CN119415896A 电氢耦合系统设备寿命预测方法、设备及介质 （国网浙江省电力有限公司电力科学研究院）

质及电氢耦合系统设备寿命预测方法、设备及介质。针对现有融合了LSTM与CNN的设备寿命预测方法的预测精度下降且未能很好地利用历史数运行数据并进行预处理，划分为训练集和测试2步骤S1、获取电氢耦合系统设备过去一段时间内步骤S3、采用多步滚动平均模式对电氢耦合系统设备步骤S21、采用滑动窗口模块将标准化数据样本集转换为特征矩阵，作为输入层的输步骤S22、通过卷积层对输入层进行卷积操作：采用多个卷积核计算出相应的特征序3;;;;;步骤S38、将其中的n个求平均值作为第t+i数据的预测4。7.根据权利要求1所述的电氢耦合系统设备寿命预测方法，其特征在于：步骤S3还包计算机程序被处理器执行时实现如权利要求1至8任一所述的电氢耦合系统设备寿命预测5[0001]本发明属于设备寿命预测技术领域，具体涉及电氢耦合系统设备寿命预测方法、[0005]已有一些学者提出将LSTM与CNN结合构建LSTM_CNN融合的神经网络模型用于电池性特征，LSTM用于提取空间相关性特征的时间特征，以预测电池的剩余使用寿命。寿命预测器对待预测电池的剩余使用寿命进6[0007]本发明针对现有融合了LSTM与CNN的电池寿命预测方法的预测精度下降且未能很本发明同时提供一种计算机设备和一种计算机可读步骤S1、获取电氢耦合系统电池过去一段时间内的状态运行数据并进行预处理，[0011]其中，为归一化后的数据，min(x)为数据中的最小值，max(x)为数据中的最步骤S25、通过LSTM层对提取出的特征数据进行特征学习，提取长期时间序列特7;;;;;8。被处理器执行时实现前述的电氢耦合系统设备如电制氢燃料电池或电解槽的输出电压作为性能退化指标，利用CNN挖掘输出电压数据的[0023]图4是本发明实施例的电氢耦合系统设备寿命预测方法的多步滚动平均预测模式步骤S1、获取电氢耦合系统电池过去一段时间内的状态运行数据并进行预处理，9出电压数据是关键数据。电制氢燃料电池输出电压是表征电制氢燃料电池性能的关键指[0031]其中，为归一化后的数据，min(x)为数据中的最小值，max(x)为数据中的最充分发挥两种模型的优势，将两者结合起来形成CNN_LSTM融合神经网络模型。卷积层和步骤S26、通过LSTM层对提取出的特征数据进行特征学习，提取长期时间序列特输出层。Dropout层实际是对LSTM层的规则限制，即选择性丢弃LSTM层中的处理单元，使;;;;[0041]步骤S3还包括：采用标准均方根误差和标准平均绝对误差进行评价，优化CNN_构建模型输入数据为：;;;;;。[0044]参见图5，应用本实施例的电氢耦合系统设备寿命预测方法对电池的寿命进行预测并与传统的CNN_LSTM融合神经网络的预测结果进行对比。利用前750小时运行数据对模CNN_LSTM融合神经网络多步滚动预测方法在训练集都表现出较好性能。利用750小时后的[0046]本发明实施例的基于CNN_LSTM融合神经网络的电制氢燃料电池多步滚动平均寿挖掘输出电压数据的内部空间特征，利用LSTM处理电压数据的时间关联关系，兼采CNN和