新能源与高效节能

本发明公开了一种质子交换膜燃料电池性能退化评估与寿命预测方法，预先获取质子交换膜燃料电池的监测数据，先对质子交换膜燃料电池的监测数据使用皮尔逊相关分析法的确定输出变量，然后采用MIC特征提取获取输入变量集，通过改进的凌日搜索算法LGTSOA优化时间卷积网络和随机向量网络模型RVFL结合的神经网络模型进行训练，得到质子交换膜燃料电池的性能退化评估预测模型LGTSOA?TCN?RVFL，实现电池性能退化评估与寿命预测。本发明为质子交换膜燃料电池性能退化提供了更加精准的预测结果，也为质子交换膜燃料电池的寿命预测提供了更加可靠的依据。

成果亮点

发明目的：针对背景技术中指出的问题，本发明提出一种质子交换膜燃料电池性能退化评估及寿命预测方法，实现对质子交换膜燃料电池性能退化评估及其剩余寿命的精确快速预测。 技术方案：本发明提出一种质子交换膜燃料电池性能退化评估及寿命预测方法，包括以下步骤： (1)预先获取质子交换膜燃料电池的监测数据； (2)采用皮尔逊相关分析法对步骤(1)获取的数据进行处理，分析PEMFC健康指标； (3)基于最大相关系数法计算步骤(1)监测数据中各变量及输出变量的MIC值，输入变量集是根据MIC值进行降序排列，选取最佳输入变量集，并划分训练集和测试集；

质子交换膜燃料电池（PEMFC）是一种高效、清洁的能源转换装置，具有广阔的应用前景。然而，在其运行过程中，性能退化是普遍存在的问题，严重影响了其使用寿命和可靠性。

一种质子交换膜燃料电池性能退化评估及寿命预测方法，可以基于机器学习算法和数据分析技术，对 PEMFC 的性能退化进行评估，并通过对历史数据的分析和建模，预测其寿命。这种方法可广泛应用于 PEMFC 的设计、制造、运行和维护等各个环节，帮助企业提高 PEMFC 的可靠性和寿命，降低运行成本。因此，这种方法具有非常广阔的市场应用前景。

有益效果：与现有技术相比，本发明的有益效果：1、本发明采用皮尔逊相关分析法对数据进行预处理，选出能够表征PEMFC的健康指标即输出变量集，并在此基础上通过最大信息数MIC法选出与健康指标相关度高的参数变量集作为输入变量集；2、基于时间卷积网络和随机向量网络模型彼此的局限性，通过建立时间卷积网络结合随机向量网络模型(TCN-RVFL)的数据驱动模型，利用时间卷积网络中的残差模块的Dropout层正则化随机向量网络模型，即TCN的输出作为RVFL的输入，搭建TCN-RVFL模型，充分发挥两种模型的各自优势；3、改进的凌日搜索算法LGTSOA，改进的方式是在凌日搜索算法TSOA基础上引入黄金正弦和莱维飞行算法，并利用改进利用凌日搜索算法优化TCN-RVFL模型，建立改进后的LGTSOA-TCN-RVFL模型，得到燃料电池健康指标退化评估预测，结合计算不同失效阈值下的观测的剩余使用寿命和预测的剩余使用寿命实现对质子交换膜燃料电池剩余寿命进行预测。