基于LSTM-UPF混合驱动方法的燃料电池寿命预测

燃料电池的寿命预测是燃料电池健康管理的重要组成部分,可为燃料电池的运行和维护提供指导性意见。为提高寿命预测的工况适应性并保证预测精度,本工作结合长短期记忆神经网络(long short-term memory neural network,LSTM)和无迹粒子滤波(unscented particle filter,UPF)两种算法的优势,提出了一种LSTMUPF混合驱动方法进行稳态和准动态工况下燃料电池的寿命预测。该方法首先优化训练预测模型的实验数据并采用离散小波变换(discrete wavelet transform,DWT)技术将其分解为高频部分和低频部分,使用LSTM算法对这两部分分别进行预测实现对燃料电池长期老化趋势的预测,并使用修正因子对趋势预测结果进行漂移修正,然后利用得到的燃料电池长期老化趋势,根据UPF算法对燃料电池的剩余使用寿命(remaining useful life,RUL)进行估计。采用预测寿命终点、预测寿命误差、置信区间宽度、RUL预测误差等评价指标对不同寿命预测方法进行对比分析,结果表明,LSTM-UPF混合预测方法对燃料电池稳态工况和准动态工况的RUL预测误差分别为4.1%和3.4%,比基于模型的PF和UPF方法具有更精确的RUL预测结果与高质量的预测置信区间,工况适应性良好。本研究有助于提高多工况下的燃料电池寿命预测精度和置信度。

基于SA-ANFIS-AUKF的PEMFC剩余使用寿命预测方法

为实现在恒定和变载工况下对质子交换膜燃料电池(PEMFC)的剩余使用寿命(RUL)预测,提出了一种基于SA-ANFIS-AUKF的混合驱动预测方法。该方法首先基于结合模拟退火(SA)算法的自适应神经模糊推理系统(ANFIS)实现未来衰退趋势(FDT)预测,然后基于预测的电压衰退结果,结合电压衰减半机理模型和自适应无迹卡尔曼滤波(AUKF)算法实现了准确的剩余使用寿命估计。并利用法国燃料电池实验室恒定工况数据集和物流车变载工况数据集进行验证,RUL估计结果的平均准确度分别为0.881 8和0.785 4。在100 h预测时长下,预测RUL的平均绝对误差均不超过12.5 h。结果表明,该混合方法不仅适用于恒定负载,在动态负载下也有良好的预测效果。