[发明专利]固体氧化物燃料电池长短期预测方法

权利要求书

1.一种固体氧化物燃料电池长短期预测方法，具体包括以下步骤：

S1、从原始数据中分别得到SOFC小时尺度和天尺度的电压数据；

将采集到的SOFC电压数据输入到不同时间尺度数据提取模块，计算得到SOFC小时尺度和天尺度的电压数据，具体方式为：

采集SOFC运行n个小时的电压数据，第j小时的电压数据为H(j),j＝1,2,...,n，得到SOFC第j′天的电压数据D(j′)为：

从小时尺度数据中提取连续的M个小时电压数据，构成小时尺度电压数据集u₁(i-1)＝[H(i-1),...,H(i-M)]^T，其中H(i-1)为提取的最后一个小时电压数据，H(i-M)为提取的第一个小时电压数据；在天尺度数据中提取M个天电压数据，构成天尺度电压数据集u₂(i′-1)＝[D(i′-1),...,D(i′-M)]^T，其中D(i′-M)为提取的第一个天电压数据，D(i′-1)为提取的最后一个天电压数据；并且小时尺度和天尺度数据集的最后一个时刻为同一时刻；

S2、建立多任务预测网络；

建立的多任务预测网络由两个回声状态网络构成，两个回声状态网络的输入层和储备池相互独立，在输出层汇聚在一起，分别得到长期和短期的预测结果；

S3、基于不同时间尺度数据的SOFC长短期电压预测；

将小时尺度和天尺度的电压数据同时输入到多任务预测网络中，同时得到SOFC电压长期和短期的预测值。

2.如权利要求1所述的一种固体氧化物燃料电池长短期预测方法，其特征在于，

所述S3步骤中基于不同时间尺度数据的SOFC长短期电压预测的具体方式为：

将u₁(i-1)和u₂(i′-1)输入到长短期ESN网络中，分别得到第i个小时和第i′天的ESN网络储存池状态x₁(i)和x₂(i′)：

x₁(i)＝f_R(W₁^res·x₁(i-1)+W₁ⁱⁿ·u₁(i-1))

其中，f_R(·)为储备池神经元的激活函数，W_lⁱⁿ∈N_l×K_l为输入层与各个储备池之间的权值连接矩阵，K₁和K₂分别为小时尺度和天尺度的输入维度，W_l^res∈N_l×N_l为各个储备池的内部连接权值矩阵，N_l为各个储备池大小，l为储存池序号，l＝1,2；

将储存池的状态x_l(i)和x₂(i′)输入到ESN网络的输出层中，得到短期第i个电压数据和长期第i′个电压数据的预测值：

其中，和分别为短期第i个电压数据和长期第i′个电压数据的预测值，W_l^out∈2×N_l为各个储存池的输出权值矩阵，f_O(·)为输出层神经元激活函数。

3.如权利要求2所述的一种固体氧化物燃料电池长短期预测方法，其特征在于，在S3步骤后，将SOFC短期和长期电压数据的真实值和预测值同时输入到评价模块，采用均方差来评价多任务预测网络的预测精度，具体为：

其中，y₁(i)和y₂(i′)分别为短期第i个数据和长期第i′个数据的真实值，N_train为训练集的样本数，采用岭回归方法训练ESN网络，找到最优的输出权值矩阵W_l^out使均方差最小。