[发明专利]一种燃料电池单体电压一致性预测方法

权利要求书

1.一种燃料电池单体电压一致性预测方法，其特征在于，包括以下步骤：

S1、以单池波动率作为单体电压一致性的评价指标，采集历史的电池运行参数，以仿真得到历史的电池运行参数对单池波动率的影响数据；

S2、将历史的电池运行参数对单池波动率的影响数据划分为训练集和测试集，基于GBDT算法，通过集成学习训练集，以得到初步学习器模型；

S3、由初步学习器模型对测试集进行数据分类，若数据分类得分大于或等于预设得分值，则该初步学习器模型即为GBDT回归模型，否则返回步骤S2；

S4、将当前的电池运行参数输入GBDT回归模型，得到当前单池波动率预测值，即可知单体电压一致性的预测结果。

2.根据权利要求1所述的一种燃料电池单体电压一致性预测方法，其特征在于，所述单池波动率的计算方法为：

其中，V_q表示各单体电池的电压值，表示电压平均值，Q表示电压采样值，不同的电池运行参数条件下，计算得到的单池波动率均不同，单池波动率的数值越大，表明单体电压一致性差，单池波动率的数值越小，表明单体电压一致性好。

3.根据权利要求1所述的一种燃料电池单体电压一致性预测方法，其特征在于，所述电池运行参数包括温度、阳极流道压力、空气过量系数、相对湿度和电流密度。

4.根据权利要求1所述的一种燃料电池单体电压一致性预测方法，其特征在于，所述步骤S2具体包括以下步骤：

S21、将历史的电池运行参数对单池波动率的影像数据划分为训练集和测试集；

S22、采用CART决策树作为基学习器，基于GBDT算法，通过对训练集进行学习，最终将基学习器加权累加的结果作为输出，得到初步学习器模型。

5.根据权利要求4所述的一种燃料电池单体电压一致性预测方法，其特征在于，所述步骤S22中CART决策树作为基学习器的学习过程具体为：

CART决策树从根节点开始，分别计算电池运行参数的均方差；

选择均方差值最小的电池运行参数，将该运行参数对应的训练集数据分裂成两部分，以作为子节点；

之后从子节点开始，继续分别计算电池运行参数的均方差并进行训练集数据分裂，以均方差最小的电池运行参数作为划分标准，直至节点中的样本个数小于预设阈值或者所有电池运行参数均已参与节点划分。

6.根据权利要求5所述的一种燃料电池单体电压一致性预测方法，其特征在于，所述步骤S22中GBDT算法采用多个串行连接的基学习器，后一个基学习器根据前面所有基学习器结论的残差进行更新迭代，并在迭代过程中加入松弛因子，以防止过拟合。

7.根据权利要求6所述的一种燃料电池单体电压一致性预测方法，其特征在于，所述步骤S22中基于GBDT算法集成学习训练集具体包括以下步骤：

S221、将训练集分别输入各个基学习器，以初始化弱学习器：

其中，f₀(x)表示初始弱学习器，x表示训练集样本的自变量向量，N为训练集样本总数，L为平方损失函数，y_i表示训练集第i个样本中单池波动率；

S222、针对各个基学习器输出的M棵决策树，通过对训练集中的样本数据进行残差计算，以分别得到各个基学习器对应的强学习器，结合弱学习器，得到初步学习器模型。

8.根据权利要求7所述的一种燃料电池单体电压一致性预测方法，其特征在于，所述步骤S222的具体过程为：

对训练集中的样本i＝1,2,…,N，计算各样本负梯度，即样本残差：

其中，r_im表示第m棵决策树中第i个样本的负梯度，x_i表示训练集第i个样本的自变量向量，f(x_i)表示自变量x_i对应的基学习器的输出值，f(x)＝f_m-1(x)表示此处基学习器为第m-1次迭代的决策树；

之后将计算的样本残差作为样本新的真实值，将数(x_i,r_im),i＝1,2,…,N作为下棵决策树的训练集；

得到新的回归树f_m(x)和对应的叶子节点区域R_zm,z＝1,2,…,Z，其中，Z是回归树m的叶子节点数；

针对z＝1,2,…,Z，计算叶子区域最佳拟合值：

其中，γ_zm表示第m棵决策树第z个叶子节点对应的外部参数加权系数，f_m-1(x_i)表示自变量x_i对应的第m-1个基学习器的输出值，r表示第m次与第m-1次迭代的样本残差；

以更新强学习器：

其中，f_m(x)表示自变量x对应的第m个基学习器的输出值，I表示γ_zm对应的外部参数向量；

得到初步学习器模型：

其中，f_M(x)表示M棵决策树对应的强化学习器。