本發明涉及燃料電池，具體涉及一種動態工況下質子交換膜燃料電池融合預測方法。

背景技術：

1、以化石材料為主的傳統能源在能量轉換的過程中會產生大量的溫室氣體，對環境產生了許多不利的影響。質子交換膜燃料電池(pemfcs)可以將燃料中的能量直接轉換為電能，具有清潔、高效和持續的能量轉換能力等各種優異的性能，被廣泛的認為是21世紀的“終極能源”，并在交通運輸、軍事裝備、航空航天等領域得到應用。然而，pemfcs成本高和壽命短等成為了制約其大規模商業化發展的主要原因。提高pemfcs電堆的功率和功率密度、冷啟動溫度、電堆的耐久性和效率已成為燃料電池科學研究領域的重點研究方向，其中燃料電池的耐久性在滿足運輸應用的要求方面受到越來越多的關注。為了減緩pemfcs的性能衰退，除了實現材料突破和改進堆棧的設計外，通常采用健康管理系統來維持和延長壽命。對pemfcs進行精確的預后是健康管理的關鍵所在，有助于監測pemfcs的健康狀態和估計其剩余使用壽命(rul)，從而實現對pemfcs系統的及時管理和修復。預后主要分為短期預后和長期預后，短期預測能夠以較高的精度捕捉到局部變化，而長期預測能夠捕捉到衰老趨勢。

2、pemfcs的老化趨勢預測和rul預測可以分為基于模型的預測方法和基于數據的預測方法兩種類型。基于模型的方法嘗試建立機理、經驗或半經驗的老化模型進行老化預測，模型的準確性將會對老化預測結果的精度產生決定性作用。基于數據的方法不需要考慮pemfcs內部復雜的物理場信息，只需對歷史數據進行分析，學習歷史和未來之間的聯系，從而進行老化預測。人工智能因其學習能力強大的特點，在各領域得到廣泛的應用，因此利用人工智能的方法進行老化預測獲得越來越多的關注。目前已經有許多基于機器學習的預測方法應用于pemfcs的預測，例如自適應神經模糊推理系統(anfis)，相關向量機(rvm)，回聲狀態網絡(esn)和深度神經網絡(dnn)。

3、現如今，對pemfcs工作在恒定負載條件下(靜態和準動態)的老化預測已經被廣泛研究，然而對動態工況下車載pemfcs的研究卻相對較少。當pemfcs工作在恒定負載條件下，pemfcs的堆棧電壓會隨著fc退化呈現出明顯的下降趨勢，因此可以直接選擇用堆棧電壓作為老化指標(di)進行老化預測。然而，在動態工況下，堆棧電壓不僅受到fc退化程度的影響，還依賴于時變的運行條件和高度動態的負載，直接使用堆棧電壓作為di在這種情況下不再有效。

技術實現思路

1、本發明的目的就是針對上述技術的不足，提供一種動態工況下質子交換膜燃料電池融合預測方法，短期預測具有更高的預測精度，長期預測表現出更好的預測性能，能更準確地表現出整體的老化趨勢。

2、為實現上述目的，本發明所涉及的動態工況下質子交換膜燃料電池融合預測方法，在動態工況下，對若干組車載燃料電池進行動態負載測試循環，取得電壓數據，以此為基礎在時域中建立物理老化模型，然后利用算法進行參數辨識獲取動態di，最后利用cpo-cnn-bilstm神經網絡對di分別進行短期和長期老化預測。

3、優選地，包括如下步驟：

4、s1)電壓老化數據的采集和分析：確定耐久性測試標準，在試驗站上進行動態耐久性和極化表征測試，采集了質子交換膜燃料電池的各種狀態數據，分析動態耐久性測試所采集的電壓、電流以及氫氣進出口壓強；

5、s2)建立pemfcs物理老化模型進行參數辨識：在時域中建立物理老化模型，發掘每個動態負載測試循環中各個參數的變化趨勢；

6、s3)動態di的提取與預處理：改進灰狼優化算法，對步驟s2)中所提出的物理老化模型對每一個動態負載測試循環進行參數辨識，分析各個參數變化趨勢，選取合適的動態di，并對di進行濾波處理；

7、s4)老化預測的神經網絡建立和預測策略：結合卷積神經網絡的空間提取能力和bilstm對時間序列預測能力，構建cnn-bilstm模型，采用冠豪豬優化算法對cnn-bilstm模型的超參數進行優化，取得cpo-cnn-bilstm神經網絡；

8、s5)短期及長期老化預測結果：利用步驟s4)中的cpo-cnn-bilstm神經網絡對di分別進行短期和長期老化預測。

9、優選地，所述步驟s2)中，pemfcs物理老化模型為：

10、

11、其中，i是電堆電流，iloss是泄露電流，iex是交換電流，il是限制電流，ecell是單電池電壓，eocv是開路電壓，t是運行溫度，r是摩爾氣體常數，f是法拉第常數，α是電極電荷轉移系數相關參數，req是等效電阻，bc是與總反應中轉移電子數有關的參數。

12、優選地，所述步驟s3)中，引入萊維飛行與動態權重策略改進灰狼優化算法進行參數辨識，包括如下步驟：

13、s301)初始化參數，包括種群規模，最大迭代步長，收斂因子極值；

14、s302)采用混沌映射初始化種群位置，隨機生成各個參數值；

15、s303)將參數值代入物理老化模型中，計算出理論電壓；

16、s304)計算種群適應度值，根據適應度值更新全局最優解和個體最優解；

17、s305)更新種群的位置和速度；

18、s306)重復步驟s303)至步驟s305)，直到滿足停止條件，輸出全局最優解，即最優參數值。

19、優選地，所述步驟s3)中，基于物理老化模型，對每一個動態負載測試循環中的數據進行參數辨識，參數α和req作為動態di來表示整體老化。

20、優選地，所述步驟s3)中，進行動態di預處理時，采用高斯濾波對原始數據進行處理，其中高斯核的大小為20。

21、優選地，所述步驟s4)中，cnn-bilstm作為序列預測模型，采用cpo對模型中cnn卷積核個數、bilstm單元個數、初始學習率和l2正則化系數進行優化。

22、優選地，所述步驟s5)中，cpo-cnn-bilstm神經網絡的預測策略為將濾波后的di參數α和req作為神經網絡的輸入，劃分訓練集和測試集分別用于cpo-cnn-bilstm神經網絡的訓練和預測對比，數據先通過cnn中的卷積層、激活層和池化層，再輸入到bilstm中正向和反向lstm網絡，最后運用全連接層將整個網絡連接，運用cpo對cnn-bilstm模型的超參數進行優化，其中對cnn卷積核個數、bilstm單元個數、初始學習率和l2正則化系數尋優的范圍分別為[20，60]、[30，90]、[0.001，0.01]和[0.001，0.01]，更新網絡參數，用新參數網絡進行訓練，再分別進行短期和長期老化預測。

23、本發明與現有技術相比，具有以下優點：

24、1、短期預測具有更高的預測精度，長期預測表現出更好的預測性能，能更準確地表現出整體的老化趨勢；

25、2、針對車載pemfcs在動態工況下，堆棧電壓無法直接用來作為老化指標來表示電池的老化，提出了一種動態老化指標的提取方法，即在時域中建立物理老化模型，利用改進的灰狼優化算法對老化模型中的參數進行辨識，成功提取兩種老化指標等效電阻req和電極電荷轉移系數α；

26、3、冠豪豬算法(cpo)優化的cnn-bilstm神經網絡，利用cpo強大的全局搜索能力，對cnn-bilstm網絡中的超參數優化，極大了提升了該網絡的預測能力；

27、4、在對老化指標進行短期預測中將優化后的cnn-bilstm網絡與單一網絡的預測結果進行對比，該優化后的網絡具有更高的預測精度，其中將老化指標轉換為電壓后的預測結果的整體預測誤差保持在一個較低水平，在長期預測中cpo-cnn-bilstm也表現出更好的預測性能，能更準確地表現出整體的老化趨勢。