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：本发明公开了一种质子交换膜燃料电池性能退化区间预测方法，首先，采集质子交换膜燃料电池输出电压数据及其特征变量，采用快速相关性过滤法对特征变量进行特征选择；其次，利用鲁棒经验模态分解对输出电压数据进行分解，分解为多个子序列；使用样本熵聚合来重构多个子序列，以降低计算复杂度；然后，利用改进牛顿‑拉夫逊优化算法对构建的分位数回归‑时间卷积网络‑稀疏串联霍普菲尔德网络区间预测模型进行优化；最后，对各分量进行预测，得到各分量对应的条件分位数，累加得到最终区间预测结果。本发明可以更准确地预测质子交换膜燃料电池性能的退化情况，帮助及时识别并应对潜在问题，从而延长电池寿命、提高系统效率。

主权项：1.一种质子交换膜燃料电池性能退化区间预测方法，其特征在于，包括以下步骤：1预先获取质子交换膜燃料电池输出电压数据及其特征变量，采用快速相关性过滤法对特征变量进行特征选择，选取相关性程度高的特征变量作为输入变量；2利用鲁棒经验模态分解法对输出电压数据进行分解，分解为多个子序列；3采用样本熵聚合重构多个子序列，以降低计算复杂度；4构建分位数回归-时间卷积网络-稀疏串联霍普菲尔德网络区间预测模型QR-TCN-StanHop_Net；首先，将预处理的数据输入到时间卷积网络TCN中，利用其多层卷积结构和膨胀卷积提取特征向量；然后，将输出向量转化为时间序列输入到稀疏串联霍普菲尔德网络StanHop_Net模型中进行预测；接着，采用QR生成每个分量对应的条件分位数，将各分量的所有条件分位数累加得到最终区间预测结果；所述QR是对最小二乘回归的改进和扩展，用于分析自变量和因变量在不同分位数之间的关系；QR模型使用分位数损失函数作为其损失函数，使用QR方法能得到因变量的条件分位数结果；5对牛顿-拉夫逊优化算法NRBO进行改进，获得改进的NRBO算法，表示为INRBO；首先，通过采用佳点集策略对种群进行初始化，增加种群的多样性，从而提高算法的收敛速度和精度；其次，引入自适应的t分布变异算子，利用算法的迭代次数作为t分布的自由度参数，以增加种群的多样性，从而避免算法陷入局部最优解；采用INRBO对TCN-StanHop_Net模型的超参数进行优化；6利用QR-TCN-StanHop_Net模型对各分量进行预测，得到各分量对应的条件分位数，将各分量的所有条件分位数累加得到最终区间预测结果；所述步骤4实现过程如下：首先，将REMD分解并经样本熵重构得到的多个PEMFC输出电压子序列与经FCBF特征选择得到的PEMFC相关性程度高的特征变量进行一一组合形成多个数据集；将多个数据集分别输入到TCN中，利用其多层卷积结构和膨胀卷积提取特征向量；然后，将输出向量转化为时间序列输入到StanHop_Net模型中进行预测，得到多个分量的预测结果；接着，采用QR生成每个分量对应的条件分位数，将各分量的所有条件分位数累加得到最终区间预测结果；将分解得到的PEMFC子序列V＝[v1,v2,v3,...,va]与FCBF特征选择得到的PEMFC相关性程度高的特征变量Q＝[q1,q2,q3,...,qn]进行组合，其具体数据矩阵便是如下： 其中，vaQ表示第a个子序列与特征变量的组合数据矩阵，以v1Q为例，其具体表示如下： 其中，表示第1个PEMFC的电压分量数据序列的第d个数据，表示第n个特征变量数据序列中的第d个数据；在TCN模型卷积部分采取因果卷积，通过一维扩张系数调整采样间隔，同时，引入Dropout操作以加快训练速度并防止过拟合，扩张卷积的形式如下： 式中：Fε为扩张卷积；z为卷积核大小；fi为卷积核中第i个元素；xε-di代表与卷积核中元素对应相乘的序列元素；为了解决引入因果卷积和膨胀卷积从而造成的梯度消失或者爆炸问题，TCN引入残差模块，将模型的输入v1Q加权融合到模型的输出Fv1Q中最终得到TCN的输出θ：θ＝Activationv1Q+Fv1Q19式中：Activation为激活函数，θ为输入矩阵v1Q经TCN特征提取后的PEMFC的第一个分量的特征矩阵；StanHop_Net中STanHop模块包括一个基于GSHLayer的外部内存插件模块，以及GSH层的两个串联子块，用于处理时间和序列维度，STanHop的单个块定义如下： 其中，Memory表示外部内存插件模块；R是PEMFC电压的一个隐藏向量，其对应的外部存储器集合C表示通道号；T表示时间段修补时间步长的数量；Dhidden代表隐藏层的维度；代表转置操作；LayerNorm代表层归一化操作；FF指前馈网络；GSHX,X表示从分割的时间序列中提取X的时间动态的信息；GSHPoolingR*,At表示将At和一个随机初始化的查询R*作为输入；R*是可学习的，并且随机初始化；Aout代表PEMFC电压劣化预测结果；StanHop_Net还引入两个额外的外部记忆模块：Plug-and-Play模块和Tune-and-Play模块，分别用于无需训练的记忆增强和任务感知的记忆增强；所述Plug-and-Play模块允许在不需要对模型进行额外微调的情况下，利用外部记忆来提升模型性能；使用参数固定的GSHLayer进行记忆检索，直接利用预训练的模型和外部记忆集，而不需要对模型进行任何调整或训练；所述Tune-and-Play模块使用GSHLayer进行“伪标签检索”的概念，以增强时间序列预测；使用现代Hopfield模型的记忆检索机制，从包含标签的记忆集Y中为给定的R生成伪标签，从而增强预测；线性QR回归模型的表示形式为：Qyiη|xi＝βηxi,i＝1,2,…,n22式中,Qyiη|xi为因变量yi的条件分位数；η∈0,1；βη为回归系数的向量；将求解不同回归系数向量βη的问题转化为损失函数L： 式中,φη表示不对称函数，其计算式为： 最终，通过线性QR模型估算第η个条件分位数为： 式中，是βη的估计值；是Qyiη|xi的估计值。

全文数据：

权利要求：

百度查询： 淮阴工学院 一种质子交换膜燃料电池性能退化区间预测方法