一种SOFC系统退化预测方法、系统、电子设备及存储介质与流程

一种sofc系统退化预测方法、系统、电子设备及存储介质
技术领域
1.本发明涉及固体氧化物燃料电池技术领域，特别是涉及一种基于注意力机制和数据驱动的sofc系统退化预测方法、系统、电子设备及存储介质。


背景技术：

2.现有固体氧化物燃料电池退化预测方法主要集中在机理建模方法。机理建模方法根据固体氧化物燃料电池(solid oxide fuel cell，sofc)系统的物料平衡方程、能量守恒方程以及质量守恒方程来构建sofc系统各部件的物理模型。根据所建立的物理模型来仿真sofc系统的实际运行机制，从而进行退化预测。此方法的预测效果与物理模型的精度密切相关。
3.现有方法大多集中在sofc电堆的退化预测上，无法针对整个sofc系统进行退化预测；由于燃料电池的复杂结构和运行现象，比如三维热传递、电荷流动、电化学反应、三相界面反应等等。因此想要建立一个精确的模型是十分困难的，导致退化预测效果不佳；每个sofc系统由于构造不同，部件不同，机理模型也不相同，模型之间缺乏通用性。


技术实现要素：

4.本发明提供一种基于注意力机制和数据驱动的sofc系统退化预测方法、系统、电子设备及存储介质，解决目前的预测模型对sofc系统的退化预测效果不佳，且缺乏通用性和精准度的问题。
5.为解决上述技术问题，本发明第一方面提供一种基于注意力机制和数据驱动的sofc系统退化预测方法，包括：
6.获取原始实验数据，并根据所述原始实验数据构建数据集，所述原始实验数据为所需要预测退化情况的sofc系统的正常运行数据；
7.对所述数据集进行预处理，按照预设比例划分为训练集与测试集，并将所述训练集与测试集分别转化为监督学习训练数据集与监督学习测试数据集；
8.通过顺序前进法对所述监督学习训练数据集与监督学习测试数据集进行特征选择，得到特征选取结果；
9.根据所述特征选取结果搭建sofc系统退化预测模型，所述sofc系统退化预测模型为在隐藏层与输出层之间引入注意力机制的lstm模型；
10.利用所述监督学习训练数据集与监督学习测试数据集分别对所述sofc系统退化预测模型进行训练和测试，并输出测试结果；
11.根据所述测试结果对所述sofc系统退化预测模型进行性能评估；
12.当所述测试结果达到要求时，将sofc系统实时产生的当前观测数据输入至所述sofc系统退化预测模型中进行退化预测，得到sofc系统的退化情况。
13.进一步地，所述对所述数据集进行预处理，按照预设比例划分为训练集与测试集，并将所述训练集与测试集分别转化为监督学习训练数据集与监督学习测试数据集，包括：
14.对所述数据集中的数据进行选择，具体为：填充缺失值和删除异常值；其中，
15.对于缺失值，直接用上一时刻的数据进行填充；
16.对于异常值，使用dbscan算法来确定，并删除。
17.进一步地，所述对所述数据集进行预处理，按照预设比例划分为训练集与测试集，并将所述训练集与测试集分别转化为监督学习训练数据集与监督学习测试数据集，还包括：
18.对数据集进行归一化处理，将归一化后的数据集按照预设比例划分为训练集和测试集；其中，
19.对数据集进行归一化处理通过下式进行：
[0020][0021]
其中，x
nom
是放缩完的数据，x是原始实验数据，x
max
为原始实验数据的最大值，x
min
为原始实验数据的最小值。
[0022]
进一步地，所述对所述数据集进行预处理，按照预设比例划分为训练集与测试集，并将所述训练集与测试集分别转化为监督学习训练数据集与监督学习测试数据集，还包括：
[0023]
将所述训练集与测试集中的数据根据时间进行切割重新分组，并将t+1时刻的数据作为输入，t+2时刻的数据作为输出，将所述训练集与测试集分别转化为监督学习训练数据集与监督学习测试数据集。
[0024]
进一步地，所述特征选取结果包括输出电压、输出电流、输入燃料流量、输入空气流量、入口甲烷压强和入口空气压强。
[0025]
进一步地，所述根据所述测试结果对所述sofc系统退化预测模型进行性能评估，包括：
[0026]
通过均方根误差和确定系数来评价所述测试结果的测试精度；
[0027]
计算所述均方根误差，并判断所述确定系数的值是否在预设区间内；若不在预设区间内，则调整所述sofc系统退化预测模型的参数，并重新进行训练与测试；若在预设区间内，则所述测试结果达到要求。
[0028]
进一步地，所述参数包括神经元个数、隐藏层层数和训练批量大小。
[0029]
本发明第二方面提供一种基于注意力机制和数据驱动的sofc系统退化预测系统，包括：
[0030]
数据获取模块，用于获取原始实验数据，并根据所述原始实验数据构建数据集，所述原始实验数据为所需要预测退化情况的sofc系统的正常运行数据；
[0031]
数据处理模块，用于对所述数据集进行预处理，按照预设比例划分为训练集与测试集，并将所述训练集与测试集分别转化为监督学习训练数据集与监督学习测试数据集；
[0032]
特征选择模块，用于通过顺序前进法对所述监督学习训练数据集与监督学习测试数据集进行特征选择，得到特征选取结果；
[0033]
模型构建模块，用于根据所述特征选取结果搭建sofc系统退化预测模型，所述sofc系统退化预测模型为在隐藏层与输出层之间引入注意力机制的lstm模型；
[0034]
训练测试模块，用于利用所述监督学习训练数据集与监督学习测试数据集分别对
所述sofc系统退化预测模型进行训练和测试，并输出测试结果；
[0035]
模型评估模块，用于根据所述测试结果对所述sofc系统退化预测模型进行性能评估；
[0036]
预测退化模块，用于当所述测试结果达到要求时，将sofc系统实时产生的当前观测数据输入至sofc系统退化预测模型中进行退化预测，得到sofc系统的退化情况。
[0037]
本发明第三方面提供一种电子设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面中任意一项所述的sofc系统退化预测方法。
[0038]
本发明第四方面提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述第一方面中任意一项所述的sofc系统退化预测方法。
[0039]
与现有技术相比，本发明实施例的有益效果在于：
[0040]
本发明提供一种基于注意力机制和数据驱动的sofc系统退化预测方法、系统、电子设备及存储介质，首先，采用了数据驱动的方法构建sofc系统退化预测模型，不需要花费大量的精力构建高精度的机理模型；其次，基于数据驱动的方法所得到的神经网络通用性较好，针对不同的sofc系统只需要重新训练调整参数即可，不需要改变模型框架结构；最后，在构建模型时引入了注意力机制，相比其它的数据驱动预测方法，可以自动更新神经网络参数权重，相比普通的lstm模型，预测精度更高。
附图说明
[0041]
为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0042]
图1是本发明某一实施例提供的一种基于注意力机制和数据驱动的sofc系统退化预测方法的流程图；
[0043]
图2是本发明某一实施例提供的一种基于注意力机制和数据驱动的sofc系统退化预测模型结构图；
[0044]
图3是lstm单元结构图；
[0045]
图4是注意力值计算过程图；
[0046]
图5是本发明又一实施例提供的一种基于注意力机制和数据驱动的sofc系统退化预测方法的流程图；
[0047]
图6是本发明某一实施例提供的一种基于注意力机制和数据驱动的sofc系统退化预测系统的装置图；
[0048]
图7是本发明某一实施例提供的一种电子设备的结构图。
具体实施方式
[0049]
下面结合附图和实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属
于本发明保护的范围。
[0050]
应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
[0051]
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0052]
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0053]
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0054]
在一实施例中，如图1所示，本发明提供一种基于注意力机制和数据驱动的sofc系统退化预测方法，包括：
[0055]
s1、获取原始实验数据，并根据原始实验数据构建数据集，原始实验数据为所需要预测退化情况的sofc系统的正常运行数据；
[0056]
具体地，对sofc系统进行退化实验，各种数据通过内置或外置的传感器检测获得；其中，原始实验数据即为所需要预测退化情况的sofc系统的正常运行数据，其类型既有布尔型的开关变量，比如电磁阀的开关，也有时序数据，比如电压、电流、温度、压强、流速等等；包括sofc系统各个观测点的温度、压强、流速、电特性数据；比如阳极入口气体压强、流速、温度，电堆单电池电压，电堆输出电压、电流等等；正常运行数据的作用为观测sofc系统的运行情况，方便做出对应的控制策略。比如说sofc系统在实际运行中有四大温度约束，那么在对应的观测点得到的温度数据如果超出了约束范围，就应该调整对应的输入参数(如进气量)来使得温度处于约束范围内；再比如说sofc系统放电功率是最为重要的，因此需要通过观测得到的电压电流数据来计算得出功率数据。而采集这些所需要预测退化情况的sofc系统的正常运行数据，用来作为数据集对模型进行训练与测试。
[0057]
s2、对数据集进行预处理，按照预设比例划分为训练集与测试集，并将训练集与测试集分别转化为监督学习训练数据集与监督学习测试数据集；
[0058]
在一具体实施例中，对数据集的预处理包括对数据集中的数据进行选择，具体为：填充缺失值和删除异常值。对于缺失值，直接用上一时刻的数据进行填充；对于异常值，使用dbscan(density-based spatial clustering of applications with noise)方法来计算，确定数据为异常值时删除：以每个数据点为中心，设定邻域及邻域内需要有若干个点，如果样本点大于指定要求，则认为该点与邻域内的点属于同一类；如果样本点小于指定要求，若该点位于其它点的邻域内，则属于边界点。异常点也可以理解为某一小段数据内的边界点，即相较前后的数据点，出现一个突然很大或很小的数据点；指定要求无具体标准，由人为定义。
[0059]
可以理解的是，在获取原始实验数据和正常运行数据的过程中，受传感器等因素的影响，获取的数据可能会存在缺失值和异常值。填补缺失值，可保证数据的多样性；删除异常值，可避免异常数据对后续数据处理造成影响，也可保证数据的多样性。
[0060]
在一具体实施例中，对数据集进行预处理，按照预设比例划分为训练集与测试集，并将训练集与测试集分别转化为监督学习训练数据集与监督学习测试数据集，还包括：对
数据集进行归一化处理，将归一化后的数据集按照预设比例划分为训练集和测试集；对数据集进行归一化处理通过下式进行：
[0061][0062]
其中，x
nom
是放缩完的数据，x是原始实验数据，x
max
为原始实验数据的最大值，x
min
为原始实验数据的最小值。
[0063]
由于数据集中的数据为时间序列数据，无法采用传统机器学习随机分集的方式，所以，直接将归一化后的数据按照预设比例根据时间先后划分为训练集和测试集，此处预设比例优选为3：1。而对数据进行归一化处理，可使得预处理的数据集被限定在一定的范围内，从而消除奇异样本数据导致的不良影响；而数据归一化处理后，可以加快梯度下降求最优解的速度，提高精度。
[0064]
在一具体实施例中，对数据集进行预处理，按照预设比例划分为训练集与测试集，并将训练集与测试集分别转化为监督学习训练数据集与监督学习测试数据集，还包括：将训练集与测试集中的数据根据时间进行切割重新分组，再编写转化函数，假设每10分钟的数据作为一个新单位，使得第一个单位(1-10分钟数据)作为输入，第二个单位(11-20分钟数据)作为输出；接着第二个单位变为输入，第三个单位作为输出，以此类推，获得一对对数据；即将t+1时刻的数据作为输入，t+2时刻的数据作为输出，最终使数据集中的数据转化为监督学习数据，训练集与测试集分别转化为监督学习训练数据集与监督学习测试数据集，以便数据对模型进行训练和测试。
[0065]
s3、通过顺序前进法对监督学习训练数据集与监督学习测试数据集进行特征选择，得到特征选取结果；
[0066]
在一具体实施例中，特征选取结果包括输出电压、输出电流、输入燃料流量、输入空气流量、入口甲烷压强和入口空气压强。此处，特征选取结果是针对本次所采用数据集中的所有特征组合中，预测效果最好的组合，限定特征数为6个；也就是说，特征选取结果为对预测结果影响最大的6个特征。可以理解的是，对数据特征进行筛选，可提高之前收集的相关数据的可用性，更利于后期数据分析，并为模型预测精准度的提升打下坚实的基础。
[0067]
s4、根据特征选取结果搭建sofc系统退化预测模型，sofc系统退化预测模型为在隐藏层与输出层之间引入注意力机制的lstm模型；
[0068]
具体的，根据特征选取结果搭建sofc系统退化预测模型，本实施例基于注意力机制和数据驱动构建的sofc系统退化预测模型如图2所示，sofc系统退化预测模型为在隐藏层与输出层之间引入注意力机制的lstm模型，也可称为attention-lstm模型，包括输入层、隐藏层、注意力层和输出层，搭建平台为python，注意力层由在lstm模型的隐藏层与输出层之间引入注意力机制形成。注意力机制是指在神经网络训练时，不需要将所有的输入信息都让神经网络进行处理训练，而是选择与任务相关的信息进行输入计算。注意力机制可以分为硬性注意力机制和软性注意力机制两种，此次所采用的是软性注意力机制，注意力公式如下：
[0069]
[0070]
其中，xi为输入数据的第i个向量，q为设置的查询向量，αi为第i个向量与查询向量q的相关程度，也称为注意力分布。
[0071]
lstm单元的结构如图3所示，处理后的数据，输入至sofc系统退化预测模型的输入层开始对模型进行训练，并同时进行损失计算，利用计算出的监督损失函数和adam优化器对模型参数进行更新；在引入的注意力层进行注意力权重向量计算，自动更新神经网络参数权重；利用输出层输出的数据来计算监督损失函数，并结合adam优化器对模型参数继续进行更新。
[0072]
注意力值计算过程如图4所示，将输入数据中的信息进行加权平均后再输入到神经网络中计算；其中，与任务越相关的数据，所被抽取的信息也会越多。本技术在构建模型时引入了注意力机制，相比其它的数据驱动预测方法，可以自动更新神经网络参数权重，相比普通的lstm模型，预测精度更高。
[0073]
s5、利用监督学习训练数据集与监督学习测试数据集分别对sofc系统退化预测模型进行训练和测试，并输出测试结果；具体的，先利用训练集对sofc系统退化预测模型进行训练，再利用测试集对sofc系统退化预测模型进行测试，输出的测试结果用来判断模型测试精度。
[0074]
s6、根据测试结果对所述sofc系统退化预测模型进行性能评估；
[0075]
在一具体实施例中，根据测试结果对sofc系统退化预测模型进行性能评估，包括：通过均方根误差和确定系数来评价测试结果的测试精度；计算均方根误差，并判断确定系数的值是否在预设区间内；若不在预设区间内，则调整sofc系统退化预测模型的参数，并重新进行训练与测试；若在预设区间内，则测试结果达到要求。
[0076]
可以理解的是，计算的均方根误差(mean square error，mse)没有设定值，每次训练数值都不同，而mse值越小，代表模型预测越准确，测试精度越高，模型误差越小。确定系数的值在区间[0，1]之间，越靠近1代表模型与数据集拟合得越好；因此，依据经验，确定系数的值越大，模型的拟合效果越好，确定系数的值在0.95以上就代表模型达到了较好的拟合结果。
[0077]
在一具体实施例中，模型参数包括神经元个数、隐藏层层数和训练批量大小等等；参数先根据人工选择确定初步范围后，再使用网格搜索法(grid search approach)选择最优参数；最优参数与确定系数的值有关，调整依据为mse和确定系数的值。mse越小，同时确定系数的值越大则是最佳参数情况。本技术针对不同的sofc系统只需要重新训练调整参数即可，不需要改变模型框架结构，通用性好。
[0078]
s7、当测试结果达到要求时，将sofc系统实时产生的当前观测数据输入至sofc系统退化预测模型中进行退化预测，得到sofc系统的退化情况。
[0079]
本技术实施例中基于目前的预测模型对sofc系统的退化预测效果不佳，且缺乏通用性和精准度的问题，设计了一种基于注意力机制和数据驱动的sofc系统退化预测方法，如图5所示，首先，采用了数据驱动的方法构建sofc系统退化预测模型，不需要花费大量的精力构建高精度的机理模型；其次，基于数据驱动的方法所得到的神经网络通用性较好，针对不同的sofc系统只需要重新训练调整参数即可，不需要改变模型框架结构；最后，在构建模型时引入了注意力机制，相比其它的数据驱动预测方法，可以自动更新神经网络参数权重，相比普通的lstm模型，预测精度更高。
[0080]
需要说明的是，虽然上述流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。
[0081]
在另一实施例中，如图6所示，本发明提供一种基于注意力机制和数据驱动的sofc系统退化预测系统，包括：
[0082]
数据采集模块10，用于获取原始实验数据，并根据原始实验数据构建数据集；数据处理模块20，用于对数据集进行预处理，按照预设比例划分为训练集与测试集，并将训练集与测试集分别转化为监督学习训练数据集与监督学习测试数据集；特征选择模块30，用于通过顺序前进法对监督学习训练数据集与监督学习测试数据集进行特征选择，得到特征选取结果；模型构建模块40，用于根据特征选取结果搭建sofc系统退化预测模型；训练测试模块50，用于利用监督学习训练数据集与监督学习测试数据集分别对sofc系统退化预测模型进行训练和测试，并输出测试结果；模型评估模块60，用于根据测试结果对sofc系统退化预测模型进行性能评估；预测退化模块70，用于当测试结果达到要求时，将sofc系统实时产生的当前观测数据输入至sofc系统退化预测模型中进行退化预测，得到sofc系统的退化情况。
[0083]
本技术实施例中基于目前的预测模型对sofc系统的退化预测效果不佳，且缺乏通用性和精准度的问题，设计了一种基于注意力机制和数据驱动的sofc系统退化预测系统，该系统包括数据采集模块、数据处理模块、特征选择模块、模型构建模块、训练测试模块、模型评估模块和预测退化模块；不需要花费大量时间构建高精度的、复杂的物理模型，且预测更为快速，通用性更强。
[0084]
需要说明的是，上述一种基于注意力机制和数据驱动的sofc系统退化预测系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。关于一种基于注意力机制和数据驱动的sofc系统退化预测系统的具体限定参见上文中对于一种基于注意力机制和数据驱动的sofc系统退化预测方法的限定，二者具有相同的功能和作用，在此不再赘述。
[0085]
本发明第三方面提供了一种电子设备，该电子设备包括：
[0086]
处理器、存储器和总线；
[0087]
所述总线，用于连接所述处理器和所述存储器；
[0088]
所述存储器，用于存储操作指令；
[0089]
所述处理器，用于通过调用所述操作指令，可执行指令使处理器执行如本技术的第一方面所示的一种基于注意力机制和数据驱动的sofc系统退化预测方法对应的操作。
[0090]
在一个可选实施例中提供了一种电子设备，如图7所示，图7所示的电子设备5000包括：处理器5001和存储器5003。其中，处理器5001和存储器5003相连，如通过总线5002相连。可选地，电子设备5000还可以包括收发器5004。需要说明的是，实际应用中收发器5004不限于一个，该电子设备5000的结构并不构成对本技术实施例的限定。
[0091]
处理器5001可以是cpu，通用处理器，dsp，asic，fpga或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本技术公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器5001也可以是实现计算功能的组合，例如包
含一个或多个微处理器组合，dsp和微处理器的组合等。
[0092]
总线5002可包括一通路，在上述组件之间传送信息。总线5002可以是pci总线或eisa总线等。总线5002可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0093]
存储器5003可以是rom或可存储静态信息和指令的其他类型的静态存储设备，ram或者可存储信息和指令的其他类型的动态存储设备，也可以是eeprom、cd-rom或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
[0094]
存储器5003用于存储执行本技术方案的应用程序代码，并由处理器5001来控制执行。处理器5001用于执行存储器5003中存储的应用程序代码，以实现前述任一方法实施例所示的内容。
[0095]
其中，电子设备包括但不限于：移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。
[0096]
本发明第四方面提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现本技术第一方面所示的一种基于注意力机制和数据驱动的sofc系统退化预测方法。
[0097]
本技术的又一实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。
[0098]
综上，本发明公开了一种基于注意力机制和数据驱动的sofc系统退化预测方法、系统、电子设备及存储介质，首先，采用了数据驱动的方法构建sofc系统退化预测模型，不需要花费大量的精力构建高精度的机理模型；其次，基于数据驱动的方法所得到的神经网络通用性较好，针对不同的sofc系统只需要重新训练调整参数即可，不需要改变模型框架结构；最后，在构建模型时引入了注意力机制，相比其它的数据驱动预测方法，可以自动更新神经网络参数权重，相比普通的lstm模型，预测精度更高。
[0099]
本说明书中的各个实施例均采用递进的方式描述，各个实施例直接相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。需要说明的是，上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。
[0100]
以上所述实施例仅表达了本技术的几种优选实施方式，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，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本技术的保护范围。因此，本技术专利的保护范围应以所述权利要求的保护范围为准。