一种制氢电解槽剩余寿命预测方法与流程

技术特征：
1.一种制氢电解槽剩余寿命预测方法，其特征在于，包括步骤：1）采集制氢电解槽的工艺参数数据和电压数据；2）对采集的制氢电解槽电压数据进行离散小波变换重构，去除其中的低频成分，保留高频成分，小波分解的阶数为m阶；3）使用去趋势化的方法对离散小波变换重构后的电压数据进行处理，得到去噪的训练样本；4）采用降维算法，将原高维空间中的数据点映射到低维度的空间中，以去除工艺参数数据中的冗余信息；5）将经过步骤2）和步骤3）处理的电压数据和经过步骤4）降维的工艺参数数据输入到narx神经网络模型中进行训练，将上一个时间步的预测电压作为下一个时间步的输入电压，通过迭代预测制氢电解槽的剩余寿命。2.根据权利要求1所述的一种制氢电解槽剩余寿命预测方法，其特征在于，所述步骤1）中，采集的工艺参数数据包括电解槽温度、阴极气体压力、阳极气体压力、阳极气体流速、阴极气体流速、电流和阴极ph值。3.根据权利要求1所述的一种制氢电解槽剩余寿命预测方法，其特征在于，所述步骤1）中，所述的电压数据为制氢电解槽的端电压。4.根据权利要求1所述的一种制氢电解槽剩余寿命预测方法，其特征在于，所述步骤2）中，对采集的电压数据进行离散小波变换重构时，每阶分解到的低频成分均置零，高频成分保留，重构电压数据时，使用第m阶的低频成分和所有的高频成分逆向重构数据。5.根据权利要求1所述的一种制氢电解槽剩余寿命预测方法，其特征在于，所述步骤3）中，针对制氢电解槽电压表现出的非线性衰减趋势，采用log变换消除对时间的依赖性，将复杂的趋势转变为线性趋势。6.根据权利要求1所述的一种制氢电解槽剩余寿命预测方法，其特征在于，所述步骤4）中，将降维算法应用于工艺参数数据的维度筛选时，选取贡献率的累计值大于或者等于90%的前几个特征值，与电压数据一起作为narx神经网络模型的输入。7.根据权利要求1所述的一种制氢电解槽剩余寿命预测方法，其特征在于，所述步骤5）中，在使用narx神经网络模型训练的过程中，使用反向学习的灰狼粒子群算法优化narx神经网络模型的超参数。8.根据权利要求7所述的一种制氢电解槽剩余寿命预测方法，其特征在于，优化超参数的步骤如下：1）设置narx神经网络模型的超参数隐藏层神经元数量、隐藏层数量、最小梯度和最大迭代次数的上下限；2）设置反向学习的灰狼粒子群算法的相关参数，目标优化函数为：其中，rmse是均方根误差，n是电压数据点的数量，v
cell
是采集的制氢电解槽端电压数据，v
m
是narx神经网络模型预测的电压数据；3）根据寻优的结果确定narx神经网络模型的超参数隐藏层神经元数量、隐藏层数量、
最小梯度和最大迭代次数的最优值。9.根据权利要求1所述的一种制氢电解槽剩余寿命预测方法，其特征在于，所述步骤5）中，使用narx神经网络模型进行迭代预测的步骤如下：对数据集进行归一化预处理；采用k折交叉验证的方法设置验证数据；基于训练集数据训练模型；输入起始预测点，得到第一个预测时间步的预测电压点，然后将第一个预测步电压作为下一个时间步的输入数据，以此迭代预测。10.根据权利要求9所述的一种制氢电解槽剩余寿命预测方法，其特征在于，在制氢电解槽剩余寿命预测中选择均方根误差rmse作为narx神经网络模型的适应度函数。

技术总结
本发明公开了一种制氢电解槽剩余寿命预测方法。本发明采用的步骤如下：采集制氢电解槽的工艺参数数据和电压数据；对采集的电压数据进行离散小波变换重构，捕捉电压退化趋势；使用去趋势化的方法对离散小波变换重构后的电压数据进行处理，得到去噪的训练样本；采用降维算法，将原高维空间中的数据点映射到低维度的空间中，以去除工艺参数数据中的冗余信息；将经过处理的电压数据和降维的工艺参数数据输入到NARX神经网络模型中进行训练，将上一个时间步的预测电压作为下一个时间步的输入电压，通过迭代预测制氢电解槽的剩余寿命。本发明使制氢电解槽的寿命预测精度高且计算的时间相对较短。时间相对较短。时间相对较短。


技术研发人员：赵波 章雷其 张领先 毛航银 张雪松 刘敏 吴启亮 龚迪阳 王激华 叶夏明 马丽军 秦如意
受保护的技术使用者：国网浙江省电力有限公司电力科学研究院
技术研发日：2022.10.11
技术公布日：2022/11/8