[发明专利]一种基于典型运行参数的燃料电池健康状态识别方法

说明书

本发明涉及一种基于典型运行参数的燃料电池健康状态识别方法，属于燃料电池技术领域。该方法首先采用非参数统计和无监督学习算法计算出健康评价指标的阈值，并通过线性矩阵对评价指标进行标签；然后，采用采用卡方检验、斯皮尔曼相关分析和包装特征选择方法选出对燃料电池健康状态影响相对显著的特征；最后采用随机森林算法对选取的特征进行识别，从而识别出燃料电池健康状态。本发明可以准确地预测健康状态，用于优化加载策略，还可以返回特征对健康的重要排名，用于简化仿真模型，提升燃料电池系统耐久性。

技术领域

本发明属于燃料电池技术领域，涉及一种基于典型运行参数的燃料电池健康状态识别方法。

背景技术

交通用燃料电池和固定式燃料电池的主要差异体现在变载频率和变载幅度。在加载过程中，由于单体电池间的气体分布不均匀导致电压一致性很差，最小单体电压值较低。而燃料电池的寿命主要取决于最小单体电压的性能。为了避免在加载过程中电压差过大，需要准确地识别加载前的燃料电池健康状态，用于优化加载策略，这样可提高车用燃料电池系统的耐久性。传统燃料电池健康状态表征方法中大多将电压衰退率作为指标，忽略了最小单体电压电池的健康状态。此外，现有常用方法中需要采集各单体电池电压才能评估单体电池健康状态。因此，亟需一种新的燃料电池健康状态识别方法。

发明内容

有鉴于此，本发明的目的在于提供一种基于典型运行参数的燃料电池健康状态识别方法，避免燃料电池处于不健康状态时加载速率过快或大幅度加载，提高车用燃料电池系统的使用寿命。以单体电压一致性的两个指标构成的线性矩阵表征燃料电池健康状态，通过非参数统计和机器学习算法识别燃料电池健康。

为达到上述目的，本发明提供如下技术方案：

一种基于典型运行参数的燃料电池健康状态识别方法，首先采用非参数统计和无监督学习算法计算出健康评价指标的阈值，并通过线性矩阵对评价指标进行标签；然后，采用采用卡方检验、斯皮尔曼相关分析和包装特征选择方法选出对燃料电池健康状态影响相对显著的特征；最后采用随机森林算法对选取的特征进行识别，从而识别出燃料电池健康状态。

该方法以燃料电池的平均单体电压变化率和最小距两个指标表征健康状态，考虑了最小单体电压电池的性能。由于燃料电池不同等级的健康程度难以模拟，采用数值离群值和K均值聚类算法将未带健康等级的样本打上标签。为了提高健康模式识别模型的判别效率，分别采用卡方检验、斯皮尔曼相关分析和包装特征选择方法选出对燃料电池健康状态影响相对显著的。基于选出的特征，利用随机森林算法识别燃料电池健康状态，可用于指导燃料电池系统健康管理控制策略。

进一步，该方法具体包括以下步骤：

S1：获取车用燃料电池常用工况的运行参数，主要包括负载电流、化学计量比、入口压力、入口流量、相对湿度和单体电压；

S2：统计单体电压数据样本，分别求取平均值和最小值；计算平均单体电压波动率和最小距，并将其作为评价燃料电池健康状态的健康指标；

S3：基于非参数统计法(数字异常值)的第一和第三分位数确定两个健康指标的异常值；并将其设定为工程故障值；

S4：分别确定两个健康指标的最优分类数k；依据组内平方和确定正常类样本的最佳分类数量；

S5：分别对两个健康指标聚类：通过K均值聚类算法计算每类健康类别样本的聚类中心；

S6：依据步骤S5的聚类结果，分别统计每一类别健康指标的最大值和最小值，并作为类别间的阈值；由于只对单一变量聚类，因此统计的最值即为阈值；

S7：依据两个健康指标最差原则构建燃料电池健康状态线性矩阵；

S8：求取训练样本特征的平均值和标准差，将其标准化；

S9：根据两两特征间的特征值之差和样本数量求取斯皮尔曼相关系数；