[发明专利]一种基于深度卷积神经网络的燃料电池寿命预测方法

说明书

本发明公开一种基于深度卷积神经网络的燃料电池寿命预测方法，包括对实验测试数据集中原始数据选取特征变量作为模型输入数据；对原始数据进行数据归一化；提取样本数据，进行多批次划分；设置所述燃料电池寿命预测模型的参数，之后进入卷积层计算；当完成一个卷积层的计算后，在进入下一个卷积层之前，对得到的特征映射矩阵作最大值池化处理；经过多层卷积层计算后，进行全局平均池化，并将单个特征的多层特征映射矩阵作全连接运算；根据批次划分经过多轮训练，输出预测结果。本发明能够满足燃料电池寿命预测的需求，预测时间快且预测精度高；能够为燃料电池管理提供高效可靠的燃料电池剩余使用寿命预测参数，提高了管理效率。

技术领域

本发明属于燃料电池技术领域，特别是涉及一种基于深度卷积神经网络的燃料电池寿命预测方法。

背景技术

燃料电池虽然具有清洁、高效等多重优点，但其商业化进程仍处在起步阶段，而它的使用寿命则是限制其大规模应用的重要因素。针对燃料电池耐久性不佳这一缺陷，预测与健康管理技术(PHM)成为当前燃料电池健康状态评估及剩余工作寿命预测的热门方法。健康管理技术即通过预测或者诊断的信息，利用维修资源对下一步的维修动作出恰当的决策，剩余使用寿命预测(RUL)是PHM中不可缺少的一环，根据预测结果对系统设备制定管理策略，可有效提高供电系统的可靠性。

目前用于预测的方法主要有数据驱动、模型驱动及融合算法三类，基于数据驱动的预测方法利用大量数据完成非线性拟合，不需要先验的燃料电池组件退化模型，在预测方面具有较大优势。但是，基于数据的预测算法一般采用统计技术，通过算法如粒子滤波、局部加权投影回归等拟合预测方法，预测的精度较低，时间代价高；在进行燃料电池寿命预测时，由于燃料电子自身特质，需要建立实时且能够处理大量数据的预测方法，而目前的预测方法并不能满足燃料电池寿命预测的需求，预测时间长且预测精度低，无法为燃料电池管理提供高效可靠的燃料电池剩余使用寿命预测参数。

发明内容

为了解决上述问题，本发明提出了一种基于深度卷积神经网络的燃料电池寿命预测方法，能够满足燃料电池寿命预测的需求，预测时间快且预测精度高；能够为燃料电池管理提供高效可靠的燃料电池剩余使用寿命预测参数，提高了管理效率。

为达到上述目的，本发明采用的技术方案是：一种基于深度卷积神经网络的燃料电池寿命预测方法，包括步骤：

S100,获取实验测试数据集进行预处理；

S200,根据实验测试数据集构建和训练基于深度卷积神经网络的燃料电池寿命预测模型；通过将测试数据输入所述燃料电池寿命预测模型经过训练，输出预测结果；

所述燃料电池寿命预测模型的训练和预测过程，包括步骤：

S201,对实验测试数据集中原始数据选取特征变量作为模型输入数据；

S202,对原始数据进行预处理，进行数据归一化；

S203,根据处理后的原始数据提取样本数据，进行多批次划分；

S204,设置所述燃料电池寿命预测模型的参数包括卷积核数量、卷积核长度和激活函数，之后进入卷积层计算；

S205,当完成一个卷积层的计算后，在进入下一个卷积层之前，对得到的特征映射矩阵作最大值池化处理；

S206,经过多层卷积层计算后，进行全局平均池化，并将单个特征的多层特征映射矩阵作全连接运算；

S207,根据批次划分经过多轮训练，输出预测结果。