本发明涉及电池性能预测领域，具体而言，涉及一种燃料电池性能预测方法、装置以及计算机程序产品。
背景技术：
1、燃料电池输出电压的性能与运行参数有关，燃料电池的输出电压的大小直接影响着电池的寿命，为保证燃料电池能过长期高效、安全、稳定的运行，需要及时监测燃料电池在实际工作中的电压性能表现。
2、相关技术中，构建的电池性能预测的模型使用的运行参数多且复杂，未能筛选运行参数等数据，导致构建的电池性能预测模型不准确，从而导致电池性能预测结果不准确的问题。
3、针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
1、本发明实施例提供了一种燃料电池性能预测方法、装置以及计算机程序产品，以至少解决由于相关技术中，构建模型使用的运行参数多且复杂，造成的电池性能预测结果准确性低的技术问题。
2、根据本发明实施例的一个方面，提供了一种燃料电池性能预测方法，包括：获取当前时段内燃料电池对应的实时运行数据；基于所述实时运行数据，采用电池性能预测模型，得到所述燃料电池对应的目标电压数据，其中，所述电池性能预测模型是基于历史时段中的历史运行数据以及所述历史运行数据对应的历史电压数据，通过机器学习得到的，所述历史运行数据包多种运行参数，所述多种运行参数是基于所述历史电压数据，从多种输入参数中筛选出的。
3、可选的，所述基于所述实时运行数据，采用电池性能预测模型，得到所述燃料电池对应的目标电压数据之前，所述方法还包括：获取所述燃料电池在所述历史时段内的所述历史电压数据；获取所述历史时段内影响所述燃料电池运行的多种输入参数分别对应的参数值；基于所述历史电压数据，以及所述多种输入参数分别对应的参数值，确定所述多种输入参数分别与所述燃料电池的电压之间的相关系数；基于所述多种输入参数分别与所述燃料电池的电压之间的相关系数，从所述多种输入参数中筛选出所述多种运行参数；基于所述多种运行参数分别对应的参数值，得到所述历史运行数据。
4、通过上述方式，较多的特征值据输入至电池性能预测模型后，导致噪声高，降低模型精度，所以需要从历史运行数据中的多种特征值中，筛选出与历史电压数据相关性较大的特征值，作为构建电池性能预测模型的输入，从而使得电池性能预测模型的输入与输出之间相关性增加，有效的得到更为准确的输出预测结果(目标电压数据)。
5、可选的，在所述历史时段内包括多个采样时刻的情况下，所述基于所述历史电压数据，以及所述多种输入参数分别对应的参数值，确定所述多种输入参数分别与所述燃料电池的电压之间的相关系数，包括：通过如下方式得到所述多种输入参数中，任一输入参数与所述燃料电池的电压之间的相关系数：获取所述多个采样时刻采集到的所述任一输入参数对应的多个参数值，以及多个历史电压数据，其中，所述多个参数值与所述多个采样时刻一一对应，所述多个历史电压数据与所述多个采样时刻一一对应；基于所述多个历史电压数据，确定电压平均值；确定所述多个参数值分别与所述电压平均值之间的协方差；确定所述多个参数值分别与所述电压平均值之间的标准差；基于所述协方差以及所述标准差，确定所述任一输入参数与所述燃料电池的电压之间的相关系数；采用得到所述任一输入参数与所述燃料电池的电压之间的相关系数的方式，得到所述多种输入参数分别与所述燃料电池的电压之间的相关系数。
6、通过上述方式，通过计算每一个输入参数与历史电压数据之间的相关系数，可以排除那些对电池性能预测模型影响较小的特征，从而减少无效输入参数的干扰。经过相关性分析的筛选后，对数据进行降维处理，简化模型，提高计算效率。
7、可选的，所述获取所述燃料电池在所述历史时段内的所述历史电压数据，包括：获取所述燃料电池在所述历史时段内的多个采样时刻对应的多个历史电压数据，其中，所述多个采样时刻与所述多个电压数据一一对应；对所述电压数据进行预处理，得到所述多个采样时刻对应的多个历史电压数据，其中，所述预处理包括以下至少之一：错误数据筛选、数据缺失值补全，所述多个采样时刻与所述历史电压数据一一对应。
8、通过上述方式，对历史电压数据进行筛选，去除掉实际采集的数据中偏差较大的数据，可以有效的实现数据获取的准确性，对历史电压数据缺失值进行填补，有效的确保了燃料电池在运行情况下，历史电池数据的时序连续性。
9、可选的，所述电池性能预测模型包括输入层，隐藏层以及输出层，其中，采用所述输入层对所述实时运行数据进行编码转换，得到第一数据；采用所述隐藏层对所述第一数据进行非线性转换，得到所述第一数据的非线性特征，对所述非线性特征进行特征匹配处理，得到第二数据；采用所述输出层对所述第二数据进行解编码，得到所述目标电压数据。
10、通过上述方式，将实时运行数据作为输入，基于电池性能预测模型，输出目标电压数据，有效的实现了对电池性能的预测，基于上述性能预测，可以及时监测燃料电池在实际工作中的电压性能表现，从而有效的保证了燃料电池能过长期高效、安全、稳定的运行。
11、可选的，所述隐藏层包括正向长短期记忆神经网络、逆向长短期记忆神经网络以及全连接层，其中，采用所述正向长短期记忆神经网络按照第一方向，获取所述第一数据中的长期依赖特征，得到第一特征，其中，所述第一方向为从所述第一数据的第一个数据指向最后一个数据的方向；采用所述逆向长短期记忆神经网络按照第二方向，获取所述第一数据中的短期依赖特征，得到第二特征，其中，所述第二方向为所述第一方向的相反方向；基于预设权重，采用所述全连接层接对所述第一特征以及所述第二特征进行非线性映射，得到所述非线性特征，对所述非线性特征进行特征匹配处理，得到第二数据。
12、通过上述方式，采用正向长短期记忆神经网络、逆向长短期记忆神经网络以及全连接层，对第一数据进行第一方向的特征获取，同时对第一数据进行了第二方向的特征获取，可以获取更加全面的非线性特征，有效的实现对历史运行数据中所有非线性特征的提取。
13、可选的，所述全连接层包括第一全连接层、第二全连接层、第三全连接层以及第四全连接层，其中，基于所述预设权重，采用所述第一全连接层对所述第一特征以及所述第二特征进行非线性映射，得到所述非线性特征；采用所述第二全连接层对所述非线性特征进行特征匹配，确定第二数据的预测值；采用所述第三全连接层确定所述预测值与所述历史电压数据之间的损失值；基于所述损失值，采用所述第四全连接层调节所述预测值，得到所述第二数据。
14、通过上述方式，全连接层设置于电池性能预测模型的最后，用于将正向长短期记忆神经网络、逆向长短期记忆神经网络中提取的第一特征以及第二特征进行组合和整合，实现了基于第一特征以及第二特征形成最终的输出的效果，通过多个全连接层进行反向调节，从而有效的保证了输出的第二数据的准确性。
15、根据本发明实施例的另一方面，还提供了一种燃料电池性能预测装置，包括：获取模块，用于获取当前时段内燃料电池对应的实时运行数据；预测模块，用于基于所述实时运行数据，采用电池性能预测模型，得到所述燃料电池对应的目标电压数据，其中，所述电池性能预测模型是基于历史时段中的历史运行数据以及所述历史运行数据对应的历史电压数据，通过机器学习得到的，所述历史运行数据包括多种运行参数，所述多种运行参数是基于所述历史电压数据，从多种输入参数中筛选出的。
16、根据本发明实施例的另一方面，还提供了一种非易失性存储介质，所述非易失性存储介质存储有多条指令，所述指令适于由处理器加载并执行任意一项所述的燃料电池性能预测方法。
17、根据本发明实施例的另一方面，还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现任意一项所述的燃料电池性能预测方法的步骤。
18、在本发明实施例中，通过获取当前时段内燃料电池对应的实时运行数据；基于所述实时运行数据，采用电池性能预测模型，得到所述燃料电池对应的目标电压数据，其中，所述电池性能预测模型是基于历史时段中的历史运行数据以及所述历史运行数据对应的历史电压数据，通过机器学习得到的，所述历史运行数据包多种运行参数，所述多种运行参数是基于所述历史电压数据，从多种输入参数中筛选出的，达到了从多个输入参数中筛选出与历史电压数据相关性较大的多种运行参数，构建电池性能预测模型的目的，从而实现了提高电池性能预测模型的预测结果准确性的技术效果，进而解决了由于相关技术中，构建模型使用的运行参数多且复杂，造成的电池性能预测结果准确性低的技术问题。
1.一种燃料电池性能预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于所述实时运行数据，采用电池性能预测模型，得到所述燃料电池对应的目标电压数据之前，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，在所述历史时段内包括多个采样时刻的情况下，所述基于所述历史电压数据，以及所述多种输入参数分别对应的参数值，确定所述多种输入参数分别与所述燃料电池的电压之间的相关系数，包括：
4.根据权利要求2所述的方法，其特征在于，所述获取所述燃料电池在所述历史时段内的所述历史电压数据，包括：
5.根据权利要求1所述的方法，其特征在于，所述电池性能预测模型包括输入层，隐藏层以及输出层，其中，
6.根据权利要求5所述的方法，其特征在于，所述隐藏层包括正向长短期记忆神经网络、逆向长短期记忆神经网络以及全连接层，其中，
7.根据权利要求6所述的方法，其特征在于，所述全连接层包括第一全连接层、第二全连接层、第三全连接层以及第四全连接层，其中，
8.一种燃料电池性能预测装置，其特征在于，包括：
9.一种非易失性存储介质，其特征在于，所述非易失性存储介质存储有多条指令，所述指令适于由处理器加载并执行权利要求1至7中任意一项所述的燃料电池性能预测方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任意一项所述的燃料电池性能预测方法的步骤。
