[發(fā)明專利]基于深度信念網(wǎng)絡的質(zhì)子交換膜燃料電池性能預測及尋優(yōu)方法

有效

• 申請?zhí)枺?/td>: 202010034654.1
• 申請日: 2020-01-14
• 公開（公告）號: CN111200141B
• 公開（公告）日: 2022-10-28
• 發(fā)明（設計）人: 楊悅;徐博識;李洪偉;杜長河;洪文鵬
• 申請（專利權）人: 東北電力大學
• 主分類號: H01M8/04298
• 分類號: H01M8/04298;H01M8/04992
• 代理公司: 吉林市達利專利事務所 22102
• 代理人: 陳傳林

1.一種基于深度信念網(wǎng)絡的質(zhì)子交換膜燃料電池性能預測與尋優(yōu)方法，其特征是，它包括以下步驟：

1)訓練數(shù)據(jù)的收集與預處理

以能影響質(zhì)子交換膜燃料電池輸出性能的相關參數(shù)作為深度信念網(wǎng)絡的輸入變量，以電池的電流密度作為輸出變量，通過CFD軟件對質(zhì)子交換膜燃料電池仿真模型進行計算得到深度信念網(wǎng)絡的訓練數(shù)據(jù)，由于各輸入變量的范圍不在同一數(shù)量級上，需要進行歸一化處理將所有數(shù)據(jù)都縮放到[0,1]的范圍內(nèi)，將進行歸一化處理后的數(shù)據(jù)用作深度信念網(wǎng)絡的訓練數(shù)據(jù)；

2)構(gòu)建深度信念網(wǎng)絡模型并進行訓練

深度信念網(wǎng)絡由多個限制玻爾茲曼機(RBM)堆疊而成，并在最頂端添加一個線性回歸層，每個RBM包含一個可視層v與一個隱藏層h，兩層之前雙向連接，同層之間無連接，第一個RBM的可視層作為輸入層，前一個RBM的隱藏層作為下一個RBM的可視層，最后以BP算法對全局的訓練參數(shù)進行反向微調(diào)，通過交叉驗證方法確定深度信念網(wǎng)絡的學習率、微調(diào)迭代步數(shù)、隱藏層數(shù)和各層神經(jīng)元數(shù)；對深度信念網(wǎng)絡進行訓練，訓練過程包括預訓練與微調(diào)兩個階段，將步驟1)歸一化處理后的訓練數(shù)據(jù)由第一個RBM的可視層輸入，對每個RBM都采用對比散度(CD)算法進行訓練，當一個RBM訓練結(jié)束后，固定該RBM的參數(shù)不變并訓練下一個RBM，即v,h,權重w和偏置a,b不變，當所有RBM都訓練完成后，即獲得深度信念網(wǎng)絡參數(shù)的初始值；微調(diào)階段，由于此時的網(wǎng)絡輸出值與實際值之間存在較大誤差，采用BP算法將誤差逐層向前傳遞來更新權值，經(jīng)過一定迭代次數(shù)后誤差降低到設定的標準值，此時網(wǎng)絡訓練完成，得到最終的用于預測質(zhì)子交換膜燃料電池性能的深度信念網(wǎng)絡模型；

3)電池性能預測并與傳統(tǒng)預測方法比較

將需要預測的工況數(shù)據(jù)進行歸一化處理后輸入到該深度信念網(wǎng)絡模型中，通過網(wǎng)絡計算得到相應的電流密度，再與對應電壓相乘后得到電池的功率密度，構(gòu)建另外兩種預測方法：傳統(tǒng)BP神經(jīng)網(wǎng)絡與基于Bagging集成的神經(jīng)網(wǎng)絡模型，并將傳統(tǒng)BP神經(jīng)網(wǎng)絡與基于Bagging集成的神經(jīng)網(wǎng)絡模型的預測結(jié)果再與步驟2)構(gòu)建的深度信念網(wǎng)絡模型進行對比，結(jié)果顯示，相比于其他兩種方法，預測準確性均高；

4)應用深度信念網(wǎng)絡模型搜尋最大功率密度與最優(yōu)工況

對各輸入變量選取多于訓練數(shù)據(jù)范圍的工況，然后對各輸入變量工況進行全因子設計，使用深度信念網(wǎng)絡模型對進行全因子設計后得到的所有工況組合進行預測，與對應電壓相乘后篩選出最大的功率密度與相應的參數(shù)組合。