技术特征：
1.一种固体氧化物燃料电池性能退化的混合预测方法，其特征在于，包括：采用基于灰色预测模型的第一预测方法捕捉预设预测时间段内的燃料电池电压的退化趋势，得到目标时刻的第一预测结果；利用基于数据驱动的自适应神经模糊系统的第二预测方法，获取所述燃料电池电压的退化过程中的局部非线性特征，得到所述目标时刻的第二预测结果；通过滑动窗口和数据融合方法将所述目标时刻的第一预测结果和第二预测结果进行数据融合，得到所述目标时刻对应的目标电压的混合预测结果。2.如权利要求1所述的方法，其特征在于，所述灰色预测模型采用gm(1,1)一阶单变量灰色预测模型。3.如权利要求2所述的方法，其特征在于，所述一阶单变量灰色预测模型的建立包括：定义原始燃料电池电压序列u
(0)
为：u
(0)
＝{u
(0)
(1),u
(0)
(2),u
(0)
(3),
…
,u
(0)
(n)}其中，n是电压序列的样本大小，u
(0)
(k)为燃料电池电压序列的第k个数据；根据初始电压序列一阶累加生成的新序列u
(1)
为：u
(1)
＝{u
(1)
(1),u
(1)
(2),u
(1)
(3),
…
,u
(1)
(n)}其中，u
(1)
(k)为数列u
(0)
对应前k项数据的累加,具体计算公式为：之后定义相邻平均序列z
(1)
：z
(1)
＝{z
(1)
(1),z
(1)
(2),z
(1)
(3),
…
,z
(1)
(n)}其中，z
(1)
(k)为平均序列z
(1)
的第k个数据，具体计算如下：z
(1)
(1)＝u
(1)
(1)z
(1)
(k)＝0.5
·
[u
(1)
(k)+u
(1)
(k-1)],k＝2,3,
…
,ngm(1，1)一阶灰色微分方程：u
(0)
(k)+a
·
z
(1)
(k)＝b其白化函数可以表示如下：根据最小二乘法可以得到两个参数a,b的估计值根据最小二乘法可以得到两个参数a,b的估计值根据最小二乘法可以得到两个参数a,b的估计值将带入白化函数，可得灰色微分方程的解为：
u
(1)
(0)＝u
(0)
(1)还原成原始序列则可以得到预测值为：其中，为累加序列的预测值，为原始序列的预测值。4.如权利要求3所述的方法，其特征在于，所述一阶单变量灰色预测模型的建立还包括：对所述一阶单变量灰色预测模型进行误差修正；引入误差校正因子ψ，u
(1)
(t)＝0.5
·
[u
(1)
(k)+u
(1)
(k-1)-ψ]；新的灰色微分方程可以写成：其中，中间参数m，n的估计值为：因此可以得到灰色微分方程的解为：其中两个新参数μ，υ的估计值同样可以通过最小二乘法来得到：其中通过误差修正模型可以得到最终的第一预测结果通过误差修正模型可以得到最终的第一预测结果其中，当k＝2,3,
…
,n时可以得到初始电压衰减序列的拟合值，当k＞n时可以得到电压衰减序列的第一预测结果。5.如权利要求1所述的方法，其特征在于，所述自适应神经模糊系统的模糊规则选择策略为anfis-sc，分别设置参数：最大迭代次数、目标训练误差、初始训练步长、步长减小率和
步长增长率。6.如权利要求1所述的方法，其特征在于，所述通过滑动窗口和数据融合方法将所述目标时刻的第一预测结果和第二预测结果进行数据融合，得到所述目标时刻对应的目标电压的混合预测结果，包括：通过滑动窗口构建输入矩阵和所述混合预测结果矩阵；为预测未来n个目标时刻的目标电压，所述输入矩阵为输入现有的m个电压数据，所述输入矩阵为：其中，m
×
k矩阵每列代表一个输入样本序列；n是窗口滑动大小，k表示实际的预测步，k＝0为初始序列，k＝1表示第1步预测，k为总滑动步数；所述混合预测结果矩阵为：其中，n
×
k矩阵表示预测的目标，每个元素代表一个需要预测的目标电压，每个元素的值代表每个目标时刻对应的目标电压的混合预测结果；m
×
k矩阵的每一列m个输入对应于n
×
k矩阵每列该步数下所需要预测的n个目标电压。7.如权利要求6所述的方法，其特征在于，所述通过滑动窗口和数据融合方法将所述目标时刻的第一预测结果和第二预测结果进行数据融合，得到所述目标时刻对应的目标电压的混合预测结果，还包括：在每一步迭代预测过程中对所述第一预测方法和所述第二预测方法的拟合能力进行评估，具体为：将第k-1步用于评估的燃料电池电压测量值，分别与所述第一预测方法和所述第二预测方法在第k-1步得到的所述第一预测结果和所述第二预测结果进行比较，得到第一残差和第二残差；根据所述第一残差计算第k步对应的目标电压的第一预测结果的权重因子；根据所述第二残差计算第k步对应的目标电压的第二预测结果的权重因子；由于新测量值的加入，混合预测的过程中每一步迭代的权重因子均动态调整；其中，权重因子w
p,k
，表示实际预测过程中第一预测结果或第二预测结果的准确程度，与残差绝对值的和成反比；权重因子计算公式如下：
其中，p＝1表示基于灰色预测模型的第一预测结果，p＝2表示基于自适应神经模糊系统的第二预测结果；k表示实际的预测步骤；u
p,k-1
代表评价过程中第k-1步实际测量的电压值，代表评价过程中第k-1步模型预测的电压值；混合预测结果根据加权平均的方式来表示：其中，表示灰色预测模型或自适应神经模糊系统在未来预测过程中的预测数据，w
norm,p,k
表示归一化的权重因子，通过下式计算可得：8.一种固体氧化物燃料电池性能退化的混合预测系统，其特征在于，包括：第一预测模块，用于采用基于灰色预测模型的第一预测方法捕捉预设预测时间段内的燃料电池电压的退化趋势，得到目标时刻的第一预测结果；第二预测模块，用于利用基于数据驱动的自适应神经模糊系统的第二预测方法，获取所述燃料电池电压的退化过程中的局部非线性特征，得到所述目标时刻的第二预测结果；混合预测模块，用于通过滑动窗口和数据融合方法将所述目标时刻的第一预测结果和第二预测结果进行数据融合，得到所述目标时刻对应的目标电压的混合预测结果。
技术总结
本发明公开了一种固体氧化物燃料电池性能退化的混合预测方法及系统。该方法包括：采用基于灰色预测模型的第一预测方法捕捉预设预测时间段内的燃料电池电压的退化趋势，得到目标时刻的第一预测结果；利用基于数据驱动的自适应神经模糊系统的第二预测方法，获取燃料电池电压的退化过程中的局部非线性特征，得到目标时刻的第二预测结果；通过滑动窗口和数据融合方法将目标时刻的第一预测结果和第二预测结果进行数据融合，得到目标时刻对应的目标电压的混合预测结果。解决了现有燃料电池的性能预测方法具有局限性，预测精度较差的问题，实现了能够捕捉长期燃料电池电压退化趋势，同时保持短期非线性退化特性的细节，具有更高的预测精度的有益效果。预测精度的有益效果。预测精度的有益效果。
技术研发人员：李曦 盛闯 俎焱敏 傅俊 曾令鸿 邓忠华
受保护的技术使用者：华中科技大学
技术研发日：2022.10.13
技术公布日：2023/1/13