本发明属于燃料电池，具体涉及固体氧化物燃料电池的性能分析方法及测试系统。
背景技术：
1、现阶段，燃料电池按电解质的类型可分为碱性燃料电池(afc)、磷酸燃料电池(pafc)、熔融碳酸盐燃料电池(mcfc)、固体氧化物燃料电池(sofc)和质子交换膜燃料电池(pemfc)五大类，目前市场出货类型以质子交换膜燃料电池和固体氧化物燃料电池为主，而固体氧化物燃料电池应用广泛，主要应用在便携式电源、分布式发电/热电联供系统、高性能动力电源、大型发电站等领域。
2、而固体燃料电池性能会对其寿命产生影响，高效的能源转换、优选的材料、合理的操作条件、高性能的电催化剂、稳定的微观结构、良好的力学性能以及精确的耦合场分析都有利于延长固体燃料电池的使用寿命，因此，燃料电池的性能分析是十分必要的。
3、其中，中国专利cn111310387b公开了一种燃料电池寿命预测方法，首先采用自适应变分模态分解技术对原始燃料电池电压数据进行分析，提高对不同电压变化特征的自适应能力；基于燃料电池电压衰变特征和样本熵理论，重构vmd算法分解子序列以更好的反映电池的老化特征信息；建立深度置信网络预测模型，但是现有方法仅依靠电池电压数据对电池寿命进行分析不能全面反映电池老化状态和电池充放电循环对电池寿命的影响，使得分析结果存在误差较大、评估不准；针对上述问题，我们提出了固体氧化物燃料电池的性能分析方法及测试系统。
技术实现思路
1、本发明的目的在于针对现有技术的不足之处，提供固体氧化物燃料电池的性能分析方法及测试系统，解决了现有方法仅依靠电池电压数据对电池寿命进行分析不能全面反映电池老化状态和电池充放电循环对电池寿命的影响，使得分析结果存在误差较大、评估不准的问题。
2、本发明是这样实现的，固体氧化物燃料电池的性能分析方法，所述固体氧化物燃料电池的性能分析方法包括：
3、获取燃料电池性能测试时序性参数，其中，时序性参数包括电池电压数据、电流数据、电流密度、电池温度、气体成分参数、电池材料表征数据，对时序性参数进行预处理，得到实时预处理集；
4、基于粒子群算法构建并训练电池仿真模型，加载实时预处理集，以实时预处理集为输入，执行所述电池仿真模型，输出预测序列参数；
5、基于支持向量机结合集成经验模态分解构建电池健康评估模型，对电池健康评估模型进行迭代训练，获取预测序列参数，电池健康评估模型提取预测序列参数的敏感性系数，确定与电池当前运行状况、当前健康状况和剩余预测寿命关联的敏感性系数；
6、电池健康评估模型基于蒙特卡洛算法对电池仿真模型进行正向不确定性分析，计算得到表征电池当前运行状况的运行状态值、当前健康状况的健康状态值，基于运行状态值、健康状态值计算评估预测寿命系数。
7、优选地，所述对时序性参数进行预处理方法，具体包括：
8、加载时序性参数，对时序性参数缺失值进行处理，其中，缺失值处理包括特征移除、均值插补法和样条插值法处理；
9、获取缺失值处理后的时序性参数，提取时序性参数中的非线性特征参数、图像特征参数，去除时序性参数中的非线性特征参数、图像特征参数，形成线性特征参数集；
10、基于模态分解算法对非线性特征参数进行参数分解；
11、其中，模态分解算法为小波转换算法，小波转换算法对非线性特征参数进行参数分解时：
12、获取非线性特征参数x(tf)，设定小波转换算法的小波基函数和分解水平；
13、小波基函数表示为：
14、
15、其中，a为小波基函数的尺度参数，x(tf)为非线性特征参数的输入值，k为非线性特征参数的位置索引值；
16、基于连续小波变换在第一个分解水平将非线性特征参数分解为高频细节分量和低频近似分量；
17、在第二个分解水平，获取低频近似分量，基于连续小波变换将低频近似分量进行再次分解，直至达到预设分解水平，整合预设分解水平内得到的多组高频近似分量和一组低频近似分量，得到非线性特征参数的参数分解集。
18、优选地，所述对时序性参数进行预处理方法，具体还包括：
19、基于改进卷积神经网络遍历图像特征参数，实现图像特征参数变换，得到图像特征变换集；
20、其中，改进卷积神经网络引入自注意力机制模块，通过自注意力机制模块对卷积神经网络进行改进；
21、获取参数分解集、图像特征变换集、线性特征参数集，基于算术平均法对参数分解集、图像特征变换集、线性特征参数集进行集总整合变换，得到包含实时序列、均值序列和极值序列的实时预处理集。
22、优选地，所述基于改进卷积神经网络遍历图像特征参数，实现图像特征参数变换的方法，具体包括：
23、获取图像特征参数，提取图像特征参数中清晰图像特征；
24、对清晰图像特征进行细化分解，并标注特征分解时间，输出函数记为：
25、
26、其中，tf(x)为特征分解时间，x(tp)为清晰图像特征的细化分解结果，m为图像特征信息分解影响因素数量，cm为图像特征信息分解影响权重，γ为对清晰图像特征进行细化分解时的模糊去噪系数；
27、
28、其中，wx为清晰图像特征的细化分解结果在图像特征参数集中的权重矩阵，为改进卷积神经网络的数据梯度，e为改进卷积神经网络对清晰图像特征进行细化分解时的分解误差系数；
29、改进卷积神经网络对细化分解结果进行扩张卷积增加感受野；
30、扩张卷积结果表示为：
31、
32、其中，j(xt)为扩张卷积结果，f(i)为改进卷积神经网络中卷积矩阵大小，n为卷积核大小，d为扩张卷积时扩展因子，m为卷积核卷积层数量；
33、将扩张卷积后的扩张卷积结果输入自注意力层，自注意力层基于自注意力机制对扩张卷积结果权重重新分配，得到图像特征变换集。
34、优选地，所述基于粒子群算法构建并训练电池仿真模型的方法，具体包括：
35、以等效电路模型作为电池仿真模型的初始模型，遍历实时预处理集，从实时预处理集中提取等效电路关联参数；
36、基于simul ink模型搭建等效电路模型，并在等效电路模型中配置模糊逻辑均衡控制器和领导粒子动态选择策略；
37、设定电池仿真模型的充放电电流，模拟所述电池仿真模型在模拟工况下的电压响应，得到等效电路模拟参数；
38、获取等效电路关联参数和等效电路模拟参数，基于等效电路关联参数验证等效电路模拟参数准确度，判断参数相似性是否符合预设相似性阈值，若符合，则该组等效电路模拟参数不作调整，若不符合，采用模糊逻辑均衡控制器调整电池仿真模型。
39、优选地，所述执行所述电池仿真模型，输出预测序列参数的方法，具体包括：
40、获取实时预处理集，电池仿真模型提取实时预处理集中等效电路关联参数；
41、以等效电路关联参数为输入，电池仿真模型基于sobol′模型对等效电路模拟参数进行全局敏感性分析，筛选符合总敏感度0.005以上的等效电路模拟参数为敏感参数；
42、其中，等效电路模拟参数的敏感度指标通过以下公式计算：
43、
44、其中，sx为等效电路模拟参数的敏感度，x(t)为等效电路模拟参数的输入值，v(y)为输出的无条件方差，y为等效电路模拟参数的响应函数，ex(t)为等效电路模拟参数的期望值，vx(t)为输入等效电路模拟参数的方差算子；
45、获取至少一组敏感参数及敏感参数对应的等效电路模拟参数，基于电池仿真模型的目标约束函数计算输出预测序列参数；
46、其中，目标约束函数为：
47、
48、其中，f(x)为输出的预测序列参数，n为模拟周期t的周期数量，kn为等效电路模拟参数对应的正向反应速率系数，c为等效电路模拟参数对应的参数类别数量，et-1为上一模拟周期的电池活化能，r为气体常数，t为上一模拟周期的电池温度，σ为目标约束函数的耦合系数。
49、优选地，所述基于支持向量机结合集成经验模态分解构建电池健康评估模型的方法，具体包括：
50、以预测序列参数为模型样本，将模型样本分为训练集和测试集；
51、结合arrhenius定律构建电池健康评估模型的初始模型，其中，初始模型为结合支持向量机和粒子群pso算法的神经网络模型，利用粒子群pso算法对训练集的敏感性系数进行提取判定，得到训练集对应的敏感性系数集；
52、将敏感性系数集添加到训练集中，计算模型梯度，对初始模型进行迭代更新，直到初始模型的损失函数达到纳什平衡；
53、获取测试集，以测试集为输入，执行初始模型，利用测试集判定初始模型的损失函数是否收敛，若收敛，输出训练完毕的电池健康评估模型。
54、优选地，所述计算得到表征电池当前运行状况的运行状态值、当前健康状况的健康状态值，基于运行状态值、健康状态值计算评估预测寿命系数，具体包括：
55、获取预测序列参数，电池健康评估模型提取预测序列参数的敏感性系数；
56、其中，敏感性系数提取函数为：
57、
58、其中，g(x)为极小化极大决策函数，fτ(x)为预测序列参数的降维序列，λ为敏感性系数提取函数的提取系数；
59、
60、其中，f(x)为预测序列参数的输入值，r为预测序列参数的输入值的数据维度，为预测序列参数的均值；
61、确定与电池当前运行状况、当前健康状况和剩余预测寿命关联的敏感性系数；
62、电池健康评估模型基于蒙特卡洛算法对电池仿真模型进行正向不确定性分析，计算得到表征电池当前运行状况的运行状态值、当前健康状况的健康状态值；
63、其中，运行状态值、健康状态值通过以下公式计算：
64、
65、其中，yz为t时刻的电池运行状态值，qd为电池初始容量，ux为电池充放电循环次数，κ为电池容量衰减率；
66、
67、基于运行状态值、健康状态值计算评估预测寿命系数；
68、其中，预测寿命系数通过以下公式计算：
69、
70、其中，α为预测序列参数数量，β为预测序列参数的数据维度值。
71、本发明还提供了固体氧化物燃料电池的性能测试系统，所述固体氧化物燃料电池的性能测试系统，具体包括：
72、预处理模块，用于获取燃料电池性能测试时序性参数，对时序性参数进行预处理，得到实时预处理集；
73、参数预测模块，基于粒子群算法构建并训练电池仿真模型，加载实时预处理集，以实时预处理集为输入，执行所述电池仿真模型，输出预测序列参数；
74、模型构建模块，基于支持向量机结合集成经验模态分解构建电池健康评估模型，对电池健康评估模型进行迭代训练，获取预测序列参数，电池健康评估模型提取预测序列参数的敏感性系数，确定与电池当前运行状况、当前健康状况和剩余预测寿命关联的敏感性系数；
75、电池评估模块，利用电池健康评估模型基于蒙特卡洛算法对电池仿真模型进行正向不确定性分析，计算得到表征电池当前运行状况的运行状态值、当前健康状况的健康状态值，基于运行状态值、健康状态值计算评估预测寿命系数。
76、优选地，所述预处理模块，包括：
77、缺失值处理单元，用于加载时序性参数，对时序性参数缺失值进行处理；
78、参数分类单元，用于获取缺失值处理后的时序性参数，提取时序性参数中的非线性特征参数、图像特征参数，去除时序性参数中的非线性特征参数、图像特征参数，形成线性特征参数集；
79、非线性分解单元，基于模态分解算法对非线性特征参数进行参数分解；
80、图像变换单元，基于改进卷积神经网络遍历图像特征参数，实现图像特征参数变换，得到图像特征变换集；
81、参数整合单元，用于获取参数分解集、图像特征变换集、线性特征参数集，基于算术平均法对参数分解集、图像特征变换集、线性特征参数集进行集总整合变换，得到包含实时序列、均值序列和极值序列的实时预处理集。
82、与现有技术相比，本技术实施例主要有以下有益效果：
83、本发明实施例中，基于粒子群算法构建并训练电池仿真模型，通过电池仿真模型对时序性参数进行精准的预测评估，使得电池健康评估模型结合预测评估结果对电池的运行状态值、健康状态值和预测寿命系数进行评估计算，基于电池仿真模型-电池健康评估模型预测结果较为可靠精准，可以作为评估电池性能的依据，克服了现有技术仅依靠电池电压数据对电池寿命进行分析不能全面反映电池老化状态和电池充放电循环对电池寿命的影响，使得分析结果存在误差较大、评估不准的问题。
84、本发明实施例中，分别采用模态分解算法对非线性特征参数进行参数分解，并结合改进卷积神经网络对图像特征参数进行变换，从而借助模态分解算法和改进卷积神经网络的优点提高参数分解变换的效率，进而显著提高电池仿真模型的性能、可解释性和泛化能力，并降低计算复杂性。
85、本发明实施例中，等效电路模型作为电池仿真模型的初始模型，基于simul ink模型搭建等效电路模型，并在等效电路模型中配置模糊逻辑均衡控制器和领导粒子动态选择策略，从而将电池正负极简化分析，构建的电池仿真模型计算较为简单且模拟精度较高，从而能够对电池预测序列参数进行精准的评估。
86、本发明实施例中，提供了电池健康评估模型及其训练方法，结合arrhenius定律构建电池健康评估模型，同时利用粒子群pso算法对训练集的敏感性系数进行提取判定，使得结合支持向量机、粒子群pso算法训练得到的电池健康评估模型能够提高模型的预测精度和泛化能力，能够快速找到最优解，从而缩短训练时间并减少计算资源的消耗，从而更准确地评估电池的寿命。