基于多模態(tài)分解和混合深度學(xué)習(xí)網(wǎng)絡(luò)的

商用車燃料電池短時衰減預(yù)測

1

研究概述

燃料電池短時衰減預(yù)測可用于燃料電池系統(tǒng)控制優(yōu)化、多電堆協(xié)調(diào)控制和動力系統(tǒng)功率優(yōu)化分配等。本研究以某示范運營的燃料電池商用車為研究對象，根據(jù)數(shù)據(jù)特點提取電堆性能衰退指標(biāo)，采用互補集合經(jīng)驗?zāi)B(tài)分解(CEEMD)將非線性非平穩(wěn)的時間序列分解為具有不同特征時間尺度的分量，搭建并訓(xùn)練多個卷積(CNN)-長短時記憶(LSTM)混合網(wǎng)絡(luò)(CNN-LSTM)以融合預(yù)測燃料電池短時性能衰減。

2

燃料電池短時壽命預(yù)測方法

基于CEEMD分解和CNN-LSTM的燃料電池短時衰減預(yù)測方法如圖1所示。具體步驟如下所示：

圖1 基于CEEMD分解和CNN-LSTM的燃料電池短時衰減預(yù)測

（1）性能衰減指標(biāo)

通過大數(shù)據(jù)平臺下載該燃料電池商用車（燃料電池系統(tǒng)功率110 kW）4個月運行數(shù)據(jù)，對各個電流出現(xiàn)頻率進行統(tǒng)計，發(fā)現(xiàn)電流密度為135 A出現(xiàn)頻次最高，進而選定該電流密度下的電壓為性能衰減指標(biāo)。

（2）數(shù)據(jù)處理

對原始電壓數(shù)據(jù)劃分訓(xùn)練集和測試集，并采用Z-score標(biāo)準(zhǔn)化方法對訓(xùn)練集進行歸一化處理，測試集則基于訓(xùn)練集的方差進行歸一化處理?；诖?，利用50 s滑動窗對歸一化后的電壓序列進行剪切，形成輸入樣本和輸出樣本。

（3）電壓模態(tài)分解

對剪切后的輸入序列進行CEEMD分解，可得多個在0附近上下波動的模態(tài)序列和較為平滑且逐漸下降的殘差序列。模態(tài)序列與電流、壓力、流量、干擾等波動有關(guān)，進而導(dǎo)致燃料電池衰減過程中電壓出現(xiàn)可恢復(fù)性波動，殘差序列則與燃料電池固有衰減有關(guān)；基于此分解方法，深度模型不僅能夠?qū)W習(xí)燃料電池老化過程中的固有性能衰減，還能學(xué)習(xí)外部條件和干擾對電壓衰減波動影響。

（4）深度學(xué)習(xí)模型構(gòu)建

卷積神經(jīng)網(wǎng)絡(luò)采用局部感知和權(quán)值共享思想，通過使用多種不同濾波器對樣本進行學(xué)習(xí)，即可得到多種不同特征映射，特征提取能力強；長短時記憶通過引入遺忘門、輸入門和輸出門等構(gòu)建存儲單元，不僅可選擇性記憶歷史信息，還可讓信息不斷傳遞更新。本研究采用的深度學(xué)習(xí)模型是CNN-LSTM混合模型，CNN提取特征后進行展平并輸入至LSTM中。

（5）融合輸出

將各深度學(xué)習(xí)模型輸出值進行相加融合，再進行反歸一化操作，即可實現(xiàn)對應(yīng)的輸出電壓衰減預(yù)測。

（6）模型精度評價

從平均絕對誤差(MAE)、平均相對誤差(MAPE)和均方根誤差(RMSE)來評價模型預(yù)測結(jié)果。

3

短時衰減預(yù)測結(jié)果

（1）不同模型單步衰減預(yù)測結(jié)果和精度如圖2和表1所示（1-640 h數(shù)據(jù)用于模型訓(xùn)練，641-800 h數(shù)據(jù)用于模型測試），可知CNN預(yù)測精度高于LSTM，其中MAE、MAPE和RMSE分別降低了25.22%、25.27%和24.12%，表明CNN處理復(fù)雜非線性特征數(shù)據(jù)能力更強。此外，CNN-LSTM同時具有較強的特征提取能力和時間序列處理能力，MAE、MAPE和RMSE比CNN分別降低了12.56%、13.24%和13.55%。另一方面，引入多模態(tài)框架的CEEMD-CNN-LSTM可學(xué)習(xí)短時電壓波動的動態(tài)因素，較CNN-LSTM的MAE、MAPE和RMSE分別降低了41.19%、40.68%和36.92%。

圖1 (a)(b) LSTM估計結(jié)果；(c)(d) CNN估計結(jié)果；(e)(f) CNN-LSTM估計結(jié)果；(g)(h) CEEMD-CNN-LSTM估計結(jié)果

為進一步與其他公開文獻結(jié)果比較，采用廣泛應(yīng)用的IEEE PHM Data challenge數(shù)據(jù)集對CEEMD-CNN-LSTM進行訓(xùn)練和測試，對比結(jié)果如圖2所示，參考模型相關(guān)描述見原文參考文獻。從結(jié)果可知，CEEDM-CNN-LSTM相比于最近流行的深度學(xué)習(xí)方法預(yù)測精度更高。

圖2 基于IEEE PHM Data challenge數(shù)據(jù)集的CEEMD-CNN-LSTM預(yù)測結(jié)果和與其他模型衰減指標(biāo)對比

（2）為進一步驗證模型魯棒性，對商用車?yán)匣瘮?shù)據(jù)設(shè)置不同訓(xùn)練樣本進行模型訓(xùn)練，在訓(xùn)練好的模型基礎(chǔ)上進行641 ~ 800 h單步預(yù)測。結(jié)果如圖3和表2所示，隨著預(yù)測進行，LSTM預(yù)測電壓差逐漸增大，相比之下，盡管使用前30%樣本進行訓(xùn)練，CNN仍能跟蹤燃料電池的短時衰退趨勢，進一步證明了CNN比LSTM泛化能力更強。此外，與CNN相比，CNN-LSTM可顯著提高預(yù)測性能，再次表明混合深度學(xué)習(xí)模型的有效性，且CEEMD-CNN-LSTM預(yù)測精度最高。

圖3 使用(a)(b) 1 ~ 240 h，(c)(d) 1~ 400h和(e)(f) 1 ~ 560 h數(shù)據(jù)對模型訓(xùn)練，641 ~ 800 h數(shù)據(jù)對模型進行測試

（3）前文多尺度融合預(yù)測過程均采用1h延遲的實測值更新網(wǎng)絡(luò)狀態(tài)，在實際運營過程中，車輛并不會實時回傳傳感器數(shù)據(jù)，因此部署在云端的預(yù)測模型可能無法及時獲得實測值以更新網(wǎng)絡(luò)狀態(tài)。為了研究狀態(tài)更新延遲時間的影響，選擇5h和10h的實測值延遲，進行融合預(yù)測，結(jié)果如圖4(a)和(b)所示，CEEMD-CNN-LSTM中延遲1 h的MAE、MAPE和RMSE分別比延遲5 h降低了39.26%、39.66%和34.90%，比延遲10 h分別降低了49.90%、50%和45.76%?？紤]到本文研究車輛的電堆在平均每天運行約5-6h，每天回傳一次數(shù)據(jù)。在5h狀態(tài)更新延遲時間下，預(yù)測結(jié)果同樣具有一定價值。此外，基于IEEE PHM data challenge數(shù)據(jù)集，對CEEMD-CNN-LSTM進行多步預(yù)測并與其他文獻公開指標(biāo)進行對比（如圖4(c) ~ (f)），依然具有更高的預(yù)測精度。

圖4 使用(a)(b) 商用車數(shù)據(jù)集多步預(yù)測結(jié)果；(c)~(f) IEEE PHM data challenge數(shù)據(jù)集預(yù)測結(jié)果

審核編輯 ：李倩