燃料电池作为一个非常活跃的研究领域,被认为是人类未来清洁能源发展解决方案的主要候选者之一。燃料电池是一种能量转换装置,可以将存储在燃料中的化学能直接转换成电能,而不产生污染环境的有害气体。因此,近年来燃料电池在国内逐渐引起关注,集中体现在汽车交通运输领域应用的快速发展。然而,相比燃料电池简单功能性应用的发展,相应的燃料电池测试技术、模型分析技术以及性能预测技术并未引起足够的关注。因此,本文旨在提出一种通用的燃料电池建模方法,同时采用实时仿真技术及老化预测方法对燃料电池性能进行验证。首先,基于质子交换膜燃料电池（PEMFC）和固体氧化物燃料电池（SOFC）,本文提出了相应的低维和多维模型。对于质子交换膜燃料电池,建立了多物理域的一维模型。所提出的模型可以描述电化学,流体力学和热力学物理域的现象。同时,对于中温可逆管式固体氧化物燃料电池,建立了二维多物理域模型。所提出的模型可以用来描述固体氧化物燃料电池和固体氧化物电解电池（SOEC）的工况。通过研究电化学域,流体力学域和热物理域的现象,提出的模型可以准确地描述在电池电流和温度的整个工作区间内,燃料电池和电解电池运行时内部的多物理效应。此外,本文还提出了一种迭代数值求解器,用于描述沿管状固体氧化物燃料电池轴向物理模型量的二维分布。鉴于固体氧化物燃料电池可使用混合气体燃料的特性,本文还建立了混合气体的固体氧化物燃料电池模型。作为该模型的重要组成部分,论文详细研究了氢和一氧化碳的共氧化现象。其次,通过系统的实物实验,对质子交换膜燃料电池的模型进行了验证。同时,在不同燃料气体分压,不同工作温度和不同电流密度的条件下,分别对在电解模式和燃料电池模式的可逆固体氧化物燃料电池模型进行了实验验证。由于混合气体燃料电池模型包含了氢气和一氧化碳的共同氧化现象,该模型在不同的测试运行条件下也通过测量的实验数据,在不同的反应温度,燃料气体分压和工作电流密度的条件下进行了验证。模型的有效性说明本文所提出的模型可用于实时仿真等嵌入式应用,这有助于设计和测试工业应用中燃料电池发电系统的控制和在线诊断策略的研究。再次,实时仿真对于燃料电池在线诊断和硬件在环（HIL）测试非常重要,然而对于固体氧化物燃料电池模型而言,由于多维多物理域模型存在的数值刚性问题,实时仿真很难实现。因此,本文详细研究了固体氧化物燃料电池模型的刚性来源。然后对常用的常微分方程（ODE）求解方法进行了测试以验证其稳定性是否满足实时仿真需求。最后,提出了两种合适的刚性常微分方程求解方法,以实现实时仿真。通用嵌入式实时仿真平台的实验结果表明,模型执行速度满足实时仿真的要求。同时,强刚性下的求解器稳定性和模型的高精度也得到了验证。最后,质子交换膜燃料电池易受氢的杂质和运行条件的影响,这可能导致燃料电池在运行期间的输出特性随时间降低。因此,燃料电池老化的预测对于质子交换膜燃料电池系统的可靠运行至关重要。在本文的最后部分,提出了一种基于网格长短期记忆（GLSTM）单元递归神经网络（RNN）的数据驱动燃料电池老化预测方法。与传统的递归神经网络架构相比,长短期记忆单元可以有效地避免梯度爆炸和消失的问题,从而适用于时序数据的长期预测。通过串并联组合长短期记忆单元,网格长短期记忆架构可以进一步优化预测精度。本文所提出的预测模型通过三种不同的质子交换膜燃料电池进行了实验验证,分别是1.2 k W的Nexa Ballard燃料电池,1 k W Proton Motor PM200燃料电池和25 k W Proton Motor PM200燃料电池。实验结果表明,所提出的网格长短期记忆单元网络可以精确地预测燃料电池极化特性的老化现象。因此,本文所提出的基于网格长短期记忆单元的递归神经网络深度学习方法可以有效地应用于预测和优化交通运输应用中的燃料电池寿命预测。