分会场

燃料电池与储能

摘要

质子交换膜燃料电池（PEMFC）性能退化估计是降低维护成本和使用成本的关键。然而目前所建立的PEMFC模型主要依据历史数据估算下一时刻性能，随着步长增大，预测效果降低。为解决多步预测问题，从信号处理角度提出一种新的PEMFC性能退化预测框架。首先，利用具有自适应噪声的完全系综经验模态分解 (CEEMDAN)对动态电压数据进行采用，获得不同时间尺度的信号数据。然后，根据样本熵 (Sample Entropy)测算不同时间尺度信号的复杂程度。其次，对于复杂程度高的信号，采用变分模态分解（VMD）再次进行信号处理。同时，为了提高预测模型的注意力点，提出一种基于注意力机制的门控神经网络（AGRU），最后利用贝叶斯优化算法来优化AGRU参数。在PEMFC动态数据实验测试中，所提出的模型对多步预测具有更强的稳定性和泛化性，表明该方法在PEMFC性能衰退多步预测中具有良好的实用性。

关键词

质子交换膜燃料电池;性能衰退;深度学习;多步预测

电子U盘全文仅限大会已缴费参会代表下载。

您还没有登录，请您先 点击这里登录