[发明专利]一种基于迁移学习的燃料电池退化预测方法、装置、设备

说明书

本发明提供了一种基于迁移学习的燃料电池退化预测方法、装置、设备。获取燃料电池的原始数据，并根据所述原始数据筛选出退化特征数据；将所述退化特征数据作为目标域数据，并获取与所述目标域数据相似的特征数据作为源域数据；根据所述源域数据搭建源域LSTM预测模型，并通过所述源域数据对所述LSTM预测模型进行预训练，确定预训练参数；通过所述目标域数据对目标域LSTM预测模型进行重训练；基于重训练后的目标域LSTM预测模型，生成燃料电池的性能退化曲线。本发明的提出可以实现通过各组燃料电池性能退化数据之间的迁移，使用很少量的燃料电池性能退化数据进行训练而得到较高的退化预测精度。

技术领域

本发明涉及燃料电池性能评估和健康管控技术领域，特别是涉及一种基于迁移学习的燃料电池退化预测方法、装置、设备。

背景技术

当前社会正处于一个能源发展的大变革时期。在这样的背景之下，燃料电池高效率，低排放，燃料来源广的特点使其在多领域具有广泛用途，是全球未来的清洁和可再生能源解决方案的主要候选人之一。然而燃料电池在长时间运行过程中存在的退化现象，阻碍了其广泛的商业化。这就需要我们开展对燃料电池性能评估和健康管控方面的研究。对燃料电池进行退化预测就是其中的一个重要环节。

退化预测的方法现在主要分三大类：基于模型驱动的预测方法、基于数据驱动的预测方法以及基于混合的预测方法。而退化模型建立十分复杂，因此数据驱动的退化预测方法受到了广泛关注。

近年来，随着人工智能及计算机硬件性能的不断发展，越来越多基于神经网络、模糊系统等人工智能技术的预测算法由于其学习能力强、训练速度快等优点，在退化预测领域得到广泛应用。

目前基于神经网络的退化预测模型都需要大量的训练数据，往往要采集燃料电池前期较长时间的状态信息才能进行燃料电池的退化预测，本发明将迁移学习策略运用到退化预测中，在目标域可以加快模型训练进展，利用燃料电池前期少量状态信息作为训练数据就可以达到较高的预测准确度。

发明内容

本发明提供一种基于迁移学习的燃料电池退化预测方法、装置、设备，用以解决目前基于神经网络的退化预测模型都需要大量的训练数据，往往要采集燃料电池前期较长时间的状态信息才能进行燃料电池的退化预测的情况。

一种基于迁移学习的燃料电池退化预测方法，其特征在于，包括：

获取燃料电池的原始数据，并根据所述原始数据筛选出退化特征数据；

将所述退化特征数据作为目标域数据，并获取与所述目标域数据相似的特征数据作为源域数据；

根据所述源域数据搭建源域LSTM预测模型，并通过所述源域数据对所述LSTM预测模型进行预训练，确定预训练参数；

根据所述目标域数据搭建目标域LSTM预测模型，并将所述预训练参数迁移至所述目标域LSTM预测模型，通过所述目标域数据对目标域LSTM预测模型进行重训练；

基于重训练后的目标域LSTM预测模型，生成燃料电池的性能退化曲线。

作为本发明的一种实施例，所述获取燃料电池的原始数据，并根据所述原始数据筛选出退化特征数据，包括：

根据用户载入的燃料电池文件，提取所述燃料电池的原始数据；

将所述原始数据通过归一化处理，并将所述原始数据标准化至[0，1]的区间内；其中，

将所述原始数据进行归一化处理通过下式进行：

其中，所述X_min表示最小原始数据；所述X_max表示最大原始数据；所述X表示原始数据；所述axis＝0表示归一化操作；

根据所述标准化的原始数据，确定所述原始数据为时间序列数据；