一种基于WaveNet的燃料电池寿命预测方法与流程

一种基于wavenet的燃料电池寿命预测方法
技术领域
1.本技术属于燃料电池技术领域，特别是涉及一种基于wavenet的燃料电池寿命预测方法。


背景技术：

2.质子交换膜燃料电池(pemfc)，由于其无污染、效率高以及噪声低等特点，成为实现能源低碳转型的发电工具之一，并被广泛应用于多个领域。目前，pemfc的运行寿命、长期性能和维护成本成为制约其进一步商业化发展的主要因素。因此，对燃料电池的性能退化曲线进行准确的预测是其走向商业化发展的重要一环。pemfc寿命预测的目的在于通过研究燃料电池的历史经验数据从而使系统学习到燃料电池的老化趋势(fdt)，进而预测得到其剩余寿命，起到预测与预防的作用。
3.目前，评估pemfc剩余使用寿命的方法主要分为模型驱动和数据驱动两种类型。在学术界和工业界，大多采用基于数据驱动的预测方法评估pemfc剩余使用寿命。中国专利申请cn202010102029.6公开了一种燃料电池寿命预测方法，其基于高斯受限玻尔兹曼机的深度置信网络预测模型对燃料电池的寿命进行预测，预测精度高于一般bp网络的预测效果，但其预测长度较短，只能实现燃料电池的短期寿命预测，对长期寿命预测而言，效果不理想。大多现有的关于燃料电池的预测方法都属于短期预测，因此，现有的预测技术还有待进一步改善和提高。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种基于wavenet的燃料电池寿命预测方法以解决现有的预测方法只能预测短期寿命、预测长度较短等问题。本技术通过经验模态分解算法对原始时间序列按照频率进行分解，将其分解为一系列的子序列，然后对个别子序列进行降噪处理，最后建立基于wavenet的预测模型，将子序列输入至预测模型中进行训练，最终得出预测结果，其预测时间步长能够达到500步，在保证预测精度的同时可以有效的延长预测时间长度。
5.本发明实施例提供一种基于wavenet的燃料电池寿命预测方法，包括如下步骤：
6.s1、将燃料电池的原始寿命数据进行预处理，得到预处理数据；利用经验模态分解(emd)算法将所述预处理数据进行经验模态分解，得到一系列的本征模态分量(imf)；
7.s2、计算步骤s1的各本征模态分量(imf)与残差信号r(t)之间的相关系数，观察各本征模态分量(imf)的统计特征；判断具有噪声与真实信号混叠现象的本征模态分量，记为imf1(t)；
8.s3、将步骤s2中的imf1(t)输入至低通滤波器中进行滤波处理，得到一阶模态分量；
9.s4、将步骤s3的一阶模态分量与步骤s1中未处理的本征模态分量(imf)进行信号重构，得到待输入wavenet信号；
10.s5、确定所述wavenet中的各初始参数，利用所述初始参数构建基于wavenet的燃料电池寿命预测模型；
11.s6、将步骤s4中待输入wavenet信号输入至步骤s5中的基于wavenet的燃料电池寿命预测模型中进行训练，得到燃料电池原始寿命的预测数据。
12.步骤s1中，
13.所述原始寿命数据是指燃料电池的输出电压随使用时间变化的曲线数据。燃料电池的输出电压通过python进行读取得到。
14.所述曲线数据通过如下方法采集绘制：在燃料电池的长期使用过程中，平均每隔0.5s测量一次所述燃料电池的输出电压值，然后以使用时间为横坐标、输出电压值为纵坐标绘制曲线，得到所述曲线数据。
15.所述预处理通过如下方法实现：从所述曲线数据中，每间隔30个数据点采样一个数据点，然后以采样的数据点为数据集，以使用时间为横坐标、输出电压值为纵坐标绘制曲线，得到预处理数据。由于原始数据量太大，通过预处理，可以简化冗繁的数据，在不影响采样均匀性的同时，有利于提高计算机的计算效率。
16.所述经验模态分解算法的具体计算过程如下所示：
17.(1)找到所述预处理数据x(t)的所有极大值点，通过三次样条函数拟合出极大值包络线e
+
(t)；同理，找到所述预处理数据x(t)的所有极小值点，通过三次样条函数拟合出极小值包络线e-(t)；以所述极大值包络线与所述极小值包络线之和的平均值作为所述预处理数据x(t)的均值包络m1(t)，满足：
[0018][0019]
(2)将所述预处理数据x(t)减去m1(t)，得到一阶模态分量imf1(t)，满足：imf1(t)＝x(t)-m1(t)；
[0020]
(3)假定imf1(t)满足imf条件，则重复上述步骤(1)和步骤(2)，得到imfn(t)，其中，n＝1,2,3
…
；
[0021]
所述imf条件如下所示：
[0022]
①
在整个预处理数据的信号上，极值点(包括极大值点和极小值点)的个数和过零点的个数相差不大于1；
[0023]
②
在任意点处，所述极大值包络线的均值与所述极小值包络线的的均值均为0。
[0024]
(4)通过上述分解，将所述预处理数据x(t)分解为一系列imf(t)和残差信号r(t)，满足：
[0025][0026]
优选的，所述经验模态分解算法的分解层数为n＝10层，即所述预处理数据x(t)满足：
[0027]
[0028]
优选的，步骤(1)中，
[0029]
所述三次样条函数s(x)满足：
[0030]
s(ti)＝x(ti)
ꢀꢀꢀꢀ
(式一)，
[0031]
其中，ti为所述极大值点或所述极小值点；
[0032]
根据连续性条件：
[0033]
s(t
i-0)＝s(ti+0)
[0034]
s(t
i-0)
′
＝s(ti+0)
′
[0035]
s(t
i-0)
″
＝s(ti+0)
″ꢀꢀ
(式二)，
[0036]
加入边界假设：
[0037]
s(t0)
′
＝x(t0)
′
＝0
[0038]
s(tn)
′
＝x(tn)
′
＝0
ꢀꢀ
(式三)；
[0039]
联合式一、式二和式三，计算得到所述极大值包络线或所述极小值包络线。
[0040]
在本技术中，随着分解层数的加深，信号会逐渐褪去其所拥有的非线性因素，直至退化到接近线性模型。
[0041]
步骤s2中，
[0042]
所述相关系数的计算公式如下：
[0043][0044]
其中，r代表相关系数，imf
mi
代表第m个imf分量在第i个时间点上的数据，ri代表参数分量在第i个时间点上的数据，代表残差信号r的均值，代表第m个imf分量的均值。
[0045]
所述统计特征为本征模态分量(imf)的均值和方差。
[0046]
所述判断通过如下方法实现：以所述相关系数为纵坐标、以各所述本征模态分量(imf)为横坐标绘制相关系数曲线图，找到所述相关系数曲线图中第一次出现极小值的位置，将该位置对应的本征模态分量(imf)定义为过渡imf；过渡imf之后的本征模态分量作为有用imf；过渡imf之前的本征模态分量作为噪声与真实信号混叠现象的本征模态分量，记为imf1(t)。如图4所示，在本技术实施例中，imf1(t)为噪声与真实信号混叠现象的本征模态分量。
[0047]
步骤s3中，
[0048]
所述滤波处理是指在所述低通滤波器中过滤信号，将高频成分的信号过滤掉，保留低频成分的信号。
[0049]
所述高频成分是指将所述imf1(t)进行傅里叶变换得到其频率成分，并获得其最大频率f
max
和最小频率f
min
，并令：
[0050][0051]
在所述imf1(t)进行傅里叶变换得到的频率成分中，大于f0的成分称为高频成分，小于或等于f0的成分称为低频成分；所述低频成分对应的模态分量为一阶模态分量；所述
傅里叶变换的公式如下：
[0052][0053]
所述低通滤波器为savitzky-golay滤波器。
[0054]
步骤s4中，
[0055]
所述信号重构是指将一阶模态分量与步骤s1中未处理的本征模态分量进行求和(加起来即可)。在本技术实施例中，步骤s1中未处理的本征模态分量是指扣除噪声与真实信号混叠现象的本征模态分量(即imf1(t))的其余本征模态分量。
[0056]
步骤s5中，
[0057]
各初始参数的确定通过随机指定即可。在本技术实施例中，只需要给定输入，能够输出结果即可判断所述构建已构建成功。
[0058]
所述wavenet中的各初始参数为：
[0059]
epoch＝100，batch_size＝100，encode_len＝100，decode_len＝50，lr＝0.005；
[0060]
其中，epoch代表迭代总次数，batch_size代表一次性处理的数据量，encode_len代表编码长度，decode_len代表解码长度，lr代表学习率。
[0061]
步骤s6中，
[0062]
所述训练是指构建损失函数loss function，利用梯度下降法不断更新权重参数矩阵，使损失函数loss function不断降低的过程。
[0063]
所述损失函数loss function优选为燃料电池的电压预测值与燃料电池的电压实际值的均方误差函数，其表达式为：
[0064][0065]
其中，predlen代表所述燃料电池原始寿命的预测数据(一次性预测数据)，yi代表所述燃料电池的实际电压，代表所述燃料电池的电压预测值(即关于yi的预测值)。
[0066]
在本技术实施例中，通过所述损失函数可以判断所述基于wavenet的燃料电池寿命预测模型是否构建成功。所述损失函数的数值越小，则所述基于wavenet的燃料电池寿命预测模型的构建越成功。即只要构建的基于wavenet的燃料电池寿命预测模型对应的损失函数的数值小于人为设定值，即认为基于wavenet的燃料电池寿命预测模型构建成功。在本技术实施例中，所述人为设定值为0.05。
[0067]
在本技术实施例中，所述燃料电池原始寿命的预测数据为500个时间单位的预测长度数据。
[0068]
本发明通过融合经验模态分解算法和降噪算法构建的基于wavenet的燃料电池寿命预测模型，对燃料电池的寿命数据进行有效的数学建模，并通过学习部分时间序列的数据，实现了对已知数据的拟合和对未知数据的预测，解决了现有的预测方法只能预测短期寿命、预测长度较短等问题。通过本技术的预测方法，其预测时间步长能够达到500步，在保证较高预测精度的同时可以有效的延长预测时间长度，实现了燃料电池的长期寿命预测。本技术的算法简单明了，所需的训练时间少，很适合用于在线实时预测。
附图说明
[0069]
通过附图中所示的本发明的优选实施例的更具体说明，本发明的上述及其它目的、特征和优势将变得更加清晰。在全部附图中相同的附图标记指示相同的部分，且并未刻意按实际尺寸等比例缩放绘制附图，重点在于示出本发明的主旨。
[0070]
图1为本发明一实施例的基于wavenet的燃料电池寿命预测方法的流程示意图；
[0071]
图2为本发明实施例所用的燃料电池的原始寿命数据和预处理数据图；
[0072]
图3为本发明实施例利用经验模态分解算法将预处理数据进行经验模态分解得到的一系列的本征模态分量；
[0073]
图4为本发明实施例以相关系数为纵坐标、以各本征模态分量为横坐标绘制得到的相关系数曲线图；
[0074]
图5为本发明实施例的噪声与真实信号混叠现象的本征模态分量imf1(t)的噪声提取效果图；
[0075]
图6为采用本发明实施例基于wavenet的燃料电池寿命预测方法对所用燃料电池进行寿命预测的效果图；其中，a为训练数据，b为测试数据，c为预测数据；
[0076]
图7为采用本发明实施例基于wavenet的燃料电池寿命预测方法对所用燃料电池进行寿命预测的预测误差图。
具体实施方式
[0077]
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的首选实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
[0078]
需要说明的是，当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件并与之结合为一体，或者可能同时存在居中元件。本文所使用的术语“安装”、“一端”、“另一端”以及类似的表述只是为了说明的目的。
[0079]
需要说明，若本技术实施例中有涉及方向性指示(诸如上、下、左、右、前、后
……
)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
[0080]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
[0081]
目前，大多现有的关于燃料电池的预测方法都属于短期预测。基于此，有必要提供一种基于wavenet的燃料电池寿命预测方法以解决上述技术问题。
[0082]
如图1所示，本发明实施例提供一种基于wavenet的燃料电池寿命预测方法，包括如下步骤：
[0083]
s1、将燃料电池的原始寿命数据进行预处理，得到预处理数据；利用经验模态分解(emd)算法将所述预处理数据进行经验模态分解，得到一系列的本征模态分量(imf)；
[0084]
s2、计算步骤s1的各本征模态分量(imf)与残差信号r(t)之间的相关系数，观察各本征模态分量(imf)的统计特征；判断具有噪声与真实信号混叠现象的本征模态分量，记为
imf1(t)；
[0085]
s3、将步骤s2中的imf1(t)输入至低通滤波器中进行滤波处理，得到一阶模态分量；
[0086]
s4、将步骤s3的一阶模态分量与步骤s1中未处理的本征模态分量(imf)进行信号重构，得到待输入wavenet信号；
[0087]
s5、确定所述wavenet中的各初始参数，利用所述初始参数构建基于wavenet的燃料电池寿命预测模型；
[0088]
s6、将步骤s4中待输入wavenet信号输入至步骤s5中的基于wavenet的燃料电池寿命预测模型中进行训练，得到燃料电池原始寿命的预测数据。
[0089]
步骤s1中，
[0090]
所述原始寿命数据是指燃料电池的输出电压随使用时间变化的曲线数据。燃料电池的输出电压通过python进行读取得到，即利用python编程语言编写的数据读取程序，现有的python即可实现读取。
[0091]
所述曲线数据通过如下方法采集绘制：在燃料电池的长期使用过程中，平均每隔0.5s测量一次所述燃料电池的输出电压值，然后以使用时间为横坐标、输出电压值为纵坐标绘制曲线，得到所述曲线数据。
[0092]
所述预处理通过如下方法实现：从所述曲线数据中，每间隔30个数据点采样一个数据点，然后以采样的数据点为数据集，以使用时间为横坐标、输出电压值为纵坐标绘制曲线，得到预处理数据。由于原始数据量太大，通过预处理，可以简化冗繁的数据，在不影响采样均匀性的同时，有利于提高计算机的计算效率。图2为本发明实施例所用的燃料电池的原始寿命数据和预处理数据图；从图2可以看出，通过预处理，在不影响采样均匀性的同时，原始数据得到有效的简化。
[0093]
所述经验模态分解算法的具体计算过程如下所示：
[0094]
(1)找到所述预处理数据x(t)的所有极大值点，通过三次样条函数拟合出极大值包络线e
+
(t)；同理，找到所述预处理数据x(t)的所有极小值点，通过三次样条函数拟合出极小值包络线e-(t)；以所述极大值包络线与所述极小值包络线之和的平均值作为所述预处理数据x(t)的均值包络m1(t)，满足：
[0095][0096]
(2)将所述预处理数据x(t)减去m1(t)，得到一阶模态分量imf1(t)，满足：imf1(t)＝x(t)-m1(t)；
[0097]
(3)假定imf1(t)满足imf条件，则重复上述步骤(1)和步骤(2)，得到imfn(t)，其中，n＝1,2,3
…
；
[0098]
所述imf条件如下所示：
[0099]
①
在整个预处理数据的信号上，极值点(包括极大值点和极小值点)的个数和过零点的个数相差不大于1；
[0100]
②
在任意点处，所述极大值包络线的均值与所述极小值包络线的均值均为0。
[0101]
(4)通过上述分解，将所述预处理数据x(t)分解为一系列imf(t)和残差信号r(t)，满足：
[0102][0103]
优选的，所述经验模态分解算法的分解层数为n＝10层，即所述预处理数据x(t)满足：
[0104][0105]
优选的，步骤(1)中，
[0106]
所述三次样条函数s(x)满足：
[0107]
s(ti)＝x(ti)
ꢀꢀ
(式一)，
[0108]
其中，ti为所述极大值点或所述极小值点；
[0109]
根据连续性条件：
[0110]
s(t
i-0)＝s(ti+0)
[0111]
s(t
i-0)
′
＝s(ti+0)
′
[0112]
s(t
i-0)
″
＝s(ti+0)
″ꢀꢀ
(式二)，
[0113]
加入边界假设：
[0114]
s(t0)
′
＝x(t0)
′
＝0
[0115]
s(tn)
′
＝x(tn)
′
＝0
ꢀꢀ
(式三)；
[0116]
联合式一、式二和式三，计算得到所述极大值包络线或所述极小值包络线。
[0117]
在本技术中，随着分解层数的加深，信号会逐渐褪去其所拥有的非线性因素，直至退化到接近线性模型。图3为本发明实施例利用经验模态分解算法将预处理数据进行经验模态分解得到的一系列的本征模态分量。该图3显示了预处理数据分解得到的多个本征模态分量在频率域上的波动情况。
[0118]
步骤s2中，
[0119]
所述相关系数的计算公式如下：
[0120][0121]
其中，r代表相关系数，imf
mi
代表第m个imf分量在第i个时间点上的数据，ri代表参数分量在第i个时间点上的数据，代表残差信号r的均值，代表第m个imf分量的均值。
[0122]
所述统计特征为本征模态分量(imf)的均值和方差。
[0123]
所述判断通过如下方法实现：以所述相关系数为纵坐标、以各所述本征模态分量(imf)为横坐标绘制相关系数曲线图，找到所述相关系数曲线图中第一次出现极小值的位置，将该位置对应的本征模态分量(imf)定义为过渡imf；过渡imf之后的本征模态分量作为有用imf；过渡imf之前的本征模态分量作为噪声与真实信号混叠现象的本征模态分量，记为imf1(t)。如图4所示，在本技术实施例中，imf1(t)为噪声与真实信号混叠现象的本征模态分量。
[0124]
步骤s3中，
[0125]
所述滤波处理是指在所述低通滤波器中过滤信号，将高频成分的信号过滤掉，保留低频成分的信号。
[0126]
所述高频成分是指将所述imf1(t)进行傅里叶变换得到其频率成分，并获得其最大频率f
max
和最小频率f
min
，并令：
[0127][0128]
在所述imf1(t)进行傅里叶变换得到的频率成分中，大于f0的成分称为高频成分，小于或等于f0的成分称为低频成分；所述低频成分对应的模态分量为一阶模态分量；所述傅里叶变换的公式如下：
[0129][0130]
所述低通滤波器为savitzky-golay滤波器。图5为本发明实施例的噪声与真实信号混叠现象的本征模态分量imf1(t)的噪声提取效果图，其横坐标代表时间，纵坐标代表噪声的幅值大小。
[0131]
步骤s4中，
[0132]
所述信号重构是指将一阶模态分量与步骤s1中未处理的本征模态分量进行求和(加起来即可)。在本技术实施例中，步骤s1中未处理的本征模态分量是指扣除噪声与真实信号混叠现象的本征模态分量(即imf1(t))的其余本征模态分量。
[0133]
步骤s5中，
[0134]
各初始参数的确定通过随机指定即可。在本技术实施例中，只需要给定输入，能够输出结果即可判断所述构建已构建成功。
[0135]
所述wavenet中的各初始参数为：
[0136]
epoch＝100，batch_size＝100，encode_len＝100，decode_len＝50，lr＝0.005；
[0137]
其中，epoch代表迭代总次数，batch_size代表一次性处理的数据量，encode_len代表编码长度，decode_len代表解码长度，lr代表学习率。
[0138]
步骤s6中，
[0139]
所述训练是指构建损失函数loss function，利用梯度下降法不断更新权重参数矩阵，使损失函数loss function不断降低的过程。优选的，所述训练的时长为100-300h，更优选为200h。在本技术中，训练的过程，是损失函数不断降低的过程。
[0140]
所述损失函数loss function优选为燃料电池的电压预测值与燃料电池的电压实际值的均方误差函数，其表达式为：
[0141][0142]
其中，predlen代表所述燃料电池原始寿命的预测数据(一次性预测数据)，yi代表所述燃料电池的实际电压，代表所述燃料电池的电压预测值(即关于yi的预测值)。
[0143]
所述权重参数矩阵w
n+1
通过如下公式计算得到：
[0144]
[0145]
其中，wn为第n次的权重参数矩阵；w
n+1
为更新得到的第n+1次的权重参数矩阵；β为学习率，本实例优选为0.001；为损失函数对权重参数矩阵的偏导数。
[0146]
在本技术中，以所述损失函数的最小值所对应的储存池的权重参数矩阵构建基于wavenet的燃料电池寿命预测模型。所述储存池的大小为50-150，更优选为100。
[0147]
图6为采用本发明实施例基于wavenet的燃料电池寿命预测方法对所用燃料电池进行寿命预测的效果图；图6中，a的线代表用于进行模型训练的数据，称为训练集，b的线代表用于测试模型效果的数据，称为测试集，c的线代表结果模型预测出来的效果。图7为采用本发明实施例基于wavenet的燃料电池寿命预测方法对所用燃料电池进行寿命预测的预测误差图，即图6中测试数据与预测数据之间绝对差值。
[0148]
在本技术实施例中，所述基于wavenet的燃料电池寿命预测方法还包括步骤s7、重复步骤s1-步骤s6，重复次数一般为10次，并将多次得到的燃料电池原始寿命的预测数据的均值视为最终的预测结果。
[0149]
通过所述损失函数可以判断所述基于wavenet的燃料电池寿命预测模型是否构建成功。所述损失函数的数值越小，则所述基于wavenet的燃料电池寿命预测模型的构建越成功。即只要构建的基于wavenet的燃料电池寿命预测模型对应的损失函数的数值小于人为设定值，即认为基于wavenet的燃料电池寿命预测模型构建成功。在本技术实施例中，所述人为设定值为0.05。
[0150]
在本技术实施例中，所述燃料电池原始寿命的预测数据为500个时间单位的预测长度数据。
[0151]
本发明通过融合经验模态分解算法和降噪算法构建的基于wavenet的燃料电池寿命预测模型，对燃料电池的寿命数据进行有效的数学建模，并通过学习部分时间序列的数据，实现了对已知数据的拟合和对未知数据的预测，解决了现有的预测方法只能预测短期寿命、预测长度较短等问题。通过本技术的预测方法，其预测时间步长能够达到500步，在保证较高预测精度的同时可以有效的延长预测时间长度，实现了燃料电池的长期寿命预测。本技术的算法简单明了，所需的训练时间少，很适合用于在线实时预测。
[0152]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。