基于多模态分解和混合深度学习网络的商用车燃料电池短时衰减预测

基于多模态分解和混合深度学习网络的

商用车燃料电池短时衰减预测

1

研究概述

燃料电池短时衰减预测可用于燃料电池系统控制优化、多电堆协调控制和动力系统功率优化分配等。本研究以某示范运营的燃料电池商用车为研究对象，根据数据特点提取电堆性能衰退指标，采用互补集合经验模态分解(CEEMD)将非线性非平稳的时间序列分解为具有不同特征时间尺度的分量，搭建并训练多个卷积(CNN)-长短时记忆(LSTM)混合网络(CNN-LSTM)以融合预测燃料电池短时性能衰减。

2

燃料电池短时寿命预测方法

基于CEEMD分解和CNN-LSTM的燃料电池短时衰减预测方法如图1所示。具体步骤如下所示：

图1 基于CEEMD分解和CNN-LSTM的燃料电池短时衰减预测

（1）性能衰减指标

通过大数据平台下载该燃料电池商用车（燃料电池系统功率110 kW）4个月运行数据，对各个电流出现频率进行统计，发现电流密度为135 A出现频次最高，进而选定该电流密度下的电压为性能衰减指标。

（2）数据处理

对原始电压数据划分训练集和测试集，并采用Z-score标准化方法对训练集进行归一化处理，测试集则基于训练集的方差进行归一化处理。基于此，利用50 s滑动窗对归一化后的电压序列进行剪切，形成输入样本和输出样本。

（3）电压模态分解

对剪切后的输入序列进行CEEMD分解，可得多个在0附近上下波动的模态序列和较为平滑且逐渐下降的残差序列。模态序列与电流、压力、流量、干扰等波动有关，进而导致燃料电池衰减过程中电压出现可恢复性波动，残差序列则与燃料电池固有衰减有关；基于此分解方法，深度模型不仅能够学习燃料电池老化过程中的固有性能衰减，还能学习外部条件和干扰对电压衰减波动影响。

（4）深度学习模型构建

卷积神经网络采用局部感知和权值共享思想，通过使用多种不同滤波器对样本进行学习，即可得到多种不同特征映射，特征提取能力强；长短时记忆通过引入遗忘门、输入门和输出门等构建存储单元，不仅可选择性记忆历史信息，还可让信息不断传递更新。本研究采用的深度学习模型是CNN-LSTM混合模型，CNN提取特征后进行展平并输入至LSTM中。

（5）融合输出

将各深度学习模型输出值进行相加融合，再进行反归一化操作，即可实现对应的输出电压衰减预测。

（6）模型精度评价

从平均绝对误差(MAE)、平均相对误差(MAPE)和均方根误差(RMSE)来评价模型预测结果。

3

短时衰减预测结果

（1）不同模型单步衰减预测结果和精度如图2和表1所示（1-640 h数据用于模型训练，641-800 h数据用于模型测试），可知CNN预测精度高于LSTM，其中MAE、MAPE和RMSE分别降低了25.22%、25.27%和24.12%，表明CNN处理复杂非线性特征数据能力更强。此外，CNN-LSTM同时具有较强的特征提取能力和时间序列处理能力，MAE、MAPE和RMSE比CNN分别降低了12.56%、13.24%和13.55%。另一方面，引入多模态框架的CEEMD-CNN-LSTM可学习短时电压波动的动态因素，较CNN-LSTM的MAE、MAPE和RMSE分别降低了41.19%、40.68%和36.92%。

图1 (a)(b) LSTM估计结果；(c)(d) CNN估计结果；(e)(f) CNN-LSTM估计结果；(g)(h) CEEMD-CNN-LSTM估计结果

为进一步与其他公开文献结果比较，采用广泛应用的IEEE PHM Data challenge数据集对CEEMD-CNN-LSTM进行训练和测试，对比结果如图2所示，参考模型相关描述见原文参考文献。从结果可知，CEEDM-CNN-LSTM相比于最近流行的深度学习方法预测精度更高。

图2 基于IEEE PHM Data challenge数据集的CEEMD-CNN-LSTM预测结果和与其他模型衰减指标对比

（2）为进一步验证模型鲁棒性，对商用车老化数据设置不同训练样本进行模型训练，在训练好的模型基础上进行641 ~ 800 h单步预测。结果如图3和表2所示，随着预测进行，LSTM预测电压差逐渐增大，相比之下，尽管使用前30%样本进行训练，CNN仍能跟踪燃料电池的短时衰退趋势，进一步证明了CNN比LSTM泛化能力更强。此外，与CNN相比，CNN-LSTM可显著提高预测性能，再次表明混合深度学习模型的有效性，且CEEMD-CNN-LSTM预测精度最高。

图3 使用(a)(b) 1 ~ 240 h，(c)(d) 1~ 400h和(e)(f) 1 ~ 560 h数据对模型训练，641 ~ 800 h数据对模型进行测试

（3）前文多尺度融合预测过程均采用1h延迟的实测值更新网络状态，在实际运营过程中，车辆并不会实时回传传感器数据，因此部署在云端的预测模型可能无法及时获得实测值以更新网络状态。为了研究状态更新延迟时间的影响，选择5h和10h的实测值延迟，进行融合预测，结果如图4(a)和(b)所示，CEEMD-CNN-LSTM中延迟1 h的MAE、MAPE和RMSE分别比延迟5 h降低了39.26%、39.66%和34.90%，比延迟10 h分别降低了49.90%、50%和45.76%。考虑到本文研究车辆的电堆在平均每天运行约5-6h，每天回传一次数据。在5h状态更新延迟时间下，预测结果同样具有一定价值。此外，基于IEEE PHM data challenge数据集，对CEEMD-CNN-LSTM进行多步预测并与其他文献公开指标进行对比（如图4(c) ~ (f)），依然具有更高的预测精度。

图4 使用(a)(b) 商用车数据集多步预测结果；(c)~(f) IEEE PHM data challenge数据集预测结果

审核编辑 ：李倩