(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211051384.0 (22)申请日 2022.08.30 (71)申请人 广东能源集团科 学技术研究院有限 公司 地址 510630 广东省广州市南沙区丰泽 东 路106号 （自编1号楼） X13 01-G9752 (72)发明人 饶睦敏　李明飞　彭志平　黄慧　 侯龙通　陈正鹏　董江波　陈创庭　 (74)专利代理 机构 广州三环 专利商标代理有限 公司 44202 专利代理师 柯梦云 (51)Int.Cl. G06F 30/20(2020.01) G06N 3/04(2006.01) G06F 119/04(2020.01) (54)发明名称 一种SOFC系统退化预测方法、 系统、 电子设 备及存储介质 (57)摘要 本发明涉及固体氧化物燃料电池技术领域， 基于目前的预测模型对SOFC系统的退化预测效 果不佳， 且缺乏通用性和精准度的问题， 设计了 一种基于注意力机制和数据驱动的SOFC系统退 化预测方法、 系统、 电子设备及存储介质。 首先， 本发明采用了数据驱动的方法构建SOFC系统退 化预测模型， 不需要花费大量的精力构建高精度 的机理模型； 其次， 本发明基于数据驱动的方法 所得到的神经网络通用性较好， 针对不同的SOFC 系统只需要重新训练调整参数即可， 不需要改变 模型框架结构； 最后， 本申请在构建模型时引入 了注意力机制， 相比其它的数据驱动预测方法， 可以自动更新神经网络参数权重， 相比普通的 LSTM模型， 预测精度更高。 权利要求书2页 说明书8页 附图5页 CN 115438477 A 2022.12.06 CN 115438477 A 1.一种SOFC系统退化预测方法， 其特 征在于， 包括： 获取原始实验数据， 并根据所述原始实验数据构建数据集， 所述原始实验数据为所需 要预测退化情况的SOFC系统的正常运行 数据； 对所述数据集进行预处理， 按照预设比例划分为训练集与测试集， 并将所述训练集与 测试集分别转 化为监督学习训练数据集与监 督学习测试 数据集； 通过顺序 前进法对所述监督学习训练数据集与监督学习测试数据集进行特征选择， 得 到特征选取结果； 根据所述特征选取结果搭建SOFC系统退化预测模型， 所述S OFC系统退化预测模型为在 隐藏层与输出层之间引入注意力机制的LSTM模型； 利用所述监督学习训练数据集与监督学习测试数据集分别对所述SOFC系统退化预测 模型进行训练和 测试， 并输出测试 结果； 根据所述测试 结果对所述SOFC系统退化预测模型进行性能评估； 当所述测试结果达到要求时， 将S OFC系统实时产 生的当前观测数据输入至所述S OFC系 统退化预测模型中进行 退化预测， 得到SOFC系统的退化情况。 2.根据权利要求1所述的一种SOFC系统退化预测方法， 其特征在于， 所述对所述数据集 进行预处理， 按照预设比例划分为训练集与测试集， 并将所述训练集与测试集分别转化为 监督学习训练数据集与监 督学习测试 数据集， 包括： 对所述数据集中的数据进行选择， 具体为： 填充缺失值和删除异常值； 其中， 对于缺失值， 直接用上一时刻的数据进行填充； 对于异常值， 使用DBSCAN 算法来确定， 并删除。 3.根据权利要求1所述的一种SOFC系统退化预测方法， 其特征在于， 所述对所述数据集 进行预处理， 按照预设比例划分为训练集与测试集， 并将所述训练集与测试集分别转化为 监督学习训练数据集与监 督学习测试 数据集， 还 包括： 对数据集进行归一化处理， 将归一化后的数据集按照预设比例划分为训练集和测试 集； 其中， 对数据集进行归一 化处理通过下式进行： 其中， xnom是放缩完的数据， x是原始实验数据， xmax为原始实验数据的最大值， xmin为原 始实验数据的最小值。 4.根据权利要求1所述的一种SOFC系统退化预测方法， 其特征在于， 所述对所述数据集 进行预处理， 按照预设比例划分为训练集与测试集， 并将所述训练集与测试集分别转化为 监督学习训练数据集与监 督学习测试 数据集， 还 包括： 将所述训练集与测试集中的数据根据时间进行切割重新分组， 并将t+1时刻的数据作 为输入， t+2时刻的数据作为输出， 将所述训练集与测试集分别转化为监督学习训练数据集 与监督学习测试 数据集。 5.根据权利要求1所述的一种SOFC系统退化预测方法， 其特征在于， 所述特征选取结果 包括输出电压、 输出电流、 输入燃料流 量、 输入空气流 量、 入口甲烷压强和入口空气压强。 6.根据权利要求1所述的一种SOFC系统退化预测方法， 其特征在于， 所述根据 所述测试权　利　要　求　书 1/2 页 2 CN 115438477 A 2结果对所述SOFC系统退化预测模型进行性能评估， 包括： 通过均方根 误差和确定系数来评价所述测试 结果的测试精度； 计算所述均方根误差， 并判断所述确定系数的值是否在预设区间内； 若不在预设区间 内， 则调整所述SOFC系统退化预测模型的参数， 并重新进行训练与测试； 若在预设区间内， 则所述测试 结果达到要求。 7.根据权利要求6所述的一种SOFC系统退化预测方法， 其特征在于， 所述参数包括神经 元个数、 隐藏层 层数和训练批量大小。 8.一种SOFC系统退化预测系统， 其特 征在于， 包括： 数据获取模块， 用于获取原始实验数据， 并根据 所述原始实验数据构建数据集， 所述原 始实验数据为所需要预测退化情况的SOFC系统的正常运行 数据； 数据处理模块， 用于对所述数据集进行预处理， 按照预设比例划分为训练集与测试集， 并将所述训练集与测试集分别转 化为监督学习训练数据集与监 督学习测试 数据集； 特征选择模块， 用于通过顺序 前进法对所述监督学习训练数据集与监督学习测试数据 集进行特征选择， 得到特 征选取结果； 模型构建模块， 用于根据所述特征选取结果搭建SOFC系统退化预测模型， 所述SOFC系 统退化预测模型为在隐藏层与输出层之间引入注意力机制的LSTM模型； 训练测试模块， 用于利用所述监督学习训练数据集与监督学习测试数据集分别对所述 SOFC系统退化预测模型进行训练和 测试， 并输出测试 结果； 模型评估 模块， 用于根据所述测试 结果对所述SOFC系统退化预测模型进行性能评估； 预测退化模块， 用于当所述测试结果达到要求时， 将SOFC系统实时产生的当前观测数 据输入至SOFC系统退化预测模型中进行 退化预测， 得到SOFC系统的退化情况。 9.一种电子设备， 其特征在于， 包括处理器、 存储器以及存储在所述存储器中且被配置 为由所述处理器执行 的计算机程序， 所述处理器执行所述计算机程序时实现如权利要求1 至7中任意 一项所述的SOFC系统退化预测方法。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质包括存储的计算 机程序， 其中， 在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权 利要求1至7中任意 一项所述的SOFC系统退化预测方法。权　利　要　求　书 2/2 页 3 CN 115438477 A 3