[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

说明书

本发明提供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，其特点是，包括：训练数据的收集与预处理、构建深度信念网络模型并进行训练、电池性能预测并与传统预测方法比较和应用深度信念网络模型搜寻最大功率密度与最优工况等步骤，其科学合理，预测准确性高；并且仅通过相对少的数据训练网络就能够完成很大工况范围内的最大功率密度搜寻并获取最佳运行工况，相比于花费昂贵的实验与耗时较长的模拟，能够极大提高燃料电池系统的设计与优化效率。

技术领域

本发明涉及质子交换膜燃料电池性能预测技术领域，特别涉及一种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。

背景技术

质子交换膜燃料电池由于具有发电效率高、零排放、无噪声、模块化等优点，已经成为各类分布式发电及便携设备的首选备用电源。在实际应用中，准确预测质子交换膜燃料电池的性能可以使设计人员进行有针对性的调整，提高电池系统的设计和优化效率。然而由于电池内部机理十分复杂，传统的预测模型及方法不仅需要大量的计算和时间，而且预测精度一般不高。近年来不断发展的人工神经网络方法可以逼近任意非线性函数，一旦经过正确的训练，可以给出输入与输出间良好的映射关系，非常适用于燃料电池等复杂系统的预测问题。

目前应用最广的反向传播(BP)神经网络由于其初始权值由随机初始化的方法得到，使其容易陷入局部最小点，导致网络的预测精度不够高。

发明内容

本申请人的构思汲于深度信念网络的初始权重是通过无监督的预训练得到的，之后再利用BP算法对网络参数进行有监督的微调，使得深度信念网络相比BP网络具有更好的初始点，能够克服传统BP网络的不足。

本发明要解决的技术问题是：为克服传统质子交换膜燃料电池性能预测精度不高的问题，提出一种科学合理，预测精度高，能够使电池获取最佳运行工况的基于深度信念网络的质子交换膜燃料电池性能预测方法。

解决其技术问题所采取的技术方案是：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