CN119493002A 一种燃料电池性能衰退预测方法、系统、设备及介质 （东北电力大学）

本申请公开了一种燃料电池性能衰退预测2获取电池耐久性数据集，采用标准分数对所述数据集中数构建基于图神经网络的衰退预测模型，采用随机搜索算采用所述标准分数将所述正常数据集中数据缩放为预设均值、预3.根据权利要求1或2所述的燃料电池性能衰退选择所述数据集中的输出电压作为燃料电池的健康指标，设置所述和E2表示随机初始化的节点嵌入向量；α表示用于控制激活函数饱和率的超参节点j的特征向量；||表示向量的拼接运算；LeakyReLU表示引入非线性的激活函数，Softmax表示将向量的元素转换为概率分3设置所述图注意力层中时间移动窗口长度为第一长度，设置所述图注获取预设次数迭代时所述衰退预测模型的模型参数，计算预设次g,=v,f(Q)(7)tvt=β2t4结合所述一阶矩偏差修正和所述二阶矩偏差修正更新第t次迭代时的模型参数，计算8.一种燃料电池性能衰退预测系统，用于实现预处理单元，用于获取电池耐久性数据集，采用标准分数对所述模型构建单元，用于构建基于图神经网络的衰退预测模型，采用随机9.一种计算机设备，包括存储器、处理器及被处理器执行时实现权利要求1～7中任一项所述的56和E2表示随机初始化的节点嵌入向量；α表示用于控制激活函数饱和率的[0034]在一个具体的实施例中，设置所述图注意力层中时间移设置所述图注意力层中的预测长度为第二长度；设置所述第一长度是第二长度的整数倍，7g,=v1,f(Q)(7)[0038]其中，θt表示第t次迭代时的模型参数；gt表示第t次迭代时目标函数关于θt的梯tt[0048]结合所述一阶矩偏差修正和所述二阶矩偏差修正更新第t次迭代时的模型参数，8化所述衰退预测模型的超参数，并且结合所述训练集数据对所述衰退预测模型进行训练，[0060]步骤A：获取电池耐久性数据集，采用标准分数对所述数据集中数据进行缩放处[0065]步骤A：获取电池耐久性数据集，采用标准分数对所述数据集中数据进行缩放处[0070]1.本申请实施例提供的燃料电池性能9[0077]图6示出根据本申请中的动态负载条件下衰退预测模型的输出电压预测值和真实可以用独立的服务器或者是多个服务器组成的服务器集[0091]其中，X表示数据集中参数的序列值，μ和σ分别表示该参数序列的平均值和行模型的训练，以及通过测试集数据对训练后的模型进行验证。具体的，将数据集按照据集中的其他参数作为所述衰退预测模型的参数；分别构建所述衰退预测模型的图构造和E2表示随机初始化的节点嵌入向量；α表示用于控制激活函数饱和率的[0108]通过图卷积层描述了图卷积层的核心计算过程，特征矩阵H(l)通过与邻接矩阵[0112]图注意力网络通过考虑节点和时间的注意力来提高模型的表达能力和预测性[0129]在一个具体的实施例中，设置所述图注意力层中时间移设置所述图注意力层中的预测长度为第二长度；设置所述第一长度是第二长度的整数倍，网络选择性的记住或者忽略输入信息，输入门确定更新单元状态所需的新输入信息的程度，遗忘门确定单元状态中的哪些信息需要被遗忘使模型能够保存序列数据中的重要信[0132]g,vf(Q)(13)[0133]其中，θt表示第t次迭代时的模型参数；gt表示第t次迭代时目标函数关于θt的梯tt[0143]结合所述一阶矩偏差修正和所述二阶矩偏差修正更新第t次迭代时的模型参数，燃料电池输出电压。最后利用GNN模型的图卷积层和图注意层对质子交换膜燃料电池性能[0152]其中，GNN模型的图卷积层可以学习燃料电池输出电压和所有其他变量之间的空现在预测时刻0，在移动窗口中时刻_1的权重更高，这表明模型此事更关注短期的时间信[0155]通过本实施例中实现了使用GNN的质子交换膜燃料电池性能衰退预测模型对燃料化所述衰退预测模型的超参数，并且结合所述训练集数据对所述衰退预测模型进行训练，[0162]在一个具体的实施例中，预处理单元还用于对所述数据集中和E2表示随机初始化的节点嵌入向量；α表示用于控制激活函数饱和率的g,=v,f(Q)(7)[0188]其中，θt表示第t次迭代时的模型参数；gt表示第t次迭代时目标函数关于θt的梯tt[0198]结合所述一阶矩偏差修正和所述二阶矩偏差修正更新第t次迭代时的模型参数，[0201]在一个具体的实施例中，模型构建单元还用于采用MSE模型为所述衰退预测模型通过网络连接通信。该计算机程序被处理器执行时以实现一种燃料电池性能衰退预测方包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM为包括优选实施例以及落入本申请实施例中范围的所