CN116384823B 氢电耦合系统可靠性评估方法及系统 （国网浙江省电力有限公司电力科学研究院）

本发明公开了一种氢电耦合系统可靠性评电耦合系统的数学模型构建由卷积神经网络与耦合系统的异常工作状态并评估氢电耦合系统24)根据氢电耦合系统的数学模型构建由卷积神经网络与双向长短期记忆网络融合的6)计算制氢系统、燃料电池系统和储氢系统的可x]+b,)-r(亿28)3stostoUcell为电解槽F4gen为电解槽产生热能；Qloss为电解槽损失热能；Qcool为电解槽冷却水带走的热cellUact＝[ξ1+ξ2Tfc+ξ3ln(CO2)+ξ4xTfcxln(Ifc)](14)5耦合数学模型建立单元：分析制氢系统、燃料电池系统和储氢仿真模型构建单元：根据氢电耦合系统的数学模型构建由卷积神经网一维卷积层对氢电耦合系统运行数据的局部区域进行卷积操作在池化层中采用最大值池化去除数据中的冗余信息，对前一6双向长短期记忆网络设置两层不同的隐藏层，分别为前向LSTM隐藏层和反设置脱落层以提高CNN_BiLSTM混合神经网络的泛化能力，脱落层中灰色在CNN_BiLSTM混合神经网络的训练过程中，采用适应性矩估计优化函数，迭代更新7可再生能源和氢燃料电池产业协同健康发展。但当前氢电耦合方面的研究处于起步阶段，耦合子系统的可靠性指标是判别氢电耦合系统可靠运行[0010]4)根据氢电耦合系统的数学模型构建由卷积神经网络与双向长短期记忆网络融8[0018]n.(0)=nar,()-nar,(0)(1)[0019]式中，nsto(t)为储氢罐t时刻的净储氢率；为储氢罐t时刻的进氢率；Ucell为电94ta助冷却的需求；hAHX表示电解槽总的传热系数和面积的乘积；Tcw,为电解槽电解槽运行温CO2为阴极气液面的氧气浓度；[0075]o,=o(w,·[i,x]+b,)-r(28)[0077]步骤406：在CNN_BiLSTM混合神经网络的训练过程中，采用适应性矩估计优化函合系统的异常工作状态并评估氢电耦合系统[0088]图2为本发明CNN_BiLSTM混合神经网络的预测过程图(图2中的CNN_BiLSTM模型即[0092]本实施例为一种基于卷积神经网络和双向长短时融合的氢电耦合系统的可靠性[0096]4)根据氢电耦合系统的数学模型构建由卷积神经网络与双向长短期记忆网络融Telt分别为4CO2为阴极气液面的氧气浓度；h,=LSM(x,h)(22)C深层特征在BiLSTM训练中的偏置，所有W表示为氢电耦合系统深层特征在BiLSTM训练中的[0171]o,=o(w,·[i,x]+b,)-r(28)[0173]步骤406：在CNN-BiLSTM混合神经网络的训练过程中，采用适应性矩估计优化函[0188]式中，nsto(t)为储氢罐t时刻的净储氢率；为储氢罐t时刻的进氢率；Ucell为电4a助冷却的需求；hAHX表示电解槽总的传热系数和面积的乘积；Tcw,为电解槽电解槽运行温CO2为阴极气液面的氧气浓度；[0242]o,=o(w,:[h,x]+b,)-r(28)ir为t_1时刻的前向隐藏状态；xt为t时刻输入的特征量；bo为卷积运算过程中的偏置参新CNN_BiLSTM混合神经网络的权重与偏置，最后得到训练好的氢电耦合系统输出特性模以