[發(fā)明專利]一種基于深度學(xué)習(xí)的燃料電池剩余壽命預(yù)測方法

有效

• 申請?zhí)枺?/td>: 202110385900.2
• 申請日: 2021-04-12
• 公開（公告）號: CN112986827B
• 公開（公告）日: 2022-06-03
• 發(fā)明（設(shè)計）人: 楊鑫;冷承霖;劉凱
• 申請（專利權(quán)）人: 山東凱格瑞森能源科技有限公司
• 主分類號: G01R31/367
• 分類號: G01R31/367;G01R31/392;G06N3/08;G06N3/04
• 代理公司: 北京中創(chuàng)博騰知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11636
• 代理人: 李艷艷

本發(fā)明涉及一種基于深度學(xué)習(xí)的燃料電池剩余使用壽命預(yù)測方法。采用深度神經(jīng)網(wǎng)絡(luò)模型，從而實現(xiàn)燃料電池RUL的準(zhǔn)確預(yù)測，屬于質(zhì)子交換膜燃料電池健康狀態(tài)監(jiān)測技術(shù)領(lǐng)域。具體步驟為：S1：獲取燃料電池的監(jiān)測數(shù)據(jù)，并降噪處理；S2：對降噪處理后的訓(xùn)練數(shù)據(jù)進(jìn)行擬合，建立當(dāng)前輸入數(shù)據(jù)與目標(biāo)數(shù)據(jù)之間的非線性映射關(guān)系；S3：建立損失函數(shù)并通過反饋求導(dǎo)的方法，優(yōu)化神經(jīng)網(wǎng)絡(luò)模型參數(shù)，得到最優(yōu)的神經(jīng)網(wǎng)絡(luò)模型；S4：將預(yù)測起點的輸入數(shù)據(jù)作為最優(yōu)DNN的輸入，從而實現(xiàn)迭代滾動預(yù)測。S4可以簡單的概括為：迭代地使用神經(jīng)網(wǎng)絡(luò)的當(dāng)前時刻的預(yù)測輸出作為下一時刻預(yù)測的輸入，迭代滾動預(yù)測電壓或功率輸出，從而實現(xiàn)燃料電池RUL預(yù)測。

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于深度學(xué)習(xí)的燃料電池剩余壽命預(yù)測方法，屬于質(zhì)子交換膜燃料電池技術(shù)領(lǐng)域。

背景技術(shù)

燃料電池作為一種環(huán)境友好型的清潔能源，憑借其在電能轉(zhuǎn)換效率方面的巨大優(yōu)勢，在新能源燃料電池電動汽車應(yīng)用中具有較好前景。然而，相較于其他的能源裝置如鋰離子電池，運行成本高、壽命周期短和運行的安全可靠性仍然是制約燃料電池廣泛應(yīng)用的主要原因。如目前最為普及的質(zhì)子交換膜燃料電池系統(tǒng)(PEMFC)，其主要的特性是快速啟動性能好、功率密度高(3.8～6.5kW/m3)和工作溫度低(50～80℃)。系統(tǒng)的預(yù)測與健康管理(PHM)是一個新興的科學(xué)技術(shù)發(fā)展領(lǐng)域，能有效改善燃料電池系統(tǒng)的壽命管理、使用和維護(hù)，可根據(jù)系統(tǒng)當(dāng)前或歷史狀態(tài)進(jìn)行預(yù)測性診斷，保證設(shè)備運行的安全性、可靠性與經(jīng)濟(jì)性。在PHM技術(shù)中，基于系統(tǒng)的剩余使用壽命預(yù)測能對系統(tǒng)發(fā)生故障的時間及可能性提供科學(xué)依據(jù)，為維護(hù)決策提供支持從而有效地降低或避免由于系統(tǒng)故障而引發(fā)的災(zāi)難性損失。

PEMFC的RUL預(yù)測目前主要分為三類方法：基于模型、基于數(shù)據(jù)驅(qū)動及融合預(yù)測方法。基于數(shù)據(jù)驅(qū)動的RUL預(yù)測主要依據(jù)狀態(tài)監(jiān)測傳感器數(shù)據(jù)并結(jié)合數(shù)據(jù)庫歷史記錄，采用人工智能等技術(shù)表達(dá)系統(tǒng)內(nèi)部的退化模式，預(yù)測系統(tǒng)性能的退化趨勢，從而最終對RUL進(jìn)行評估。數(shù)據(jù)驅(qū)動的RUL預(yù)測不需要深入理解系統(tǒng)內(nèi)部的細(xì)節(jié)和復(fù)雜的失效機(jī)理，實用性強(qiáng)。基于RUL預(yù)測準(zhǔn)確度，本文旨在對數(shù)據(jù)驅(qū)動的RUL預(yù)測方法進(jìn)行研究，為PEMFC的壽命預(yù)測提供科學(xué)依據(jù)。

目前基于模型的方法主要是通過建立數(shù)學(xué)模型來表征電池的壽命衰減。基于模型的RUL預(yù)測方法的一大特點是不需要大量的實驗數(shù)據(jù)，然而燃料電池從組成部件、單體再到電堆是一個十分復(fù)雜的多級物理系統(tǒng)，要建立多系統(tǒng)的壽命預(yù)測模型需要考慮不同層次的監(jiān)測條件、不同部位的失效機(jī)理，甚至涉及到不同層次之間的耦合關(guān)系，因此目前許多的研究主要使用數(shù)據(jù)驅(qū)動的方法，通過傳感器測得系統(tǒng)的輸出電壓等參數(shù)，對電池的壽命進(jìn)行預(yù)測。融合預(yù)測方法是將兩種及兩種以上的基于模型或數(shù)據(jù)驅(qū)動的方法結(jié)合，克服單一算法的局限性，從而提升預(yù)測性能。但是目前融合算法很大程度上取決于其構(gòu)建的指數(shù)或?qū)?shù)模型能否準(zhǔn)確描述電池壽命的衰減情況。因此當(dāng)前融合預(yù)測的方法主要還是依賴于PEMFC的模型，然后通過濾波方法(如卡爾曼濾波、無跡卡爾曼濾波、粒子濾波等)實現(xiàn)RUL的預(yù)測。

數(shù)據(jù)驅(qū)動方法通過先進(jìn)的傳感器技術(shù)，獲取PEMFC的運行數(shù)據(jù)，利用訓(xùn)練數(shù)據(jù)集得到最優(yōu)的模型參數(shù)從而對PEMFC的RUL進(jìn)行預(yù)測。通過傳感器獲取的電池監(jiān)測數(shù)據(jù)有不同的類別，在PEMFC的監(jiān)測數(shù)據(jù)中就包括了工作電流、氣體的流量和溫度等。對比基于模型的方法，數(shù)據(jù)驅(qū)動方法不需要對電池的失效機(jī)理進(jìn)行深入的研究，它只需要建立監(jiān)測數(shù)據(jù)與電池性能退化的關(guān)系或趨勢，而燃料電池的性能退化通常表現(xiàn)在輸出電壓或功率的衰減。在目前主流的數(shù)據(jù)驅(qū)動方法中，較為普遍的是利用機(jī)器學(xué)習(xí)或者深度學(xué)習(xí)算法，基于PEMFC的監(jiān)測數(shù)據(jù)，以輸出電壓或功率的衰減率為指標(biāo)對其RUL進(jìn)行預(yù)測。

發(fā)明內(nèi)容

本發(fā)明針對現(xiàn)有技術(shù)存在的不足，提供一種基于深度學(xué)習(xí)的燃料電池剩余壽命RUL預(yù)測方法，利用深度學(xué)習(xí)算法對輸入數(shù)據(jù)進(jìn)行非線性擬合，從而得到下一時刻模型的預(yù)測輸出，并將其作為最優(yōu)模型預(yù)測下一時刻的輸入，滾動迭代的得到RUL預(yù)測結(jié)果。