相关实验视频

基于LSTM-iTransformer模型的PEMWE堆的剩余使用寿命预测研究

Taode Wang¹, Jie Chen^1,2, Hujie Niu³

¹School of Mechanical Engineering, Xinjiang University, Urumqi 830046, China.

|December 8, 2025

概括

预测质子交换膜水电解器 (PEMWE) 堆寿命对于能系统至关重要. 一个新的LSTM-iTransformer模型准确预测退化,确保系统的稳定性.

科学领域:

材料科学材料科学材料科学
化学工程是化学工程的重要组成部分.
储能储能储能储能储能储能

背景情况:

质子交换膜水电解器 (PEMWE) 是储能的关键.
准确的PEMWE堆寿命预测对于系统可靠性至关重要.
目前的方法缺乏足够的准确性来长期预测PEMWE的业绩.

研究的目的:

开发一个准确的模型来预测PEMWE堆寿命.
预测气生产速度的退化趋势.
为了验证模型在各种操作条件下的性能.

主要方法:

实验数据收集模仿真实世界的PEMWE操作.
数据预处理包括S-G降噪和LightGBM缩小.
实现LSTM-iTransformer模型,用于预测气生产速度退化.

主要成果:

该LSTM-iTransformer模型实现了高预测准确度.
平均预测误差为0.0372毫升/分钟 (稳定状态) 和0.0806毫升/分钟 (动态电流).
模型有效性证实在稳态和动态当前数据集上.

结论:

开发的LSTM-iTransformer模型为PEMWE堆提供了强大的和适用的寿命预测.
该模型提高了能储能系统的稳定性和可靠性.
准确的降解预测对于高效的PEMWE堆管理至关重要.

相关概念视频

Long-term Potentiation

Long-term Potentiation

Long-term potentiation, or LTP, is one of the ways by which synaptic plasticity—changes in the strength of chemical synapses—can occur in the brain. LTP is the process of synaptic strengthening that occurs over time between pre- and postsynaptic neuronal connections. The synaptic strengthening of LTP works in opposition to the synaptic weakening of long-term depression (LTD) and together are the main mechanisms that underlie learning and memory.