一种燃料电池寿命预测方法与流程

1.本发明涉及燃料电池故障诊断和衰减健康管理技术领域，具体地指一种燃料电池寿命预测方法。
技术背景
2.随着世界环境污染的日益严重以及能源危机的不断加剧，环境和能源已然成为各国发展中的两大难题，为此清洁能源的相关研究得到大力支持。其中质子交换膜燃料电池(proton exchange membrane fuel cell，pemfc)是这些清洁能源中的典型代表，其具有启动温度低、高转化效率等优点。但pemfc在大规模商业化应用的道路上仍面对两个主要瓶颈，即在长距离和高频负载变化的实际运行工况下存在较短的剩余使用寿命(remaining useful life，rul)及较高的成本。失效预测的主要思想就是在目标系统的整个生命周期中实时检测系统健康状态，在合适的时间做出正确决策，并提前采取相应的维护措施来改善目标系统的可靠性和耐久性。因此，燃料电池的失效预测及失效风险评估对延长燃料电池使用寿命、降低成本非常重要。
3.pemfc在长期运行状态下，尤其是工况变化(加减载、启停机、大负载和怠速等)会对催化剂、双极板和膜电极等关键部件造成物理和化学损伤，有些甚至是不可逆的。目前，pemfc寿命预测方法主要有三种：1.基于模型预测的方法，它是基于物理定理而建立的数学模型，如经验模型、半机理半经验模型等。2.基于数据预测方法，它指的是一种基于历史运行的实验数据而进行寿命预测的方法，如使用机器学习、神经网络、信号处理算法等。3.混合方法，即结合上述两种方法优点的一种混合预测方法。如基于模型提取老化指标，然后利用无模型方法实现未来老化趋势预测和rul估计，或者基于无模型拟合老化指标，并预测未来老化趋势，然后基于模型预测rul等。
4.上述模型驱动方法中机理建模是反应燃料电池特性最理想的模型，但其受到人们对燃料电池内部特性了解的限制，是很难建立起准确的模型，因此，该方法建立的模型存在精度低、通用性不强的缺点。传统基于数据的模型不需要对pemfc老化特性的深入了解，且合适的算法能够保证静态和动态工况的预测精度，但基于数据方法的研究中很少提及老化模型的参数优化，而且手动调节参数需要花费大量时间，最终还不一定能够得到最优参数。虽然混合模型的方法兼有两种方法的优点，但其老化模型的复杂程度也随之增加，而且混合方法也必须基于对pemfc老化特性的深入研究。
5.因此，提出一种模型结构简单和高精度的燃料电池寿命预测方法对系统正常安全运行至关重要。


技术实现要素：

6.本发明的目的在于克服现有技术的不足，提出一种燃料电池寿命预测方法，不仅能够从有限的老化测试数据中学习到具有多尺度、多层次的电堆电压特性，而且其建立的预测模型具有较强的预测泛化性能，从而保证燃料电池剩余使用寿命的预测精度。
7.为实现上述目的，本发明所设计的一种燃料电池寿命预测方法，其特殊之处在于，所述方法基于燃料电池系统的测试数据集，利用深度投影编码回声状态网络构建燃料电池寿命预测模型，采用遗传算法优化燃料电池寿命预测模型的关键超参数，得到优化的燃料电池寿命预测模型，根据燃料电池寿命与已运行时间计算燃料电池的剩余使用寿命；
8.所述燃料电池寿命预测模型包括输入层、储备层和输出层，所述储备层由若干个单元串联构成，每个单元包括储备池和编码器，所述输入层的输入数据为燃料电池系统的时间序列所对应的燃料电池电堆电压，所述输出层的输出数据为待预测时间序列所对应的预测电堆电压。
9.优选地，所述燃料电池寿命预测模型的输入层对输入数据进行随机投影，映射到储备层中每个储备池的高维状态空间，所述储备池的输出数据经编码器映射到低维特征空间，输出层将原始输入数据、储备池层产生的回声状态以及最后一层的回声状态分别通过直接连接、特征连接以及输出权值连接结合起来，输出为待预测时间序列所对应的预测电堆电压。
10.优选地，所述燃料电池寿命预测模型中，
11.输入信号u为长度为t的d维时间序列：
12.u＝[u(1),u(2),
…
,u(t)]
[0013]
预测结果信号为长度为t的d维时间序列：
[0014][0015]
第i个储备池(i＝1,......，k)的回声状态方程为：
[0016][0017][0018]
其中和是t时刻第i个储备池的更新状态、t 1时刻第i个储备池的输入，w
res(i)
和w
in(i)
分别是第i个储备池隐藏层之间的权重和输入层到隐藏层的权重，γ和f(
·
)分别是储备池的漏积分率和非线性激活函数；当i大于1，第i个储备池的输入是第i
‑
1个编码器的激活输出，z
(i)
(t 1)表示不考虑漏积分时t 1时刻第i个储备池的激活状态。
[0019]
优选地，将燃料电池寿命预测模型的输出表达式为：
[0020][0021]
其中是t 1时刻的输出，f
out
是输出激活函数，w
out
为输出权值矩阵，m(t 1)为输出层的输入信号；m(t 1)被表示为：
[0022][0023]
式中a项，b项和c项分别表示最后一个储备池的回声状态、通过直接连接的原始输入信号、通过特征连接获得的中间各层的编码器信息。
[0024]
优选地，所述燃料电池寿命预测模型的关键超参数为输入尺度is、谱半径sr和漏
积分率γ。
[0025]
优选地，遗传算法的优化步骤如下：
[0026]
(1)对每个储备池中需要优化的三个超参数输入尺度is、谱半径sr和漏积分率γ进行二进制编码以产生初始种群；
[0027]
(2)经过选择，交叉，变异更新种群；
[0028]
(3)运用基于燃料电池系统的测试数据集计算个体对当前种群的适应度，选取预测电压与实际电压的平方损失误差作为性能指标函数；
[0029]
(4)判断种群是否达到停止标准，如果满足，输出此时储备池的最优超参数，否则返回(2)。
[0030]
优选地，在t 1时刻，燃料电池寿命预测模型的输入被表达为：
[0031][0032]
优选地，组合输出权值矩阵w
out
通过平方损失误差函数表达：
[0033][0034]
其中是预测结果信号，y是燃料电池电堆电压。
[0035]
优选地，所述燃料电池的剩余使用寿命定义为燃料电池寿命减去燃料电池已使用时间，公式表示为：
[0036]
t
rul
＝g
‑1(u0‑
δu)
‑
t0[0037]
其中，t
rul
为燃料电池的剩余使用寿命，g
‑1(u0‑
δu)是燃料电池寿命，u0为预测初始电压，δu为给定电压衰减，t0为电堆已运行时间。
[0038]
上述技术方案可以看出，本发明提出了一种燃料电池寿命预测方法，它是基于燃料电池历史运行数据，采用一种深度投影编码回声状态网络构建其衰减模型，该模型结构采用极限学习机的自编码器与经遗传算法优化超参数的储备池交替作用，该方法从有限的老化测试数据中学习到具有多尺度、多层次的电堆电压特性，建立的预测模型具有较强的泛化性能，从而保证燃料电池剩余使用寿命的预测精度。
附图说明
[0039]
图1为本发明一种燃料电池寿命预测方法的流程图。
[0040]
图2为本发明基于遗传算法的深度投影编码回声状态网络(a deep projection
‑
encoding echo
‑
state network deepr
‑
esn)预测模型实例的结构示意图。
[0041]
图3为本发明在恒定电流负载下2、3和4层deepr
‑
esn对pemfc剩余使用寿命预测仿真结果图。
[0042]
图4为本发明在动态运行条件下2、3和4层deepr
‑
esn对pemfc剩余使用寿命预测仿真结果图。
具体实施方式
[0043]
下面结合附图和实施例对本发明做进一步的详细说明，但该实施例不应理解为对本发明的限制。
[0044]
下面结合附图及实施例对本发明作进一步的详细描述，但该实施例不应理解为对本发明的限制。如图1所示，本发明提出的燃料电池寿命预测方法，基于燃料电池系统的测试数据集，对测量数据进行数据预处理、训练后，利用深度投影编码回声状态网络构建燃料电池寿命预测模型，采用遗传算法优化寿命预测模型中储备池的关键超参数，得到优化的燃料电池寿命预测模型，输出最优超参数，据此计算燃料电池寿命，根据燃料电池寿命与已运行时间计算燃料电池的剩余使用寿命。
[0045]
所述深度投影编码回声状态网络的运行机理如下：系统输入是基于燃料电池系统的测试电压，具体表示时间序列所对应的燃料电池电堆电压，输入先经过输入层随机投影，映射到储备层中储备池的高维状态空间，储备池的输出又经编码器映射到低维特征空间，而后的储备层是由多个单元串联(储备池与编码器组成一个单元)构成，输出层将原始输入信号、中间储备池层产生的回声状态以及最后一层的回声状态分别通过直接连接、特征连接以及输出权值连接结合起来，系统输出为待预测时间序列所对应的预测电堆电压。
[0046]
如图2所示，深度投影编码回声状态网络模型具体构造细节如下：
[0047]
系统输入信号u(t)为长度为t的d维时间序列：
[0048]
u(t)＝[u(1),u(2),
…
,u(t)]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)系统预测结果信号为长度为t的d维时间序列：
[0049][0050]
第i个储备池(i＝1,......，k)的回声状态方程为：
[0051][0052][0053]
其中和是t时刻第i个储备池的更新状态，t 1时刻第i个储备池的输入，w
res(i)
和w
in(i)
分别是第i个储备池隐藏层之间的权重和输入层到隐藏层的权重，γ和f(
·
)分别是储备池的漏积分率和非线性激活函数。当i大于1，第i个储备池的输入是第i
‑
1个编码器的激活输出，例如：等于1时，等于1时，z
(i)
(t 1)表示不考虑漏积分时t 1时刻第i个储备池的激活状态。
[0054]
为了简化运算，算子用于表示方程(3)的高纬随机投影过程和方程(4)的状态更新步骤，方程(4)可表示如下：
[0055][0056]
因之前的储备池状态已知，为保持储备池计算的计算特性，编译器应该具有较低的学习成本。基于极限学习机的自编码器的降维技术有更少训练参数，较快学习速度，较好泛化性能等优点，用于简化传统自动编码训练过程，其中最主要的计算步骤是利用随机权值矩阵和随机偏置矩阵生成随机特征矩阵：
[0057]
h＝g(w0x b0)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0058]
这里的x∈
d
×
n
和g分别是输入和激活函数。降维投影矩阵可通过下式得到
[0059]
w
*
＝arg max||wh
‑
x||2 λ||w||2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0060]
这里的λ是正则参数，上述方程可通过伪逆矩阵方法求解。隐含层特征可由h
enc
＝(w
*
)
t
x取代，因此第j个编码器的编码过程可被定义为：
[0061][0062]
进一步，我们可以把公式(8)中的降维过程表示为
[0063][0064]
这里f
enc
(
·
)是编译器的激活函数，此函数在本实施例中为单位函数。
[0065]
根据上述推导，最后一个储备池的状态表达式如下：
[0066][0067]
这里的符号。是复合操作算子。
[0068]
不像传统的回声状态网络，深度投影编码回声状态网络将额外的中间层编码特征融入输出层，因此在t 1时刻整个系统的输入可以被表达为：
[0069][0070]
这里的m(t 1)可以被表示为：
[0071][0072]
公式(12)中a,b和c分别表示最后一个储备池的回声状态，通过直接连接的原始输入信号，通过特征连接获得的中间各层的编码器信息，公式(11)中的f
out
是选用恒等函数的的输出激活函数，其中，和m的列范围为1，......，t，w
out
是直接连接权值、特征连接权值、输出权值的组合输出权值矩阵。
[0073]
公式(11)可通过矩阵形式表示为：
[0074][0075]
参数w
out
可以通过平方损失误差函数表达：
[0076][0077]
其中y是燃料电池电堆电压，因此方程(14)是关于w
out
的回归问题。由于时间序列经常是一种高维度形式，为了防止出现过拟合现象，最终的输出信号选用tikhonov正则化的岭回归分析技术，计算出输出层权值矩阵w
out
。
[0078][0079]
其中β和i分别是很小的正则参数(如10
‑4)以及单位矩阵。
[0080]
根据上述分析，提出的预测方法可以通过交替使用投影层和编码层保存足够全面的输入特征，学习到具有多尺度、多层次的电堆电压特性。此外，为了促进各个储存器中优化超参数的收敛速度，并进一步提高燃料电池rul预测的准确性，又提出了遗传算法优化储备池超参数。根据公式(1)(2)可知，第i个储备池t 1时刻更新的回声状态状态直接依赖于γ和f(z
(i)
(t 1))，z
(i)
(t 1)表示不考虑漏积分时t 1时刻第i个储备池的激活状态，而f(z
(i)
(t 1))又分别受到输入信号、输入权值矩阵w
in(i)
以及储备池循环矩阵w
res(i)
的影响，is和sr分别直接作用于w
in(i)
，w
res(i)
。所以储备池的回声状态直接受is，sr，γ的影响。
[0081]
此外，遗传算法的参数设计如下：种群大小为20，终止进化代数为10，交叉概率为0.6，变异概率为0.1，代沟为10。
[0082]
所述遗传算法的流程如图1中遗传算法部分，其步骤如下：
[0083]
(1)对每个储备池中需要优化的三个超参数(is(输入尺度)，sr(谱半径)，γ(漏积分率))进行二进制编码以产生初始种群；
[0084]
(2)经过选择，交叉，变异更新种群；
[0085]
(3)运用基于燃料电池系统的测试数据集计算个体(本方法中的个体采用为每个储备池中需优化的三个超参数组成的向量)对当前种群的适应度，选取预测电压与实际电压的平方损失误差作为性能指标函数(误差越低表示适应度越高)；
[0086]
(4)判断种群是否达到停止标准，如果满足，输出此时储备池的最优超参数，否则返回(2)。
[0087]
经过上述步骤得到优化的燃料电池寿命预测模型，记其预测电压与时间的关系为u＝g(t)。所述燃料电池的剩余使用寿命定义为燃料电池寿命减去燃料电池已使用时间，公式表示为：
[0088]
t
rul
＝g
‑1(u0‑
δu)
‑
t0ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(16)
[0089]
其中g
‑1(u0‑
δu)是燃料电池寿命，u0为预测初始电压，δu为给定电压衰减，t0为电堆已运行时间。
[0090]
本发明一种燃料电池寿命预测方法实现简单，预测精度高，无需深入了解pemfc的老化机理，可以从有限的老化测试数据中学习到具有多尺度、多层次的电堆电压特性，且本方法具有类似方法中较低的学习成本以及较高的鲁棒泛化能力。
[0091]
实施例1：本实施例以质子交换膜燃料电池为例，具体地，数据来自质子交换膜燃料电池系统，此系统(如图1)由空气供给子系统，氢气供给子系统，质子交换膜燃料电池电堆，水冷子系统，空气加湿器和电子负载构成，其初始电压为3.317v，水冷温度调节范围为20℃～80℃，气体湿度为0～100％可调，空气、氢气流量分别为0～100l/min，0～30l/min可调，气体压力为0～2bar，采用恒定电流负载，取初始电压的3.0％，3.5％，4.0％衰减值作为燃料电池的失效阈值。随后用构建的深度投影编码回声状态网络训练0～550h的电堆电压数据，预测550h～1020h的电压，如图3(b)，3(c)和3(d)分别是由两层、三层和四层深度投影编码回声状态网络训练出的模型的预测结果，网络的层数是中间层储备池和编码器组成的单元个数，图中的误差是预测电压与实际电压的平方损失。由图可看出，本方法在不同中间层层数的情况下的误差都非常小，说明此方法在恒定电流负载下具有较高精度。
[0092]
实施例2：本实施例数据来自实施例1中的质子交换膜燃料电池系统，但其初始电压为3.3v，采用动态运行条件，由于动态运行状态下电压下降更快，且测试集对应时间有
限，此例取初始电压的3.5％，4.0％，4.5％，5.0％衰减值作为燃料电池的失效阈值。随后用构建的深度投影编码回声状态网络训练0～550h的电堆电压数据，预测550h～1020h的电压，如图4(b)，4(c)和4(d)分别是由两层、三层和四层深度投影编码回声状态网络训练出的模型的预测结果。由图可看出，本方法在不同中间层层数的情况下的误差都非常小，说明此方法在动态运行条件下仍具有较高精度。
[0093]
尽管上面结合附图对本发明的优选实施例进行了描述，但是本发明并不局限于上述的具体实方式，上述的具体实施方式仅仅是示意性的，并不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可以作出很多形式的具体变换，这些均属于本发明的保护范围内。