[發(fā)明專利]風(fēng)光互補(bǔ)電解水制氫的轉(zhuǎn)化效率的確定方法和確定裝置

有效

• 申請?zhí)枺?/td>: 202110129235.0
• 申請日: 2021-01-29
• 公開（公告）號: CN113151842B
• 公開（公告）日: 2023-07-11
• 發(fā)明（設(shè)計(jì)）人: 梁濤;孫鶴旭;曹欣;董硯;林濤;雷兆明;劉斌;廖文喆;秦曉亮;魏曉陽
• 申請（專利權(quán)）人: 河北建投新能源有限公司;河北工業(yè)大學(xué)
• 主分類號: C25B1/04
• 分類號: C25B1/04;C25B9/65;C25B15/02;G06N3/08
• 代理公司: 北京康信知識產(chǎn)權(quán)代理有限責(zé)任公司 11240
• 代理人: 霍文娟

1.一種風(fēng)光互補(bǔ)電解水制氫的轉(zhuǎn)化效率的確定方法，其特征在于，包括：

實(shí)時(shí)獲取影響風(fēng)光互補(bǔ)電解水制氫的轉(zhuǎn)化效率的目標(biāo)因素的第一測試數(shù)據(jù)；

建立所述轉(zhuǎn)化效率的神經(jīng)網(wǎng)絡(luò)模型；

根據(jù)所述神經(jīng)網(wǎng)絡(luò)模型以及所述第一測試數(shù)據(jù)，確定所述轉(zhuǎn)化效率，

在獲取所述第一測試數(shù)據(jù)之前，所述方法還包括：

獲取影響所述轉(zhuǎn)化效率的多個(gè)因素的多個(gè)第一歷史測試數(shù)據(jù)；

根據(jù)多個(gè)所述第一歷史測試數(shù)據(jù)，采用最大信息系數(shù)法，確定多個(gè)所述因素中的所述目標(biāo)因素，

在獲取多個(gè)所述第一歷史測試數(shù)據(jù)之后，在確定所述目標(biāo)因素之前，所述方法包括：

采用格拉布斯法確定多個(gè)所述第一歷史測試數(shù)據(jù)中的異常數(shù)據(jù)，并去除所述異常數(shù)據(jù)；

采用小波閾值降噪法對去除所述異常數(shù)據(jù)的多個(gè)所述第一歷史測試數(shù)據(jù)進(jìn)行處理，得到多個(gè)第一預(yù)定歷史數(shù)據(jù)，

建立所述轉(zhuǎn)化效率的神經(jīng)網(wǎng)絡(luò)模型，包括：

獲取多個(gè)所述第一預(yù)定歷史數(shù)據(jù)對應(yīng)的多個(gè)第二歷史測試數(shù)據(jù)，所述第二歷史測試數(shù)據(jù)為所述轉(zhuǎn)化效率的歷史數(shù)據(jù)；

根據(jù)多個(gè)所述第一預(yù)定歷史數(shù)據(jù)以及對應(yīng)的多個(gè)所述第二歷史測試數(shù)據(jù)，確定初始神經(jīng)網(wǎng)絡(luò)模型；

確定所述初始神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度是否小于等于預(yù)定值；

在確定所述初始神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度小于等于所述預(yù)定值的情況下，采用改進(jìn)蝗蟲優(yōu)化算法對所述初始神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化，直到優(yōu)化后的所述初始神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度大于所述預(yù)定值，優(yōu)化后的所述初始神經(jīng)網(wǎng)絡(luò)模型為所述神經(jīng)網(wǎng)絡(luò)模型，

采用改進(jìn)蝗蟲優(yōu)化算法對所述初始神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化的步驟包括：第一步，個(gè)體初始化：首先按隨機(jī)方法初始化第一代種群的位置，也就是初始化?的參數(shù)組合；第二步，計(jì)算個(gè)體適應(yīng)度：選擇模型訓(xùn)練的輸出值和實(shí)際值間的RMSE作為尋優(yōu)的目標(biāo)函數(shù)，即種群中每個(gè)個(gè)體的適應(yīng)度，分別計(jì)算各個(gè)適應(yīng)度，并選擇最小值的個(gè)體作為最優(yōu)個(gè)體，并記錄與此對應(yīng)的最優(yōu)模型參數(shù)；第三步，更新最優(yōu)個(gè)體位置：更新每個(gè)蝗蟲個(gè)體位置，重新計(jì)算每個(gè)個(gè)體的適應(yīng)度，并與其他所有個(gè)體比較，若產(chǎn)生新的適應(yīng)度最好的個(gè)體，將該個(gè)體位置作為新的最優(yōu)位置，并記錄其對應(yīng)的模型參數(shù)；第四步，重復(fù)所述第二步和所述第三步兩個(gè)步驟，直至迭代結(jié)束，從最優(yōu)個(gè)體位置得到模型的最優(yōu)參數(shù)組合。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，

根據(jù)多個(gè)所述第一歷史測試數(shù)據(jù)，采用最大信息系數(shù)法，確定多個(gè)所述因素中的所述目標(biāo)因素，包括：

根據(jù)多個(gè)所述第一預(yù)定歷史數(shù)據(jù)，采用最大信息系數(shù)法確定所述目標(biāo)因素。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，

在獲取多個(gè)所述第一預(yù)定歷史數(shù)據(jù)對應(yīng)的多個(gè)第二歷史測試數(shù)據(jù)之后，在確定初始神經(jīng)網(wǎng)絡(luò)模型之前，所述方法還包括：

采用格拉布斯法確定多個(gè)所述第二歷史測試數(shù)據(jù)中的異常數(shù)據(jù)，并去除所述異常數(shù)據(jù)；

采用小波閾值降噪法對去除所述異常數(shù)據(jù)的多個(gè)所述第二歷史測試數(shù)據(jù)進(jìn)行處理，得到多個(gè)第二預(yù)定歷史數(shù)據(jù)，

根據(jù)多個(gè)所述第一預(yù)定歷史數(shù)據(jù)以及對應(yīng)的多個(gè)所述第二歷史測試數(shù)據(jù)，確定初始神經(jīng)網(wǎng)絡(luò)模型，包括：

根據(jù)多個(gè)所述第一預(yù)定歷史數(shù)據(jù)以及對應(yīng)的多個(gè)所述第二預(yù)定歷史數(shù)據(jù)，確定所述初始神經(jīng)網(wǎng)絡(luò)模型。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述初始神經(jīng)網(wǎng)絡(luò)模型為GRU神經(jīng)網(wǎng)絡(luò)模型。

5.根據(jù)權(quán)利要求3所述的方法，其特征在于，在根據(jù)所述神經(jīng)網(wǎng)絡(luò)模型以及所述第一測試數(shù)據(jù)，確定所述轉(zhuǎn)化效率之后，所述方法還包括：

采用DBSCAN算法對多個(gè)所述第二預(yù)定歷史數(shù)據(jù)以及對應(yīng)的多個(gè)所述第一預(yù)定歷史數(shù)據(jù)進(jìn)行處理，確定所述目標(biāo)因素的基準(zhǔn)值以及所述轉(zhuǎn)化效率的基準(zhǔn)值；

根據(jù)所述目標(biāo)因素的基準(zhǔn)值、所述轉(zhuǎn)化效率的基準(zhǔn)值、所述第一測試數(shù)據(jù)以及所述神經(jīng)網(wǎng)絡(luò)模型，確定所述目標(biāo)因素對所述轉(zhuǎn)化效率的影響程度；

根據(jù)所述影響程度，確定風(fēng)光互補(bǔ)電解水制氫的損耗原因。