论文部分内容阅读
质子交换膜燃料电池（Proton Exchange Membrane Fuel Cell,PEMFC）是一种以氢气为能源的新型发电装置,因其具有能量转换效率高、比功率高、工作温度低、环境友好等优点,被认为是实现碳中和的能源解决方案。作为“十四五”期间重点发展的产业,氢能和燃料电池得到越来越多的关注和政策支持。然而,PEMFC的可靠性和耐久性仍然制约了其大规模应用及产业化。燃料电池实际应用中的性能衰退预测及其健康管理（prognostics and health management,PHM）是解决其可靠性和耐久性问题的主要途径和关键技术。目前,亟需精确、高效的PEMFC性能衰退预测技术,为系统的维护策略设计、运行条件优化和健康状态评估提供信息支撑。PEMFC作为一种涉及多物理量、多部件、多因素的强耦合复杂电化学系统,其性能衰减过程中表现出的强非线性、随机性、不确定性都极大地增加了预测难度。目前,PEMFC性能衰退预测方法仍存在预测精度低、泛化性差、缺乏不确定性表达等问题。本文针对上述问题,重点研究并建立一套基于深度学习的PEMFC性能衰退预测理论和方法,通过充分利用PEMFC退化数据,有效挖掘数据中的深度特征,以提高PEMFC性能衰减预测的准确性、可靠性和鲁棒性。论文的主要研究内容和贡献概述如下:（1）分析了燃料电池的退化行为及其衰退特性,介绍了PEMFC性能衰退预测的基本原理、实现框架、具体流程、主流方法。在此基础上,比较了传统浅层预测方法和深度学习方法在PEMFC性能衰退预测中的性能,比较了不同数据预处理下的预测模型性能。预测实验结果说明采用有效的数据预处理方法以及使用深度学习预测方法可以提升PEMFC性能衰退预测的性能,也为之后的预测方法设计奠定了研究基础。（2）针对基于浅层机器学习模型的性能衰退预测方法无法准确表征PEMFC强非线性衰退特征而导致预测精度低的问题,提出了一种基于深度置信网络（Deep Belief Network,DBN）和极限学习机（Extreme Learning Machine,ELM）的燃料电池性能衰退预测方法。该方法采用中值滤波算法对退化数据进行预处理,采用DBN对数据中的非线性衰退特征进行深入挖掘,再采用ELM调节模型参数并完成DBN-ELM预测模型构建。然后采用粒子群优化算法对模型的结构参数进行优化。最后采用恒定负载和动态负载测试下的PEMFC退化数据进行了预测实验,结果表明该方法兼具DBN和ELM的优势,提高了衰退预测的准确性和泛化性。（3）针对传统预测方法无法有效量化PEMFC性能衰退预测的不确定性而导致预测结果可靠性低的问题,提出了一种基于奇异谱分析和深度高斯过程的PEMFC性能衰退预测方法。该方法采用奇异谱分析方法对退化数据中的有效特征进行重构以完成数据的预处理。然后采用深度高斯过程构建预测模型,根据退化特性优化核函数设计,以实现衰退规律的准确表达。最后采用两组测试时间长达1000h的退化数据集验证所提出的预测方法。结果表明,该方法不仅具有较高的预测精度,还可以构造高质量的置信区间来量化预测的不确定性,提高了预测结果的可靠性。（4）针对实际工程应用中需要同时提供高精度预测结果和高质量预测区间的问题,提出了一种基于非支配排序遗传算法和DBN-ELM模型的燃料电池性能衰退预测方法。该方法首先采用DBN-ELM模型和上下限估计方法构建了PEMFC性能衰退的区间预测模型,并将区间中值作为模型的确定性预测结果。然后构造了多目标优化框架来处理预测精度和区间质量同时优化的问题,并采用非支配排序遗传算法对预测模型的参数进行了优化。最后采用两组真实的PEMFC退化数据来综合评估预测方法的性能。结果表明,该方法可以同时提供高精度的预测结果和高质量的预测区间,进而提高了PEMFC性能衰退预测的准确性和可靠性。（5）针对现有方法未充分考虑PEMFC性能衰退过程中多变量耦合作用以及退化数据异常而导致预测精度低的问题,提出了一种基于随机森林和鲁棒深度高斯过程的多变量性能衰退预测方法。该方法采用随机森林方法选择用于衰退预测的最优特征变量集,以获取更全面且可靠的退化信息。然后采用鲁棒深度高斯过程挖掘多变量的相互关系来构建性能衰退预测模型,并采用Student-t似然来处理异常数据以提高预测模型的鲁棒性。最后采用两组具有24维变量的PEMFC退化数据来验证了该方法的预测性能。实验结果表明该方法具有较高的预测准确性和鲁棒性,且能提供高质量的置信区间来表达PEMFC性能衰退预测的不确定性。