(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 202211028767.6 (22)申请日 2022.08.24 (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 李明飞　陈正鹏　张宗明　黄慧　 侯龙通　许仁辞　饶睦敏　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 何卿华 (51)Int.Cl. G06F 30/20(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种SOFC系统多步状态预测方法、 系统、 电 子设备及 介质 (57)摘要 本发明公开了一种SOFC系统多步状态预测 方法、 系统、 电子设备及介质， 该方法包括： 获取 SOFC系统的监测数据， 所述监测数据包括监测对 象、 监测特征 以及监测周 期； 对所述监测数据进 行数据预处理， 并将预处理后的监测数据划分为 训练集和测试集； 通过编码器和解码器搭建编码 解码LSTM多步预测模型； 采用所述训练集对所述 编码解码LS TM多步预测模型进行训练， 并调整所 述编码解码LSTM多步预测模型的超参数， 得到多 步状态预测模型； 在所述测试集上， 基于所述多 步状态预测模型对SOFC系统进行预测， 获取多 步 状态预测结果。 本发明采用基于数据驱动的预测 方法实现对SOFC系统的状态预测， 无需深入了解 SOFC系统的复杂机理， 计算效率、 适应性和准确 性也高。 权利要求书2页 说明书8页 附图2页 CN 115438475 A 2022.12.06 CN 115438475 A 1.一种SOFC系统多步状态预测方法， 其特 征在于， 包括： 获取SOFC系统的监测数据， 所述 监测数据包括 监测对象、 监测特 征以及监测周期； 对所述监测数据进行 数据预处 理， 并将预处 理后的监测数据划分为训练集和 测试集； 通过编码器和解码器搭建编码解码LSTM多步预测模型； 所述编码器由输入层、 一维卷 积层和若干个相同的长短期记忆网络层堆叠而成； 所述解码器由输入层、 若干个相同的长 短期记忆网络层、 全连接层和输出层组成； 采用所述训练集对所述编码解码LSTM多步预测模型进行训练， 并调整所述编码解码 LSTM多步预测模型的超参数， 得到多步状态预测模型； 在所述测试集上， 基于所述多步状态预测模型对SOFC系统进行预测， 获取多步状态预 测结果。 2.根据权利要求1所述的一种SOFC系统多步状态预测方法， 其特征在于， 所述对所述监 测数据进行 数据预处 理之前， 还 包括： 根据状态预测需求在所述监测特征中确定预测状态特征， 所述预测状态特征作为所述 编码解码LSTM多步预测模型的输出 特征； 根据所述预测状态特征与SOFC系统的先验知识， 对所述监测特征进行初步特征筛选， 得到第一状态特 征； 通过皮尔逊相关分析对所述第一状态特征进行输入特征选择， 得到第二状态特征， 所 述第二状态特 征作为所述编码解码LSTM多步预测模型的输入特 征。 3.根据权利要求2所述的一种SOFC系统多步状态预测方法， 其特征在于， 所述根据 所述 预测状态特征与SOFC系统的先验知识， 对所述监测特征进行初步特征筛选， 得到第一状态 特征， 还包括： 根据所述预测状态特征和SOFC系统 的先验知识， 删除所述监测特征中的无效特征和冗 余特征， 并将其 余部分作为第一状态特 征。 4.根据权利要求2所述的一种SOFC系统多步状态预测方法， 其特征在于， 所述通过皮尔 逊相关分析对所述第一状态特 征进行输入特 征选择， 得到第二状态特 征， 包括： 计算所述第一状态特 征与所述预测状态特 征之间的皮尔逊相关系数； 按照各个第一状态特征与所述预测状态特征之间的皮尔逊相关系数的绝对值从大到 小的顺序， 选择 预定数量的第一状态特 征， 作为第二状态特 征。 5.根据权利要求2所述的一种SOFC系统多步状态预测方法， 其特征在于， 所述对所述监 测数据进行 数据预处 理， 并将预处 理后的监测数据划分为训练集和 测试集， 包括： 将由第二状态特征所组成的特征数据进行归一化处理， 使特征数据标准化至[0， 1]的 区间内； 其中， 将所述特 征数据进行归一 化处理通过下式进行： 其中， Xscaled为归一化的特征变量， X为原始特征变量， Max和Min分别 表示特征变量的最 大值和最小值； 根据所述编码解码LSTM多步预测模型的输入输出格 式和滑动时间窗口， 将归一化处理 后的特征数据转化为有输入序列和输出序列的监 督问题数据；权　利　要　求　书 1/2 页 2 CN 115438475 A 2将监督问题数据划分为训练集和 测试集。 6.根据权利要求1所述的一种SOFC系统多步状态预测方法， 其特征在于， 所述使用所述 训练集对所述编码解码LSTM多步预测模型进行训练， 包括： 将训练集数据输入至所述编码解码LSTM多步预测模型； 将解码器的长短期记忆网络层使用第t+1个时间步的真实特征值和隐藏特征值作为第 t+2个时间步的输入； 通过误差反向传播 算法对所述编码解码LSTM多步预测模型进行训练。 7.根据权利要求1所述的一种SOFC系统多步状态预测方法， 其特征在于， 所述调整所述 编码解码LSTM多步预测模型的超参数， 包括： 通过固定其他参数， 调整一个参数的方法调整所述编码解码LSTM多步预测模型的超参 数。 8.一种SOFC系统多步状态预测系统， 其特 征在于， 包括： 获取模块， 用于获取S OFC系统的监测数据， 所述监测数据包括监测对象、 监测特征以及 监测周期； 处理模块， 用于对所述监测数据进行数据预处理， 并将预处理后的监测数据划分为训 练集和测试集； 建模模块， 用于通过编码器和解码器搭建编码解码LSTM多步预测模型； 所述编码器由 输入层、 一 维卷积层和若干个相同的长 短期记忆网络层堆叠而成； 所述解码 器由输入层、 若 干个相同的长短期记 忆网络层、 全连接层和输出层组成； 训练模块， 用于采用所述训练集对所述编码解码LSTM多步预测模型进行训练， 并调整 所述编码解码LSTM多步预测模型的超参数， 得到多步状态预测模型； 测试模块， 用于在所述测试集上， 基于所述多步状态预测模型对SOFC系统进行预测， 获 取多步状态预测结果。 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系统多步状态预测方法。 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系统多步状态预测方法。权　利　要　求　书 2/2 页 3 CN 115438475 A 3