面向PEMFC长期老化预测的多尺度卷积神经网络

摘要

精准预测质子交换膜燃料电池的长期老化趋势对于系统控制和诊断至关重要。然而，大多数数据驱动模型仅关注短期预测，难以提供精确的长期结果。为此，提出了一种多尺度卷积神经网络，所设计的模型基于多尺度分解将输入数据分解为线性趋势和非线性趋势，精准提取长期依赖信息并有效捕捉数据中的非线性信息，并将结果叠加以提高长期预测的精度。基于IEEE PHM 2014燃料电池耐久性测试数据验证了所提出模型的有效性和准确性。

关键词

质子交换膜燃料电池 / 长期老化预测 / 数据驱动 / 多尺度卷积

基金资助

国家自然科学基金面上项目(62073300); 湖北省教育科学规划重点课题(2022GA135)