1.基于深度学习的SOFC系统工况辨识方法,其特征在于,包括以下步骤:
步骤1、针对SOFC系统工况辨识任务的需要,以秒为单位分别采集SOFC系统不同工况下一段时间内的工况数据Xi,其中i表示工况状态数据类型,包括:电堆电压、电流、净输出电流变化率、最低单片电压和电堆进出口温度;其输出类型为工况类型Yj,其中j表示不同工况类型,包括:电堆短路、电堆漏气、电堆过载、催化剂中毒和积碳;
步骤2、对步骤1采集SOFC系统工况数据生成以秒为单位的时间序列数据Z,其维度为i+1;
步骤3、将经过步骤2处理得到的SOFC系统工况数据Z进行归一化处理使其映射到[0,1];其公式为:归一化后的数据为Z1;其中Zmin和Zmax分别表示此类工况状态数据的最小值和最大值;
步骤4、将步骤3得到的归一化SOFC系统工况数据按照7:3的比例划分成训练集Ztrain和测试集Ztest;
步骤5、基于SOFC系统的工况时间序列数据构建深度网络模型,所述深度网络模型包括输入层、LSTM层、全连接层和分类层;根据采集的工况数据设置批的大小a,最大迭代次数b,初始学习率c,学习率下降因子d;
步骤6、将归一化后的SOFC系统工况状态数据训练集Ztrain作为输入数据输入到输入层并加权求和进入到LSTM层;
步骤7、SOFC系统工况状态数据训练集Ztrain输入LSTM层后再依次经过dropper层和全连接层处理并使用结果函数进行输出得到LSTM数据,所述结果函数采用维tanh函数输出,所述维tanh函数如下所述:所述全连接层将得到LSTM数据以及从SOFC系统工况状态数据中提取的此时刻的数据进行融合处理;处理后的数据再经过分类层分类处理;其输出为工况类型Yj={1,2,……,j};
步骤8、将SOFC系统工况状态数据测试集Ztest输入到训练好的网络中,并统计结果;
步骤9、构建SOFC系统工况辨识准确度指标:其中Nright为预测结果Ypre与实际结果Yj相同的个数,NSUM为样本总个数;
步骤10、利用遗传算法对SOFC系统工况辨识网络LSTM参数进行优化;
步骤11、采集此时刻往前的一段时刻内的SOFC系统工况状态数据,输入到网络中辨识此时SOFC系统工况。
2.根据权利要求1所述的基于深度学习的SOFC系统工况辨识方法,其特征在于,所述步骤6包括:步骤6.1、Ztrain经过遗忘门得到遗忘信息ft:ft=σ(wf×[ht-1,Ztrain]),由LSTM网络对与SOFC工况无关的特征进行遗忘;其中ht-1表示上个时刻的网络状态,wf为遗忘门权重矩阵;
步骤6.2、Ztrain经过输入门得到输入信息:it=σ(wi×[ht-1,Ztrain]),其中it为输入门输出值,其为与SOFC工况相关的数据特征;为神经元当前状态值;
步骤6.3、经过输出门时,其输出值Ot=σ(wo×[ht-1,Ztrain]+bo);本批SOFC工况类型预测值为ht=Ot×tanhCt;其中wo为输出门权重,bo为输出门偏置向量,σ为输出门激活函数。
3.根据权利要求1所述的基于深度学习的SOFC系统工况辨识方法,其特征在于,所述步骤10包括:步骤10.1、以当前网络参数值为父本,复制M个相同个体,30<M<80;设置遗传算法终止进化代数G,200<G<400;交叉概率PC,0.5<PC<0.8二变异概率Pm,0.001<Pm<0.05;
步骤10.2、以SOFC系统工况辨识准确度Trate为个体适应度函数F(x);选择目标函数J(X)=max{F(X)};
步骤10.3、以父本进行随机交叉产生大量子集并加入到新的个体库中,利用个体适应度函数对个体库进行筛选,取F(X)最大的M个个体再作为父本;重复以上步骤直到达到终止进化代数G;
步骤10.4、选取此个体库中F(X)值最大的个体,其所对应的LSTM网络参数为最优SOFC系统工况辨识网络参数,由此得到最终的SOFC系统工况辨识模型。