(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 202110321408.9 (22)申请日 2021.03.25 (71)申请人 上海汽车集团股份有限公司 地址 201203 上海市浦东 新区中国 （上海） 自由贸易试验区松涛路563号1号楼 509室 (72)发明人 陈俊超　蒋永伟　刘冬安　姜炜　 (74)专利代理 机构 北京信远 达知识产权代理有 限公司 1 1304 专利代理师 姚莹丽 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/04(2012.01) (54)发明名称 基于循环神经网络的燃料电池极化曲线预 测方法及装置 (57)摘要 本申请公开了一种基于循环神经网络的燃 料电池极化曲线预测方法及装置， 包括： 首先获 取待预测的目标燃料电池； 以及获取目标燃料电 池的电流密度和电压； 然后， 将目标燃料电池的 电流密度和电压输入至预先构建的基于循环神 经网络的燃料电池极化曲线预测模 型， 以预测出 目标燃料电池的极化曲线。 可见， 由于目标燃料 电池的电流密度和电压的测量值具有时序关系， 而本申请实施例是利用预先构建的基于循环神 经网络的燃料电池极化曲线预测模 型， 对目标燃 料电池的极化曲线进行预测， 从而能够大幅度提 高预测结果的准确率和预测效率。 权利要求书2页 说明书9页 附图1页 CN 115130365 A 2022.09.30 CN 115130365 A 1.一种基于循环神经网络的燃料电池极化曲线预测方法， 其特 征在于， 包括： 获取待预测的目标燃料电池； 以及获取 所述目标燃料电池的电流密度和电压； 将所述目标燃料电池的电流密度和电压输入至预先构建的基于循环神经网络的燃料 电池极化曲线预测模型， 以预测出 所述目标燃料电池的极化曲线。 2.根据权利要求1所述的方法， 其特征在于， 所述基于循环神经网络的燃料电池极化曲 线预测模型是利用初始基于循环神经网络的燃料电池极化曲线预测模型训练得到的； 所述 初始基于循环神经网络的燃料电池极化曲线预测模型包括输入层、 隐藏层、 输出层。 3.根据权利要求2所述的方法， 其特征在于， 构建所述基于循环神经网络的燃料电池极 化曲线预测模型， 包括： S1： 获取燃料电池的训练电流密度和训练电压； S2： 将所述训练电流密度和训练电压输入Python编写好的代码中进行训练， 得到所述 初始基于循环神经网络的燃料电池极化曲线预测模型的网络参数； S3： 利用所述交叉熵损失函数， 计算所述训练电流密度和训练电压的损失值； S4： 将所述隐藏层和所述输入层的梯度清零， 以及将所述输出层和所述隐藏层的梯度 清零； S5： 通过反向传播， 计算所述隐藏层和所述输入层的梯度， 以及计算所述输出层和所述 隐藏层的梯度； S6： 重复执行步骤S2 ‑S5， 直至所述训练电流密度和训练电压的损失值小于预设阈值， 停止训练， 生成所述基于循环神经网络的燃料电池极化曲线预测模型。 4.根据权利要求3所述的方法， 其特 征在于， 所述方法还 包括： 获取燃料电池的验证电流密度和验证电压； 将所述验证电流密度和验证电压输入所述基于循环神经网络的燃料电池极化曲线预 测模型， 获得 所述验证电流密度和验证电压对应的极化曲线预测结果； 当所述验证电流密度和验证电压对应的极化曲线预测结果与所述验证电流密度和验 证电压对应的极化曲线标记结果不一致时， 将所述验证电流密度和验证电压分别重新作为 所述训练电流密度和训练电压， 对所述基于循环神经网络的燃料电池极化曲线预测模型进 行更新。 5.一种基于循环神经网络的燃料电池极化曲线预测装置， 其特 征在于， 包括： 第一获取单元， 用于获取待预测的目标燃料电池； 以及获取所述目标燃料电池的 电流 密度和电压； 预测单元， 用于将所述目标燃料电池的电流密度和电压输入至预先构建的基于循环神 经网络的燃料电池极化曲线预测模型， 以预测出 所述目标燃料电池的极化曲线。 6.根据权利要求5所述的装置， 其特征在于， 所述基于循环神经网络的燃料电池极化曲 线预测模型是利用初始基于循环神经网络的燃料电池极化曲线预测模型训练得到的； 所述 初始基于循环神经网络的燃料电池极化曲线预测模型包括输入层、 隐藏层、 输出层。 7.根据权利要求6所述的装置， 其特 征在于， 所述装置还 包括： 第二获取 单元， 用于获取燃料电池的训练电流密度和训练电压； 训练单元， 用于将所述训练电流密度和训练电压输入Python编写好的代码中进行训 练， 得到所述初始基于循环神经网络的燃料电池极化曲线预测模型的网络参数；权　利　要　求　书 1/2 页 2 CN 115130365 A 2第一计算单元， 用于利用所述交叉熵损 失函数， 计算所述训练电流密度和训练电压的 损失值； 清零单元， 用于将所述 隐藏层和所述输入层的梯度清零， 以及将所述输出层和所述 隐 藏层的梯度清零； 第二计算单元， 用于通过反向传播， 计算所述隐藏层和所述输入层的梯度， 以及计算所 述输出层和所述隐藏层的梯度； 生成单元， 用于重复调用执行训练单元、 第一计算单元、 清零单元以及第二计算单元， 直至所述训练电流密度和训练电压的损失值小于预设阈值， 停止训练， 生成所述基于循环 神经网络的燃料电池极化曲线预测模型。 8.根据权利要求7 所述的装置， 其特 征在于， 所述装置还 包括： 第三获取 单元， 用于获取燃料电池的验证电流密度和验证电压； 获得单元， 用于将所述验证电流密度和验证电压输入所述基于循环神经网络的燃料电 池极化曲线预测模型， 获得 所述验证电流密度和验证电压对应的极化曲线预测结果； 更新单元， 用于当所述验证电流密度和验证电压对应的极化曲线预测结果与 所述验证 电流密度和验证电压对应的极化曲线标记结果不一致时， 将所述验证电流密度和验证电压 分别重新作为所述训练电流密度和训练电压， 对所述基于循环神经网络的燃料电池极化曲 线预测模型进行 更新。 9.一种基于循环神经网络的燃料电池极化曲线预测设备， 其特征在于， 包括： 处理器、 存储器、 系统总线； 所述处理器以及所述存 储器通过 所述系统总线相连； 所述存储器用于存储一个或多个程序， 所述一个或多个程序包括指令， 所述指令当被 所述处理器执行时使所述处 理器执行权利要求1 ‑4任一项所述的方法。 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中存储有指令， 当所述指令在终端设备 上运行时， 使得 所述终端设备 执行权利要求1 ‑4任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 115130365 A 3