一种基于典型运行参数的燃料电池健康状态识别方法

技术特征：
1.一种基于典型运行参数的燃料电池健康状态识别方法，其特征在于，首先采用非参数统计和无监督学习算法计算出健康评价指标的阈值，并通过线性矩阵对评价指标进行标签；然后，采用采用卡方检验、斯皮尔曼相关分析和包装特征选择方法选出对燃料电池健康状态影响相对显著的特征；最后采用随机森林算法对选取的特征进行识别，从而识别出燃料电池健康状态。2.根据权利要求1所述的燃料电池健康状态识别方法，其特征在于，该方法具体包括以下步骤：s1：获取车用燃料电池常用工况的运行参数；s2：统计单体电压数据样本，分别求取平均值和最小值；计算平均单体电压波动率和最小距，并将其作为评价燃料电池健康状态的健康指标；s3：基于非参数统计法的第一和第三分位数确定两个健康指标的异常值；并将其设定为工程故障值；s4：分别确定两个健康指标的最优分类数k；依据组内平方和确定正常类样本的最佳分类数量；s5：分别对两个健康指标聚类：通过k均值聚类算法计算每类健康类别样本的聚类中心；s6：依据步骤s5的聚类结果，分别统计每一类别健康指标的最大值和最小值，并作为类别间的阈值；s7：依据两个健康指标最差原则构建燃料电池健康状态线性矩阵；s8：求取训练样本特征的平均值和标准差，将其标准化；s9：根据两两特征间的特征值之差和样本数量求取斯皮尔曼相关系数；s10：采用包装特征选择方法将随机森林分类器作为包装特征选择的参数，递归特征排除作为目标函数获取特征对分类的贡献排名；s11：采用方差膨胀因子法计算每个特征对应的因子值，筛除因子值大于10的特征用于排除具有线性相关的特征参数；s12：将最终选出的运行参数作为随机森林模型输入变量，标签值即非参数统计和聚类算法结果作为模型输出变量，并采用交叉验证方法确定健康识别模型的超参数；s13：用实时采集到的电流、温度、阴极化学计量比和阳极入口压力驱动训练好的随机森林模型识别燃料电池健康状态。3.根据权利要求2所述的燃料电池健康状态识别方法，其特征在于，步骤s2中，平均单体电压波动率和最小距的计算公式为：体电压波动率和最小距的计算公式为：其中，c
v
表示平均单体电压波动率，v
r
表示最小距，v
i
表示单体电压，表示平均单体电压，n表示单体电池的数量，v
min
表示最小单体电压。
4.根据权利要求2所述的燃料电池健康状态识别方法，其特征在于，步骤s3中，异常值，即工程故障值iqr的表达式为：iqr＝q
3-q1，其中，q1表示第一分位数，q3表示第三分位数；健康指标正常值中的最小值为q
1-1.5iqr，最大值为q3 1.5iqr。5.根据权利要求2所述的燃料电池健康状态识别方法，其特征在于，步骤s4中，组内平方和即是各个点到聚类中心的距离平方和，表达式为：其中，d
k
表示组内距离平方和，k表示聚类数目，m表示每类样本的数量，x
ij
表示第i类第j个样本，c
i
表示第i类样本的聚类中心。6.根据权利要求2所述的燃料电池健康状态识别方法，其特征在于，步骤s8中，采用z-score标准化方法进行标准化，表达式为：其中，z
ij
为标准化后的变量值，l
ij
为实际变量值，l
i
为变量的平均值，s
i
为变量的标准。7.根据权利要求2所述的燃料电池健康状态识别方法，其特征在于，步骤s9中，斯皮尔曼相关系数p的表达式为：其中，d
i
＝x
i-y
i
，x
i
和y
i
分别是两个运行参数按从小到大排序的秩，n是样本的容量。

技术总结
本发明涉及一种基于典型运行参数的燃料电池健康状态识别方法，属于燃料电池技术领域。该方法首先采用非参数统计和无监督学习算法计算出健康评价指标的阈值，并通过线性矩阵对评价指标进行标签；然后，采用采用卡方检验、斯皮尔曼相关分析和包装特征选择方法选出对燃料电池健康状态影响相对显著的特征；最后采用随机森林算法对选取的特征进行识别，从而识别出燃料电池健康状态。本发明可以准确地预测健康状态，用于优化加载策略，还可以返回特征对健康的重要排名，用于简化仿真模型，提升燃料电池系统耐久性。料电池系统耐久性。料电池系统耐久性。


技术研发人员：张财志 庞然 石栋才
受保护的技术使用者：重庆大学
技术研发日：2022.01.07
技术公布日：2022/4/22