一种基于混合深度学习网络的燃料电池健康状态预测方法
本发明涉及燃料电池领域,尤其是涉及一种基于混合深度学习网络的燃料电池健康状态预测方法。
背景技术:
1、质子交换膜燃料电池(pemfc)因其高能量转换效率和零排放特性,在新能源汽车领域具有广阔的应用前景。然而,燃料电池在实际运行中受频繁启停、动态负载、温度波动等复杂工况因素的影响,性能会逐步衰退,其健康状态(soh)的准确预测直接关系到系统的运行可靠性、耐久性与经济性。预测性健康管理技术通过对性能退化趋势进行预测并提前干预,已成为延长燃料电池使用寿命的关键技术手段。
2、目前,燃料电池soh预测方法主要包括模型驱动方法和数据驱动方法两大类。模型驱动方法基于退化机理建立数学方程进行预测,但精确建模十分困难,难以全面描述多物理场耦合的复杂退化过程。数据驱动方法通过对监测数据训练机器学习模型实现端到端映射,已受到越来越多的关注。然而,现有数据驱动方法仍存在以下不足:
3、第一,健康状态表征指标单一,难以全面捕捉复杂退化机理。现有研究大多使用电堆电压或输出功率作为soh的单一表征指标。然而,燃料电池的退化过程涉及电化学、热力学、流体力学等多学科交叉,单一指标无法全面反映电堆内部的真实衰退状态。尤其在动态变载工况下,电压信号受负载变化影响波动剧烈,基于退化趋势回归的传统方法难以准确捕获这种随机变化。近年来虽有研究尝试融合多个运行参数构建综合指标,但融合权重的确定多依赖经验设定,缺乏客观优化方法,导致融合指标在不同工况下的适应性不足。
4、第二,深度学习方法对非平稳多传感器数据的特征提取不充分,关键信息易在长期时序传递中衰减。部分研究采用lstm或gru进行时间序列预测,但单一循环神经网络难以充分提取多传感器数据中的局部特征和跨变量关联。已有文献尝试将cnn与lstm串联组合,但现有混合模型大多采用简单堆叠方式,一方面cnn的卷积核尺寸设计缺乏针对时序数据的考量,另一方面循环神经网络在处理长序列时仍面临关键信息衰减问题,且缺乏对重要特征通道的自适应聚焦机制,导致预测模型在复杂工况下的鲁棒性不足。
5、第三,数据预处理不规范引入数据泄露,导致模型评估失真。在时间序列预测任务中,部分现有方法将全部数据统一归一化后再划分训练集和测试集,无意中将未来测试集的统计信息引入训练过程,造成数据泄露,导致模型评估结果虚高而实际部署后预测精度显著下降。
6、综上所述,现有方法在健康指标构建的客观性、时序特征提取的充分性、关键信息聚焦的自适应性以及数据预处理的规范性方面均存在明显不足。因此,亟需一种能够融合多源特征、精准建模时序退化规律、自适应聚焦关键信息且严格遵循时序预测规范的高效预测方法。
技术实现思路
1、本发明的目的是提供一种基于混合深度学习网络的燃料电池健康状态预测方法,通过多指标融合构建综合健康状态表征、cnn-gru-attention混合深度学习架构自适应提取时空特征与关键信息,实现对soh的高精度估计。
2、为实现上述目的,本发明提供了一种基于混合深度学习网络的燃料电池健康状态预测方法,包括以下步骤:
3、步骤1、数据采集与预处理:获取燃料电池历史运行时间序列数据,依次进行异常值剔除、平滑滤波和重采样处理,得到完整数据集;
4、步骤2、数据集划分与归一化:将完整数据集按时序顺序划分为训练集和测试集;对训练集的每个特征维度独立进行最小-最大归一化,计算各维度的极值,测试集使用训练集对应的极值进行相同变换;随后利用滑动窗口将归一化后的连续时间序列重构为样本-序列格式,每个样本包含t个连续时间步的特征数据,t为大于1的正整数;
5、步骤3、构建融合soh标签:选取燃料电池运行过程中的冷却液进出口温差、阴极压差、气体流量差、冷却液流量和输出功率作为健康特征指标,通过遗传算法优化各指标的权重,将加权融合后的结果作为健康状态soh的真实标签;
6、步骤4、混合深度学习模型搭建:构建依次由一维卷积神经网络cnn层、门控循环单元gru层、通道注意力机制层和输出层组成的预测模型;cnn层用于提取输入序列各时间步内的特征交叉信息;gru层接收cnn层输出的特征序列,输出最后一个时间步的隐状态向量,用于表征整个输入序列的时序依赖;通道注意力机制层用于对gru层输出的隐状态向量进行通道级自适应加权;输出层采用全连接层逐步降维,最终输出soh预测值;
7、步骤5、模型训练与优化:使用步骤2处理后的训练集数据对混合深度学习模型进行训练,采用均方误差损失函数衡量预测误差,并利用adam优化器进行模型参数更新;
8、步骤6、使用训练好的模型对测试集进行预测,将预测结果反归一化后与真实融合soh标签进行对比,通过计算均方根误差rmse、平均绝对误差mae和平均绝对百分比误差mape中的至少一项指标评估模型性能。
9、优选的,步骤1中,异常值剔除采用3-σ过滤法,平滑滤波采用移动平均滤波器,重采样为每隔0.5h提取一个数据样本。
10、优选的,步骤2中,对训练集的每个特征维度独立进行最小-最大归一化,将数据缩放至[0,1]区间,表示为:
11、;
12、其中,为原始数据,、分别为该特征在训练集中的最小值和最大值;为归一化后的特征值。
13、优选的,步骤3中,遗传算法的优化目标函数为:
14、;
15、其中,为各健康特征指标的融合权重系数;为调节各项惩罚项权重的系数;为样本数据的时间跨度;为第个时间步的单调性惩罚项;为趋势相似性系数;为曲线平滑性惩罚项;为权重分布均匀性惩罚项。
16、优选的,步骤4中,cnn层由两层一维卷积层级联构成,第一卷积层使用32个大小为1×1的卷积核,第二卷积层使用64个大小为1×1的卷积核,均以relu为激活函数;公式表示为:
17、;
18、其中,为第1层的卷积核权重矩阵,为第t个时间步的第1个输入矩阵,表示卷积运算,为第1层偏置项,为激活函数。
19、优选的,步骤4中,gru层的隐藏单元数量为50,其计算过程为:
20、;
21、;
22、;
23、;
24、其中,为更新门,为重置门,为候选隐藏状态,为当前时间步的最终隐藏状态;、、分别为更新门、重置门和候选隐藏状态的权重矩阵;、、分别为对应的偏置向量;为当前时间步的输入特征向量;为上一时间步的隐状态向量;为sigmoid函数;tanh为双曲正切激活函数;为逐元素乘法;
25、输出最后一个时间步的隐状态向量。
26、优选的,步骤4的通道注意力机制层中,首先通过第一全连接层将50维特征压缩至12维以聚合全局信息,表示为:,;
27、其中,为第一全连接层的权重矩阵,维度为;为第一全连接层的偏置向量;为gru层输出的特征向量;为第一全连接层输出的中间特征向量;
28、对使用relu激活,再通过第二全连接层恢复至50维,再经sigmoid函数生成通道注意力权重向量,表示为:;
29、其中,为第二全连接层的权重矩阵,维度为;为第二全连接层的偏置向量;为前一阶段输出的中间特征向量;为sigmoid函数;为最终生成的通道注意力权重向量;
30、然后,将与逐通道相乘,得到增强的特征向量,表示为:;实现特征重校正。
31、优选的,步骤5中,模型训练还采用学习率动态调整策略,并在训练过程中监控训练集损失以执行早停机制。
32、优选的,步骤6中,评估指标的计算公式为:
33、;
34、;
35、;
36、其中,为第个样本的模型预测值,为第个样本的真实soh值,为测试集样本总数。
37、优选的,还包括步骤7,将训练好的模型部署至燃料电池管理系统或边缘计算设备中,进行燃料电池健康状态的实时预测。
38、因此,本发明一种基于混合深度学习网络的燃料电池健康状态预测方法,具有以下有益效果:
39、(1)本发明选取冷却液进出口温差、阴极压差、气体流量差、冷却液流量和输出功率五个关键物理参数,通过遗传算法优化融合权重,构建的综合soh指标较单一电压指标波动更平缓,更能表征燃料电池的长期衰退趋势,克服了单一指标难以全面捕捉复杂退化机理的缺陷。
40、(2)本发明将一维卷积神经网络、门控循环单元和通道注意力机制有机结合:cnn层提取多源数据在时间步内的特征交叉信息;gru层建模长期时序依赖关系,有效解决了梯度消失问题;通道注意力机制对gru输出的隐状态向量进行自适应加权,自动增强重要特征通道的贡献、抑制无关干扰信息,实现了对关键退化特征的自适应聚焦。
41、下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com