CN119414239A 固体氧化物燃料电池电压预测方法 （天津理工大学）

本发明公开了一种一种固体氧化物燃料电忆与卷积神经网络模型，配置网络所需运行环行训练直至获得理想的训练权重和预测电压数结果进行逆归一化后获得所述固体氧化物燃料2S2，通过线性插值法对S1获取的电压数据中的将变换维度后的张量数据x1经过三个不同卷积核的1维卷积层进行接下来，初始化长短期记忆网络的隐藏状态和细胞状态，并将3S4，将训练集数据进行归一化处理后输入所述S22，找到异常电压值两侧最近的2个正常数据点作为t_1为异常值左侧最近点对应的上一个时间节点，xt+1为异常值右侧最近点的下S42，使用均方误差MSE损失函数和Adam优化器进行训练46.根据权利要求5所述的固体氧化物燃料电池电压预测方7.根据权利要求5所述的固体氧化物燃料电池电压,藏层数量hiddensize＝50，卷积神经网络卷积核大小kernelsize＝3,5,7，训练轮次忆与卷积神经网络模型后，调用S43保存的权重进行测试，得到燃料电池的实时电压预测S53，将步骤S52得到的实时电压预测值进行反归一化5预测方法主要依赖于物理模型，这些方法虽然在一定程度上能够反映电池性能的变化趋[0003]随着人工智能和大数据技术的快速发展，数据驱动的预测方法逐渐成为研究热点。其中，长短期记忆神经网络(LongShort_TermMemory,LSTM)和卷积神经网络(ConvolutionalNeuralNetwork,CNN)因其强大的时间序列数据处理能力和特征提取能[0004]本发明旨在提供一种基于长短期记忆与卷积神经网络的固体氧化物燃料电池电67练得到的权重导入所述长短期记忆与卷积神经网络模型并输入归一化后的实时电压数据，[0052]S41，对训练集和验证集数据数据进行归一化处理，消除不同数据之间的量纲差预期方式对后续步骤中的实时电压数据做出8理大小batchsize＝32，LSTM隐藏层数量hiddensize＝50，卷积神经网络卷积核大小[0069]本发明的固体氧化物燃料电池电压预测方法充分利用了LSTM在处理时间序列数[0075]图2为本发明的长短期记忆与卷积神经网络对固体氧化物燃料电池短期(第1_39[0076]图3为本发明的长短期记忆与卷积神经网络对固体氧化物燃料电池中长期(第4_7[0077]图4为本发明的长短期记忆与卷积神经网络对固体氧化物燃料电池长期(第8_10[0078]图5为本发明的用于固体氧化物燃料电池电压预测方法对固体氧化物燃料电池实所述电压数据能够直接用于预测模型的训练与验证，帮助模型学习电压随时间变化的趋[0092]找到异常电压值两侧最近的2个正常数据点作为插值的基准点进行插值，线性插t-1为异常值左侧最近点对应的电压值，yt+1为异常值右侧最近点对应的电压值范围，使用Min_Max归一化方法对电压数据进行处理，可以消除不同数据之间的量纲差[0138]通过最小化MSE，网络模型能够学习如何更准确地预测燃料电池的电压；在每个[0141]S51，通过电化学工作站和计算机等设备对固体氧化物燃料电池的实验数据进行[0142]S52，对测试集数据进行归一化处理后输入到S4得到的长短期记忆与卷积神经网…………处理大小batchsize＝32，LSTM隐藏层数量hiddensize＝50，卷积神经网络卷积核大小[0164]长短期记忆与卷积神经网络对固体氧化物燃料电池长期(第8_10天)电压预测结[0165]长短期记忆与