[发明专利]一种燃料电池性能退化预测方法

说明书

本发明公开一种燃料电池性能退化预测方法，采集燃料电池电压退化数据，采用SG滤波器对原始数据进行平滑处理，运用灰色关联度分析对数据进行辅助变量的选取，建立基于Bagging集成学习和时间卷积网络性能退化预测模型；采用半数均匀初始化对蝠鲼觅食优化算法的种群进行初始化操作，在链式觅食的位置更新中引入自适应权重和适应度‑距离平衡策略，得到IMRFO；运用Bagging集成学习对多个弱学习器进行融合预测，并利用第一层的预测结果对TCN模型进行训练，同时使用IMRFO对TCN进行参数优化，获得最佳参数，并将最优参数和测试数据样本输入到TCN预测模型中得到最终预测结果。与现有技术相比，本发明能够有效地预测燃料电池电压退化趋势，提高性能退化预测模型精度。

技术领域

本发明涉及燃料电池技术领域，特别涉及一种燃料电池性能退化预测方法。

背景技术

目前，全球能源结构以化石燃料为主，但是随着化石能源的逐渐枯竭和日益严重的环境污染问题，新能源的开发就显得尤为重要。为了解决能源短缺问题以及更好地节能减排，新能源越来越受欢迎。质子交换膜燃料电池(PEMFC)是一种以氢为燃料的发电装置，具有能量转化率高、噪声低及零排成等特点。但随着燃料电池的使用，各部件都会随着使用时间的增加发生一定程度的退化，从而造成性能的自然衰退。当使用燃料电池时，适当的管理和系统维护对于提高燃料电池的耐久性和保证其长期安全性及可靠性至关重要，因此性能退化预测是提高燃料电池耐久性的有效策略。

近年来，燃料电池耐久性研究已成为一个具有实际应用价值的重大热点课题大部分研究中通常采用基于模型驱动和数据驱动的方法进行预测研究，基于模型驱动的方法虽然不需要大量的实验数据，但影响燃料电池退化过程的因素众多，并且内部退化机理复杂，很难建立精确的退化模型来描述燃料电池系统的退化机理和过程。因此数据驱动的方法变得更受欢迎，该方法与燃料电池内部的现象无关，只需通过获取大量的实验数据，并对这些数据进行处理，就可以对电池的耐久性进行评估，该方法具有更快的响应速度和更高的预测精度。但由于单一模型的预测结果存在偏好，不同学习器的预测结果存在差异，所以单一模型存在一定的局限性，因此使用多模型的集成学习算法在近年来被广泛研究，该方法通过将一系列有差异的弱学习器进行组合，以提高单一学习器的泛化能力。

因此，为提高PEMFC的耐久性，需建立一种适合燃料电池性能退化特性且预测精度较高的预测方法，通过有效的数据处理，并结合集成学习和深度学习模型，提高模型的泛化性能和估计精度，从而准确地估计PEMFC的性能退化趋势。

发明内容

发明目的：针对现有技术存在的问题，本发明提供一种燃料电池性能退化预测方法，能提高性能退化预测模型精度。

技术方案：本发明提出一种燃料电池性能退化预测方法，包括以下步骤：

步骤1：采集燃料电池电压退化数据并对数据进行预处理，运用Savitzky-Golay(SG)滤波器对原始电压退化数据中含有噪声的数据进行平滑处理；

步骤2：运用灰色关联度分析对平滑处理后的电压退化数据进行特征选取，选择关联度较高的变量作为模型的输入；

步骤3：获取经平滑处理和特征选择后的数据，重构数据集并对数据集进行划分，建立基于Bagging集成学习和TCN模型的质子交换膜燃料电池性能退化预测模型，在Bagging中采用SVM、KNN和DT三个弱学习器进行第一层预测，获得的预测结果作为第二层中TCN模型的训练输入；

步骤4：对蝠鲼觅食优化算法MRFO进行改进，采用半数均匀初始化方法对MRFO种群进行初始化处理；在链式觅食策略中引入自适应权重和适应度-距离平衡FDB策略，以平衡算法的局部搜索和全局搜索能力，改善算法过早收敛的问题，得到IMRFO算法；

步骤5：利用IMRFO算法对步骤3中TCN模型的超参数进行优化，获得最优参数，利用优化后的预测模型对电压退化的测试数据样本进行预测，得到预测结果。