一种基于周期残差建模的燃料电池电压退化预测方法、系统、设备及介质

本发明属于燃料电池健康管理，具体涉及一种基于周期残差建模的燃料电池电压退化预测方法、系统、设备及介质。

背景技术：

1、质子交换膜燃料电池在动态负载循环工况下运行时，负载电流按预定周期反复升降，输出电压序列中同时耦合了周期性的负载响应分量和由电化学过程缓慢积累形成的长期退化趋势分量。准确预测电压退化趋势是实现电堆健康管理和剩余使用寿命评估的前提。现有的电压退化预测方法主要包括模型驱动方法和数据驱动方法。模型驱动方法通过建立描述内部物理化学过程的数学模型来推演退化，典型手段包括扩展卡尔曼滤波和高斯过程状态空间模型，但此类方法依赖难以在真实工况下准确获取的机理参数，计算复杂度高，在线部署困难。数据驱动方法直接从历史数据中学习退化规律，已发展出基于长短期记忆网络、卷积循环网络和注意力机制等多种深度网络架构的预测模型，预测精度不断提高。

2、现有数据驱动方法普遍将周期波动和退化趋势混在同一序列中学习，网络需同时承担周期模式识别和退化趋势拟合双重任务，在多步预测场景下，处于负载快速切换阶段的预测点误差显著增大，有效预测范围局限于短期。部分方法引入信号分解技术将电压序列拆分为若干子序列后分别建模再叠加，但分解层数、惩罚因子等关键参数依赖人工调试，且分解出的周期性子信号在预测端仍需模型逐段外推，预测误差随步长不断累积。因此，如何将动态负载工况下电压序列中固有的周期分量与非周期的退化趋势分量进行有效解耦，使预测模型能够在不累积周期外推误差的前提下专注退化趋势建模，是当前燃料电池电压退化预测领域亟待解决的技术问题。

技术实现思路

1、本发明的目的就在于提供一种基于周期残差建模的燃料电池电压退化预测方法、系统、设备及介质，以解决背景技术中提出的问题。

2、本发明通过以下技术方案来实现上述目的：

3、第一方面、本发明提出了一种基于周期残差建模的燃料电池电压退化预测方法，包括：

4、s1：同步获取燃料电池在动态负载循环工况下的原始电压数据和负载电流数据，按负载步剔除瞬态样本并取均值，得到电压序列及与各负载步对应的负载电流序列；

5、s2：对电压序列进行分段频谱分析与时域峰值检测双重验证，辨识出最优周期长度；其中，分段频谱分析用于剔除分数谐波并确定整数候选周期，时域峰值检测用于统计相邻峰间隔并验证所述候选周期：根据负载电流序列中一个负载循环起始处的电流变化确定各负载循环的相位锚点；

6、s3：构建可学习周期模板，根据相位锚点对当前输入序列的相位进行校正，将所述周期模板按校正后的相位对齐，将相位对齐后的周期模板循环拼接为周期分量，从所述输入序列中减去所述周期分量，获得残差序列；

7、s4：以骨干网络预测所述残差序列的未来残差分量，按相位索引从所述周期模板中取出未来周期分量，将所述未来残差分量与所述未来周期分量相加，重构电压预测值；

8、s5：以多分量联合损失训练所述骨干网络与所述周期模板，两者经梯度反向传播联合更新直至收敛。

9、进一步的，步骤s1中，所述电压序列通过如下步骤得到：

10、对第p个循环第q个负载步内的原始电压样本，剔除该负载步首尾各一个瞬态样本后，对剩余样本按下式取均值，得到负载步的平均电压：

11、；

12、其中， 表示该负载步内第个原始电压采样值，表示该负载步内的样本总数；

13、将同一循环内各负载步的均值电压按负载步顺序排列，构成该循环的特征向量，得到所述电压序列。

14、进一步的，步骤s2具体包括：

15、s21：将所述电压序列等分为k个子段，对各子段分别做离散傅里叶变换并按下式计算功率谱密度：

16、；

17、其中，表示第个子段内第个样本，表示每个子段的样本数，表示归一化频率，j为虚数单位；

18、s22：提取各子段主导周期并计算其变异系数，若所述变异系数小于预设阈值，则判定所述电压序列具有稳定周期结构；

19、s23：对全序列功率谱的主要峰值按功率排序，剔除分数谐波成分，将功率显著且为整数的周期确定为候选周期；

20、s24：检测所述电压序列的局部极大值与局部极小值，分别统计相邻极大值之间和相邻极小值之间的间隔序列，若所述间隔序列在所述候选周期值的预设容差范围内的占比大于预设比例阈值，则以所述候选周期作为最优周期长度；否则按功率顺序选取下一个整数周期作为候选周期重新验证；并根据负载电流序列中单个负载循环起始处的电流变化确定第k个负载循环的相位锚点。

21、进一步的，步骤s3具体包括：

22、s31：构建长度为最优周期长度w的可学习周期模板，初始化为零向量；

23、s32：对时刻t的输入序列，以首个相位锚点为基准，按计算第k个负载循环的相位偏移量，对第k个负载循环内的当前时刻t按 mod w计算校正相位，并按校正相位循环左移周期模板q，得到相位对齐后的模板；当所述相位偏移量的绝对值大于预设相位偏移阈值时，以相位锚点重新同步；

24、s33：将相位对齐后的模板按下式循环拼接至与输入序列长度l相等，得到周期分量：

25、；

26、s34：利用所述周期分量，按下式从所述输入序列中逐元素相减，获得残差序列：

27、。

28、进一步的，步骤s4具体包括：

29、s41：将所述残差序列输入骨干网络，由所述骨干网络输出未来h个时刻的残差预测值，为预测步长；

30、s42：以当前时刻t确定校正相位，以最优周期长度w为模数，对未来各时刻逐一计算(+1) mod w、(+2) mod w、......、(+h) mod w作为相位索引，从所述周期模板q中取出对应值，依次排列形成长度为h的未来周期分量序列；

31、s43：将未来残差预测值与未来周期分量序列按下式逐元素相加，重构电压预测值：

32、。

33、进一步的，所述骨干网络采用一维卷积神经网络与长短期记忆网络级联的结构；所述残差序列先经所述一维卷积神经网络沿时间维度滑动卷积提取局部响应特征，所述一维卷积神经网络的输出作为所述长短期记忆网络的输入，由所述长短期记忆网络的门控机制对经过卷积处理后的残差序列进行时序建模，输出各时刻的残差预测值；

34、所述一维卷积神经网络的卷积运算表示为：

35、；

36、其中，x为输入的残差序列，表示卷积核第个权重，表示卷积核尺寸，表示偏置项，表示激活函数；

37、所述长短期记忆网络的计算过程表示为：

38、；

39、；

40、；

41、；

42、；

43、；

44、其中，、、分别表示遗忘门、输入门和输出门， 表示候选细胞状态，表示细胞状态，表示隐藏状态，、、、与、、、分别表示各门的权重矩阵与偏置向量，为激活函数，表示逐元素相乘。

45、进一步的，所述多分量联合损失包括均方误差损失与结构损失的加权和；所述结构损失包含相关损失、方差损失和均值损失三个分量；

46、所述相关损失为基于皮尔逊相关系数计算的第一结构损失分量，用于度量预测序列与真实序列中对应片段之间的方向一致性；

47、所述方差损失为基于kl散度计算的第二结构损失分量，用于度量预测序列与真实序列中对应片段之间的离散程度一致性；

48、所述均值损失为基于平均绝对误差计算的第三结构损失分量，用于度量预测序列与真实序列中对应片段之间的绝对水平一致性；

49、各分量权重的确定方式为：以各损失分量当前值的倒数为初始权重，对所述初始权重做和归一化，使归一化后的三个权重之和等于分量个数，再对归一化后的权重做指数移动平均平滑；将平滑后的各分量权重分别与对应的损失分量相乘后求和，得到所述结构损失；将所述结构损失与所述均方误差损失加权求和，得到所述多分量联合损失。

50、第二方面、本发明提出了一种基于周期残差建模的燃料电池电压退化预测系统，用于实现如上述的燃料电池电压退化预测方法，包括：

51、数据处理与周期分析模块，用于获取燃料电池在动态负载循环工况下的原始电压数据和负载电流，按负载步剔除瞬态样本并取均值得到电压序列，以及对所述电压序列进行分段频谱分析与时域峰值检测双重验证，以辨识出最优周期长度；

52、周期残差解耦模块，用构建可学习周期模板，根据相位锚点对当前输入序列的相位进行校正，将所述周期模板按校正后的相位对齐，将相位对齐后的周期模板循环拼接为周期分量，从所述输入序列中减去所述周期分量，获得残差序列，以及在预测端按相位索引从所述周期模板中取出未来周期分量；

53、骨干网络模块，用于对所述残差序列进行特征提取与时序建模，输出未来残差分量，并将所述未来残差分量与所述未来周期分量相加重构电压预测值；

54、损失函数模块，用于以多分量联合损失训练所述骨干网络与所述周期模板，使所述骨干网络与所述周期模板经梯度反向传播联合更新直至收敛。

55、第三方面、本发明提出了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述的燃料电池电压退化预测方法的步骤。

56、第四方面、本发明提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述的燃料电池电压退化预测方法的步骤。

57、本发明的有益效果在于：

58、1、本发明针对动态负载循环工况下燃料电池电压序列中周期波动与长期退化趋势相互耦合导致长时预测精度低的技术问题，通过分段频谱分析与时域峰值检测双重验证实现最优周期长度的自动辨识，并利用负载电流的循环起始变化确定相位锚点、校正各负载循环的相位偏移，在此基础上构建可学习周期模板将周期分量从输入序列中显式剥离，使骨干网络仅需在残差空间中对退化趋势进行预测，未来周期分量按校正后的相位索引直接从模板中取出而无需预测外推，从而消除了周期成分的外推误差累积，并减小采样偏移造成的周期模板错位，在多步预测场景下各预测步的误差保持稳定，预测步长扩展至数千步时精度仅有小幅降低，有效提升了燃料电池电压退化的长时预测能力。

59、2、本发明通过可学习周期模板的设计，使周期模板与骨干网络经梯度反向传播联合训练，模板在训练中逐步收敛为反映各负载阶段电压响应的周期波形；同时设计了多分量联合损失函数，其中结构损失的相关损失、方差损失和均值损失分别从方向趋势、幅度分布和绝对电压水平三个维度约束预测波形，各分量权重按损失值倒数动态确定并经指数移动平均平滑，在不引入额外梯度计算的前提下实现了多目标的训练平衡，进一步保证了预测序列在片段尺度上的结构保真度。