动态工况下基于NRBO-BITCN的质子交换膜燃料电池老化预测

摘要

准确预测质子交换膜燃料电池(proton exchange membrane fuel cell, PEMFC)未来老化状态有助于实际策略的部署。在动态工况下，传统的数据驱动方法未考虑PEMFC外部参数对性能老化的影响，为此提出一种动态工况下的PEMFC老化预测方法，以应对动态工况下的老化预测问题。使用随机森林算法分析外部参数对电压的重要性，确定模型的输入参数；建立双向时间卷积神经网络模型(bi-directional tempol convolutional neural network, BiTCN),使用牛顿拉夫逊算法(Newton-Raphson-based optimizer, NRBO)进行参数优化，构建了NRBO-BiTCN算法。在PEMFC动态工况的全电流和单一电流数据集上的实验表明，考虑外部参数可有效捕获燃料电池老化信息，提升预测精度。对于全电流数据集，在训练集比例为50%时，考虑外部参数的NRBO-BiTCN比未考虑的算法平均绝对误差减少79.14%。

关键词

质子交换膜燃料电池 / 老化预测 / 外部参数 / 双向机制 / 牛顿拉夫逊优化算法

基金资助

国家重点研发计划课题(2020YFB1506802)