基于在动态循环条件下不同操作条件的燃料电池系统的降解预测

科学领域:

• 电化学和能源系统.
• 材料科学 材料科学 材料科学
• 在工程领域的人工智能.

背景情况:

• 质子交换膜燃料电池 (PEMFC) 对清洁能源至关重要,但在动态操作条件下它们的降解是一个重大挑战.
• 了解PEMFC故障机制和建立健康指数对于预测性能下降至关重要.
• 现有的模型难以准确地捕捉PEMFC在动态循环过程中的复杂降解模式.

研究的目的:

• 在各种动态循环运行条件下调查PEMFC降解.
• 开发和验证PEMFC绩效下降的新型预测模型.
• 将拟议模型的有效性与已建立的机器学习算法进行比较.

主要方法:

• 运行条件的分类和基于PEMFC故障机制的健康指数的建立.
• 开发一种混合模型,将变化模式分解 (VMD) 集成为特征提取和长短期记忆与注意力机制 (LSTM-ATT) 进行预测.
• VMD用于捕获全球和详细的信息,同时过噪音; ATT分配特征权重以提高预测准确性.

主要成果:

• 与GRU注意力,SVM,RNN,LSTM和LSTM-ATT相比,VMD-LSTM-ATT模型在预测PEMFC退化方面表现优异.
• 与其他模型相比,根平均平方误差 (RMSE) 提高了至少17.26%,平均绝对误差 (MAE) 提高了至少5.65%.
• 在特定的测试条件下,VMD-LSTM-ATT显示RMSE增加了56.11%,MAE增加了28.26%,与GRU相比.

结论:

• 拟议的VMD-LSTM-ATT模型有效地预测了在动态循环条件下PEMFC降解.
• 该模型能够捕获复杂的降解模式并过干扰信息,这突显了其优越性.
• 这种先进的预测能力可以帮助优化PEMFC运行并延长其使用寿命.