[发明专利]固体氧化物燃料电池电压预测方法、终端设备及存储介质

权利要求书

1.一种固体氧化物燃料电池电压预测方法，其特征在于，包括以下步骤：

S1：设计温度不变，在输入气体流速恒定的条件下，采集固体氧化物燃料电池在不同电流下对应的电压值，将采集的多组数据组成训练数据集；

S2：构建RBF神经网络模型，设定模型的输入为电池的输入气体流速q和电流I，模型的输出为电压U，设定模型的径向基函数为高斯基函数，输入层至隐含层之间的权值为高斯基函数的中心值；

模型的隐含层的输出向量r的计算公式为：

其中，c为高斯函数的中心向量，σ为高斯函数的宽度向量，x为输入层的输入，x＝(q,I)^T；

输出层的输出向量y的计算公式为：

y＝wr

其中，w为隐含层各节点至输出层的权重向量，y为输出层的输出；

S3：利用训练数据集，并通过人工蜂群算法对模型的参数进行训练，得到最优的模型参数，将最优的模型参数代入RBF神经网络模型中得到最终模型；

S4：通过最终模型对固体氧化物燃料电池的电压进行预测。

2.根据权利要求1所述的固体氧化物燃料电池电压预测方法，其特征在于：设定模型的输入参数为12个，构成的参数向量p为：

p＝[σ₁,σ₂,σ₃,c₁₁,c₁₂,c₁₃,c₂₁,c₂₂,c₂₃,w₁,w₂,w₃]

其中，下标i＝1,2，下标j＝1,2,3。

3.根据权利要求1所述的固体氧化物燃料电池电压预测方法，其特征在于：步骤S3具体包括以下步骤：

S31：初始化参数，设定采蜜蜂数量CN，观察蜂数量GN，蜜源数量MN，维数D，最大迭代次数，次数阈值，根据下式对蜜源x进行初始化：

x_ij＝S_j+γ(L_j-S_j)

其中，x_ij∈(S_j,L_j)为蜜源，L_j和S_j分别为搜寻域上限和下限，下标i＝1,2...,MN，j＝1,2,...,D，γ为(-1,1)间的随机数；

S32：将蜜源的位置参数作为步骤S2构建的RBF神经网络模型的模型参数，将训练数据集中各数据输入RBF神经网络模型运算后得到模型的输出作为预测值，将步骤S1中采集的各数据的电压值作为实际值，计算训练数据集中所有数据的预测值与实际值之间的均方误差值f：

其中，S为训练数据集中数据的个数，为预测值，y_i为实际值；

S33：进入迭代过程：采蜜峰根据下式查找新蜜源：

v_ij＝x_ij+β_ij(x_ij-x_kj)

其中，v_ij为新蜜源，x_ij为旧蜜源，β_ij为(-1,1)间的随机数，x_kj随机取另一处旧蜜源，且k≠i；

计算新蜜源的位置参数对应的RBF神经网络模型中预测值与实际值之间的均方误差值，若新蜜源对应的均方误差值小于旧蜜源对应的均方误差值，则更新蜜源位置并进入下一次迭代，否则，设定失败次数加1，直到失败次数大于次数阈值时，舍弃该蜜源，进入S35；

S34：观察蜂按下式计算概率P_i：

其中，f_i为第i处蜜源的均方误差值，N为蜜源总数；

利用轮盘赌法决定蜜源的起始位置，并根据蜜源的起始位置查找新蜜源，当新蜜源的均方误差值小于旧蜜源的均方误差值时，更新蜜源位置并进入下一次迭代，否则，设定失败次数加1，直到失败次数大于次数阈值时，舍弃该蜜源，进入S35；

S35：将采蜜蜂或观察蜂替换为侦查蜂，根据下式进行蜜源x_i的初始化，并与其他更新成功的蜂群一起进入下一次迭代过程；

x_i＝x_min+λ(x_max-x_min)

其中，(x_min，x_max)为蜜源位置限制区间，λ为(0,1)间的随机数；

S36：当迭代次数大于最大迭代次数时，将迭代过程中最小的均方误差值对应的蜜源的位置参数设定为最优的模型参数。