取部分分别从源域和目标域的数据集中提取电流密度和历史电压特征；

采用全连接层作为领域分类器，加在特征提取部分后面，区分提取的特征来自目标域还是源域，再利用线性变换方法将两域进行特征对齐；

利用回归预测器，使用含标签的源域数据集预训练模型参数，对不包含标签的目标域数据集的相似数据进行微调得到一个高适配度的模型，从而达到预测的目的；

S30,利用所建立的质子交换膜燃料电池剩余使用寿命预测模型，质子交换膜燃料电池剩余使用寿命预测。

进一步的是，在构建基础数据集时：获取燃料电池电堆，在静态和动态两种情况下的监测数据；对监测数据进行归一化处理；对数据归一化处理后的数据进行画图，发现存在噪声，并采用滑动平均法进行数据降噪，构成数据集。

进一步的是，对监测数据进行归一化处理采用线性归一化，对数据线性变换，将数据值映射到[0,1]，用公式表示为：

其中x和x’分别为归一化前后的数据。

进一步的是，滑动平均法公式为：

其中，n表示数据数量，x

进一步的是，所述特征提取部分基于加法网络，在模型的基本块中加入CBAM注意力机制，分别从源域和目标域的数据集中提取电流密度和历史电压特征，表达式为：

其中，F为滤波器，d代表核大小(一般为3×3)，k表示输入通道数，t表示输出通道数，X输入特征，m和n分别表示输入特征的高度和宽度，i、j则为两个常数均从0开始取值，其中i∈[m,m+d]、j∈[n,n+d]；Y是输出特征。

进一步的是，采用标准分布方法，来衡量源域和目标域之间的差异，先提取源域和目标域的特征，再利用线性变换方法将两域进行特征对齐；

计算公式为：

l

进一步的是，在所述回归预测器中，回归预测损失函数MSE来衡量预测器的表现，公式为：

其中，n为数据个数，y

损失函数为：

l＝l

其中，l

采用本技术方案的有益效果：

本发明提出的方法没有繁琐的建模过程，仅采用电流和历史电压两个基本变量作为输入来表征电池老化情况，数据间联系不够紧密这一问题也使用迁移学习进行了改善，具有较高的精确度。

本发明将注意力机制和加法模型结合，这样做使得机器在处理整个数据和框架时只关注重点，这样能降低模型的复杂度，在加快训练速度的同时又提高了性能。除此之外，本发明还将迁移学习深层域混合和加法模型混合，这样做能够解决数据集之间关系不够紧密的问题，并使用有限的数据达到更好的预测效果。本发明做出的燃料电池预测有很好的精度，对静态燃料电池和动态燃料电池都进行了实验，预测出的电池退化趋势曲线和真实曲线吻合程度很高，同时预测剩余寿命准确度得分能高达0.995。

附图说明

图1为本发明的一种质子交换膜燃料电池剩余使用寿命预测方法流程示意图；

图2为本发明实施例中预测模型结构图；

图3为本发明实施例中特征提取部分具体结构图；

图4为本发明实施例中PEMFC1预测结果部分图像；

图5为本发明实施例中PEMFC2预测结果部分图像；

图6为本发明实施例中第一种数据集下A

图7为本发明实施例中第二种数据集下A

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步阐述。

在本实施例中，参见图1所示，本发明提出了一种质子交换膜燃料电池剩余使用寿命预测方法，包括步骤：

S10,构建基础数据集：获取燃料电池电堆，构成数据集；对数据集随机划分为训练集和测试集，分别用于训练样本的权重参数和评估模型能力；确定健康指标参数，采用电压和电流参数作为指标；

S20,建立质子交换膜燃料电池剩余使用寿命预测模型，如图2所示，采用基于加法网络和深层域混合的混合深度迁移学习模型，包括特征提取，领域分类和回归预测；

特征提取部分分别从源域和目标域的数据集中提取电流密度和历史电压特征；

采用全连接层作为领域分类器，加在特征提取部分后面，区分提取的特征来自目标域还是源域，再利用线性变换方法将两域进行特征对齐；

利用回归预测器，使用含标签的源域数据集预训练模型参数，对不包含标签的目标域数据集的相似数据进行微调得到一个高适配度的模型，从而达到预测的目的；

S30,利用所建立的质子交换膜燃料电池剩余使用寿命预测模型，质子交换膜燃料电池剩余使用寿命预测。

作为上述实施例的优化方案，在构建基础数据集时：获取燃料电池电堆，在静态和动态两种情况下的监测数据；对监测数据进行归一化处理；对数据归一化处理后的数据进行画图，发现存在噪声，并采用滑动平均法进行数据降噪，构成数据集。数据集中可包括监测的功率负载、温度、气体化学计量比等数据。

优选的，对监测数据进行归一化处理采用线性归一化，对数据线性变换，将数据值映射到[0,1]，用公式表示为：

其中x和x’分别为归一化前后的数据。

优选的，滑动平均法公式为：

其中，n表示数据数量，x

作为上述实施例的优化方案，所述特征提取部分基于加法网络，在模型的基本块中加入CBAM注意力机制，具体结构见图3，分别从源域和目标域的数据集中提取电流密度和历史电压特征，表达式为：

其中，F为滤波器，d代表核大小(一般为3×3)，k表示输入通道数，t表示输出通道数，X输入特征，m和n分别表示输入特征的高度和宽度，i、j则为两个常数均从0开始取值，其中i∈[m,m+d]、j∈[n,n+d]；Y是输出特征。

在领域分类器中，采用标准分布方法，可采用Coral作为域损失来衡量源域和目标域之间的差异，先提取源域和目标域的特征，再利用线性变换方法将两域进行特征对齐；

计算公式为：

l

在所述回归预测器中，回归预测损失函数MSE来衡量预测器的表现，公式为：

其中，n为数据个数，y

损失函数为：

l＝l

其中，l

本模型，将领域分类器和回归预测器组合起来才能保证对两部分同时进行优化，迁移效果最佳。

利用本发明所建立的预测模型构建代码对两个电池堆进行预测，结果如图4和图5所示，从图中可以看出在每个不同时间段，本方案以Add-TL标注和真实值变化趋势几乎一样并且拟合程度很高，即使有偏差也控制在很小的范围之内；相比之下现有的Add-att的重合度就差些，但是仍然比现有的LSTM、CNN、GRU其它三种方法更好。

IEEE对于两种不同情况制定一个准确度得分的公式如下：

如果％E

图6和图7采用雷达图展示几种方法的得分情况，本发明提出ADD-TL方法，两个数据集的A

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。