10、基于AEKF和LSTM的质子交换膜燃料电池混合预测方法

基于AEKF和LSTM的质子交换膜燃料电池混合预测方法

1. 引言

质子交换膜燃料电池（PEMFC）因其清洁、高效和低温运行的特点，被视为未来电力应用中最具吸引力的能源设备之一。然而，PEMFC的耐久性和高成本一直是其大规模商业部署的主要障碍。在运行过程中，燃料电池的各个组件会因不同的工作条件和负载循环而退化，影响其性能和寿命。为了延长PEMFC的寿命并降低维护成本，预测其健康状态（SOH）和未来演变显得尤为重要。本文介绍了一种基于AEKF（自适应扩展卡尔曼滤波器）和LSTM（长短期记忆神经网络）的混合预测方法，用于预测PEMFC的长期电压退化。

2. 背景与现状

PEMFC的性能会受到多种因素的影响，如质子交换膜（PEM）、双极板、气体扩散层（GDL）、催化剂层和膜的退化。这些组件的退化会导致导电性损失、催化剂反应活性下降和质量传递问题。特别是在汽车应用中，高度动态的工作条件会加速PEMFC的老化过程，并增加故障发生的概率。

2.1 现有预测方法

预测PEMFC的退化过程通常可以分为三类方法：基于模型的方法、基于数据的方法和混合方法。

• 基于模型的方法 ：使用机制退化模型或经验退化模型来实现预测。机制模型采用数学方程描述内部老化过程，具有训练数据少和通用性强的优点，但也存在计算负担大和退化机制复杂度高的问题。

• 基于数据的方法 ：无需考虑PEMFC的复杂机制，只要有足够的监测数据，就可以提高预测准确性。这类方法在实际部署中存在泛化性差的问题，且由于PEMFC老化测试成本高昂且耗