技术领域
[0001] 本
发明涉及
燃料电池应用技术领域，尤其是涉及一种燃料电池单体电压一致性预测方法。
背景技术
[0002] 随着
能源危机与环境保护问题日趋严重，世界各国和各主要
汽车整车厂、零部件供应商致
力于新能源汽车的研发与推广，使得纯电动汽车、混合动力汽车和燃料电池汽车发展迅速。其中，燃料电池汽车具有补充
能量迅速、续航里程长、清洁高效等优点，其发展前景受到广泛地肯定。
[0003]
质子交换膜燃料电池(Proton Exchange Membrane Fuel Cell，PEMFC)具有零排放、无污染、高效率、
工作温度低等优势，常被用作燃料电池汽车动力源。PEMFC作为固定能源时寿命可达30000小时，作为车用动力源时寿命仅为2500-3000小时，这使得燃料电池寿命问题严重制约了燃料电池汽车的大规模商业化。燃料电池单体性能的好坏决定了整个电堆的输出性能，而各单体之间性能发挥的差异就导致了电堆的一致性问题。单体间不一致性的一个具体表现为
输出电压的不一致，一方面影响了电堆的输出电压，另一方面对电堆的寿命也有影响。影响单体电压一致性的主要因素有两点：一个是在结构设计、制造、加工与装配的过程中单体之间产生的差异，另一个是在电堆运行时的各项运行参数导致的差异。
[0004] 因此在燃料电池的结构设计、工作条件选择和控制策略制定中，应尽量缩小单体电池之间的差异。对燃料电池单体电压一致性的研究，目前主要在于一致性现象的描述、单体电压的影响因素上，大多致力于寻找提升一致性的方法。现阶段研究人员通过实验发现影响一致性的因素包括温度、压力、空气过量系数等。研究方法大多是通过采集燃料电池电堆内每一片或每几片单体的电压，通过分析单体电压之间的关系来判断单体电压一致性的好坏，这种预测方法的过程复杂，且往往是以某一具体电堆实验作为判断依据，导致对于同一燃料电池单体电压一致性的结论并不能形成统一。
[0005] 综上所述，现阶段的研究中，缺少对燃料电池单体电压的快速预测方法。如果能够不采集单体电压，仅通过几项运行参数就能预测单体电压一致性，那么就能在搭建电堆系统中节省出单体电压采集系统，这将有利于节省实验开支、简化燃料电池控制策略的制定过程，对燃料电池的产业化产生一定的积极意义。
发明内容
[0006] 本发明的目的就是为了克服上述
现有技术存在的
缺陷而提供一种燃料电池单体电压一致性预测方法，以单池
波动率作为评价指标、将单体电压一致性归纳为多元非线性回归问题，通过GBDT进行集中学习，能够快速且可靠地预测出燃料电池的单体电压一致性。
[0007] 本发明的目的可以通过以下技术方案来实现：一种燃料电池单体电压一致性预测方法，包括以下步骤：
[0008] S1、以单池波动率作为单体电压一致性的评价指标，采集历史的电池运行参数，以仿真得到历史的电池运行参数对单池波动率的影响数据；
[0009] S2、将历史的电池运行参数对单池波动率的影响数据划分为训练集和测试集，基于GBDT
算法，通过
集成学习训练集，以得到初步学习器模型；
[0010] S3、由初步学习器模型对测试集进行数据分类，若数据分类得分大于或等于预设得分值，则该初步学习器模型即为GBDT回归模型，否则返回步骤S2；
[0011] S4、将当前的电池运行参数输入GBDT回归模型，得到当前单池波动率预测值，即可知单体电压一致性的预测结果。
[0012] 进一步地，所述单池波动率的计算方法为：
[0013]
[0014] 其中，Vq表示各单体电池的电压值，表示电压平均值，Q表示电压
采样值，不同的电池运行参数条件下，计算得到的单池波动率均不同，单池波动率的数值越大，表明单体电压一致性差，单池波动率的数值越小，表明单体电压一致性好。
[0015] 进一步地，所述电池运行参数包括温度、
阳极流道压力、空气过量系数、
相对湿度和
电流密度。
[0016] 进一步地，所述步骤S2具体包括以下步骤：
[0017] S21、将历史的电池运行参数对单池波动率的影像数据划分为训练集和测试集；
[0018] S22、采用CART
决策树作为基学习器，基于GBDT算法，通过对训练集进行学习，最终将基学习器加权累加的结果作为输出，得到初步学习器模型。
[0019] 进一步地，所述步骤S22中CART决策树作为基学习器的学习过程具体为：
[0020] CART决策树从根
节点开始，分别计算电池运行参数的均方差；
[0021] 选择均方差值最小的电池运行参数，将该运行参数对应的训练集数据分裂成两部分，以作为
子节点；
[0022] 之后从子节点开始，继续分别计算电池运行参数的均方差并进行训练集数据分裂，以均方差最小的电池运行参数作为划分标准，直至节点中的样本个数小于预设
阈值或者所有电池运行参数均已参与节点划分。
[0023] 进一步地，所述步骤S22中GBDT算法采用多个串行连接的基学习器，后一个基学习器根据前面所有基学习器结论的残差进行更新
迭代，并在迭代过程中加入松弛因子，以防止过拟合。
[0024] 进一步地，所述步骤S22中基于GBDT算法集成学习训练集具体包括以下步骤：
[0025] S221、将训练集分别输入各个基学习器，以初始化弱学习器：
[0026]
[0027] 其中，f0(x)表示初始弱学习器，x表示训练集样本的自变量向量，N为训练集样本总数，L为平方损失函数，yi表示训练集第i个样本中单池波动率；
[0028] S222、针对各个基学习器输出的M棵决策树，通过对训练集中的样本数据进行残差计算，以分别得到各个基学习器对应的强学习器，结合弱学习器，得到初步学习器模型。
[0029] 进一步地，所述步骤S222的具体过程为：
[0030] 对训练集中的样本i＝1,2,…,N，计算各样本负梯度，即样本残差：
[0031]
[0032] 其中，rim表示第m棵决策树中第i个样本的负梯度，xi表示训练集第i个样本的自变量向量，f(xi)表示自变量xi对应的基学习器的输出值，f(x)＝fm-1(x)表示此处基学习器为第m-1次迭代的决策树；
[0033] 之后将计算的样本残差作为样本新的真实值，将数(xi,im),i＝1,2,…,N作为下棵决策树的训练集；
[0034] 得到新的回归树fm(x)和对应的叶子节点区域Rzm,z＝1,2,…,Z，其中，Z是回归树m的叶子节点数；
[0035] 针对z＝1,2,…,Z，计算叶子区域最佳拟合值：
[0036]
[0037] 其中，γzm表示第m棵决策树第z个叶子节点对应的外部参数加权系数，fm-1(xi)表示自变量xi对应的第m-1个基学习器的输出值，r表示第m次与第m-1次迭代的样本残差；
[0038] 以更新强学习器：
[0039]
[0040] 其中，fm(x)表示自变量x对应的第m个基学习器的输出值，I表示γzm对应的外部参数向量；
[0041] 得到初步学习器模型：
[0042]
[0043] 其中，fM(x)表示M棵决策树对应的
强化学习器。
[0044] 与现有技术相比，本发明以CART决策树作为基学习器，利用GBDT的集成学习算法，仅通过给定温度、流道压力、空气过量系数、相对湿度与电流密度的电池运行参数，就能够直接准确预测单池波动率，由单池波动率数值即可得知当前单体电压一致性的预测结果，本发明提出的方法过程简单，解决了传统需要采集多个单体电压以进行预测的问题，不需要额外搭建单体电压采集系统，此外，本发明基于GBDT集成多个学习器，以构建GBDT回归模型，有效保证了单池波动率预测的准确性，即提高了单体电压一致性预测结果的可靠性。
附图说明
[0045] 图1为本发明的方法流程示意图；
[0046] 图2为
实施例中温度对单体电压一致性的影响数据示意图；
[0047] 图3为实施例中流道压力对单体电压一致性的影响数据示意图；
[0048] 图4为实施例中空气过量系数对单体电压一致性的影响数据示意图；
[0049] 图5为实施例中相对湿度对单体电压一致性的影响数据示意图；
[0050] 图6为实施例中电流密度对单体电压一致性的影响数据示意图；
[0051] 图7为实施例中GBDT训练过程示意图；
[0052] 图8为实施例中考虑电流密度时初步学习器模型对测试集预测值与真实值的对比图；
[0053] 图9为实施例中不考虑电流密度时初步学习器模型对测试集预测值与真实值的对比图；
[0054] 图10为实施例中考虑电流密度时各个电池运行参数对单体电压一致性的影响程度对比图；
[0055] 图11为实施例中不考虑电流密度时各个电池运行参数对单体电压一致性的影响程度对比图。
具体实施方式
[0056] 下面结合附图和具体实施例对本发明进行详细说明。
[0057] 如图1所示，一种燃料电池单体电压一致性预测方法，包括以下步骤：
[0058] S1、以单池波动率作为单体电压一致性的评价指标，采集历史的电池运行参数，以仿真得到历史的电池运行参数对单池波动率的影响数据；
[0059] S2、将历史的电池运行参数对单池波动率的影响数据划分为训练集和测试集，基于GBDT算法，通过集成学习训练集，以得到初步学习器模型；
[0060] S3、由初步学习器模型对测试集进行数据分类，若数据分类得分大于或等于预设值，则该初步学习器模型即为GBDT回归模型，否则返回步骤S2；
[0061] S4、将当前的电池运行参数输入GBDT回归模型，得到当前单池波动率预测值，即可知单体电压一致性的预测结果。
[0062] 目前关于单体电压一致性的评价方法有如下几种：图像观察法、极差法与单池波动率法。其中，图像观察法与极差法均具有较大的局限性，单池波动率法是衡量各个单体电压偏离平均电压程度的方法，其计算方法为：
[0063]
[0064] 式中，Vq表示各单体电池的电压值，表示电压平均值，Q表示电压采样值。
[0065] 通过上式可以求得不同工作条件(对应于不同温度、流道压力、空气过量系数、相对湿度和电流密度等电池运行参数)下的单池波动率，本发明将单池波动率作为判断燃料电池单体一致性的评价指标，若单池波动率较大，则单体电压一致性较差，通过对单池波动率进行预测，以得到单体电压一致性的预测结果。
[0066] 本实施例选用5片单体组成的电堆三维模型进行仿真实验，选取了温度、流道压力、空气过量系数、空气进气相对湿度与电流密度这五个电池运行参数，控制其他参数不变，得到不同温度下的单池波动率的变化规律如图2所示，经过分析，温度较低时，燃料电池单体的电压一致性较好，而温度较高时，单体电压的一致性较差，波动幅度较大。当温度升高到70℃以上时，单池波动率快速上升，到90℃时达到0.3％以上；
[0067] 不同流道压力下的单池波动率变化规律如图3所示，流道压力较低时，单池波动率较高，随着流道压力的升高，单池波动率快速下降并维持在一个稳定的数值；
[0068] 单池波动率随空气过量系数变化规律如图4所示，随着空气过量系数的升高，单池波动率先下降后上升；
[0069] 不同空气进气相对湿度下的单池波动率变化规律如图5所示，随着空气进气相对湿度的升高，单池波动率呈现先略有下降后快速上升的趋势；
[0070] 单池波动率随电流密度的变化规律如图6所示，随着电流密度的增加，单池波动率不断上升，并在接近极限电流密度时达到最大值，与其他运行参数相比，电流密度对单池波动率的影响最大。
[0071] 在分析完各项参数对单池波动率的影响之后，可知单池波动率的预测问题是一个多元非线性回归问题，集成学习的方法是解决该类问题的理想途径，通过构建多个
机器学习器，将其以一定方式组合，共同完成学习任务，能获得比单一学习器更优越的泛化性能。
[0072] 本发明以多个CART决策树作为基学习器，通过GBDT算法得到GBDT回归模型，以保证对单池波动率预测的准确性。CART决策树算法是一种单一学习器的回归算法，通过不停地二分离散特征，使得特征平方误差最小化，其建立的决策树为二叉树。所有电池运行参数以及单池波动率均属于连续型数据，这里需要通过离散化将连续型数据转化为离散型数据，然后直接按照离散数据的取值进行分裂。对连续特征值，若按照第j个特征的取值s进行划分，切分得到两个区域为：
[0073]
[0074]
[0075] R表示划分得到的两个区域，x表示样本，i表示样本序号，j表示特征参数序号，s表示特征参数的取值，计算划分区域的输出平均值：
[0076]
[0077]
[0078] c表示划分区域内的输出平均值(单池波动率)，A表示划分区域内的样本总数，y表示样本的单池波动率。
[0079] 遍历所有的可能解，找到最优的(j*,*)，满足输出的平均值误差最小，即有：
[0080]
[0081] 所有连续特征参数均按照最优(j*,*)划分各自的区间。
[0082] 回归树的目的是根据一个对象的信息预测该对象的属性，并以数值表示。分裂的目的是提纯数据，使回归树输出的结果更接近真实值。CART回归树采用样本方差衡量节点纯度，方差的计算公式如下：
[0083]
[0084] σ表示方差，μ表示平均值，D表示训练集，方差越大，表示节点数据分散，预测越不准确，即方差为0时，该节点上所有数据值相等，则该节点输出值最为准确。因此，应选用使子节点最小的属性参数作为分裂的方案。
[0085] CART回归树从根节点开始，计算温度、压力、空气过量系数、空气进气相对湿度与电流密度各个特征的均方差，选择均方差最小的特征，将样本集分成两部分作为子节点，然后对子节点递归进行上述步骤。在回归树生成之后，对测试集样本做预测的过程就是将数据分类的过程。GBDT方法是一种序列化集成学习方法，它是多个基学习器串行生成，本实施例在GBDT学习训练过程中采用三个基学习器，如图7所示，基学习器使用CART回归树模型，后一基学习器更新的依据是前面所有基学习器结论的残差，并在迭代过程中加入了松弛因子，以防止过拟合，最终的输出结果为所有基学习器加权累加的结果。利用GBDT方法，在给定五个电池运行参数后，能够准确预测单池波动率，从而直接对单体一致性进行预测。
[0086] 由于实施例中电流密度对单池波动率的影响明显高于其他四项电池运行参数。因此将测试集分为两组，A组测试集的样本中包含电流密度的历史变化数据，B组测试集的样本中则不包含电流密度的历史变化数据，仅将电流密度设为定值。利用GBDT方法，对A、B两组测试集进行回归分析，回归结果分别如图8和图9所示。从图8和图9中可以看到，GBDT回归方法对于A组数据的预测结果很好，预测准确率得分接近0.9，整体的预测值偏差与方差都比较小，主要误差来源于单池波动率较高的区间，有少数样本在此区间的预测值与实际值有一定的偏差。对于B组数据，预测准确率得分也比较高，除少数样本点有较大偏差以外，预测值的整体分布与实际值比较接近。两组数据预测值的分布说明了经过迭代生成的GBDT模型性能比较好。
[0087] 此外，对A、B两组数据的GBDT回归模型中各个电池运行参数对单池波动率预测结果的影响程度进行分析，得到如图10和图11所示的对比示意图，可知对于电池波动率预测结果影响最大的为电流密度，其后依次为温度、空气过量系数、流道压力和相对湿度，以此能够为后续燃料电池优化工作条件的选择提供依据。
