电源车辆气体泄漏的预测方法、预测装置和电子设备与流程

本技术涉及燃料车的气体泄漏预警，具体而言，涉及一种电源车辆气体泄漏的预测方法、电源车辆气体泄漏的预测装置、计算机可读存储介质和电子设备。

背景技术：

1、随着环境问题的日益突出，传统柴油发电机组作为应急电源已经不能满足当下的排放要求，同时新型电力系统对于运行安全稳定性和动态调整能力的要求更高，而氢能作为一种新兴能源，在氢燃料电池等发电终端的使用上排放无污染，同时，在车辆领域，氢燃料电池动力系统的技术发展和应用也在逐渐成熟，因此，氢燃料应急电源车的研究和应用具有广阔的前景。

2、当然，虽然氢燃料应急电源车具有很大的潜力和优势，但其在实际应用中仍存在潜在的安全问题，需要采取有效的管理和监控措施，以确保其安全性和可靠性。而通过对氢安全问题进行溯源，氢气的泄漏无疑是事故发生最重要的诱因之一，因此对于氢气泄漏的监测和预警就尤为重要。

3、目前已有的氢气泄漏预测方法有很多，总结下来大多采用基于模型或基于数据的机器学习或非机器学习预测方法。各有优劣，非机器学习方法结构简单，易于实现，但对于模型的适配度要求很高，不具有迁移性，预测结果可能会出现偏差，机器学习的方法预测精度更高，同时具有迁移性，可以实现自适应动态调整，但对于数据和算力的要求更高，结构更复杂。

4、因此，需要一种优化的氢气泄漏预测方法，以至少解决以上问题之一。

技术实现思路

1、本技术的主要目的在于提供一种电源车辆气体泄漏的预测方法、电源车辆气体泄漏的预测装置、计算机可读存储介质和电子设备，以至少解决现有技术中氢气泄漏预测准确率低的问题。

2、为了实现上述目的，根据本技术的一个方面，提供了一种电源车辆气体泄漏的预测方法，包括：建立电源车辆的气体泄漏模型，并获取所述气体泄漏模型在多种泄漏场景下的气体泄漏数据；获取所述电源车辆在当前时刻的实际泄漏数据，通过鲸鱼优化神经网络算法模型对所述实际泄漏数据进行分析，得到下一时刻的气体泄漏预测值，其中，所述鲸鱼优化神经网络算法模型是采用多组数据训练得到的，所述多组数据中的每组数据均包括：所述气体泄漏数据和气体泄漏预测值；在所述气体泄漏预测值大于预设阈值的情况下，进行报警，以警示所述电源车辆发生气体泄漏并采取预防措施。

3、可选地，建立电源车辆的气体泄漏模型，并获取所述气体泄漏模型在多种泄漏场景下的气体泄漏数据，包括：获取所述电源车辆的尺寸信息，根据所述尺寸信息建立车辆模型，在所述车辆模型上设置泄漏口，并对所述车辆模型进行网格划分；建立泄漏气体和空气的混合流体模型，以模拟所述泄漏气体的泄漏过程，得到所述气体泄漏模型；在多种所述泄漏场景下，对所述气体泄漏模型进行瞬态求解，得到多个所述气体泄漏数据。

4、可选地，建立泄漏气体和空气的混合流体模型，包括：建立所述混合流体模型的k传输方程为其中，k为湍动能，gk是层流速度梯度带来的湍流动能，gb是浮力带来的湍流动能，ui为速度矢量在i方向上的分量，uj为速度矢量在j方向上的分量，xj为j方向的传输距离，xi为i方向的传输距离，μ为流体的动力黏度系数，μt为流体的湍流黏度系数，ym＝2ρεma2由可压缩湍流中波动扩张引起的耗散项，ma为湍流马赫数，ρ为密度，σk为所述k传输方程的普朗特数，ε表示湍动能耗散率；建立所述混合流体模型的ε传输方程为其中，σε为所述ε传输方程的普朗特数，c2为第一常数，v表示动力粘度，c1ε为第二常数，c2ε为第三常数。

5、可选地，在通过鲸鱼优化神经网络算法模型对所述实际泄漏数据进行分析之前，所述方法还包括：建立初始bp神经网络模型，并确定所述初始bp神经网络模型的初始结构参数；基于所述气体泄漏数据通过鲸鱼优化算法对所述初始bp神经网络模型的所述初始结构参数进行训练，以优化所述初始结构参数，得到最优结构参数，并得到所述鲸鱼优化神经网络算法模型。

6、可选地，在通过鲸鱼优化神经网络算法模型对所述实际泄漏数据进行分析之前，所述方法还包括：确定鲸鱼优化算法的初始模型为d＝|c·xbest(t)-x(t)|和x(t+1)＝xbest(t)-a·d，其中，d表示距离向量，xbest表示局部最优位置向量，x表示位置向量，t表示当前迭代次数，t+1表示所述当前迭代次数的下一次迭代次数，a表示第一系数且a＝2a·r-a，c表示第二系数且a＝2a·r-a，r是[0,1]的随机数，a表示收敛因子且t表示最大迭代次数；通过公式d'＝|xbest(t)-x(t)|和x(t+1)＝d'·ebl·cos(2πl)+xbest(t)对所述位置向量进行更新，其中，b为常数，l为[-1,1]之间的随机数，d’表示更新后的距离向量。

7、可选地，在通过鲸鱼优化神经网络算法模型对所述实际泄漏数据进行分析之前，所述方法还包括：通过公式d＝|c·xr(t)-x(t)|和x(t+1)＝xr(t)-a·d确定鲸鱼优化算法的最优参数值，其中，d表示距离向量，x表示位置向量，a表示第一系数且a＝2a·r-a，r∈[0,1]的随机数，a表示收敛因子t表示最大迭代次数，t表示当前迭代次数，xr表示随机位置向量。

8、可选地，所述方法还包括：通过确定所述鲸鱼优化神经网络算法模型的隐藏层节点数量，其中，q为所述隐藏层节点数量，m为所述鲸鱼优化神经网络算法模型的输入层节点数量，n为所述鲸鱼优化神经网络算法模型的输出层节点数量，a为[1,10]之间的整数。

9、根据本技术的另一方面，提供了一种电源车辆气体泄漏的预测装置，包括：获取单元，用于建立电源车辆的气体泄漏模型，并获取所述气体泄漏模型在多种泄漏场景下的气体泄漏数据；分析单元，用于获取所述电源车辆在当前时刻的实际泄漏数据，通过鲸鱼优化神经网络算法模型对所述实际泄漏数据进行分析，得到下一时刻的气体泄漏预测值，其中，所述鲸鱼优化神经网络算法模型是采用多组数据训练得到的，所述多组数据中的每组数据均包括：所述气体泄漏数据和气体泄漏预测值；报警单元，用于在所述气体泄漏预测值大于预设阈值的情况下，进行报警，以警示所述电源车辆发生气体泄漏并采取预防措施。

10、根据本技术的再一方面，提供了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程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述的电源车辆气体泄漏的预测方法。

11、根据本技术的又一方面，提供了一种电子设备，包括：一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行任意一种所述的电源车辆气体泄漏的预测方法。

12、应用本技术的技术方案，建立电源车辆的气体泄漏模型，并获取气体泄漏模型在多种泄漏场景下的气体泄漏数据；获取电源车辆在当前时刻的实际泄漏数据，通过鲸鱼优化神经网络算法模型对实际泄漏数据进行分析，得到下一时刻的气体泄漏预测值，其中，鲸鱼优化神经网络算法模型是采用多组数据训练得到的，多组数据中的每组数据均包括：气体泄漏数据和气体泄漏预测值；在气体泄漏预测值大于预设阈值的情况下，进行报警，以警示电源车辆发生气体泄漏并采取预防措施。与现有技术中，预测精度较低的方法相比，本技术通过对泄漏模型的精细建模，以及神经网络预测算法的参数优化实现对预测效果精度的提高，对预测算法本身进行了优化，提高预测的准确率。