基于随机森林算法的大功率质子交换膜燃料电池系统故障分类方法

余嘉熹; 李奇; 陈维荣; 刘嘉蔚; 李锦程

doi:10.13334/j.0258-8013.pcsee.191435

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于随机森林算法的大功率质子交换膜燃料电池系统故障分类方法

发电 | 更新时间：2025-07-03

- 基于随机森林算法的大功率质子交换膜燃料电池系统故障分类方法
- 暂无标题
- 中国电机工程学报 2020年第17期页码：5591-5599
- 作者机构：
  
  西南交通大学电气工程学院
- 作者简介：
- 基金信息：
  
  国家自然科学基金项目(51977181);四川省科技计划项目(19YYJC0698);霍英东教育基金会高等院校青年教师基金(171104)~~
- DOI：10.13334/j.0258-8013.pcsee.191435
  中图分类号： TM911.4
- 纸质出版：2020
- 稿件说明：
移动端阅览
余嘉熹, 李奇, 陈维荣, 等. 基于随机森林算法的大功率质子交换膜燃料电池系统故障分类方法[J]. 中国电机工程学报, 2020,(17):5591-5599.
余嘉熹, 李奇, 陈维荣, 等. 基于随机森林算法的大功率质子交换膜燃料电池系统故障分类方法[J]. 中国电机工程学报, 2020,(17):5591-5599. DOI： 10.13334/j.0258-8013.pcsee.191435.

DOI：

摘要

针对大功率质子交换膜燃料电池(protonexchange membranefuelcell

PEMFC)系统故障分类识别的问题

提出基于随机森林算法的燃料电池系统的故障分类方法。该方法基于Bootstrap法重采样

产生多个样本子集

通过决策树算法中的CART算法构造多个分类器模型

然后通过测试集对每个分类器进行测试得到分类结果

最后投票选出最优的分类结果作为预测类别。通过实例分析

对比支持向量机和K最邻近算法的分类结果

所提方法可有效识别有轨电车实际运行过程中5种故障状态

分类准确率可达94.4%

能明显提高故障分类正确率

对进一步实现大功率PEMFC系统在线故障诊断研究具有重要意义。

Abstract

Considering the fault classification problem of high-power proton exchange membrane fuel cell（PEMFC） systems

a fault classification method based on random forest（RF） algorithm was proposed. This method resampled based on Bootstrap method to generate multiple sample subsets. Multiple classifiers models were constructed by CART algorithm in the decision tree concept. At last

the optimal classification results were selected by voting as prediction categories. Through case analysis

compared with the classification results of support vector machine（SVM） and k-nearest neighbor（KNN）

RF method can effectively identify five fault categories in the actual operation of the hybrid tramway with the classification accuracy up to 94.4%.The result shows that RF method can obviously increases classification accuracy

which has great significance for further realizing the on-line fault diagnosis of high-power PEMFC systems.

关键词

Keywords

references

Zhongliang Li,Rachid Outbib,Stefan Giurgea,Daniel Hissel,Alain Giraud,Pascal Couderc.Fault diagnosis for fuel cell systems: A data-driven approach using high-precise voltage sensors[J].Renewable Energy,2018.

Jiawei Liu,Qi Li,Weirong Chen,Taiqiang Cao.A discrete hidden Markov model fault diagnosis strategy based on K-means clustering dedicated to PEM fuel cell systems of tramways[J].International Journal of Hydrogen Energy,2018.

Changjun Xie,Xinyi Xu,Piotr Bujlo,Di Shen,Hengbing Zhao,Shuhai Quan.Fuel cell and lithium iron phosphate battery hybrid powertrain with an ultracapacitor bank using direct parallel structure[J].Journal of Power Sources,2015.

S. Giurgea,R. Outbib,D. Hissel.Online Diagnosis of PEMFC by Combining Support Vector Machine and Fluidic Model[J].Fuel Cells,2014.

M.M. Kamal,D.W. Yu,D.L. Yu.Fault detection and isolation for PEM fuel cell stack with independent RBF model[J].Engineering Applications of Artificial Intelligence,2014.

Leo Breiman.Random Forests.[J].Machine Learning,2001.

Leo Breiman.Bagging predictors[J].Machine Learning,1996(2).

王志华,刘绍廷,罗齐.基于改进K-modes聚类的KNN分类算法[J].计算机工程与设计,2019(08).

程养春,张振亮.基于随机森林的变压器多源局部放电诊断[J].中国电机工程学报,2018(17).

刘嘉蔚,李奇,陈维荣,燕雨.基于多分类相关向量机和模糊C均值聚类的有轨电车用燃料电池系统故障诊断方法[J].中国电机工程学报,2018(20).

陈维荣,刘嘉蔚,李奇,郭爱,戴朝华.质子交换膜燃料电池故障诊断方法综述及展望[J].中国电机工程学报,2017(16).

赵思臣,王奔,谢玉洪,韩明,贾俊波.无外增湿质子交换膜燃料电池线性温度扫描实验[J].中国电机工程学报,2014(26).

方匡南,吴见彬,朱建平,谢邦昌.随机森林方法研究综述[J].统计与信息论坛,2011(03).

李曦,曹广益,朱新坚.质子交换膜燃料电池电堆温度特性的模糊建模[J].上海交通大学学报,2005(S1).

浏览量

426

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

一种快速电网智能报警方法

基于误差加权和堆叠集成的PEMFC剩余使用寿命预测

机车动态工况下质子交换膜燃料电池多孔电极衰退机理分析

基于TCN和AUKF联合迭代的PEMFC寿命融合预测方法

基于支持向量机的船舶电力负荷预测