一种氢燃料电池工作的识别预测方法、存储介质及系统

1.本发明涉及信号预测和模式识别技术领域，尤其涉及一种氢燃料电池工作的识别预测方法、存储介质及系统。


背景技术：

2.氢能被认为是21世纪最具发展潜力的清洁能源，其价值得到了学术界和工业界的广泛认可。氢燃料电池技术，被认为是利用氢能，解决未来人类能源危机的终极方案。在此技术背景下，氢燃料电池汽车逐渐成为了各大汽车厂商争相研发的重点，氢燃料电池汽车具备零排放、低噪声、续驶里程长等优点，燃料电池发动机作为单一驱动动力源具有输出动态响应慢的缺点，为了改善系统的供电灵活性，延长燃料电池的使用寿命。
3.目前氢燃料电池汽车大都采用以燃料电池为主，以储能电源为辅助动力源的混合发电系统。对于燃料电池混合发电系统，车辆的能量管理控制策略是系统的核心，如何合理的调用主动力源和辅助动力源的能量是现在研究和探索的重点。依据车辆运行状态、汽车行驶工况的不同匹配最优的工作模式，作为能量控制策略的实施规则是氢燃料电池汽车能量管理系统的热点研究方向之一，如果能够精确识别车辆实时最优工作模式，并预测未来一点时间的功率需求，制定相应的能量管理策略，使得动力分配更加合理，在保护部件寿命的基础上，汽车的燃料经济性也可以随之进一步提高。
4.在汽车实际运行过程中，精确且快速的实时工况识别，是下一步最优能量调用的关键，依据不同的核心算法，识别系统的处理能力上限也不同，这影响到了识别的精确性和延时性。


技术实现要素：

5.有鉴于此，本发明提供一种氢燃料电池工作的识别预测方法、存储介质及系统实现更为精确且快速的氢燃料电池汽车能量系统工作模式识别及预测的问题。
6.为了达到上述目的，本发明解决技术问题的技术方案是提供一种氢燃料电池工作的识别预测方法，其包括步骤：采集氢燃料电池汽车在多种行驶状态下的特征参数；对采集到的特征参数进行预处理，划分不同工作模式，并进行归一化数据重构处理；利用预处理后的特征参数进行训练，构建第一lstm模型；对预处理后的特征参数进行变量整合及时序处理，并进行训练，构建第二lstm模型；分别选取第一lstm模型及第二lstm模型的最优超参数，得到识别及预测模型；通过识别及预测模型对行驶过程中氢燃料电池工作模式的实时状态进行识别，并对未来氢燃料电池工作模式的状态进行预测。
7.进一步，所述特征参数包括速度、加速度、载重、坡度、储能电池soc值、氢燃料电池输出功率。
8.进一步，所述特征参数的采集通过在车辆上设置ecu、gps及外置传感器等设备，对多种行驶状态下的特征参数进行采集，采集频率为1hz。
9.进一步，所述预处理为去除不良数据，提取有效信息，并利用统计学算法，设置划
分条件，基于不同工作状态和工况，合理分类归纳得到描述不同工作模式的有效运动学片段，同时对提取出的运动学片段进行标准化、归一化、维度重构处理。
10.进一步，所述合理分类为采用统计学方法，对采集到的特征参数进行有效信息提取，得到有效运动学片段；所述去除不良数据指为在信号收集过程中，因出现信号丢失、长时间怠速、特殊极端工况等，导致部分数据特征不明显、极端化，在单一时间步长内占据过大权重，影响模型训练的精确性的数据。
11.进一步，所述第一lstm模型包括全连接层、长短期记忆层、输出层三部分。
12.进一步，所述第二lstm模型主要包括长短期记忆层、输出层两部分。
13.本发明还提供一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行氢燃料电池工作的识别预测方法。
14.本发明还提供一种氢燃料电池工作的识别预测系统，其包括处理器和存储器,所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现氢燃料电池工作的识别预测方法。
15.与现有技术相比，本发明所提供的氢燃料电池工作的识别预测方法、存储介质及系统具有以下有益效果：
16.通过采用普通神经网络和长短期记忆神经网络协同集成的多层次深度神经网络模型来解决氢燃料电池汽车能量系统工作模式的识别问题，同时实现了一定时间内车辆功率需求的预测。相比于传统的识别方法，本方法既能利用信号的空间特征又参考了信号在时间序列上的动态关联信息，实现了更为快速且精确的氢燃料电池汽车能量系统工作模式的识别和预测效果。
17.以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明的保护范围内。
附图说明
18.图1为本发明一个实施例提供的一种氢燃料电池工作的识别预测方法的步骤流程示意图；
19.图2为本发明一个实施例提供的一种氢燃料电池工作的识别预测方法的原理示意图；
20.图3为本发明一个实施例提供的一种氢燃料电池工作的识别预测方法中lstm模型构建原理示意图；
21.图4为本发明一个实施例提供的一种氢燃料电池工作的识别预测方法中随机搜索超参数方法的原理示意图。
具体实施方式
22.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
23.请参阅图1
‑
4，本发明提供的一种氢燃料电池工作的识别预测方法，其包括步骤：
24.s1，采集氢燃料电池汽车在多种行驶状态下的特征参数；
25.具体的，通过驾驶以氢燃料电池为动力驱动的汽车在不同道路或试验台上运行，模拟多种车辆运行的状态，以采集多种行驶状态下的特征参数，即氢燃料电池汽车多特征信号数据集。
26.在本实施例中，通过在车辆上设置ecu、gps及外置传感器等设备，对多种行驶状态下的特征参数进行采集。特征参数包括速度、加速度、载重、坡度、储能电池soc值、氢燃料电池输出功率，采集频率为1hz。
27.s2，对采集到的特征参数进行预处理，划分不同工作模式，并进行归一化数据重构处理；
28.具体的，在获取特征参数的过程中，存在突发极端工况、特殊路段gps信号丢失等其他状况导致的异常数据，需要对采集到的的特征参数进行预处理，如去除不良数据，提取有效信息，并利用统计学算法，设置划分条件，基于不同工作状态和工况，合理分类归纳得到描述不同工作模式的有效运动学片段，同时对提取出的运动学片段进行标准化、归一化、维度重构处理。
29.其中，合理分类指：采用统计学方法，对采集到的特征参数进行有效信息提取，得到有效运动学片段，包括1)氢燃料电池直接向电机供电、2)氢燃料电池向储能电池供电、3)储能电池向电机供电、4)回收制动能量使电机反转向储能电池供电。4种能量流动方式的不同组合，合理划分能量系统的工作模式，即1+3组合模式(mode1)、1+2组合模式(mode2)、2+4组合模式(mode3)，形成可描述氢燃料电池汽车电
‑
电混动系统3种工作模式的多维时域信号数据集。
30.去除不良数据指：在信号收集过程中，因出现信号丢失、长时间怠速、特殊极端工况等，导致部分数据特征不明显、极端化，在单一时间步长内占据过大权重，影响模型训练的精确性的数据。
31.在本实施例中，行驶过程中采集了10小时的行驶数据，采集到的特征参数中包含了一定时间的市区工况、市郊工况、高速工况等多种常见工况行驶数据，采样频率为1hz，即所设计识别和预测系统的理想分辨率为1s。特征参数中往往包含一部分的不良数据或无效数据，如信号丢失、长时间怠速、特殊极端工况等，影响模型训练的精确性，需要去除。在建立模型前，设计多种滤波和统计学算法，提取有效运动学片段。如针对大于异常加减速信息，因所试验车辆0
‑
100km/h加速时间为9s，紧急刹车最大加速度在8m/s2左右，设置加速度阈值为大于
‑
8m/s2，小于3.086m/s2；针对超过180s速度为0km/h的数据进行剔除，认为属于信号丢失或长时间怠速。经过有效滤波和筛选的有效数据约为7小时，选取其中4小时的高效行驶数据进行下一步处理和分析。
32.将所选取的4小时特征参数分为训练集和测试集，训练集为3小时，测试集为1小时，以在神经网络模型训练后验证其识别和预测的精确性。利用统计学算法，自动的对所选取的3小时速度信号数据进行有效运动学片段划分，最终使得数据每15s为一组，1+3组合模式(mode1)、1+2组合模式(mode2)、2+4组合模式(mode3)各划分60分钟左右的有效数据，即每种工况包含约240组数据，为了提高识别的适应性，保证神经网络模型可以充分学习数据特征，将已划分好的数据从中点切分组合，进行重新排列，再划分出239组数据，即最终，三种工作模式各包含近480组的数据用于训练。
33.本实施例需建立两个包含lstm的神经网络模型，第一个lstm模型用于识别，第二个lstm模型用于预测。针对第一个识别用lstm模型，将划分好的近1500组数据进行人为划分，以0，1，2分别代表1+3组合模式(mode1)、1+2组合模式(mode2)、2+4组合模式(mode3)。为保证学习过程的收敛性和高效性，对数据做正规化处理，使得经过处理的数据符合标准正态分布，即均值为0，标准差为1，同时，将带有工作模式信息的数据重构，对应后续时序化的序列输出维度，对1小时测试集采取相同的处理；针对第二个预测用lstm模型，对3小时连续时间多特征信号数据集进行变量整合，运用汽车动力学方程，将车辆速度、加速度、坡度及载重等信息转化为功率需求值，再匹配对应时刻的速度信号，作为新的数据集输入进行时序化处理，即每30+5个数据为一组，前30秒的数据作为自变量子序列，后5秒数据作为因变量子序列，形成包含连续多时间步长的二维矩阵子序列集，对1小时测试集采取相同的处理。
34.s3，利用预处理后的特征参数进行训练，构建第一lstm模型；
35.具体的，氢燃料电池汽车的特征参数经过预处理、归一化和维度重构后，每1s的5个特征参数组成一个特征序列，并匹配输入对应的真实工作模式，分别用0，1，2表示，划分好的训练集数据再按照0.8：0.2的比例随机划分为真实训练集和验证集，实现训练过程中的实时跟随性验证及相关精确度、损失函数的输出。上述数据输入模型后，经过全连接层识别特征后，连续的多特征时间序列数据形成一个二维矩阵，作为lstm层的输入进一步学习数据在空间深度和时间深度上的特征表达；最后，输出层对得到的特征实现全连接，使用softmax激活函数的神经层，得到各工作模式可能概率的统计，选择最大概率工作模式输出，实现氢燃料电池汽车能量系统工作模式的分类识别；
36.第一lstm模型主要包括全连接层、长短期记忆层、输出层三部分；
37.全连接层的输入为一个包含多种工作模式的有效运动学片段多特征数据集，经过预处理后，转换为一个包含5个权重及1个偏置的特征关系式；全连接层采用两层结构，多层连接的目的在于深层次学习目标信号的特征表达；每层全连接层设置不同大小且依次递减的单元数，在不同尺度提取特征，采用relu非线性函数作为激活函数；同时，为防止出现过拟合，在全连接层后面设置dropout层；
38.使用timedistributed层包装上述两层全连接层，配合lstm层，实现多对一的输出和输入，使长短期记忆层的输入为15次时间步长数据的集合；
39.长短期记忆层的输入为经过timedistributed层包装后的15次时间步长的全连接层特征矩阵，特征矩阵组成的数据集合作为序列逐个输入，同时包含序列间信息的变量c也会被输入，其中c等于：
40.c＝i
t
*k
t
+cf
t
41.长短期记忆层拥有特有的门结构，由一个sigmoid神经网络层和一个点乘法运算组成。i
t
*k
t
使得神经网络可以增强对近几次计算遗留信息的记忆，cf
t
向系统内增加噪音，使系统忘记部分之前计算残留的信息。该层设置的目的时提取信号在长时间维度上的关联信息。
42.输出层包括全连接层和softmax层；指定车型的连续时间速度信号数据集经过预处理后，每个时间步长的数据在两层全连接层完成特征识别后，指定20次时间步长的序列数据作为长短期记忆层的输入进一步提取信号在长时间维度上的关联信息特征，长短期记
忆层输出了既包含序列信号静态特征信息又包含序列间动态关联信息的特征向量{xt(r)},1≤t≤t；对于分类任务，输出层首先要将转化为一个固定长度的特征向量xt(r)，采用在一个实时识别周期上取平均值的方式进行池化，即：
[0043][0044]
然后将获得的特征向量xt(r)通过一个全连接层得到输出x(f)，如下公式所示：
[0045]
x(f)＝w
out
xt(r)+b
out
[0046]
其中，w
out
为全连接层中的权重参数矩阵，而b
out
为全连接层中的偏置向量；
[0047]
则x(f)同时为最后一层softmax层的输入，得到各子序列能量系统工作模式分类概率如下公式所示：
[0048][0049]
其中，其中，c＝0、1、2、
……
、c，c为能量系统工作模式的类别，函数返回值为包含c个类别分量的概率向量，每个分量对应一个输出类别的预测概率；
[0050]
通过对每一个样本的预测概率分布和该样本的真实标签向量y计算交叉熵，得到代价函数：
[0051][0052]
其中，n为训练样本个数，y
i
为第i训练个样本的真实标签,为第i个训练样本的预测概率，θ为lstm模型需要训练的参数；
[0053]
引入l2正则化策略，对标准代价函数j'(θ)增加一个参数范数惩罚项ω(θ)，以限制lstm模型的学习能力，正则化之后的目标函数记做j(θ)，如下公式所示：
[0054]
j(θ)＝j'(θ)+λω(θ)
[0055]
其中，λ＝[0,∞)为权衡范数惩罚项ω和标准代价函数j'(θ)相对贡献的超参数，当λ取0时，即没有正则项，λ越大，表示正则化惩罚越大；
[0056]
最后，采用sgd优化算法对上述代价函数进行迭代优化，取categorical_crossentropy为损失函数，找到使代价函数取得最小的一组lstm模型参数，最终实现对应氢燃料电池汽车能量系统工作模式的精确识别。
[0057]
s4，对预处理后的特征参数进行变量整合及时序处理，并进行训练，构建第二lstm模型；
[0058]
具体的，将步骤s1中采集的特征参数中包含车辆速度、加速度、坡度、载重等基础状态信息的变量整合，由汽车行驶方程计算得到车辆每一时刻的功率需求，结合速度信号形成新的数据集，该数据集包含2个特征，对该数据集进行归一化和维度重构处理。之后，将上述得到的数据集进行时序化处理，即每30+5个数据为一组，前30个数据作为自变量子序列，后5个数据作为因变量子序列，形成包含连续多时间步长的三维矩阵子序列集，输入模型进行训练；lstm层提取各子序列在时间深度上的关联信息；输出层使用简单的liner线性输出，预测未来5秒内可能的功率需求；
[0059]
第二lstm模型主要包括长短期记忆层、输出层两部分；
[0060]
长短期记忆层的输入为时序化的连续时间二维矩阵子序列集。其包括三层lstm
层，第一层和第二层return_sequences＝true，即多输入多输出，输出为包含序列间关联信息的二维矩阵，第三次变为多对一的输入和输出，对接全连接输出层。
[0061]
输出层仅包括了全连接层，即获得的特征向量x
t
(r)通过一个全连接层得到输出x(f)。其输出值为未来5秒内汽车的功率需求，该预测可实时连续进行，5秒的预测值使更为精确且高效的电混动能量控制和决策成为可能。
[0062]
最后，采用adam优化算法对上述代价函数进行迭代优化，取mean_squared_error为损失函数，找到使代价函数取得最小的一组lstm模型参数，实现对应氢燃料电池汽车的未来5s内功率需求的预测。
[0063]
本实施例中，在第一lstm模型中，经过预处理后提取大小为(1440
×
15)
×5×
1的特征向量将x
i
依次输入两层全连接层处理分别得到特征向量全连接层完成特征识别后，由于timedistributed层的步长累积作用，每15组多特征数据组成多时间序列数组，将向量展开，作为lstm层的输入，继续提取其在时间深度上的特征，输出的包含空间特征和时间特征的特征向量x
t
被输入到全连接层，再得到x
d
，并作为最后一层softmax层的输入，得到分类的概率信息。
[0064]
本实施例中，每层全连接层设置不同大小且递减的单元数，在不同尺度提取特征，采用relu非线性函数激活，为了防止过拟合，在timedistributed层后设置dropout层。采用sgd优化算法对上述模型进行迭代优化，找到使代价函数最小的一组模型参数，实现氢燃料电池汽车能量系统工作模式识别。
[0065]
本实施例中,在第二lstm模型中，经过预处理和时序化处理后提取大小为2160
×
30
×
1的特征向量以及大小为2160
×
5的已知5秒预测值特征向量均输入三层lstm层处理分别得到将得到的包含时间序列特征的特征向量输入全连接层，全连接层设置5个维度的输出，对应5秒的预测值。
[0066]
本实施例中，三层lstm层设置不同数量的节点数，同时，为了防止过拟合，在每层lstm层的输出位置都设置了dropout层。采用adam优化算法对上述模型进行迭代优化，找到使代价函数最小的一组模型参数，实现氢燃料电池汽车未来功率需求信息的预测。
[0067]
s5，分别选取第一lstm模型及第二lstm模型的最优超参数，得到识别及预测模型；
[0068]
具体的，采用随机搜索超参数优化方法分别选取第一lstm模型及第二lstm模型的最优超参数，以精确度为优化核心，获得识别模型及预测模型。
[0069]
根据构建的lstm模型设置合理的超参数范围，如表1所示；
[0070]
表1神经网络模型超参数范围
[0071][0072]
输入3小时的多特征数据集，以0.67：0.33比例将数据集随机划分为超参数优化用的训练集和测试集，再0.8：0.2的比例将训练集随机划分为训练集和验证集，同时，设置随机种子参数，保证每次随机划分的一致性，方便重复实验；
[0073]
采用随机搜索超参数优化算法，根据上述超参数范围进行32次随机实验，获取范围内最优的识别和预测准确率，结果如表2所示；
[0074]
表2最优超参数表
[0075]
模型epsb_sl_rmomdrfcifc2unii_lunitsactlstm
‑
150none0.10.40.5321620
‑‑
32relulstm
‑
2200none
‑‑‑‑
0.5
‑‑‑‑‑‑
305linear
[0076]
其中，lstm
‑
1为第一lstm模型，lstm
‑
2是第二lstm模型。eps＝epochs为训练次数，b_s＝batch_size为每批次输入的数据量，l_r＝learn_rate为损失函数的学习率，mom＝momentum为损失函数的动量，dr＝dropuot用于正则化，fcl＝fc_units_1为lstm
‑
1全连接层的第一层单元数，fc1＝fc_units_2为lstm
‑
1全连接层的第二层单元数，uni＝units为lstm层每时间步长的组数，i_l＝input_length为预测用数据长度，units＝units为全连接层的单元数，act＝activation为激活函数。
[0077]
在本实施例中，依据表2获得的最优超参数表搭建识别预测模型，在试验车辆多特征数据集上进行仿真测试，并在大数据集的基础上随机提取20％的小样本数据集进行训练，结果如表3所示：
[0078]
表3本发明识别方法的识别和预测结果
[0079]
模型\样本小样本数据集大样本数据集lstm识别模型 准确率(％)83.3
±
798.5
±
1.5lstm预测模型 均方根(rms)0.15
±
0.050.08
±
0.005
[0080]
s6，通过识别及预测模型对行驶过程中氢燃料电池工作模式的实时状态进行识别，并对未来氢燃料电池工作模式的状态进行预测；
[0081]
在氢燃料电池汽车行驶过程中，获取实时的连续时间速度、加速度、储能电池soc值等特征参数，输入训练好的识别模型及预测模型中，实现快速且精确的能量系统工作模
式识别，同时对未来一定时间内的可能功率需求预测，为后续最优的电
‑
电混动能量管理策略提供规则依据。
[0082]
本发明还提供一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述方法步骤。存储介质可以包括如软盘、光盘、dvd、硬盘、闪存、u盘、cf卡、sd卡、mmc卡、sm卡、记忆棒(memory stick)、xd卡等。
[0083]
计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可以是个人计算机设备、服务器或其他网络设备等)用以执行本发明方法的全部或部分步骤。
[0084]
本发明还提供一种氢燃料电池工作的识别预测系统，该氢燃料电池工作的识别预测系统包括处理器和存储器,存储器上存储有计算机程序，计算机程序被处理器执行时，实现氢燃料电池工作的识别预测方法。
[0085]
与现有技术相比，本发明所提供的氢燃料电池工作的识别预测方法、存储介质及系统具有以下有益效果：
[0086]
通过采用普通神经网络和长短期记忆神经网络协同集成的多层次深度神经网络模型来解决氢燃料电池汽车能量系统工作模式的识别问题，同时实现了一定时间内车辆功率需求的预测。相比于传统的识别方法，本方法既能利用信号的空间特征又参考了信号在时间序列上的动态关联信息，实现了更为快速且精确的氢燃料电池汽车能量系统工作模式的识别和预测效果。
[0087]
以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明的保护范围内。