[发明专利]固体氧化物燃料电池电压预测方法、终端设备及存储介质

权利要求书

1.一种固体氧化物燃料电池电压预测方法，其特征在于，包括以下步骤：

S1：构建SOFC动力学模型，采集一段时间内固体氧化物燃料电池通过SOFC动力学模型的输入和输出组成训练集，其中输入包括堆栈电流和燃料流速，输出包括输出电压；

S2：构建基于支持向量机的非线性自回归滑动平均模型作为辨识模型，根据训练集通过人工蜂群算法对电压预测模型中的参数进行估计、通过Lipschitz quotients准则对辨识模型中的参数m和n进行确定，得到最终辨识模型；

辨识模型的数学表达式为：

U(k)＝f(U(k-1),…,U(k-n),q_f(k),…,q_f(k-m),I(k),…,I(k-m))

其中，k表示时刻，q_f(k)和q_f(k-m)分别表示k时刻和k-m时刻输入的燃料流速，I(k)和I(k-m)分别表示k时刻和k-m时刻输入的堆栈电流，U(k)、U(k-1)和U(k-n)分别表示k时刻、k-1时刻和k-n时刻输入所对应的输出电压，n和m是分别表示输入、输出的阶次，f(.)表示基于支持向量机的非线性回归函数；

S3：待优化k+a时刻SOFC动力学模型的输入；

S4：结合历史的输入和输出，根据最终辨识模型得到k+a时刻输入所对应的预测输出电压对预测输出电压进行误差校正后得到修正后的输出电压U′(k+a)，将k+a时刻的输入作为粒子群算法中粒子的位置向量；

S5：更新粒子的权重、速度和位置信息；

S6：计算每个粒子的当前适应度值和全局适应度值，比较大小并更新自身适应度值和全局适应度值；

S7：判断是否达到最大迭代次数，如果是，进入S8；否则，返回S5继续粒子群算法的迭代优化；S8：将优化得到的最优粒子的位置信息x(k+p)代入最终辨识模型得到修正后的输出电压U(k+p)，返回S4顺序执行，直至仿真结束。

2.根据权利要求1所述的固体氧化物燃料电池电压预测方法，其特征在于：基于支持向量机的非线性回归函数的构建方法为：

S201：根据训练集D＝{(x₁,y₁),(x₂,y₂),...,(x_k,y_k),…,(x_M,y_M)}，构造非线性回归函数：

f(x_k)＝w^Tx_k+b

其中，k∈[1,M]，x_k＝(U(k-1),…,U(k-n),q_f(k),…,q_f(k-m),I(k),…,I(k-m))，y_k＝U(k)，b为偏置，w为法向量；

S202：将非线性回归函数的回归问题转化为：

其中，y_i-w^Tx_i-b≤ε+ξ_i，w^Tx_i+b-y_i≤ε+ξ_i^*，ξ_i,ξ_i^*≥0，i∈[1,M]表示训练集中样本的序号，M表示训练集中样本的总数，C为正则化常数，ξ_i和ξ_i^*均表示样本i对应的松弛变量，ε为常量系数；

S203：引入拉格朗日乘子构建拉格朗日函数，并借助拉格朗日函数的对偶问题求解上式，即：

其中，和α_i均表示样本i对应的拉格朗日乘子，α_i≤C，j∈[1,M]表示训练集中样本的序号；

S204：根据求解对偶问题得到的最优的拉格朗日乘子，则非线性回归函数的解为：

S205：设φ(x_k)和φ(x_i)分别为将x_k和x_i映射后的特征向量，则在特征空间对应的非线性回归函数为：分别

根据Mercer定理，核函数κ(x_k,x_i)＝φ(x_k)^Tφ(x_i)，则非线性回归函数的输出为为：