[发明专利]基于深度信念网络的质子交换膜燃料电池性能预测及寻优方法

权利要求书

1.一种基于深度信念网络的质子交换膜燃料电池性能预测与寻优方法，其特征是，它包括以下步骤：

1)训练数据的收集与预处理

以能影响质子交换膜燃料电池输出性能的相关参数作为深度信念网络的输入变量，以电池的电流密度作为输出变量，通过CFD软件对质子交换膜燃料电池仿真模型进行计算得到深度信念网络的训练数据，由于各输入变量的范围不在同一数量级上，需要进行归一化处理将所有数据都缩放到[0,1]的范围内，将进行归一化处理后的数据用作深度信念网络的训练数据；

2)构建深度信念网络模型并进行训练

深度信念网络由多个限制玻尔兹曼机(RBM)堆叠而成，并在最顶端添加一个线性回归层，每个RBM包含一个可视层v与一个隐藏层h，两层之前双向连接，同层之间无连接，第一个RBM的可视层作为输入层，前一个RBM的隐藏层作为下一个RBM的可视层，最后以BP算法对全局的训练参数进行反向微调，通过交叉验证方法确定深度信念网络的学习率、微调迭代步数、隐藏层数和各层神经元数；对深度信念网络进行训练，训练过程包括预训练与微调两个阶段，将步骤1)归一化处理后的训练数据由第一个RBM的可视层输入，对每个RBM都采用对比散度(CD)算法进行训练，当一个RBM训练结束后，固定该RBM的参数不变并训练下一个RBM，即v,h,权重w和偏置a,b不变，当所有RBM都训练完成后，即获得深度信念网络参数的初始值；微调阶段，由于此时的网络输出值与实际值之间存在较大误差，采用BP算法将误差逐层向前传递来更新权值，经过一定迭代次数后误差降低到设定的标准值，此时网络训练完成，得到最终的用于预测质子交换膜燃料电池性能的深度信念网络模型；

3)电池性能预测并与传统预测方法比较

将需要预测的工况数据进行归一化处理后输入到该深度信念网络模型中，通过网络计算得到相应的电流密度，再与对应电压相乘后得到电池的功率密度，构建另外两种预测方法：传统BP神经网络与基于Bagging集成的神经网络模型，并将传统BP神经网络与基于Bagging集成的神经网络模型的预测结果再与步骤2)构建的深度信念网络模型进行对比，结果显示，相比于其他两种方法，预测准确性均高；

4)应用深度信念网络模型搜寻最大功率密度与最优工况

对各输入变量选取多于训练数据范围的工况，然后对各输入变量工况进行全因子设计，使用深度信念网络模型对进行全因子设计后得到的所有工况组合进行预测，与对应电压相乘后筛选出最大的功率密度与相应的参数组合。