买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉国网浙江省电力有限公司电力科学研究院申请的专利氢电耦合系统可靠性评估方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116384823B 。

龙图腾网通过国家知识产权局官网在2025-07-04发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310348718.9，技术领域涉及：G06Q10/0639；该发明授权氢电耦合系统可靠性评估方法及系统是由赵波;章雷其;刘相万;毛航银;张雪松;刘敏;吴启亮;龚迪阳;王激华;叶夏明;马丽军;秦如意设计研发完成，并于2023-04-04向国家知识产权局提交的专利申请。

本氢电耦合系统可靠性评估方法及系统在说明书摘要公布了：本发明公开了一种氢电耦合系统可靠性评估方法及系统。本发明采用的技术方案为：通过设备传感器采集氢电耦合系统运行的数据；分析制氢系统、燃料电池系统和储氢系统在氢电耦合系统中的参与过程，建立氢电耦合系统的耦合数学模型；筛选氢电耦合系统可靠性指标；根据氢电耦合系统的数学模型构建由卷积神经网络与双向长短期记忆网络融合的混合神经网络，利用训练数据集对混合神经网络进行训练；用训练好的混合神经网络对测试数据集进行输出预测；计算制氢系统、燃料电池系统和储氢系统的可靠性指标并判别它们的工作状态，最后综合判断氢电耦合系统的可靠性。本发明可以有效地检测氢电耦合系统的异常工作状态并评估氢电耦合系统的运行可靠性。

本发明授权氢电耦合系统可靠性评估方法及系统在权利要求书中公布了：1.氢电耦合系统可靠性评估方法，其特征在于，包括： 1通过设备传感器采集氢电耦合系统运行的数据； 2分析制氢系统、燃料电池系统和储氢系统在氢电耦合系统中的参与过程，建立氢电耦合系统的耦合数学模型，包括碱性电解槽模型、储氢模型和燃料电池模型； 3筛选氢电耦合系统可靠性指标； 4根据氢电耦合系统的数学模型构建由卷积神经网络与双向长短期记忆网络融合的混合神经网络，利用训练数据集对构建的混合神经网络进行训练； 5用训练好的混合神经网络对测试数据集进行输出预测； 6计算制氢系统、燃料电池系统和储氢系统的可靠性指标，并判别每个系统的工作状态，最后综合判断氢电耦合系统的可靠性； 所述步骤4的具体过程为： 步骤401：一维卷积层对氢电耦合系统运行数据的局部区域进行卷积操作，输出相对应的特征映射，如式19所示； ct＝fWcnn*nt+bcnn19 其中，Wcnn表示氢电耦合系统输入参数在卷积运算中滤波器的权重矩阵；nt表示第t个运行数据信息；*表示输入参数与Wcnn之间的卷积运算；bcnn表示卷积运算中的偏置参数，f表示卷积运算中的激活函数，ct表示卷积运算结束后的输出序列； 步骤402：在池化层中采用最大值池化去除数据中的冗余信息，对前一隐藏层提取的特征信息进行压缩，简化混合神经网络的复杂度； 步骤403：激活函数采用缩放指数型线性单元对每一个卷积运算进行非线性变化，表示为： 其中，α＝1.6733，λ0＝1.0507； 步骤404：双向长短期记忆网络设置两层不同的隐藏层，分别为前向LSTM隐藏层和反向LSTM隐藏层，前向LSTM隐藏层升序读取氢电耦合系统运行数据，经过卷积和最大池化操作后输出序列，反向LSTM隐藏层降序读取氢电耦合系统运行数据，经过卷积和最大池化操作后输出序列； 步骤405：设置脱落层以提高CNN-BiLSTM混合神经网络的泛化能力，脱落层中灰色神经点不参与网络训练，加入脱落层的CNN-BiLSTM混合神经网络输出如式28所示： 其中，脱落层采用Bernoulli函数以概率p随机生成一个0或1的向量r，从而使部分隐藏层节点失活；σ表示BiLSTM中的sigmoid函数；Wo表示输入特征在BiLSTM训练中的权重；为t-1时刻的前向隐藏状态；xt为t时刻输入的特征量；bo为卷积运算过程中的偏置参数； 步骤406：在CNN-BiLSTM混合神经网络的训练过程中，采用适应性矩估计优化函数，迭代更新CNN-BiLSTM混合神经网络的权重与偏置。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人国网浙江省电力有限公司电力科学研究院，其通讯地址为：310014 浙江省杭州市拱墅区朝晖八区华电弄1号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。