买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：淮阴工学院

摘要：本发明公开一种氢燃料电池性能衰退预测方法、装置及介质，所述方法包括：对预先获取的氢燃料电池电压退化数据进行预处理，采用结合局部加权回归法的VMD算法对原始数据进行降噪平滑处理，采用XGBoost对数据进行特征参数提取，进一步采用半数均匀初始化策略和透镜成像折射学习方法对光学显微镜算法进行改进，得到IOMA，同时使用IOMA对图卷积神经网络GCN和基于傅里叶变换的频域增强分解变压器结合的神经网络模型GCN‑FEDformer进行参数优化，得到IOMA‑GCN‑FEDformer预测模型，并将测试数据样本输入到IOMA‑GCN‑FEDformer预测模型中得到最终预测结果。本发明能够有效地提高氢燃料电池性能衰退预测模型精度，也为氢燃料电池寿命的预测提供了可靠的依据。

主权项：1.一种氢燃料电池性能衰退预测方法，其特征在于，包括以下步骤：1对预先获取的氢燃料电池电压退化数据进行预处理，采用结合局部加权回归法的VMD算法对电压退化数据进行降噪平滑处理；2采用XGBoost算法对进行降噪处理后的电压退化数据进行特征选取，选择与氢燃料电池性能衰退密切相关的变量；3采用半数均匀初始化策略对OMA的种群初始化进行改进；在经过物镜和目镜的放大寻优之后，采用透镜成像折射学习方法，使OMA再进行一次新的放大寻优，得到IOMA算法；4采用IOMA算法对图卷积神经网络GCN和基于傅里叶变换的频域增强分解变压器结合的神经网络模型GCN-FEDformer模型的超参数进行优化，获得最优超参数，完成IOMA-GCN-FEDformer预测模型的构建；5将氢燃料电池电压性能衰退的测试数据样本输入到IOMA-GCN-FEDformer预测模型中进行预测，得到氢燃料电池性能衰退评估的预测结果；所述步骤2实现过程如下：21采用XGBoost对数据进行特征选择： 其中，是最终的xe对应的模型预测值；xe是第e个样本；e＝1,2,…,M；m是决策树的棵树；M是训练样本的个数；F是所有树的集合；22在每一次迭代过程中，通过在前一步的基础上增加一个新生成的回归树，来拟合上次预测的残差，迭代过程如下： 23XGBoost目标函数为： 其中，yj是真实值；是损失函数；M表示样本的个数；m表示树的棵树；24采用增量训练的方式对XGBoost进行t轮迭代，目标函数更新为： 25XGBoost最终输出结果为： 26XGBoost在迭代过程中，增益和权重是反映特征信息与预测目标相关性的两个参数，增益由该特征信息增益之和除以权重，公式为： 其中，gr和hr分别是在迭代过程中误差函数在ft＝0时的一阶和二阶导数；根据上式所计算出的增益，对其进行排序，增益越大则表示该特征信息与预测目标越相关，即氢燃料电池电压退化数据经过XGBoost迭代后，增益越大的数据，与氢燃料电池性能衰退的相关性越大。

全文数据：

权利要求：

百度查询： 淮阴工学院 一种氢燃料电池性能衰退预测方法、装置及介质