CN115291110A - 基于特征参量提取和老化经验库构建的电堆老化预测方法 - Google Patents

Abstract

本发明提供了一种基于特征参量提取和老化经验库构建的电堆老化预测方法，通过对氢燃料车辆电堆与整车的实时运行数据依次执行窗口切分、衰减速率计算、健康特征提取等步骤，并构建老化经验库，可利用车载大数据对同类型车辆执行快速精确的剩余寿命预测。该方法充分考虑了影响电堆性能的多种健康特征，从而保证了老化经验库对于不同车型和电堆的广泛适用性，有效克服了现有技术中存在的诸多缺陷。

Description

基于特征参量提取和老化经验库构建的电堆老化预测方法

技术领域

本发明属于燃料电池老化与寿命检测技术领域，具体涉及一种基于特征参量提取和老化经验库构建的电堆老化预测方法。

背景技术

对于燃料电池电堆来说，通过有效的寿命预测手段来及时对系统进行保养与维护，并保证电堆长期使用的耐久性十分必要。然而，在车用环境下，燃料电池电堆老化过程相对较快，且老化的成因复杂性较高，使得每辆车的老化趋势和周期都不甚相同。现有技术中，针对燃料电池电堆的老化预测模型主要分为机理老化模型、经验老化模型以及数据驱动模型，各种模型均存在一些缺陷难以克服。譬如，机理老化模型在参数辨识方面极为困难；经验老化模型精度不高且不适用动态循环工况的老化行为建模；数据驱动模型大部分都基于单电堆建模，虽然能预测未来较短时间的老化状态，但对更长周期的预测效果则效果不佳。并且，这几种模型还难以相互结合使用，如单电堆建模很难将电堆的老化行为记录为经验库，违反将老化建模知识应用到其他电堆的老化预测上。燃料电池电堆老化预测的另一难点在于，由于电堆的健康状态无法直接测量，需要借助相关的特征参量映射到健康因子，因此如何构造具有辨识度的特征参量也是本领域中尚待解决的一个重点技术问题。

发明内容

有鉴于此，针对上述本领域中存在的技术问题，本发明提供了一种基于特征参量提取和老化经验库构建的电堆老化预测方法，具体包括以下步骤：

步骤一、氢燃料车辆车载终端实时采集燃料电池电堆离厂后全生命周期运行时的氢燃料管路参数、空气管路参数、电堆功率输出参数、电堆启停状态与车辆运行状态参数，并将这些运行参数上传至云端平台；

步骤二、云端平台获取车载终端上传的运行参数后，针对某个目标电堆定义其额定电流的50％为稳态电流值，并得到与稳态电流值对应的稳态电压值；

步骤三、设定好窗口的特定时间间隔，将目标电堆全生命周期的运行参数按照所述时间间隔切分为若干个窗口；针对每个窗口创建与时间对应的电压值时间序列，并根据窗口的起始稳态电压值与末端稳态电压值，计算得到每个窗口内的电堆老化速率；

步骤四、针对每个窗口，从所述氢燃料管路参数及空气管路参数提取包括均值、最大值、最小值、方差、峰值个数、平方和、信息熵值、超过均值占比等的统计特征，作为电堆运行工况特征；以及提取每个窗口中与车辆加载幅度、启停和怠速相关的整车运行工况特征；

基于从每个窗口提取的电堆运行工况特征与整车运行工况特征，并结合由步骤三计算得到的每个窗口内的电堆老化速率，构造目标电堆的老化经验库，用于根据相同的电堆与车辆工况索引查找相应同类电堆的衰减率，从而实现对同类电堆剩余寿命预测。

进一步地，步骤一所采集的氢燃料管路参数具体包括：入堆氢压(InHP)、出堆氢压(OutHP)以及氢气温度(HT)；空气管路参数具体包括：空气湿度(AH)、入堆空压(InAP)、出堆空压(OutAP)、入堆空温(InAT)、出堆空温(OutAT)、空气流量(AF)以及空气过量系数(EAC)；电堆功率输出参数具体包括：电堆输出电压(U)和电堆输出电流(I)；车辆运行状态参数具体包括：报文时间(t)、车速(v)、加速踏板值(AP)以及制动踏板值(BP)；云端平台接收这些参数后，由前置机向Kafka写入数据，采用Flink把离线数据写入HDFS，采用Storm对Kafka的数据进行实时处理，从而把氢燃料车辆的实时动态数据写入Redis，并把车辆的最新的动态数据和静态数据写入Elasticsearch集群。

进一步地，步骤二中得到稳态电压值的具体过程包括：

首先设定目标电堆处于额定电流的50％±1A范围的输出电流值I^o；云端平台利用实时计算引擎判断每帧数据中的电流值I_t：若I_t不等于I^o，予以筛除；若I_t等于I^o，则检索该帧数据对应的电堆输出电压U_t，并将该电压值记录为t时刻的稳态电压值。

进一步地，步骤三具体包括以下步骤：

(1)设定窗口对应的时间间隔为100小时，并将目标电堆全生命周期的运行参数按照所述时间间隔切分为若干个窗口；

(2)针对每个窗口分别采集第一帧稳态电压数据V_start，以及最后一帧稳态电压数据V_end，按照下式计算电堆老化速率k：

式中，Δt是窗口时间长度，且Δt＝100h。

进一步地，步骤四中具体针对氢燃料管路参数及空气管路参数：入堆氢压(InHP)、出堆氢压(OutHP)以及氢气温度(HT)；空气管路参数具体包括：空气湿度(AH)、入堆空压(InAP)、出堆空压(OutAP)、入堆空温(InAT)、出堆空温(OutAT)、空气流量(AF)以及空气过量系数(EAC)，分别提取以下统计特征：

(1)均值：

(2)最大值：

x_max＝max(x_i)i＝1，2，...n

(3)最小值：

x_min＝min(x_i)i＝1，2，...n

(4)方差：

其中，x为原始时序参数，n为原始时序参数的帧数，下标i表示第i帧；

(5)峰值个数：对于[x_i-1，x_i，x_i+1]的连续3帧数据；若k_i-x_i+1＞0且x_i-x_i-1＞0，则认为x_i为此连续三帧小范围内的一个峰值，由此计算得到窗口内所有峰值的个数；

(6)平方和：

(7)信息熵值：

按照等距分割的原则划分概率区间u：

a和l为区间的决定参数，设置默认参数为：l＝10，a∈[0，9]，则信息熵的计算如下：

其中，p_i为落在概率区间i的概率，该值等于该概率区间的数据样本数除以窗口样本数的总和；

(8)超过均值占比：

式中，g_i为第i帧数据是否超过均值，其计算公式为：

进一步的，步骤四中所提取的整车运行工况特征具体包括：

(1)平均每小时特定幅度的加载次数：

式中，l_i表示前后两帧氢燃料电池电压升幅或降幅是否超过阈值threshold，超过阈值则判定为一次特定幅度加载事件，其计算公式为：

(2)平均每小时启停次数：

式中，s_i表示前后两帧氢燃料电堆工作状态是否一致，若不一致则判定为一次启停事件，其计算公式为：

(3)平均每小时怠速时间：

式中，m为氢燃料电池电堆有效工作样本数，且m≤n；t_sample表示每两帧数据上传时间间隔；h_i表示电堆是否为怠速状态，当电堆电流不为0且车速为0时，判定该时刻车辆状态为怠速，h_i计算公式为：

进一步地，步骤四还具体包括：

首先将数据库中所有氢燃料车辆进行分类，分类指标包括电堆种类和电堆额定功率；其中，电堆种类包括基于电池材料划分碱性氢燃料电池(AFC)、质子交换膜氢燃料电池(PEMFC)、磷酸氢燃料电池(PAFC)、熔融碳酸盐氢燃料电池(MCFC)、固体氧化物氢燃料电池(SOFC)等的多个材料分类；电堆额定功率分类则可根据市面上主流的电堆额定功率等距分级，共分为10级；

完成分类后，车辆只在相同材料分类与功率等级下基于老化经验库查找电堆衰减速率。

电堆老化经验库的具体性能指标可基于均方误差MSE来进行验证，具体计算公式为：

式中，k_i为真实电压值衰减率，

为查表得到的电压值衰减率，m为样本数量值。

上述本发明所提供的基于特征参量提取和老化经验库构建的电堆老化预测方法，通过对氢燃料车辆电堆与整车的实时运行数据依次执行窗口切分、衰减速率计算、健康特征提取等步骤，并构建老化经验库，可利用车载大数据对同类型车辆执行快速精确的剩余寿命预测。该方法充分考虑了影响电堆性能的多种健康特征，从而保证了老化经验库对于不同车型和电堆的广泛适用性，有效克服了现有技术中存在的诸多缺陷。

附图说明

图1为本发明所提供方法的流程框图；

图2为运行参数切分示意图；

图3为电堆老化速率计算过程示意图；

图4为电堆与整车运行工况特征提取示意图；

图5基于本发明所电堆老化进行预测的流程示意图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明所提供的基于特征参量提取和老化经验库构建的电堆老化预测方法，如图1所示，具体包括以下步骤：

步骤一、氢燃料车辆车载终端实时采集燃料电池电堆离厂后全生命周期运行时的氢燃料管路参数、空气管路参数、电堆功率输出参数、电堆启停状态与车辆运行状态参数，并将这些运行参数上传至云端平台；

步骤二、云端平台获取车载终端上传的运行参数后，针对某个目标电堆定义其额定电流的50％为稳态电流值，并得到与稳态电流值对应的稳态电压值；

步骤三、设定好窗口的特定时间间隔，将目标电堆全生命周期的运行参数按照所述时间间隔切分为若干个窗口；针对每个窗口创建与时间对应的电压值时间序列，并根据窗口的起始稳态电压值与末端稳态电压值，计算得到每个窗口内的电堆老化速率；

步骤四、针对每个窗口，从所述氢燃料管路参数及空气管路参数提取包括均值、最大值、最小值、方差、峰值个数、平方和、信息熵值、超过均值占比等的统计特征，作为电堆运行工况特征；以及提取每个窗口中与车辆加载幅度、启停和怠速相关的整车运行工况特征；

基于从每个窗口提取的电堆运行工况特征与整车运行工况特征，并结合由步骤三计算得到的每个窗口内的电堆老化速率，构造目标电堆的老化经验库，用于根据相同的电堆与车辆工况索引查找相应同类电堆的衰减率，从而实现对同类电堆剩余寿命预测。

在本发明的一个优选实施方式中，步骤一所采集的氢燃料管路参数具体包括：入堆氢压(InHP)、出堆氢压(OutHP)以及氢气温度(HT)；空气管路参数具体包括：空气湿度(AH)、入堆空压(InAP)、出堆空压(OutAP)、入堆空温(InAT)、出堆空温(OutAT)、空气流量(AF)以及空气过量系数(EAC)；电堆功率输出参数具体包括：电堆输出电压(U)和电堆输出电流(I)；车辆运行状态参数具体包括：报文时间(t)、车速(v)、加速踏板值(AP)以及制动踏板值(BP)；云端平台接收这些参数后，由前置机向Kafka写入数据，采用Flink把离线数据写入HDFS，采用Storm对Kafka的数据进行实时处理，从而把氢燃料车辆的实时动态数据写入Redis，并把车辆的最新的动态数据和静态数据写入Elasticsearch集群。

在本发明的一个优选实施方式中，步骤二中得到稳态电压值的具体过程包括：

首先设定目标电堆处于额定电流的50％±lA范围的输出电流值I^o；云端平台利用实时计算引擎判断每帧数据中的电流值I_t：若I_t不等于I^o，予以筛除；若I_t等于I^o，则检索该帧数据对应的电堆输出电压U_t，并将该电压值记录为t时刻的稳态电压值。

在本发明的一个优选实施方式中，步骤三具体包括以下步骤：

(1)设定窗口对应的时间间隔为100小时，并将目标电堆全生命周期的运行参数按照所述时间间隔切分为若干个窗口，如图2所示；

(2)如图3所示，针对每个窗口分别采集第一帧稳态电压数据V_start，以及最后一帧稳态电压数据V_end，按照下式计算电堆老化速率k：

式中，Δt是窗口时间长度，且Δt＝100h。

如图4所示，在本发明的一个优选实施方式中，步骤四中具体针对氢燃料管路参数及空气管路参数：入堆氢压(InHP)、出堆氢压(OutHP)以及氢气温度(HT)；空气管路参数具体包括：空气湿度(AH)、入堆空压(InAP)、出堆空压(OutAP)、入堆空温(InAT)、出堆空温(OutAT)、空气流量(AF)以及空气过量系数(EAC)，分别提取以下统计特征：

(1)均值：

(2)最大值：

x_max＝max(x_i)i＝1，2，...n

(3)最小值：

x_min＝min(x_i)i＝1，2，...n

(4)方差：

其中，x为原始时序参数，n为原始时序参数的帧数，下标i表示第i帧；

(5)峰值个数：对于[x_i-1，x_i，x_i+1]的连续3帧数据；若x_i-x_i+1＞0且x_i-x_i-1＞0，则认为x_i为此连续三帧小范围内的一个峰值，由此计算得到窗口内所有峰值的个数；

(6)平方和：

(7)信息熵值：

按照等距分割的原则划分概率区间u：

a和l为区间的决定参数，设置默认参数为：l＝10，a∈[0.9]，则信息熵的计算如下：

其中，p_i为落在概率区间i的概率，该值等于该概率区间的数据样本数除以窗口样本数的总和；

(8)超过均值占比：

式中，g_i为第i帧数据是否超过均值，其计算公式为：

在本发明的一个优选实施方式中，步骤四中所提取的整车运行工况特征具体包括：

(1)平均每小时特定幅度的加载次数：

式中，l_i表示前后两帧氢燃料电池电压升幅或降幅是否超过阈值threshold，超过阈值则判定为一次特定幅度加载事件，其计算公式为：

(2)平均每小时启停次数：

式中，s_i表示前后两帧氢燃料电堆工作状态是否一致，若不一致则判定为一次启停事件，其计算公式为：

(3)平均每小时怠速时间：

式中，m为氢燃料电池电堆有效工作样本数，且m≤n；t_sample表示每两帧数据上传时间间隔；h_i表示电堆是否为怠速状态，当电堆电流不为0且车速为0时，判定该时刻车辆状态为怠速，h_i计算公式为：

在本发明的一个优选实施方式中，步骤四还具体包括：

首先将数据库中所有氢燃料车辆进行分类，分类指标包括电堆种类和电堆额定功率；其中，电堆种类包括基于电池材料划分碱性氢燃料电池(AFC)、质子交换膜氢燃料电池(PEMFC)、磷酸氢燃料电池(PAFC)、熔融碳酸盐氢燃料电池(MCFC)、固体氧化物氢燃料电池(SOFC)等的多个材料分类；电堆额定功率分类则可根据市面上主流的电堆额定功率等距分级，共分为10级；电堆老化经验库的具体性能指标可基于均方误差MSE来进行验证，具体计算公式为：

式中，k_i为真实电压值衰减率，

为查表得到的电压值衰减率，m为样本数量值。

完成分类后，车辆只在相同材料分类与功率等级下基于老化经验库查找电堆衰减速率。如图5所示，对于某一类氢燃料电池车辆，将电堆数据进行窗口划分，对于每个电堆运行片段进行工况特征提取。首先是提取电堆运行工况时序特征，10个数据字段，每个数据提取8类特征，共得到80个特征因子。然后提取整车运行工况时序特征，共3个特征因子。综上共得到83个特征因子，用以描述能映射到健康因子的特征参量，同时仿照步骤3的操作，计算每个片段的电堆老化速率k。建立全生命周期的分时段、分工况、分电堆状态下的电堆老化经验库。该经验库存在一一对应关系，即相同型号、相同使用时长、相同运行条件下的电堆具有相等的电堆老化速率(即衰老系数)，通过查表即可以预测新电堆在未来时期的老化状态。

应理解，本发明实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.基于特征参量提取和老化经验库构建的电堆老化预测方法，其特征在于：具体包括以下步骤：

步骤一、氢燃料车辆车载终端实时采集燃料电池电堆离厂后全生命周期运行时的氢燃料管路参数、空气管路参数、电堆功率输出参数、电堆启停状态与车辆运行状态参数，并将这些运行参数上传至云端平台；

步骤二、云端平台获取车载终端上传的运行参数后，针对某个目标电堆定义其额定电流的50％为稳态电流值，并得到与稳态电流值对应的稳态电压值；

步骤三、设定好窗口的特定时间间隔，将目标电堆全生命周期的运行参数按照所述时间间隔切分为若干个窗口；针对每个窗口创建与时间对应的电压值时间序列，并根据窗口的起始稳态电压值与末端稳态电压值，计算得到每个窗口内的电堆老化速率；

步骤四、针对每个窗口，从所述氢燃料管路参数及空气管路参数提取包括均值、最大值、最小值、方差、峰值个数、平方和、信息熵值、超过均值占比等的统计特征，作为电堆运行工况特征；以及提取每个窗口中与车辆加载幅度、启停和怠速相关的整车运行工况特征；

基于从每个窗口提取的电堆运行工况特征与整车运行工况特征，并结合由步骤三计算得到的每个窗口内的电堆老化速率，构造目标电堆的老化经验库，用于根据相同的电堆与车辆工况索引查找相应同类电堆的衰减率，从而实现对同类电堆剩余寿命预测。

2.如权利要求1所述的方法，其特征在于：步骤一所采集的氢燃料管路参数具体包括：入堆氢压、出堆氢压以及氢气温度；空气管路参数具体包括：空气湿度、入堆空压、出堆空压、入堆空温、出堆空温、空气流量以及空气过量系数；电堆功率输出参数具体包括：电堆输出电压和电堆输出电流；车辆运行状态参数具体包括：报文时间、车速、加速踏板值以及制动踏板值；云端平台接收这些参数后，由前置机向Kafka写入数据，采用Flink把离线数据写入HDFS，采用Storm对Kafka的数据进行实时处理，从而把氢燃料车辆的实时动态数据写入Redis，并把车辆的最新的动态数据和静态数据写入Elasticsearch集群。

3.如权利要求1所述的方法，其特征在于：步骤二中得到稳态电压值的具体过程包括：

首先设定目标电堆处于额定电流的50％±1A范围的输出电流值I^o；云端平台利用实时计算引擎判断每帧数据中的电流值I_t：若I_t不等于I^o，予以筛除；若I_t等于I^o，则检索该帧数据对应的电堆输出电压U_t，并将该电压值记录为t时刻的稳态电压值。

4.如权利要求1所述的方法，其特征在于：步骤三具体包括以下步骤：

(1)设定窗口对应的时间间隔为100小时，并将目标电堆全生命周期的运行参数按照所述时间间隔切分为若干个窗口；

(2)针对每个窗口分别采集第一帧稳态电压数据V_start，以及最后一帧稳态电压数据V_end，按照下式计算电堆老化速率k：

式中，Δt是窗口时间长度，且Δt＝100h。

5.如权利要求1所述的方法，其特征在于：步骤四中具体针对氢燃料管路参数及空气管路参数：入堆氢压、出堆氢压以及氢气温度；空气管路参数具体包括：空气湿度、入堆空压、出堆空压、入堆空温、出堆空温、空气流量以及空气过量系数，分别提取以下统计特征：

(1)均值：

(2)最大值：

x_max＝max(x_i)i＝1，2，...n

(3)最小值：

x_min＝min(x_i)i＝1，2，...n

(4)方差：

其中，x为原始时序参数，n为原始时序参数的帧数，下标i表示第i帧；

(5)峰值个数：对于[x_i-1，x_i，x_i+1]的连续3帧数据；若x_i-x_i-1＞0且x_i-x_i-1＞0，则认为x_i为此连续三帧小范围内的一个峰值，由此计算得到窗口内所有峰值的个数；

(6)平方和：

(7)信息熵值：

按照等距分割的原则划分概率区间u：

a和l为区间的决定参数，设置默认参数为：l＝10，a∈[0，9]，则信息熵的计算如下：

其中，p_i为落在概率区间i的概率，该值等于该概率区间的数据样本数除以窗口样本数的总和；

(8)超过均值占比：

式中，g_i为第i帧数据是否超过均值，其计算公式为：

6.如权利要求5所述的方法，其特征在于：步骤四中所提取的整车运行工况特征具体包括：

(1)平均每小时特定幅度的加载次数：

式中，l_i表示前后两帧氢燃料电池电压升幅或降幅是否超过阈值threshold，超过阈值则判定为一次特定幅度加载事件，其计算公式为：

(2)平均每小时启停次数：

式中，s_i表示前后两帧氢燃料电堆工作状态是否一致，若不一致则判定为一次启停事件，其计算公式为：

(3)平均每小时怠速时间：

式中，m为氢燃料电池电堆有效工作样本数，且m≤n；t_sample表示每两帧数据上传时间间隔；h_i表示电堆是否为怠速状态，当电堆电流不为0且车速为0时，判定该时刻车辆状态为怠速，h_i计算公式为：

7.如权利要求1所述的方法，其特征在于：步骤四还具体包括：

首先将数据库中所有氢燃料车辆进行分类，分类指标包括电堆材料种类和电堆额定功率等级；

完成分类后，车辆只在相同材料分类与功率等级下基于老化经验库查找电堆衰减速率。

Images