[发明专利]一种质子交换膜燃料电池的性能预测方法及性能预测系统

权利要求书

1.一种质子交换膜燃料电池的性能预测方法，其特征在于，包括：

获取质子交换膜燃料电池的运行工况参数；

将所述运行工况参数输入到预先经过训练的神经网络，以获取所述预先经过训练的神经网络的输出参数作为第一预测电压；

获取所述质子交换膜燃料电池的历史电压数据；

利用所述历史电压数据作为输入数据输入到自适应神经模糊推断系统，以获取所述自适应神经模糊推断系统输出的第二预测电压；

将所述第一预测电压和第二预测电压进行融合，以获得所述质子交换膜燃料电池的性能预测结果。

2.根据权利要求1所述的质子交换膜燃料电池的性能预测方法，其特征在于，所述预先经过训练的神经网络的训练过程包括：

获取训练数据集；

将所述训练数据集以预设窗口长度，按照先后顺序划分为多个按照时间先后顺序编号的子集；

利用所述多个子集以移动窗口的方式对神经网络进行预测和验证，以获取所述预先经过训练的神经网络。

3.根据权利要求2所述的质子交换膜燃料电池的性能预测方法，其特征在于，所述利用所述多个子集以移动窗口的方式对神经网络进行预测和验证包括：

对所述神经网络进行N轮预测，N与所述多个子集的数量相同；

其中，第k轮预测包括：以编号为k的子集作为训练集对所述神经网络进行训练，以编号为k+1的子集作为验证集对所述神经网络进行验证，利用验证通过的神经网络预测第k+2个子集的数据；

k为大于0，且小于N的整数。

4.根据权利要求3所述的质子交换膜燃料电池的性能预测方法，其特征在于，所述将所述第一预测电压和第二预测电压进行融合包括：

将所述第一预测电压和第二预测电压输入到第二预设公式中，以获取所述质子交换膜燃料电池的性能预测结果；

所述第二预设公式包括：

其中，Y_fus表示性能预测结果；p＝1时，w_p,k表示所述自适应神经模糊推断系统在第k轮预测阶段的融合权重，y_eva,p,k表示所述自适应神经模糊推断系统在第k轮验证阶段的输出值，y_eva,k表示所述自适应神经模糊推断系统在第k轮验证阶段的实际电压值，y_pre,p,k表示所述自适应神经模糊推断系统在第k轮预测阶段的输出值；p＝2时，w_p,k表示所述预先经过训练的神经网络在第k轮预测阶段的融合权重，y_eva,p,k表示所述预先经过训练的神经网络在第k轮验证阶段的输出值，y_eva,k表示所述预先经过训练的神经网络在第k轮验证阶段的实际电压值，y_pre,p,k表示所述预先经过训练的神经网络在第k轮预测阶段的输出值。

5.根据权利要求1所述的质子交换膜燃料电池的性能预测方法，其特征在于，所述自适应神经模糊推断系统的输入数据与输出的第二预测电压的关系满足第一预设公式；

所述第一预设公式包括：其中，u(t)表示所述历史电压数据中t时刻的电压值，F[]表示所述自适应神经模糊推断系统，表示所述自适应神经模糊推断系统输出的t+β时刻的第二预测电压，α表示所述历史电压数据中相邻电压值之间的时间间隔，β表示所述第二预测电压与u(t)的时间间隔。

6.一种质子交换膜燃料电池的性能预测系统，其特征在于，包括：

第一获取模块，用于获取质子交换膜燃料电池的运行工况参数；

第一预测模块，用于将所述运行工况参数输入到预先经过训练的神经网络，以获取所述预先经过训练的神经网络的输出参数作为第一预测电压；

第二获取模块，用于获取所述质子交换膜燃料电池的历史电压数据；

第二预测模块，用于利用所述历史电压数据作为输入数据输入到自适应神经模糊推断系统，以获取所述自适应神经模糊推断系统输出的第二预测电压；

数据融合模块，用于将所述第一预测电压和第二预测电压进行融合，以获得所述质子交换膜燃料电池的性能预测结果。