中国新技术新产品2024NO.1（上）-24-高新技术1氢燃料电池数据相关性系数计算与预测指标选择根据新能源商用车氢燃料电池的应用特点，为确保电池的有效运行，必须控制其多个外部工况条件，因此氢燃料电池整体可以看作一个复杂的非线性体系结构。结合氢燃料电池的结构设定，对其进行疲劳寿命预测和日常运行监测时设置的监测指标超过20项，为了能够更了解各变量间的相关性[1]，更准确地反映氢燃料电池性能退化健康指标，对其各项数据进行相关性分析[2]。假设存在一个i维指标监测数据和一个j维指标监测数据，可通过公式（1）计算二者间的相关性系数。rijijijXXXX=()[]������cov,varvar（1）式中：ρij表示i维指标监测数据与j维指标监测数据间的相关性系数；Xi表示i维指标监测数据；Xj表示j维指标监测数据。根据公式（1），可以构建各维度指标数据相互间的相关性关系矩阵。结合矩阵进一步分析可知，在氢燃料电池中，单电池与电堆的电压与时间之间具有统计学意义。而对其他各维度的指标参数而言，并没有显著的相关性联系。因此，通过上述分析可知，可将电堆电压作为氢燃料性能退化的指标，同时也可将其作为氢燃料电池疲劳寿命预测的重要指标。由于原始数据中存在大量噪声和局部的尖峰现象，因此在实际应用中，这些离群点的存在使该方法无法有效反映出实际情况，从而使该算法有较大误差[3]。另外，与总体衰减相比，30s内采集到的电压波动性较小，对模型的影响较小，但运算速度较慢。因此就有必要对原来的电压数据进行滤波，并消除峰值。针对上述需要，对原始数据进行滤波平滑处理，但在数据处理的过程中会给数据原始信息造成一定程度上的破坏。因此，为了能够在最大程度上保留原始数据信息，本文选用基于核的平滑器对原始数据进行滤波处理。所选高斯核函数表达式如公式（2）所示。Ktt������exp/222�π（2）式中：K（t）表示核函数；t表示时间。利用上述核函数进行滤波处理时，氢燃料电池较高的寿命和维修成本是制约其商业化的一个重要因素。2基于遗传算法构建并优化电池疲劳寿命预测模型完成新能源商用车氢燃料电池数据处理后，结合遗传算法优化，构建电池疲劳寿命预测模型。在模型中，将氢燃料电池的电堆电压作为预测指标，将经过处理的数据分成训练集和测试集[4]。在训练过程中，将氢燃料电池的实际电压测定结果作为观测值跟踪模型的运行状态，并不断更新模型中的各项参数。当时间到达事先设置的预测起始点时，模型停止状态跟踪。将拟合优度...
