亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于粒子濾波和遺傳算法的氫燃料電池剩余使用壽命預(yù)測

        2021-05-08 05:23:36謝宏遠徐心海
        東北電力大學(xué)學(xué)報 2021年1期
        關(guān)鍵詞:模型

        謝宏遠,劉 逸,候 權(quán),徐心海

        (1.哈爾濱工業(yè)大學(xué)(深圳)機電工程與自動化學(xué)院,廣東 深圳 518055;2.哈爾濱商業(yè)大學(xué)能源與建筑工程學(xué)院,黑龍江 哈爾濱 150028)

        為實現(xiàn)能源的低碳轉(zhuǎn)型,質(zhì)子交換膜燃料電池(PEMFC)由于其無污染、效率高與噪聲低等特點,成為21世紀最有發(fā)展前景的發(fā)電技術(shù)之一,廣泛應(yīng)用于汽車動力、分布式發(fā)電與便攜式電源等領(lǐng)域[1].然而,PEMFC的運行壽命、長期性能和維護成本成為制約其進一步商業(yè)化發(fā)展的主要因素[2].除實現(xiàn)材料突破與改進堆棧設(shè)計外,預(yù)測與健康管理是保障PEMFC長時間安全穩(wěn)定運行的方法之一.其中,對剩余使用壽命(Remaining Useful Life,RUL)進行準確預(yù)測可以保證電堆得到及時維修進而延長使用壽命,因此RUL的預(yù)測方法成為燃料電池領(lǐng)域的主要研究熱點之一.

        目前,評估PEMFC剩余使用壽命的方法主要分為模型驅(qū)動和數(shù)據(jù)驅(qū)動兩種類型.Jouin等[3]對于PEMFC堆棧提出了基于粒子濾波的RUL預(yù)測模型,并對三種電壓衰退經(jīng)驗?zāi)P瓦M行了測試.相對線性模型和指數(shù)模型而言,對數(shù)線性模型的效果最好.Kimotho等[4]進一步提出了一種自適應(yīng)粒子濾波算法來預(yù)測PEMFC的RUL,該算法在每次電堆啟停后引入自愈因子,對電壓衰減模型的參數(shù)進行調(diào)整,以適應(yīng)不斷變化的衰減趨勢.Bressel等[5]將極化曲線半經(jīng)驗?zāi)P椭械膮?shù)時間化,利用擴展卡爾曼濾波估計模型的時變參數(shù),實現(xiàn)了電堆的RUL預(yù)測.而在基于數(shù)據(jù)的預(yù)測方法中,Ma等[6]提出了基于網(wǎng)格長短期記憶循環(huán)神經(jīng)網(wǎng)絡(luò)的PEMFC性能退化預(yù)測方法.對比一般的RNN算法,該方法將網(wǎng)絡(luò)儲存單元并聯(lián)組合,提高了訓(xùn)練網(wǎng)絡(luò)的廣度和深度,能有效避免預(yù)測過程中的梯度爆炸或消失問題,更適合長時間的RUL預(yù)測.Liu等[7]提出基于核超限學(xué)習機的RUL預(yù)測方法,將通過局部加權(quán)回歸散點平滑法處理后的電壓衰減數(shù)據(jù)進行訓(xùn)練,實現(xiàn)了對測試集的快速準確預(yù)測.Cheng等[8]考慮了基于模型和數(shù)據(jù)方法的優(yōu)缺點,提出了一種基于最小二乘支持向量機和正則化粒子濾波的混合預(yù)測方法.在該預(yù)測框架中,將LSSVM初步預(yù)測的電壓值作為RPF方法新的系統(tǒng)觀測值,并以RUL概率分布的形式實現(xiàn)預(yù)測結(jié)果的不確定性表達.Chen等[9]將灰色神經(jīng)網(wǎng)絡(luò)模型與粒子群算法和移動窗口方法相結(jié)合,建立了PEMFC電壓衰減模型,采用三份不同的PEMFC實驗數(shù)據(jù)實現(xiàn)了不同運行條件下的電堆性能退化預(yù)測.

        根據(jù)上述研究,對氫燃料電池的RUL預(yù)測可分為短期預(yù)測和長期預(yù)測.其中短期預(yù)測主要針對實時采集系統(tǒng),具有較高的預(yù)測精度和擬合度,但是由于依賴實時數(shù)據(jù)的輸入,增加了額外的成本.而長期預(yù)測利用預(yù)測起始點前的數(shù)據(jù)直接預(yù)測未來數(shù)百小時的趨勢變化,可以實現(xiàn)對電池能量的合理分配和維修策略的可靠制定.但由于長期預(yù)測只利用訓(xùn)練集對模型進行訓(xùn)練,預(yù)測結(jié)果相對短期預(yù)測而言較為分散,整體的波動范圍也更大,因此該預(yù)測方式具有更大的提升空間.

        對此本文提出基于粒子濾波和遺傳算法的PEMFC剩余使用壽命預(yù)測方法,能夠在實現(xiàn)長期預(yù)測精確度的基礎(chǔ)上提高計算效率.本文首先介紹了原始電壓數(shù)據(jù)的采集及處理方法,以及電堆啟停時的電壓恢復(fù)效應(yīng)處理模型.之后開發(fā)了基于遺傳算法對參數(shù)進行優(yōu)化的粒子濾波模型,用于對電堆輸出電壓的長期衰減趨勢進行預(yù)測并估計其RUL.最后利用法國燃料電池實驗室(FCLAB)公開的1kW質(zhì)子交換膜燃料電池堆的電壓衰減實驗數(shù)據(jù)對本文提出方法的計算結(jié)果進行了討論.

        1 氫燃料電池壽命預(yù)測預(yù)處理

        1.1 電池性能退化指標

        本文采用FCLAB在IEEE PHM 2014數(shù)據(jù)挑戰(zhàn)賽中公開的PEMFC電堆實驗數(shù)據(jù)集[10].數(shù)據(jù)來自于5片活化面積為100 cm2的單電池組成的電堆.該電堆在恒定電流70 A的穩(wěn)定狀態(tài)下運行1 154 h,運行條件基本保持不變,而其中最大電流密度為1 A/cm2.運行期間采集各種狀態(tài)監(jiān)測數(shù)據(jù)(如電壓、溫度、氣體流速、濕度等24維參數(shù)).其中部分PEMFC的監(jiān)測參數(shù)隨時間的變化情況如圖1所示.

        為確定氫燃料電池的性能退化指標,對各監(jiān)測參數(shù)進行相關(guān)性分析,設(shè)監(jiān)測參數(shù)為X,其相關(guān)系數(shù)rij,見公式(1),同時建立相關(guān)矩陣R,見公式(2).根據(jù)相關(guān)矩陣繪制的相關(guān)矩陣圖,如圖2所示.

        (1)

        (2)

        由相關(guān)矩陣圖可知,單電池和電堆的電壓與時間呈明顯的負相關(guān),其他參數(shù)則沒有表現(xiàn)出明顯的相關(guān)性,而觀察部分監(jiān)測參數(shù)圖(見圖1)可以得到相同結(jié)論.因此,本文選用電堆電壓作為氫燃料電池的性能退化指標.

        1.2 數(shù)據(jù)預(yù)處理

        根據(jù)相關(guān)性分析確定了PEMFC的性能退化指標,降低了整體的數(shù)據(jù)復(fù)雜度,但總計143 862個原始電壓數(shù)據(jù)含有大量噪聲和部分尖峰,這些異常值的偏差會影響模型對真實值的捕捉,對計算結(jié)果產(chǎn)生較大誤差.同時,間隔30 s的電壓數(shù)據(jù)波動相對整體衰減而言太小,對模型的影響低而計算時間長.因此需要對原始電壓數(shù)據(jù)進行預(yù)處理.

        為保證最大程度上保留原始數(shù)據(jù)的信息,本文采用基于核的平滑器進行濾波,加權(quán)的平均值權(quán)重取決于核函數(shù).為消除大多數(shù)平滑方法所表現(xiàn)出的端點偏差,選擇高斯核函數(shù)[11],如公式(3)所示.

        將采樣點數(shù)據(jù)設(shè)為u(tj),其中j=1,2…n,n為采樣數(shù)據(jù)點個數(shù).而濾波后數(shù)據(jù)的估計值設(shè)為f(tj),如公式(4)所示.

        (3)

        (4)

        公式中:si=K[(tj-ti)/h],h為帶寬,控制函數(shù)徑向作用范圍.

        濾波后,為進一步減少計算負擔,利用三次樣條法對數(shù)據(jù)進行插值,得到均勻時間間隔為1小時的樣本.預(yù)處理結(jié)果,如圖3所示.

        圖2 監(jiān)測參數(shù)間的相關(guān)矩陣圖圖3 電壓衰減數(shù)據(jù)的預(yù)處理結(jié)果

        1.3 電壓恢復(fù)效應(yīng)

        實驗測試過程中每隔一段時間對電堆進行一次啟停堆操作,期間進行極化曲線與電化學(xué)阻抗譜的測量.啟停的時間點分別為Tc=48;185;348;515;658;823;991 h,如圖3所示,每次啟停后輸出電壓均會出現(xiàn)短暫的恢復(fù)現(xiàn)象.而恢復(fù)效應(yīng)的發(fā)生會對預(yù)測造成一定程度的偏差,為實現(xiàn)基于電堆實驗數(shù)據(jù)的RUL預(yù)測,必須考慮啟停操作導(dǎo)致的電壓恢復(fù)效應(yīng).

        為實現(xiàn)捕捉啟停階段電壓恢復(fù)效應(yīng)導(dǎo)致的不同恢復(fù)程度,Kimotho等[4]利用任意兩個啟停區(qū)間的平均梯度差得到的自愈因子實現(xiàn)了恢復(fù)程度的增幅.Zhang等[12]考慮了堆棧內(nèi)部阻抗,利用阻抗譜所提供的信息來更新恢復(fù)效應(yīng)的模型參數(shù).兩者都在一定程度上實現(xiàn)了對恢復(fù)效應(yīng)的捕捉,但前者每次根據(jù)平均梯度差更新下一階段的恢復(fù)幅度,導(dǎo)致后續(xù)恢復(fù)幅度趨于某一固定值,與實際情況不符;而后者由于每次恢復(fù)幅度的預(yù)測依賴阻抗譜的測量,實際長期預(yù)測過程中是無法得到后續(xù)啟停階段的阻抗,因此該預(yù)測無法運用于電堆的實際長期預(yù)測中.

        雖然無法預(yù)知未來恢復(fù)效應(yīng)的影響,但是由于啟停堆的時間可以根據(jù)預(yù)設(shè)的實驗計劃確定,因此可以建立對應(yīng)的恢復(fù)模型,預(yù)測當時間到達預(yù)設(shè)的啟停時間點的電壓恢復(fù)程度.根據(jù)氫燃料電池壽命實驗中的啟停測試結(jié)果,本文的恢復(fù)模型同樣根據(jù)電堆的實際運行數(shù)據(jù)選擇雙指數(shù)經(jīng)驗?zāi)P蚚13],如公式(5)所示.該模型在啟停時間點的恢復(fù)幅度與實際結(jié)果對比如圖4所示,其結(jié)果擬合效果良好.后續(xù)實際預(yù)測過程中的恢復(fù)模型只考慮訓(xùn)練數(shù)據(jù),實現(xiàn)對電堆的長期預(yù)測.

        xc=xk+r1·exp(r2·tk)+r3·exp(r4·tk)

        (5)

        圖4 恢復(fù)幅度擬合

        公式中:c為表征時間點;r為模型參數(shù).

        2 基于遺傳算法優(yōu)化粒子濾波下的長期剩余使用壽命預(yù)測

        2.1 基于GA-PF的預(yù)測框架

        為了實現(xiàn)對PEMFC的長期剩余使用壽命預(yù)測,進一步提高基于模型方法的運算效率和預(yù)測精度,本文以氫燃料電池的電壓衰減為基礎(chǔ),提出了一種基于遺傳算法優(yōu)化粒子濾波的PEMFC長期剩余使用壽命的預(yù)測方法整體框架,如圖5所示.

        圖5 基于GA優(yōu)化PF下的PEMFC預(yù)測方法框架

        該預(yù)測框架中將電壓作為健康指標,首先對PEMFC的原始電壓數(shù)據(jù)進行預(yù)處理,然后將平滑重整后的數(shù)據(jù)劃分為訓(xùn)練集和測試集,預(yù)測起始點設(shè)為Tp.

        訓(xùn)練過程中,將實際電壓測量值作為系統(tǒng)觀測值跟蹤系統(tǒng)狀態(tài),不斷更新模型參數(shù).當時間到達Tp時,粒子濾波模型將停止系統(tǒng)狀態(tài)的跟蹤.但是由于電壓波動的隨機性,導(dǎo)致模型參數(shù)的波動,使得結(jié)果發(fā)散.根據(jù)經(jīng)驗電壓衰減模型,PEMFC的電壓衰減趨勢整體不變,因此利用PF估計的參數(shù)范圍和訓(xùn)練集擬合優(yōu)度R2來表示的適應(yīng)度,通過遺傳算法實現(xiàn)最佳模型參數(shù)的優(yōu)化計算,其結(jié)果用于后續(xù)預(yù)測過程.

        預(yù)測過程中,根據(jù)系統(tǒng)的狀態(tài)空間模型隨時間傳遞相應(yīng)狀態(tài),預(yù)測未來電壓變化,直至達到電堆預(yù)設(shè)的失效閾值,得到估計的RUL.最后通過重復(fù)性測試實現(xiàn)RUL的不確定性表達,減小預(yù)測的偶然性,提高模型的泛化能力.

        2.2 基于粒子濾波的預(yù)測

        2.2.1 粒子濾波模型

        粒子濾波(Particle Filtering,PF)方法的基礎(chǔ)是建立系統(tǒng)的動態(tài)空間模型,模型一般形式如下:

        狀態(tài)方程:xk=f(xk-1,Θk-1,nk)

        (6)

        觀測方程:zk=h(xk,νk)

        (7)

        公式中:正整數(shù)k為離散時間變量;x、z分別為狀態(tài)序列和觀測序列;f、h分別為狀態(tài)轉(zhuǎn)移函數(shù)和觀測函數(shù);Q=[q1,q2…]為模型參數(shù)向量.

        在PF框架中,退化狀態(tài)概率分布的近似和退化狀態(tài)本身的估計都是基于生成的粒子及其相關(guān)的權(quán)值.系統(tǒng)的未知狀態(tài)和模型參數(shù)通過含有概率信息的粒子進行傳播,該方法主要包括以下步驟[14]:

        (3)計算權(quán)重:假設(shè)測量誤差為方差R的高斯分布,為每個粒子生成重要權(quán)值,如下式所示:

        (8)

        (4)歸一化權(quán)重:將權(quán)重歸一化,形成一個概率分布,如下式所示:

        (9)

        (5)重采樣:保留權(quán)值大的粒子,剔除權(quán)值小的粒子,不斷進行遞推,改善粒子退化現(xiàn)象.

        利用PF進行預(yù)測的過程中,通過現(xiàn)有數(shù)據(jù)進行學(xué)習,對狀態(tài)方程中的未知參數(shù)進行更新.到達給定時間后,不再進行重采樣,而通過外推估計的退化演化,直至達到停止條件,得到對應(yīng)狀態(tài)粒子的概率分布.

        2.2.2 電壓衰退模型

        根據(jù)PF模型,狀態(tài)空間模型是預(yù)測的基礎(chǔ).根據(jù)相關(guān)文獻[8,13],本文采用對數(shù)線性模型作為電壓衰減的狀態(tài)空間方程.其中,線性部分表示退化過程中恒流、恒工況下的電壓降,對數(shù)部分用于擬合PEMFC長期壽命測試過程中開始和結(jié)束時電壓衰減的快慢變化.具體狀態(tài)方程和觀測方程為

        xk=-θ1·ln(tk/tk-1)-θ2·ln(tk-tk-1)+xk-1

        (10)

        zk=xk+νk,νk~(0,σk)

        (11)

        公式中:θ1、θ2為系統(tǒng)模型參數(shù);vk為觀測噪聲,是服從零均值,σ標準分布的白噪聲.

        2.2.3 參數(shù)初始化

        初始參數(shù)的設(shè)置對PF模型的預(yù)測具有重要作用,合適的模型參數(shù)可以快速捕捉系統(tǒng)狀態(tài),提高跟蹤效率.其中主要的初始化參數(shù)包括x0,θ1,θ2和σ0.

        本文設(shè)定粒子數(shù)N為500,假設(shè)系統(tǒng)初始狀態(tài)x0服從以初始電壓為中心的均勻分布,根據(jù)波動程度設(shè)置范圍為±0.05 V.其他參數(shù)也以均勻分布進行初始化.通過對數(shù)線性模型擬合初始電壓觀測值,可以得到θ1和θ2的初始分布范圍分別為[-0.008,-0.007]和[0.000 5,0.000 6],測量噪聲的標準差范圍為[0.001,0.002].

        初始化模型參數(shù)后,在訓(xùn)練過程中的每一步利用實際電壓測量值對系統(tǒng)狀態(tài)進行更新,估計Tp范圍內(nèi)的模型參數(shù).而預(yù)測過程中選用最佳模型參數(shù)預(yù)測后續(xù)電壓狀態(tài),同時在預(yù)設(shè)的啟停時間點添加恢復(fù)模型,直至到達PEMFC的失效閾值點,完成對電堆RUL的估計.

        2.3 基于遺傳算法的優(yōu)化

        2.3.1 遺傳算法

        遺傳算法(Genetic Algorithm,GA)是以待優(yōu)化問題的目標函數(shù)為依據(jù),將其轉(zhuǎn)化為適應(yīng)度函數(shù)來評估問題中各種參數(shù)編碼形成的初始種群,通過自然演化機制下的迭代循環(huán),找到最適應(yīng)的個體作為問題的最優(yōu)解.算法的主要流程如下[15]:

        (1)編碼策略:編碼過程是將待優(yōu)化問題的解作為染色體,利用基因表示具體解;

        (2)初始化:在編碼的問題空間中隨機生成N個個體的初始種群,個體的多少決定種群的規(guī)模;

        (3)適應(yīng)度函數(shù)設(shè)計:選擇合適的適應(yīng)度函數(shù)評價種群個體的優(yōu)劣程度;

        (4)選擇操作:利用適應(yīng)度函數(shù)作為標準,通過”優(yōu)勝劣汰”的方式淘汰不良個體,保留優(yōu)秀個體;

        (5)交叉操作:通過交叉組合父代種群染色體內(nèi)的等位基因信息產(chǎn)生新的個體,不斷累積優(yōu)良基因;

        (6)變異操作:每個子代選取少量個體改變其基因,保證種群的多樣性,提高整體算法的全面性.

        2.3.2 優(yōu)化過程

        GA對PF模型的優(yōu)化主要是求取對數(shù)線性模型參數(shù)的最優(yōu)解.根據(jù)PF估計的模型參數(shù)創(chuàng)建種群,經(jīng)實際測試,將種群數(shù)設(shè)為100.編碼方式選擇二進制編碼,模型參數(shù)范圍根據(jù)估計值范圍設(shè)為[a,b],離散精度為m,碼長L如下所示:

        (12)

        本文中,將模型擬合優(yōu)度R2作為適應(yīng)度函數(shù),如下所示:

        (13)

        確定目標函數(shù)后,對種群進行如下遺傳操作:

        (14)

        公式中:fi為個體適應(yīng)度.

        每次輪轉(zhuǎn)時,隨機產(chǎn)生0-1之間的隨機數(shù)r,當Pi-1≤r

        (2)交叉操作和變異操作:交叉和變異類似,前者根據(jù)交叉概率,通過交換兩個父代染色體基因得到新的個體;后者根據(jù)變異概率,反轉(zhuǎn)子代某處基因得到新的個體.經(jīng)測試,本文設(shè)定交叉概率和變異概率分別為0.8和0.05.

        最后,將通過GA得到的最優(yōu)模型參數(shù)帶入PF模型中進行預(yù)測.相對迭代訓(xùn)練估計模型參數(shù)的方式,基于GA的優(yōu)化提高了整體模型的計算高效性和預(yù)測穩(wěn)定性.

        3 結(jié)果與討論

        3.1 剩余使用壽命的預(yù)測

        由于電堆老化實驗測試的時間有限,本文將失效閾值設(shè)定為初始總電壓的96.5%,即電壓3.23 V,相應(yīng)的失效時間為805h處.將預(yù)測起始點設(shè)為Tp=550 h,即[0,550 h]間的551組數(shù)據(jù)為訓(xùn)練集,[551,1 154 h]間604組數(shù)據(jù)為測試集,而該預(yù)測起始點下的RUL為255 h.

        將訓(xùn)練集數(shù)據(jù)送入PF模型作為系統(tǒng)觀測值跟蹤系統(tǒng)狀態(tài),根據(jù)每組數(shù)據(jù)估計的模型參數(shù)范圍利用GA進行優(yōu)化,優(yōu)化過程如圖6所示,隨機分布的初始種群經(jīng)過以適應(yīng)度為目標的”優(yōu)勝劣汰”,逐漸向最優(yōu)解靠近且趨于穩(wěn)定,最終得到對數(shù)線性模型的最優(yōu)解Θ.

        圖6 遺傳算法參數(shù)優(yōu)化過程

        將最優(yōu)解Θ代入PF預(yù)測模型中,預(yù)測結(jié)果如圖7所示.其中,基于GA-PF的RUL預(yù)測準確度和電壓衰減趨勢的擬合度均劣于添加恢復(fù)模型下的預(yù)測結(jié)果.因此,PEMFC啟停階段的恢復(fù)模型可以有效提高電堆RUL預(yù)測的精確度,有利于未來電壓衰減趨勢的捕捉,因此后續(xù)測試只考慮添加恢復(fù)模型下的預(yù)測結(jié)果.

        圖7 基于GA-PF的PEMFC剩余使用壽命預(yù)測結(jié)果

        3.2 預(yù)測的不確定性表達

        預(yù)測結(jié)果的不確定性表征是決策過程中的一個重要方面,它比單一的估計結(jié)果能提供更好的指導(dǎo).由于PF結(jié)果存在偶然性,本文對該模型的預(yù)測重復(fù)100次,以評估結(jié)果的分散性.因此,對參數(shù)估計過程和預(yù)測過程添加顯著性水平為90%的置信區(qū)間,如圖8(a)所示,觀察預(yù)測結(jié)果的分布程度.為防止數(shù)據(jù)極端值的影響,預(yù)測的RUL取100次試驗的中值,結(jié)果如圖8(b)所示.其中[100 h,114 h]區(qū)間處的少量異常值是因為658 h處的預(yù)測電壓接近失效閾值,部分預(yù)測由于偏差將此處作為失效時間點,但實際失效時間點由于啟停操作導(dǎo)致的恢復(fù)效應(yīng)而延后,這也是進行該重復(fù)性測試的主要原因.

        圖8 預(yù)測的不確定性表達

        3.3 結(jié)果分析

        為評估模型預(yù)測結(jié)果的可靠性和有效性,本文選擇均方根誤差(Root Mean SquareError,RMSE)和精度兩個常用的模型性能評估指標,如公式(15)、公式(16)所示.前者主要反映預(yù)測值與真值之間的整體偏差,后者為RUL的預(yù)測精度.

        (15)

        (16)

        基于GA-PF方法的預(yù)測結(jié)果,如表1所示.當預(yù)測起始點設(shè)為550 h時,預(yù)測RUL中值和實際RUL分別為233 h和255 h,預(yù)測值小于實際值兩天之內(nèi).通過GA優(yōu)化后的PF算法大幅縮短了運行時間,有利于PEMFC長期運行中的快速預(yù)測.

        表1 算法間的預(yù)測性能評估

        為了評估GA-PF方法預(yù)測效果的提升,測試兩種未經(jīng)過GA優(yōu)化的算法,具體結(jié)果如表1所示,其中運行時間均為100次測試結(jié)果.由于電壓的不確定性波動,PF單獨預(yù)測得到的參數(shù)由于擬合性差使模型出現(xiàn)較大偏差.為縮小預(yù)測的整體偏差,對濾波階段進行多次迭代,提高模型參數(shù)的擬合度.迭代PF的預(yù)測精度有一定程度提高,但運行時間也大幅增加,難以實現(xiàn)快速預(yù)測.

        PEMFC的長期剩余使用壽命預(yù)測除準確性的評估外,模型性能的泛化能力也是重要的參考指標之一.本文設(shè)置多預(yù)測起始點觀察預(yù)測結(jié)果,而雙指數(shù)模型至少需要四個數(shù)據(jù)點進行擬合,同時考慮啟停時間點對恢復(fù)模型的影響,本文選取Tp=550;600;650;700;750;800 h六個不同的時間點.為直觀表現(xiàn)各預(yù)測起始點的不確定性預(yù)測結(jié)果,繪制各預(yù)測起始點絕對誤差的箱型圖,如圖9所示.其中,絕對誤差公式

        (17)

        圖9 各預(yù)測起始點下對應(yīng)RUL的絕對誤差

        3.4 討論

        由于實際運行中PEMFC性能受多物理場耦合的影響而異常復(fù)雜,盡管將電堆的運行條件設(shè)為恒工況,但監(jiān)測到的各項物理參數(shù)總是隨時間而變化,包括作為電堆健康指標的輸出電壓也在隨機波動,這導(dǎo)致預(yù)測PEMFC的RUL變得異常困難.通過基于高斯核的平滑處理,可以最大程度還原電壓的整體衰減趨勢,但是由于電壓的不確定性波動,在利用PF訓(xùn)練的過程中,盡管估計參數(shù)下每一步的模型預(yù)測結(jié)果在該時間點與實際數(shù)據(jù)高度擬合,但是對于整段電壓衰減曲線而言仍有較大偏差.利用擬合優(yōu)度R2對訓(xùn)練集進行評估,可以選擇相對合適的模型參數(shù),但是單次濾波范圍內(nèi)得到的模型參數(shù)有限,而通過對訓(xùn)練集反復(fù)訓(xùn)練得到的估計參數(shù)的擬合優(yōu)度會提高,但是該重復(fù)的濾波過程會占用大量計算資源.而通過GA可以根據(jù)單次濾波結(jié)果得到的參數(shù)范圍,通過隨機優(yōu)化快速求取全局的近似最優(yōu)解.因此,與單獨的PF算法相比,基于GA-PF的方法可以實現(xiàn)更高的預(yù)測精度和更快的計算效率.

        由表1的實驗對比可知,基于GA-PF方法的RMSE、準確率、置信區(qū)間長度和運行時間都遠優(yōu)于單獨的PF算法,更適合PEMFC的長期剩余使用壽命預(yù)測.而根據(jù)圖8所示,模型的預(yù)測精度整體隨訓(xùn)練數(shù)據(jù)的增加而提高,符合實際情況.其中650 h處的預(yù)測結(jié)果出現(xiàn)突降,主要原因是658 h處發(fā)生一次啟停導(dǎo)致的恢復(fù)效應(yīng),從而影響了預(yù)測結(jié)果.

        整體而言,預(yù)測的RUL多數(shù)小于實際值,有利于提前確定失效時間而采取相應(yīng)措施,保證氫燃料電池安全穩(wěn)定的長期運行.基于GA-PF的PEMFC長期剩余使用壽命預(yù)測方法具有預(yù)測精確度高、運算復(fù)雜度低和泛化能力好的特點.

        4 結(jié) 論

        本文研究了恒工況條件下PEMFC的長期剩余使用壽命預(yù)測問題,提出了一種基于遺傳算法優(yōu)化粒子濾波的預(yù)測方法.在該預(yù)測框架中,通過基于高斯核的平滑器和三次樣條插值法將數(shù)據(jù)進行預(yù)處理.利用PF對訓(xùn)練集數(shù)據(jù)進行濾波確定對數(shù)線性模型合適的參數(shù)范圍,采用GA對模型參數(shù)進行優(yōu)化,將得到的最優(yōu)參數(shù)用于模型預(yù)測.預(yù)測過程中,添加雙指數(shù)模型捕捉電堆啟停階段的電壓恢復(fù)幅度,提高了預(yù)測結(jié)果的擬合度.

        本文相對一般的PF模型,采用基于GA-PF的優(yōu)化模型,將氫燃料電池的剩余使用壽命預(yù)測結(jié)果提高了22.63%的準確度,縮小了23.92倍的置信區(qū)間;近似預(yù)測精度下,提高了10.06倍的運算效率.新方法可以對PEMFC的RUL進行快速準確的長期預(yù)測,具有極大的實用價值.

        猜你喜歡
        模型
        一半模型
        一種去中心化的域名服務(wù)本地化模型
        適用于BDS-3 PPP的隨機模型
        提煉模型 突破難點
        函數(shù)模型及應(yīng)用
        p150Glued在帕金森病模型中的表達及分布
        函數(shù)模型及應(yīng)用
        重要模型『一線三等角』
        重尾非線性自回歸模型自加權(quán)M-估計的漸近分布
        3D打印中的模型分割與打包
        亚洲中文字幕av天堂自拍| 精品久久久久久久无码| 久久久精品久久日韩一区综合| 亚洲无AV码一区二区三区| 人妻露脸国语对白字幕| 久久久熟女一区二区三区| 国产亚洲av看码精品永久| 色偷偷色噜噜狠狠网站30根| 六月婷婷久香在线视频| 久久99精品久久久久久齐齐百度| 人妻免费黄色片手机版| 日本免费一区二区久久久| 亚洲精品动漫免费二区| 亚洲国产精品久久久久婷婷老年 | 在线观看极品裸体淫片av| 国产日本精品一区二区| 国产亚洲欧美精品永久| 8av国产精品爽爽ⅴa在线观看| 色www亚洲| 午夜日韩视频在线观看| 青青草在线公开免费视频| 中国免费看的片| 欧美亚洲日本国产综合在线| 欧美午夜a级精美理论片| 中文字幕日韩人妻在线| 亚洲综合一区二区三区天美传媒 | 视频国产自拍在线观看| 日本饥渴人妻欲求不满| 日本丰满熟妇bbxbbxhd| 久久久久一| 麻豆夫妻在线视频观看| 美艳善良的丝袜高跟美腿| 十八禁无遮挡99精品国产| 无遮挡边吃摸边吃奶边做| 色综合久久中文综合久久激情| 美国又粗又长久久性黄大片| 日韩肥臀人妻中文字幕一区| 国产成人a∨激情视频厨房| 性色av无码久久一区二区三区| 国产欧美日产久久| 亚洲视频在线中文字幕乱码|