一种基于深度学习的燃料电池剩余寿命预测方法与流程

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。

技术实现要素：

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。

本发明解决上述技术问题的技术方案如下：一种基于深度学习的燃料电池剩余寿命预测方法，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，包括以下步骤：

步骤s1：获取燃料电池的运行监测数据，选用滤波算法，对含有噪声的输入数据滤波，得到较为平稳的监测数据的输入信息；

步骤s2：利用神经网络在非线性数据拟合上表现出的优越性，对滤波后的训练集数据进行拟合，建立输入数据与目标数据的非线性映射关系；

步骤s3：基于预测目标值与实际测量数据之间误差，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；

步骤s4：在训练数据使用完毕后，利用最优的神经网络模型得到单步的预测，并将之作为模型下一时刻的输入，滚动迭代输出多步预测结果，从而实现燃料电池rul预测。

进一步，步骤s1中，因为获取的监测数据采样频率较高，所以输入数据非常庞大；为降低算法的运算复杂度，减小输入的神经网络模型的数据维度，选用的移动均值滤波方法，同时滤波窗口宽度需要根据实际的数据量及计算力来决定。

进一步，步骤s2包括：

步骤s21：选定燃料电池rul预测的失效阈值点；

步骤s22：对输入的监测数据序列进行前处理后，确定神经网络算法神经元数目、网络层数、学习率、dropout等超参数；

步骤s23：将数据集划分为训练集和测试集，利用神经网络算法将对多通道的输入训练集数据进行特征提取。

进一步，其中步骤s22中的dropout超参数设置是为了防止过拟合所采取的设置，其主要的作用是在训练阶段按照一定的概率舍弃部分神经元。

进一步，步骤s3包括：

步骤s31：通过预测目标值与实际测量数据之间的误差，建立预测值与实际测量值之间的损失函数；

步骤s32：通过链式反馈求导法则对损失函数求导，得到最优的神经网络模型参数；

步骤s33：对给定的监测输入数据，由最优的神经网络模型得到输出的单步预测输出。

进一步，其中步骤s31中的损失函数，神经网络对应回归问题的损失函数有l1和l2两种损失函数，为了方便后续的链式反馈求导，选用了l2对数损失函数。

进一步，步骤s4包括：

步骤s41：通过训练完毕得到的最优神经网络模型，对给定的输入得到预测单步的预测输出，并将之作为模型预测控制的输入；

步骤s42：迭代地使用神经网络的单步预测输出作为下一次模型预测控制的输入，实现模型的多步滚动预测过程；

步骤s43：计算到达失效点时预测结果与实际测量结果的之间的误差，得到燃料电池rul预测结果。

本发明的有益效果是：

(1)本发明采用神经网络算法，对多通道的输入数据进行拟合，既考虑了输入数据的时间特征又对空间特征进行拟合，从而建立输入与输出之间的非线性映射关系；

(2)本发明基于迭代的方法实现多步预测，迭代地使用最优的神经网络当前步的预测作为下一次迭代的模型的输入，实现模型的多步滚动预测过程；

(3)本发明提出的基于深度学习的燃料电池rul方法，考虑了多特征、高复杂度的输入数据，在建立输入输出非线性映射关系的同时，又通过滤波降低了计算复杂度，是一种准确且高效的燃料电池rul方法。

(4)与现有技术相比，本发明的有益效果还包括：考虑燃料电池输入数据的空间特征，利用卷积神经网络提取输入数据的空间特征，提高rul预测准确度；考虑燃料电池输入数据的时序特征，利用双向门控循环神经网络提取输入数据在时间序列上的联系，提高rul预测准确度；基于滑动窗的方法，实现rul的多步预测。

附图说明

图1为实施例中整体方法流程图；

图2为实施例中采用的深度学习算法图；

图3为实施例中采用的dropout原理图；

图4为实施例中采用滚动预测原理图；

图5为实施例中深度学习算法预测结果图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施例的限制。

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方式的目的，不是旨在于限制本发明。

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下实施例结合附图对本发明基于深度学习的燃料电池rul预测方法作具体阐述。应当解释，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明：

如图1所示，基于深度学习的燃料电池rul预测方法可以分为以下步骤：

步骤s1：获取法国燃料电池实验室(fclab)的开源燃料电池监测运行数据，选用移动平均滤波(maf)算法对含有噪声干扰的运行数据降噪处理，得到较为平稳的监测数据的输入信息；

步骤s2：利用神经网络在非线性数据拟合上表现出的优越性，对滤波后的训练集数据(运行时间t＜550h)进行拟合，这里选用卷积神经网络(cnn)对输入特征进行卷积运算，从而融合多通道的输入信息，并将输入数据映射到高维空间；然后利用门循环单元(gru)神经网络对高维的输入向量加解码，得到模型的预测输出；

步骤s3：基于预测目标值与实际测量数据之间的误差，建立l2对数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；

步骤s4：在运行时间t＞550h时，基于最优神经网络模型，通过模型提前一步的输出并将之作为下次模型迭代的输入，滚动的输出电压预测结果，从而实现燃料电池的rul预测。

步骤s1具体包括步骤s11～s12。

步骤s11：基于算法及模型参数复杂度等方面考虑，在移动平均滤波(maf)、加权平均滤波(wmf)和指数平滑(es)中，选用maf算法；

步骤s12：基于maf算法，选定滤波窗口长度l＝20h，则maf算法的计算公式可由下述等式描述：

y(n)＝(x(n)+x(n-1)+x(n-2)+…+x(n-l+1))/l

式中，y(n)为移动平均输出值，l为移动平均的窗口长度，x(n),x(n-1),...,x(n-l+1)则分别为第n,n-1,...,n-l+1次的实际值；

步骤s2具体包括s21～s24。

步骤s21：选定燃料电池rul预测的失效阈值点，基于fclab在2014年设定的挑战赛的rul预测失效点，本发明选定失效阈值点为5％的初始电压或者初始功率损失；

步骤s22：选定rul预测起点为t＝550h，将获取的监测数据集分为训练集(t＜550h)和测试集(t≥550h)；

步骤s23：选定卷积神经网络(cnn)的超参数，即卷积核的数量为10，卷积核的大小为5，strikes设定为1，padding设定为0，dropout的值取为0.2；同时对门循环网络(gru)的超参数设置为：隐藏层神经元数为50；

步骤s24：对输入的训练数据集进行卷积运算，将输入特征映射到高维空间，利用gru对高维向量进行加解码，从而对实际测量数据进行拟合；步骤s24包括s241～步骤s245，具体地，可参阅图2。

步骤s241：输入数据进行卷积运算：gi＝tanh(h*ki+bi)；

式中*表示卷积运算，h是输入矩阵，ki是第i个卷积核，bi是与之对应的偏置向量，同时卷积层还包括tanh激活函数。

步骤s242：通过i个卷积核卷积运算，可以得到i个特征映射：g＝[g1,g2,…,gi]。

步骤s243：卷积运算完成后，将学习到的特征输入池化层进行下采样。

步骤s244：通过卷积层之后，输入会映射到高维的向量w＝(w1,w2,...,wi)；

式中i表示卷积核的数量。

步骤s245：为了得到模型的输出需要利用gru来对高维向量进行加解码：

步骤s3具体包括s31～s33。

步骤s31：建立关于模型预测输出与实际测量值的对数损失函数：

式中，yi为实际测量值，为前述的模型预测输出值。

步骤s32：通过链式求导法则，利用对数损失函数对权重反向求导：

式中，ωij为第i层，第j个节点的权重值。

步骤s33：权重参数更新

式中，η为学习率。

需要说明的是，在训练阶段，dropout一直是打开的，dropout的具体原理请参阅图3。

步骤s4，在运行时间t≥550h时，基于最优神经网络模型，通过模型提前一步的输出并将之作为下次模型迭代的输入，滚动的输出电压预测结果，从而实现燃料电池的rul预测，具体过程请参阅图4。具体地，步骤s4包括步骤s41～s42。

步骤s41：利用最优神经网络模型提前一步预测，并将之作为下一步迭代的输入，滚动预测得到最终的rul预测结果，具体结果请参阅图5。

步骤s42：计算达到失效阈值点，如5％的初始电压损失的时间，得到rul预测的准确度。

需要说明的是，步骤s42可由步骤s421说明，具体地

步骤s421：为了量化rul预测的准确度，需要基于下述量化rul预测准确度的指标，对rul预测结果对比分析：

其中，％er和rmse分别表示rul预测相对误差和预测曲线与实际测量曲线之间的拟合程度；

其中，其中y＝{y1,y2,...,yn}和分别是n个实际测量值和模型预测值。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

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。