-
公开(公告)号：CN118657058A
公开(公告)日：2024-09-17
申请号：CN202411105060.X
申请日：2024-08-13
Applicant: 南昌大学
IPC: G06F30/27 , G06N3/045 , G06N3/084 , G06N3/126 , G06F113/04
Abstract: 本发明公开了一种基于GA‑BP的气化集成并联三电堆SOFC系统的性能预测方法及系统，涉及系统性能预测技术领域，采用集总建模的方法对气化集成并联三电堆SOFC系统进行建模，将气化集成并联三电堆SOFC系统的数据集用于训练GA‑BP模型。根据此模型可以对气化集成并联三电堆SOFC系统中每个电堆的电效率和净电压等性能参数进行预测，进而对系统的设计参数以及操作条件进行优化。本发明通过将遗传算法与BP神经网络相结合来预测气化集成并联三电堆SOFC系统的性能参数，解决了传统的BP神经网络经常会遇到陷入局部最优的问题，有助于进行更广泛的全局搜索，找出最优参数组合，提高了模型预测的系统性能参数准确性。
-
公开(公告)号：CN118656647A
公开(公告)日：2024-09-17
申请号：CN202411123864.2
申请日：2024-08-16
Applicant: 南昌大学
IPC: G06F18/214 , G06N3/006 , G06N3/084
Abstract: 本发明提供了一种固体氧化物燃料电池及燃气轮机集成系统的性能预测方法及系统，涉及性能预测技术领域，其中方法包括以下步骤：组建固体氧化物燃料电池及燃气轮机集成系统并得到系统的性能数据，并利用性能数据组成数据集；构建性能预测模型，并利用所述数据集对所述性能预测模型进行训练及优化；采集固体氧化物燃料电池及燃气轮机集成系统的实际运行参数，并输入至经过训练及优化的所述性能预测模型进行预测，得到对应的性能预测数据；本发明能够实现更为精确的对固体氧化物燃料电池及燃气轮机集成系统的性能预测。
-
公开(公告)号：CN118630266B
公开(公告)日：2025-01-24
申请号：CN202411110645.0
申请日：2024-08-14
Applicant: 南昌大学
IPC: H01M8/04664 , H01M8/04992 , G01D21/02 , G06N3/006 , G06N3/047 , G06N3/06
Abstract: 本发明公开了一种SOFC系统电堆性能分级与故障诊断方法及系统，涉及电堆性能退化等级的故障判断技术领域，包括：将SOFC系统的功率、燃烧室温度、电堆温度等特征参数作为数据集构建贝叶斯人工神经网络结构，进行训练模型时，高维样本数据会导致训练时间过长，计算程度过于复杂，通过算法对特征变量进行排序以克服此类问题。通过算法搜寻隐藏层神经元个数，以找到隐藏层神经元个数的最优解，将最优隐藏层神经元个数输入贝叶斯人工神经网络模型中，得到电堆性能退化等级故障诊断的最佳模型，根据此模型进行预测，提高了单个类别正确诊断率；将特征选择算法和贝叶斯人工神经网络相结合，得到更优特征组合，有效提升整体故障诊断效率。
-
公开(公告)号：CN118630266A
公开(公告)日：2024-09-10
申请号：CN202411110645.0
申请日：2024-08-14
Applicant: 南昌大学
IPC: H01M8/04664 , H01M8/04992 , G01D21/02 , G06N3/006 , G06N3/047 , G06N3/06
Abstract: 本发明公开了一种SOFC系统电堆性能分级与故障诊断方法及系统，涉及电堆性能退化等级的故障判断技术领域，包括：将SOFC系统的功率、燃烧室温度、电堆温度等特征参数作为数据集构建贝叶斯人工神经网络结构，进行训练模型时，高维样本数据会导致训练时间过长，计算程度过于复杂，通过算法对特征变量进行排序以克服此类问题。通过算法搜寻隐藏层神经元个数，以找到隐藏层神经元个数的最优解，将最优隐藏层神经元个数输入贝叶斯人工神经网络模型中，得到电堆性能退化等级故障诊断的最佳模型，根据此模型进行预测，提高了单个类别正确诊断率；将特征选择算法和贝叶斯人工神经网络相结合，得到更优特征组合，有效提升整体故障诊断效率。
-
-
-
Search Results
4
records
(took 0.019 seconds)
