在动态操作条件下对质子交换膜燃料电池的基于深度学习的健康状况估计

科学领域:

• 可持续能源系统 可持续能源系统
• 电化学工程 电化学工程

背景情况:

• 质子交换膜燃料电池 (PEMFC) 对可持续能源至关重要.
• 准确的健康状况 (SOH) 估计对于PEMFC在动态操作下可靠性和寿命至关重要.
• 了解物理降解 (如裂) 对PEMFC性能的影响至关重要.

研究的目的:

• 在动态条件下评估PEMFC SOH估计的深度学习模型.
• 调查采样间隔和训练数据大小对SOH预测准确性的影响.
• 评估燃料电池裂对SOH估计性能的影响.

主要方法:

• 设计了动态运行条件,并对无裂纹和裂纹的PEMFC进行了耐久性测试.
• 使用长期短期记忆 (LSTM),门式循环单元 (GRU),时间卷积网络 (TCN) 和变压器模型进行SOH估计.
• 分析了不同采样间隔和训练集比例对模型预测性能的影响.

主要成果:

• 较短的采样间隔和较大的训练集比例显著提高了SOH预测的准确性.
• PEMFC中的裂导致电压波动增加,使SOH估计复杂化并增加预测错误.
• 无裂纹的PEMFC表现出更稳定的电压,从而在所有测试的深度学习模型中提高了预测性能.

结论:

• 深度学习模型在动态条件下有效估计PEMFC SOH.
• 优化采样策略和培训数据对于提高SOH预测准确性至关重要.
• 燃料电池的完整性,特别是没有裂,是可靠的SOH监测和PEMFC系统性能的一个关键因素.