[发明专利]质子交换膜燃料电池剩余寿命预测方法

权利要求书

1.一种质子交换膜燃料电池剩余寿命预测方法，其特征在于，包括以下步骤：

S1：获取质子交换燃料电池在若干连续时刻的输出电压，将输出电压归一化至[0,1]之间，得到归一化后的输出电压V_t并构成输出电压队列[V₁,V₂,…,V_T]，其中t＝1,2,…,T，T表示输出电压数量；

S2：采用长度为N+1的滑动窗口以步长1在输出电压队列[V₁,V₂,…,V_T]中滑动，将每次滑动所得到的N+1个输出电压中前N个输出电压构成输入向量，将第N+1个输出电压作为期望电压输出，构建得到1个训练样本，从而获取训练样本集；

S3：构建质子交换膜燃料电池剩余寿命预测模型，包括1个输入层、3个隐藏层H₁、H₂、H₃以及1个输出层，其中输入层和隐藏层H₁作为第1个高斯型受限玻尔兹曼机RBM1，隐藏层H₁和隐藏层H₂作为第2个高斯型受限玻尔兹曼机RBM2，隐藏层H₂和隐藏层H₃作为第3个高斯型受限玻尔兹曼机RBM3；由以上三个高斯型受限玻尔兹曼机堆叠构建得到深度置信网络模型；将隐藏层H₂作为极限学习机的输入层，将隐藏层H₃作为极限学习机的隐藏层，以输出层作为极限学习机的输出层，从而构建得到极限学习机模型；

S4：采用步骤S2的训练样本集对剩余寿命预测模型进行训练，其具体训练过程如下：

S4.1：设置迭代次数k＝1；

S4.2：将前一个高斯型受限玻尔兹曼机的输出作为下一个高斯型受限玻尔兹曼机的输入，逐个训练高斯型受限玻尔兹曼机；

S4.3：采用梯度下降算法，以监督学习方式反向微调深度置信网络的参数；

S4.4：判断是否迭代次数k＜K，K表示预设的最大迭代次数，如果是，进入步骤S4.5，否则进入步骤S4.6；

S4.5：令k＝k+1，返回步骤S4.2；

S4.6：利用训练好的第3个高斯型受限玻尔兹曼机RBM3的输入权重和偏置来设置极限学习机的输入权重和偏置，训练得到极限学习机的输出层的权重；

S5：对于正在运行的质子交换膜燃料电池，获取其当前时刻T₀及前N-1个时刻的输出电压，采用步骤S1中的相同方法进行归一化后构建得到输入向量，将其输入至剩余寿命预测模型，得到下一时刻T₀+1的预测电压结果，进行反归一化得到下一时刻T₀+1的预测输出电压，然后将该预测电压结果作为已知归一化输出电压，与该预测时刻T₀+1的前N-1个时刻的归一化输出电压构建得到新的输入向量，将其输入至剩余寿命预测模型，得到再下一时刻T₀+2的预测电压结果，进行反归一化得到再下一时刻T₀+2的预测输出电压，以此类推，直到预测输出电压小于等于质子交换膜燃料电池的输出电压失效阈值，记所对应的预测时刻为T₁，即可计算燃料电池剩余使用寿命RUL＝T₁-T₀。

2.根据权利要求1所述的质子交换膜燃料电池剩余寿命预测方法，其特征在于，所述步骤S1中在归一化处理之前，采用中值滤波对T个输出电压进行处理。

3.根据权利要求1所述的质子交换膜燃料电池剩余寿命预测方法，其特征在于，所述质子交换膜燃料电池剩余寿命预测模型采用粒子群算法进行优化，包括以下步骤：

1)将质子交换膜燃料电池剩余寿命预测模型中三个隐藏层的神经元数量所构成的向量{L₁,L₂,L₃}作为粒子，预先设置各隐藏层神经元数量L_i的取值范围，i＝1,2,3，根据该取值范围初始化种群中的各个粒子；令迭代次数g＝1；

2)根据各个粒子所对应的三个隐藏层神经元数量对剩余寿命预测模型的隐藏层神经元进行设置，采用步骤S2中的训练样本集对各个粒子对应的剩余寿命预测模型进行训练；

3)将步骤S2中训练样本集中的各个训练样本的输入向量输入至剩余寿命预测模型，得到预测电压输出，计算所有训练样本的预测电压输出和对应期望电压输出的均方误差，将该均方误差作为粒子的适应度值；

4)如果迭代次数g＝1，则将当前各个粒子作为个体最优解，当前所有粒子中适应度值最小的粒子作为全局最优解；

如果迭代次数g＞1，则将当前各个粒子与对应的个体最优解进行比较，如果当前粒子的适应度值更小，则采用当前粒子对个体最优解进行更新，否则不作任何操作；然后筛选出当前所有粒子中适应度值最小的粒子作为当前种群最优解，将其与全局最优解进行比较，如果当前种群最优解的适应度值更小，则采用当前种群最优解对全局最优解进行更新，否则不作任何操作；

5)对各个粒子的速度和位置进行更新；

6)判断是否迭代次数g＜G，如果是，则进入步骤7)，否则进入步骤8)；

7)令g＝g+1，返回步骤2)；

8)将当前全局最优解中所对应的三个隐藏层的神经元数量作为剩余寿命预测模型中三个隐藏层的神经元数量。