[发明专利]一种PEMFC剩余使用寿命预测的方法及装置

说明书

本发明公开了一种PEMFC剩余使用寿命预测的方法及装置，涉及燃料电池剩余使用寿命预测技术领域，其方法包括：利用训练好的LSSVM预测模型对预测起始时间点之前的放电电压数据进行初步退化预测，得到所述预测起始时间点之后的放电电压初步预测数据；将所述基于LSSVM预测模型得到的放电电压初步预测数据作为观测值，送入训练好的RPF预测模型，并利用训练好的RPF预测模型对所述预测起始时间点之后的放电电压数据进行精准退化预测，得到所述PEMFC的预测寿命信息；根据所述PEMFC的预测寿命信息和所述预测起始时间点，得到PEMFC的剩余使用寿命信息。

技术领域

本发明涉及燃料电池剩余使用寿命预测的领域，特别涉及一种PEMFC(ProtonExchange Membrane Fuel Cell，质子交换膜燃料电池)剩余使用寿命预测方法及装置。

背景技术

PEMFC由于其发电效率高、环境污染小、比能量高、可应用范围广等特点，广泛应用于汽车、电站等领域。然而，其有限的使用寿命及高成本维修阻碍了PEMFC的长远发展。故障预测与健康管理(Prognostics and Health Management，PHM)技术作为一门新兴技术，为延长PEMFC的使用寿命提供了一种很好的解决方案。该技术通过对PEMFC的监测数据对其性能退化趋势进行预测，从而估计其剩余使用寿命，进而采取合理的使用机制及维修策略，达到延长PEMFC使用寿命的目的。在PHM技术中，故障预测是该技术的核心。

现有的PEMFC寿命预测技术大致可分为两类：基于模型的方法，包括滤波器方法、等效电路模型、电化学模型等方法；以及基于数据驱动的方法，包括神经网络、相关向量机、机器学习等方法。基于模型的方法不需要依赖大量数据，当模型建立准确时可以得到较为精确的预测结果。然而，由于PEMFC退化机理复杂，建立精确的电池性能退化模型在实际中往往难以实现。基于数据驱动的方法不需要建立精确的电池退化模型，该类方法通常采用一些智能计算方法从燃料电池监测数据中挖掘其性能退化规律，从而实现对PEMFC的剩余使用寿命预测。基于数据驱动的方法无需完全理解PEMFC的复杂退化机制，并且对监测信号中存在的非线性特性具有良好的鲁棒性。然而，其主要缺点在于该类方法对监测数据的质量和数量有较强的依赖性。

发明内容

本发明实施例提供一种质子交换膜燃料电池剩余使用寿命预测方法及装置，克服了现有的单一基于模型/数据驱动的PEMFC剩余使用寿命预测方法的局限性。

根据本发明实施例提供的一种PEMFC剩余使用寿命预测的方法，包括：

利用训练好的LSSVM(Least square support vector machine，最小二乘支持向量机)预测模型对预测起始时间点之前的放电电压数据进行初步退化预测，得到所述预测起始时间点之后的放电电压初步预测数据；

将所述基于LSSVM预测模型得到的放电电压初步预测数据作为观测值，送入训练好的RPF(Regularized particle filter，正则化粒子滤波)预测模型，并利用训练好的RPF预测模型对所述预测起始时间点之后的放电电压数据进行精准退化预测，得到所述PEMFC的预测寿命信息；

根据所述PEMFC的预测寿命信息和所述预测起始时间点，得到PEMFC的剩余使用寿命信息。

优选地，所述预测寿命信息包括预测寿命点估计和预测寿命概率分布；其中，所述根据所述PEMFC的预测寿命信息和所述预测起始时间点，得到PEMFC的剩余使用寿命信息包括：

根据所述PEMFC的预测寿命点估计和所述预测起始时间点，得到PEMFC的剩余使用寿命点估计；

根据所述PEMFC的预测寿命概率分布和所述预测起始时间点，得到所述PEMFC的剩余使用寿命概率分布。

优选地，还包括：