[发明专利]一种燃料电池健康预测方法及系统

权利要求书

1.一种燃料电池健康预测方法，其特征在于，包括：

获取燃料电池老化数据，所述燃料电池老化数据包括源域数据和目标域数据；

从源域数据和目标域数据中提取一致的健康特征数据，分别为源域健康特征数据和目标域健康特征数据，该健康特征数据用于表征燃料电池的寿命衰减特征；

利用源域健康特征数据对构建的燃料电池退化基础模型进行预训练，确定燃料电池退化基础模型的参数；

将已经训练的燃料电池退化基础模型的参数迁移至目标域的燃料电池退化模型，并利用目标域健康特征数据对其进行再训练，调校参数，得到燃料电池健康预测迁移模型；

利用燃料电池健康预测迁移模型和目标域数据，对目标域燃料电池进行健康预测，得到燃料电池健康预测结果；

采用粒子滤波算法，对燃料电池健康预测结果进行平滑处理，实现燃料电池剩余寿命的概率性预测。

2.如权利要求1所述的燃料电池健康预测方法，其特征在于，所述获取燃料电池老化数据，所述燃料电池老化数据包括源域数据和目标域数据，包括：

使用WLTC循环工况，进行燃料电池的耐久性试验，得到燃料电池老化实验测试数据作为所述源域数据；

获取工程应用中的燃料电池实际老化数据作为所述目标域数据。

3.如权利要求2所述的燃料电池健康预测方法，其特征在于，在所述获取燃料电池老化数据，所述燃料电池老化数据包括源域数据和目标域数据之后，还包括：

采用滤波算法对所述源域数据和所述目标域数据进行处理，得到降噪后的源域数据和目标域数据。

4.如权利要求1所述的燃料电池健康预测方法，其特征在于，所述用于表征燃料电池寿命衰减的健康特征包括输出功率、输出电压及极限电流；

在所述从源域数据和目标域数据中提取一致的健康特征数据之后，还包括：

采用Pearson和Spearman相关性分析方法，分析所提取的健康特征的有效性和合理性。

5.如权利要求1所述的燃料电池健康预测方法，其特征在于，所述燃料电池退化基础模型为基于深度GRU神经网络的燃料电池退化基础模型，其包括输入层、GRU隐藏层、全连接层和输出层；GRU隐藏层引入更新机制，全连接层采用线性整流单元作为激活函数。

6.如权利要求5所述的燃料电池健康预测方法，其特征在于，所述GRU隐藏层中的隐藏单元包括更新门、重置门和输出机制，其中：

更新门函数为：

z_t＝σ(W_z·[h_t-1,x_t])

重置门函数为：

r_t＝σ(W_r·[h_t-1,x_t])

输出机制为：

其中，z_t表示更新门的输出，W_z表示更新门的权重矩阵，h_t-1表示保存的t-1时刻的隐状态，x_t表示t时刻的输入向量，r_t表示重置门的输出，W_r表示重置门的权重矩阵，表示记忆权重，σ()表示sigmoid门控函数，h_t表示t时刻的隐状态，包含了之前节点的信息，表示将重置的历史信息与当前输入加权后的选择性记忆信息，*表示Hadamard乘积，·表示矩阵乘法。