[发明专利]一种基于深度学习的燃料电池剩余寿命预测方法

说明书

本发明涉及一种基于深度学习的燃料电池剩余使用寿命预测方法。采用深度神经网络模型，从而实现燃料电池RUL的准确预测，属于质子交换膜燃料电池健康状态监测技术领域。具体步骤为：S1：获取燃料电池的监测数据，并降噪处理；S2：对降噪处理后的训练数据进行拟合，建立当前输入数据与目标数据之间的非线性映射关系；S3：建立损失函数并通过反馈求导的方法，优化神经网络模型参数，得到最优的神经网络模型；S4：将预测起点的输入数据作为最优DNN的输入，从而实现迭代滚动预测。S4可以简单的概括为：迭代地使用神经网络的当前时刻的预测输出作为下一时刻预测的输入，迭代滚动预测电压或功率输出，从而实现燃料电池RUL预测。

技术领域

本发明涉及一种基于深度学习的燃料电池剩余寿命预测方法，属于质子交换膜燃料电池技术领域。

背景技术

燃料电池作为一种环境友好型的清洁能源，凭借其在电能转换效率方面的巨大优势，在新能源燃料电池电动汽车应用中具有较好前景。然而，相较于其他的能源装置如锂离子电池，运行成本高、寿命周期短和运行的安全可靠性仍然是制约燃料电池广泛应用的主要原因。如目前最为普及的质子交换膜燃料电池系统(PEMFC)，其主要的特性是快速启动性能好、功率密度高(3.8～6.5kW/m3)和工作温度低(50～80℃)。系统的预测与健康管理(PHM)是一个新兴的科学技术发展领域，能有效改善燃料电池系统的寿命管理、使用和维护，可根据系统当前或历史状态进行预测性诊断，保证设备运行的安全性、可靠性与经济性。在PHM技术中，基于系统的剩余使用寿命预测能对系统发生故障的时间及可能性提供科学依据，为维护决策提供支持从而有效地降低或避免由于系统故障而引发的灾难性损失。

PEMFC的RUL预测目前主要分为三类方法：基于模型、基于数据驱动及融合预测方法。基于数据驱动的RUL预测主要依据状态监测传感器数据并结合数据库历史记录，采用人工智能等技术表达系统内部的退化模式，预测系统性能的退化趋势，从而最终对RUL进行评估。数据驱动的RUL预测不需要深入理解系统内部的细节和复杂的失效机理，实用性强。基于RUL预测准确度，本文旨在对数据驱动的RUL预测方法进行研究，为PEMFC的寿命预测提供科学依据。

目前基于模型的方法主要是通过建立数学模型来表征电池的寿命衰减。基于模型的RUL预测方法的一大特点是不需要大量的实验数据，然而燃料电池从组成部件、单体再到电堆是一个十分复杂的多级物理系统，要建立多系统的寿命预测模型需要考虑不同层次的监测条件、不同部位的失效机理，甚至涉及到不同层次之间的耦合关系，因此目前许多的研究主要使用数据驱动的方法，通过传感器测得系统的输出电压等参数，对电池的寿命进行预测。融合预测方法是将两种及两种以上的基于模型或数据驱动的方法结合，克服单一算法的局限性，从而提升预测性能。但是目前融合算法很大程度上取决于其构建的指数或对数模型能否准确描述电池寿命的衰减情况。因此当前融合预测的方法主要还是依赖于PEMFC的模型，然后通过滤波方法(如卡尔曼滤波、无迹卡尔曼滤波、粒子滤波等)实现RUL的预测。

数据驱动方法通过先进的传感器技术，获取PEMFC的运行数据，利用训练数据集得到最优的模型参数从而对PEMFC的RUL进行预测。通过传感器获取的电池监测数据有不同的类别，在PEMFC的监测数据中就包括了工作电流、气体的流量和温度等。对比基于模型的方法，数据驱动方法不需要对电池的失效机理进行深入的研究，它只需要建立监测数据与电池性能退化的关系或趋势，而燃料电池的性能退化通常表现在输出电压或功率的衰减。在目前主流的数据驱动方法中，较为普遍的是利用机器学习或者深度学习算法，基于PEMFC的监测数据，以输出电压或功率的衰减率为指标对其RUL进行预测。

发明内容

本发明针对现有技术存在的不足，提供一种基于深度学习的燃料电池剩余寿命RUL预测方法，利用深度学习算法对输入数据进行非线性拟合，从而得到下一时刻模型的预测输出，并将其作为最优模型预测下一时刻的输入，滚动迭代的得到RUL预测结果。