基于XGBoost-Boruta算法的PEMFC控制系统特征选择及性能预测

能源与人工智能12（2023）100229基于特征敏感度的PEMFC控制系统改进的XGBoost-Boruta算法Xinjie Yuana，c，Fujun Chen b，Zenggang Xia a，Linlin Zhuang a，Kui Jiaob，*，Zhijun Peng b，王博文b，理查德·巴克纳尔 c，康拉德·耶尔伍德 c，侯忠军a，*上海氢动力技术有限公司 有限公司、 中国上海市协春路1788号201804b天津大学发动机国家重点实验室，天津市雅观路135号，邮编300350c英国伦敦大学学院机械工程系，Torrington Place，London WC1E 7JEH I G H L I G H T G R A P H I C A LA B标准• 开发新的XGBoost-Boruta算法，以评估不同电流密度下PEMFC控制系统中关键BOP特征的特征重要性。• PEMFC系统性能预测的自适应特征选择策略设计。• 对提出的XGBoost-Boruta算法与传统特征丢弃策略进行了对比分析。• 基于实时PEMFC台架和车辆数据的验证和确认评估。A R T I C L EI N FO保留字：BorutaEX treme梯度增强（XGBoost）特征选择质子交换膜燃料电池A B标准数据驱动的建模方法正在开发中，以实现更准确的性能预测的质子交换膜燃料电池（PEMFC）系统，以响应其复杂的物理-化学现象。然而，在这一领域的研究很少详细的预处理和选择的工厂平衡（BOP）功能的输入层的系统性能预测在不同的电流密度。此外，大多数以前的研究应用神经网络的仿真数据，而不是实时台架或车辆操作数据集，这导致低鲁棒性和不可靠的实际结果。本文详细介绍了一种新的算法XGBoost-Boruta，它利用集成学习方法和包装方法相结合，以提高特征选择的鲁棒性，提高PEMFC系统性能预测的准确性和鲁棒性的应用。通过引入Z得分和阴影特征消除传统集成学习方法的随机性，选取氢阳极、空气阴极和冷却子系统的7个关键可控BOP变量作为原始输入变量，确定它们对电池组电压的依赖关系。通过两个实例验证了该算法的有效性，从重型卡车在100至1500mA/cm2的电流密度下的操作获得的数据。特征* 通讯作者。电子邮件地址：kjiao@tju.edu.cn（K.Jiao），hou_zhongjun@shpt.com（Z.Hou）。https://doi.org/10.1016/j.egyai.2023.1002292023年1月8日上线2666-5468/© 2023作者。由爱思唯尔有限公司出版。这是一篇开放获取的文章，获得了CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可从ScienceDirect获取目录列表能源与AI期刊主页：www.sciencedirect.com/journal/energy-and-aiX. Yuan等人能源与人工智能12（2023）1002292基于XGBoost-Boruta算法的选择策略，在台架实验和重型卡车验证数据集上，RMSE分别降低了23.8%和14.1%，R2分别提高了0.06和0.04。1. 介绍根据全球可持续性问题，结合降低温室气体排放[1]，期望到2050年大气中的二氧化碳含量稳定在不超过百万分之450[2]。2019年，交通运输部门的排放量约占全球二氧化碳排放量的25%[3]。质子交换膜燃料电池（PEMFC）作为一种产生零有害排放的有前景的电源，在乘用车和商用车领域的开发正在增加[4]。然而，物理化学现象的复杂性和需要在PEMFC系统中的植物平衡（BOP）的相关性导致难以通过传统的机械建模方法来控制系统。数据驱动的建模方法正逐渐被应用于PEMFC系统性能的预测，以寻找作为输入特征的PEMFC系统变量与系统性能参数之间的关系。新的特征评估方法存在的PEMFC故障诊断和剩余使用寿命（RUL）的预测。例如，设计了一种特征评估方法，用于PEMFC三种状态的分类，包括正常，淹没和脱水，以延长PEMFC寿命[5]。反向传播神经网络（BPNN）和自适应神经模糊推理系统（ANFIS）用于PEMFC在静态和非静态条件下的预测[6]。然而，很少有研究提供了全面的reasons选择的功能，进一步复杂化的解释能力的神经网络，并不能保证鲁棒性。总体而言，以前对数据驱动PEMFC系统控制策略的数据驱动研究存在五个主要研究空白，如图1[7-从数据集的选择方面来看，如第一个图1中的两点，大多数研究倾向于结合不可控的PEMFC堆设计相关变量和可控系统BOP功能的基础上经验或等效的仿真模型。例如，Ding等人应用随机森林（RF）技术对PEMFC堆材料特征和BOP特征进行排名，其中PEMFC堆设计相关变量（包括BET表面积、中孔比和孔隙率）被选为最佳特征[7]。选择八个结构参数作为电势的输入特征[8]。尽管这些电池堆材料特性对PEMFC电池堆和系统的性能至关重要，但通常不进行监测和检测这些特征在台架试验和车辆运行期间的操作，因此这些研究工作对于车辆应用的实时控制具有有限的实用价值。另一个与电子商务相关的问题是经验和数学等效模型的准确性和实用性。大多数PEMFC系统性能预测神经网络是建立在仿真模型的基础上的，这些模型是基于大量的假设推导出来的，这些假设在车辆运行中不可忽略，因此在预测模型本身的实用价值和鲁棒性方面受到限制。例如，在[9]中，数据集的等效模型是由MATLAB中的嵌入式PEMFC模型生成的，该模型假设跨流道的压降可以忽略不计，并且电池电阻在所有操作条件下保持恒定。然而，这些假设并不适应实际的工作台和车辆操作，这需要大量的校准。因此，与仿真数据集相比，实时台架和车辆数据集对于预测模型的训练更重要。图1所示的后三个研究差距与PEMFC性能预测的输入特征选择方法。 在最近的研究中，高维PEMFC系统的特征选择逐渐被认为是在导出用于预测PEMFC系统的数据驱动神经网络模型之前的重要数据预处理步骤。首先，大多数研究在神经网络预测模型中应用相同的输入系统特征集，覆盖从低到高的所有电流密度。然而，典型PEMFC系统的性能在很大程度上受到不同电流密度下的活化、欧姆和浓度损失的影响，这导致通过具有BOP特征的特定优先级的膜的不同水传输机制用于实时车辆操作[15]。例如，Legala等人选择电流、温度、阴极压力、氧气和氢气分压以及膜水合作为预测电压输出的输入特征[10]。基于相对较小的半经验模型，包括约1100个数据点，应用基于特定概率值的随机丢弃技术，以将预测的r平方提高到0.99以上。然而，这种基于在所有电流密度范围内的固定概率值的神经元断开方法存在过拟合和随机性的风险，特别是缺乏对不同电流密度范围下的预测性能的分析[10]。此外，本发明还提供了一种方法，只有两个输入层的变量用于堆栈的预测电压和电流，这可能导致过拟合[11]。此外，委员会认为，Fig. 1. 数据驱动PEMFC系统控制设计中的五个主要研究空白。X. Yuan等人能源与人工智能12（2023）1002293选择电流密度作为特征输入之一，将减少其它特征的影响，因为对于半经验PEMFC模型，电压与电流在很大程度上相关[12]。其次，大多数研究试图通过调整神经网络的超参数来提高预测性能，但很少有人阐明特征选择的原因。例如，Bicer等人比较了传统神经网络模型的不同数量的隐藏层，以获得6 kW PEMFC动态行为的更好预测性能[9]。Kheirandish等人评估了不灵敏度函数ε与参数C和γ的不同组合对电压预测性能的影响[13]。然而，强调基于一个特定的仿真数据集的超参数的选择，而不是特征输入的自动选择，可能会导致低鲁棒性，特别是在车辆运行期间温度和压力变化的真实环境条件下。第三，传统的预处理方法，如随机森林，易受超参数影响，结果具有随机性，而车辆控制需要可预测的自适应方法。例如，作为典型的装袋方法，并行训练基础学习器以最小化方差的RF需要大量的计算资源，并且预测非常容易受到超参数的微小变化的影响。因此，它不适用于具有预定义的超参数集的实时PEMFC系统数据集，从而缺乏鲁棒性和准确性。相比之下，作为一种先进的增强集成方法，极端梯度增强（XGBoost）需要有限的超参数，包括深度和树的数量来训练弱学习器并迭代地调整自己，但仍然表现出每个森林的随机性[14]。本文在对数据驱动质子交换膜燃料电池系统控制设计的研究空白进行文献综述的基础上， 是为了解决数据驱动的PEMFC系统性能预测的数据库相关和输入特征预处理相关的研究空白。设计了一种新颖的数据预处理算法XGBoost-Boruta算法，用于研究阳极自增湿PEMFC系统在不同电流密度范围内系统BOP控制特性对系统性能的影响。首次将Boruta作为集成学习方法与XGBoost相结合，研究了阳极自增湿PEMFC系统中可控BOP特性对电池组电压的影响。一维卷积神经网络网络（1DCNN），具有固定的超参数，以连接所选择的关键BOP特征和电压输出，然后应用于验证和验证所提出的算法的准确性和鲁棒性的基础上，从硬件在环台架测试和重型卡车的操作的实时数据，在一个客观的，稳定的和自动的方式。本文件的结构如下。第2节介绍了PEMFC系统结构。在第3节中，详细介绍了XGBoost-Boruta算法在PEMFC系统特征选择过程中的新应用。第4节提供了案例研究的关键数据，包括PEMFC堆和系统的规格，台架测试和数据集预处理。在第5节中，基于硬件在环（HIL）台架测试平台和实时车辆数据，成功验证了所提出的算法。将所提出的XGBoost-Boruta算法与传统的特征丢弃策略进行比较，对算法进行排名，因为它涉及基于具有固定超参数的1DCNN的准确性和鲁棒性，然后得出结论第6.2. 系统示意图阳极自增湿质子交换膜燃料电池系统由四个主要部分组成：由上海氢动力技术有限公司自主研发的大功率质子交换膜燃料电池电堆空气阴极子系统、冷却子系统和氢阳极子系统，如图2所示。BOP被设计成调节空气、氢气和冷却剂的温度、压力和质量流率，以提供PEMFC堆的高性能。基于超薄质子交换膜技术（8μm）的应用和高效氢气再循环的设计，阳极自增湿系统的开发消除了对膜增湿器的需求，简化了系统架构，提高了功率密度，降低了总成本[16，17，18]。图1中节点1 ~ 3分别表示进气的质量流量、压力和温度。 2、由空压机、中冷器、组合阀和背压安全阀控制。氢气在进入节点5处的PEMFC堆之前通过喷射器以调节氢气入口压力。使用具有水-气分离器的氢循环泵（HCP），图二. 阳极自增湿质子交换膜燃料电池系统示意图。X. Yuan等人能源与人工智能12（2023）1002294再循环湿排气，包括富含入口氢气的未反应氢气，以保持膜的相对湿度。该再循环过程的关键可控特征是HCP旋转速度，在节点4处进行监测和控制。冷却子系统由冷却泵、电子恒温器、去离子器和热交换器模块组成由于PEMFC电池组的热能是由电化学反应产生的，因此电子恒温器、热交换模块和散热器结合使用以保持电池组的工作温度[19]。冷却剂的入口和出口温度是在节点6和7处监测的冷却子系统中的关键特征。虽然在所提出的PEMFC系统中有更多的BOP特征，但上面列出的七个特征例如，控制冷却剂子系统的电子恒温器、冷却剂泵和散热器以获得冷却剂和空气的所需温度，然后间接影响电压输出。受紧耦合子系统特性的限制，传统的物理建模方法不能揭示在PEMFC系统在不同电流密度下运行期间，七个关键可控特征与PEMFC系统的技术性能之间的关系。因此，在第3节中，一种新的特征敏感性方法被引入到所提出的阳极自增湿PEMFC系统和其他PEMFC系统具有类似的紧耦合子系统的特性。3. XGBoost-Boruta算法在本节中，将详细解释XGBoost算法与Boruta的应用通常，所提出的包裹方法的目的是评估七个特征对PEMFC堆电压的影响和重要性，并选择更相关的特征用于PEMFC电压预测，如图所示。 二、3.1. 传统特征选择方法传统的集成学习方法训练多个弱特征选择学习器，以进一步提高单个学习器的性能[20]。随机森林（RF）和极端梯度提升（XGBoost）是两种典型的用于减少方差和偏差的bagging和boosting集成学习方法[21]和[22]。与XGBoost相比，RF并行创建更多的树，因此需要更多的计算资源，这影响了大型PEMFC系统数据集的实时能力[23]。此外，超参数对RF的性能有很大的影响。然而，由于PEMFC退化的特性，为训练数据集定义的超参数在系统运行期间不适用。此外，在特征之间的相关性高的PEMFC系统中，一些关键特征倾向于被去除，因为它们可能被认为是低重要性的，从而导致判断错误。相比之下，XGBoost算法需要较少数量的图三. 所提出的XGBoost-Boruta用于PEMFC系统特征选择的应用流程图。X. Yuan等人能源与人工智能12（2023）1002295（×）（）=，+（）iKî∑j=1∑1j+λj我我我我叶节点，HJ是jL（yi，yi）对于j叶节点本节提供超参数，并具有随着迭代进行而调整自身的能力。针对不同残差的自适应迭代会导致每片森林的随机性问题，本文创新性地将包裹方法与集成学习方法相结合，对PEMFC系统的BOP特征进行排序。不同于递归特征消除（RFE），它在很大程度上取决于XGBoost的性能，Boruta是一种完全相关的特征选择方法，每个分裂。1）迭代地获得特征重要性。 Boruta应用阴影特征和Z分数来增强单个XGBoost模型的稳定性，后者在等式中定义。（6），与统计定义略 有 不 同 [26]。增益能够通过所有携带关键信息的特征进行预测，而不是专注于特征的特定紧凑子集[24]和[25]。因此，XGBoost与Boruta相结合，以确定PEMFCZ（K）=μ增益（六）系统如图所示。3.第三章。3.2. XGBoost-Boruta算法的机理及应用PEMFC系统上的XGBoost-Boruta算法被设计为确定具有高度可解释性的特征重要性。该算法的拟议应用可以分为三个部分，如图3所示：构建阴影特征，训练XGBoost模型，迭代获得特征重要性。1) 构建阴影功能。 原始特征矩阵XR为其中，增益和μ增益是在第K棵树上的收益移除Z分数小于阴影特征Zs，max的最大Z分数的原始特征迭代地重复这三个步骤，直到迭代达到已被设置为50的最大值m_max算法。 1提出的XGBoost-Boruta算法所选择的特征被设置为PEMFC的电压Per的预测的输入特征。 本文的创新之处在于，处理方法，需要神经网络来评估预测精度的提高。为了确保测量的可重复性，由具有七个BOP特征的N个随机地形成阴影特征矩阵XS。通过附加这两个矩阵，创建新的矩阵XQ N14作为XGBoost模型的输入特征矩阵X2) 训练XGBoost模型。XGBoost模型的训练过程遵循梯度提升方法的原理，通过最小化损失和目标函数[24]。目标K∑NL（yy（K））Ωf（1）i=1L（y，y（K））=（y-y（K））2（2）K为了验证和确认所提出的XGBoost-Boruta算法的结果，设计了一个具有固定超参数的简单一维卷积神经网络（1DCNN），如图4所示。1DCNN包括命名为Conv1D，MaxPooling，Flatten，Dense和Dropout的层。1DCNN被设置为四维内核的数量为30，池化层的数量为2，两个全连接层具有20个神经元和1个神经元，丢弃率为0.5，epoch的数量为100，批量大小为32，激活函数为C2U。传统的1DCNN的描述可以在[27]中找到，但这里不详细说明4. 为例y（iK）=fk（xi）（3）k=1拟议XGBoost-Boruta的验证和确认过程算法应用于第2节和第3节中详述的拟议PEMFC系统。台架和车辆测试的信号传输，如图5中的蓝色和红色路径所示，证明了（K）（K）（K）准确度和稳健性其中K是树的数量，设置为50，Obj，L（yi，nyi），nyi和的 的 提出 XGBoost-Boruta 算法 为 一个 阳极 自Ω（fK）分别是第K棵树的目标函数、损失函数、预测值，fk（xi）是第K棵树的惩罚项和预测值，N是样本数，yi是原始目标Y的实际值，T是叶节点数，ωj是第j个叶节点的权重为了最小化目标函数，XGBoost模型使用二阶泰勒展开来展开方程。(1) 等式（4）评价K次树的性能加湿PEMFC系统。硬件在环（HIL）台架测试平台（如图5中的蓝色路径所示）说明了台架和主机服务器之间的信号传输。燃料电池单元（FCU）通过CAN从PEMFC系统接收系统控制特征，并将其作为输入特征数据集发送给所提出的算法。具有XGBoost-Boruta算法的主机服务器自动排名并选择关键特征，以便在不同电流下准确预测系统性能。TG2密度功能排名和系统性能的结果，目标（K）=-2Hj+λ+γT（4）为了提高对PEMFC系统BOP复杂部件对PEMFC系统影响的认识，为进一步指导系统在不同曲线下的标定其中Gj和Hj是损失函数的一阶和二阶导数租金密度同样，图中的红色路径。 5代表实时（K-1）thG2此信号 传输 为 车辆 应用. 的 远程信息处理-boX（T-来确定树的分裂，γ是本文中默认为0的超参数。特征重要性由分裂之前和之后的叶节点的增益确定，如等式（1）所示。（五）、通过CAN和以太网连接主机服务器。XGBoost和1DCNN的超参数在验证和确认过程中保持不变。XGBoost的树的数量设置为50。的将1DCNN的输入数据集以0.7：0.3的比例分成两部分1[G2G2（GL+GR）2]RLγ（5）其中前70%用于培训，其余用于=2HL+λ+HR+λ-HL+HR+λ-验证。第4.1节和第4.2节详细说明了所需的测试信息，包括其中，GL、HL、GR和HR表示左节点和右节点的增益，输入特征的约束，实时输入特征数据集，boX），用于采集车辆动态数据，并将其上传到X. Yuan等人能源与人工智能12（2023）1002296（）下一页算法1XGBoost-Boruta特征排序算法。图四、所提 出 的XGBoost-Boruta算法和1DCNN的可视化结构。算法和1DCNN所需的参数，以及分别用于HIL和车辆操作的测试平台的设置信息。第4.1节和第4.2节中用于验证和确认的台架数据集和动态车辆运行数据集是在没有冷启动过程的正常运行模式下获得的。冷启动的核心策略是快速破冰和热管理，通过在所需设定点和测量过程值之间进行校正，达到所需的电池堆温度。在冷启动过程的固定控制策略下，所提出的特征选择过程不适用。4.1. 用于验证的PEMFC系统配备大功率FC电堆，电堆峰值功率输出和功率密度分别为198kW和5.1kW/L电池堆的每个电池由超薄质子交换膜组成膜（8 μm）、高活性铂钴（Pt-Co）催化剂（0. 9V）和超薄金属双极板（0.93mm）。按照图5中的示意图，HIL测试平台的硬件设置如图6（a）所示。图6（b）中的实时台架测试数据集包括约23，754个数据点覆盖电流密度从104.0到1496.0mA/cm2和堆电压从275.5到382.8 V。由于环境温度和压力在台架测试中被设置为恒定值，这两个特征不提供用于PEMFC系统预测的信息，因此不包括在算法的输入特征中。因此，如第2节所述，氢气、空气和冷却剂子系统的七个BOP特性被视为输入特性，其约束条件见表1。X. Yuan等人能源与人工智能12（2023）1002297图五、采用XGBoost-Boruta 算法 的阳极自增湿PEMFC系统的信号传输示意图。4.2. 用于验证的除了XGBoost-Boruta算法准确性的验证测试设置外，本小节还提供了重型卡车的运行信息，该信息将用于验证所提出方法的稳健性。在内蒙古地区行驶的重型卡车在中国大约40.8 ° N，111.8 ° E（如图所示）。 7(a))配备了PEMFC系统，额定电池组功率输出和功率密度为140kW和3.7kW/L。车辆运行数据集包括大约5720个数据点，所有这些数据点都被发送到主机服务器，并且如图7（b）所示，在每一秒的采样周期被采样。 考虑到有限的时间和空间影响，然而，这两个特征的变化很小，并且对于大多数数据点保持恒定，因此对基于所提出的数据集的PEMFC性能预测的影响很小。因此，车辆验证试验考虑了BOP的七个特征、温度和压力的变化。在电流密度从1000.0增加到1485.0mA/cm2和205.3至264.6 V的堆电压和205.至264.6 V。输入的约束条件见表2.5. 结果和讨论本节根据第4节中详述的实时台架和车辆运行数据分析验证和确认结果的详 细信息。第5.1节提供了 比较分析，重 点是常规随 机森林（RF）、XGBoost和应用于实验室数据的拟议XGBoost-Boruta算法的差异。在对关键BOP特征进行排序和选择的基础上，通过对比分析，验证了该算法所选特征对系统性能预测的准确性。在第5.2节中，遵循相同的特征预处理策略，对基于车辆运行数据的系统性能预测的稳健性进行了类似的比较分析。5.1. 台架试验数据集验证结果及分析针对七个BOP特征获得的重要性热图分别基于图8（a）和图8（b）中的RF和XGBoost算法。在电流密度值介于100和1500mA/cm2显示类似的趋势。例如，在低于200mA/cm2的低电流密度下，氢气入口压力PH2，最高，主要是因为其对膜中的水分布有显著影响，因此对电池堆电压输出.热图表明，在200和1100mA/cm2之间，代表电池堆工作温度的冷却剂出口温度Tcool，out与其他温度相比，功能.当电流密度进一步增加时，空气入口质量流率mstecair、空气入口压力Pair，in和空气入口温度Tair，in变成更重要的特征，而冷却剂出口温度不太重要，这是由于存在相对在高电流密度下工作温度稳定。HCPωHCP转速的重要性值在所有工况下都很低，表明对输出电压的影响很这主要是由所提出的阳极自增湿系统结构引起的。在阴极不使用加湿器的情况下，阳极处的HCP输送在电池堆操作期间产生的水分，以确保膜电解质组件（MEA）的期望湿度[28]。此外，HCP影响氢化学计量，但与阴极相比，氢过量系数对输出电压的影响较小[29，30]。在阳极自增湿PEMFC系统台架试验中，适当的能量和热量管理使系统的吸水率保持在合理的范围内，对系统性能的影响要小得多然而，与图8（b）中基于XGBoost方法的排名结果相比，RF方法提供了相同的趋势，但图8（a）中的重要性排名不同。例如，图8（a）中的冷却剂出口温度的重要性值在所有电流密度上总体上高于图8（b）中的值，这暴露了传统特征选择方法的共同缺点，该方法为相关特征提供不平衡的偏好，并且可能导致数据的相比之下，权重是从顶部分配的X. Yuan等人能源与人工智能12（2023）1002298见图6。用于验证的台架设置和实时数据集的照片：（a）台架设置的照片（b）七个选定特征和电池组电压的台架测试数据。表1PEMFC系统控制特性的七个关键特性的详细信息节点特征符号单位范围要求具有高的鲁棒性，而人为判断造成的影响较小。此外，七个特征的Z分数的大变化和在当前迭代处的每次迭代处的阴影特征的最大Z分数是最小的。1空气流速mstecairg/s[15.6，133.8]图9中的300和400mA/cm2之间的密度说明，2空气入口压力P空气，单位kPa[124.4，267.1]3空气入口温度T空气，单位oC[55.3，69.7]4HCP转速ωHCPrpm[954.0，7009.0]5氢气入口压力PH2，单位kPa[131.8，282.4]6冷却器入口温度T，单位oC[51.9，75.8]7冷却器出口温度Tcool，outoC[66.8，89.3]通过XGBoost方法以客观的方式将特征与相关特征进行比较。除了与需要重复尝试以获得适当超参数的RF算法不同之外，XGBoost算法仅需要少量超参数，这在动态PEMFC车辆操作期间是优选的。因此，考虑到每个PEMFC系统和车辆运行条件之间的差异，XGBoost算法更合适，其中传统的XGBoost算法随机性强、鲁棒性差、精度低，难以满足车辆实时控制的要求。如图9所示，除了HCP转速ωHCP之外，七个特征的Z分数的所有上限都高于阴影特征的最大Z分数，这表明在这种情况下，所有其他特征都被标记为对1DCNN方法的电压预测很重要。在图10中通过比较七个真实BOP特征的Z分数和阴影特征的最大值来引入Z值和阴影特征的定义，以最大限度地减少传统XGBoost的随机性的影响在图10中，除了HCP旋转速度之外，所有红色的Z分数都高于蓝色的阴影特征的最大值因此，HCPX. Yuan等人能源与人工智能12（2023）1002299图7.第一次会议。 在中国内蒙古省行驶的重型卡车：（a）重型卡车的照片;（b）七个选定特征和电池组电压的实时数据。表2PEMFC系统控制特性的七个关键特性的详细信息节点特征符号单位范围(a) 和（b）中的至少一种。显然，图12（c）中的黑色虚线椭圆区域中的预测数据集和实验数据集之间的一致程度高于图12（a）中的一致程度。具体评价值详见表3。电压预测的RMSE的建议1空气流速mstecairg/s[71.9，102.5]XGBoost-Boruta算法（1.31），与2空气入口压力P空气，单位kPa[230.3，255.7]3空气入口温度T空气，单位oC[51.1，78.2]4HCP转速ωHCPrpm[4980.0，6920.0]5氢气入口压力PH2，单位kPa[213.0，256.4]6冷却器入口温度T冷却，单位oC[52.1，77.1]通过保留所有特征获得的RMSE值为1.72。虽然在保留所有特征和通过所提出的算法去除特征之间，对于训练数据集，电压预测的R2值相同，为0.94，但验证数据集的R2差异为7冷却器出口温度Tcool，outoC[59.9，90.5]在0.92和0.86之间，约占23.8%根据图10，根据所提出的XGBoost-Boruta预处理策略自动去除旋转速度。为了验证特征去除策略的准确性，比较了三种情况。这些案件如下：保留所有特征，手动去除最重要的特征，并在电流密度300和400之间遵循所提出的XGBoost-Boruta算法mA/cm2。基于所提出的XGBoost-Boruta算法进行了1DCNN的重复性实验，以确保公平比较。图11所示的十个重复性结果表明，所提出的1DCNN提供了合理一致的结果，可用于不同策略的比较分析。通过三种策略的电压预测性能的准确性明显变化，如图12（a）至（c）中连续可见的。在图12中的黑色虚线矩形区域中示出了保留所有特征和通过XGBoost-Boruta算法去除特征之间的差异冷却剂出口温度Tcool，out的权重远高于其他特征的值，因此第二种策略是从1DCNN的输入特征层中移除冷却剂出口温度它很明显，蓝色的预测电压曲线与实验电压数据有很大的不同，特别是在图12（b）中的黑色虚线区域。对于验证数据集，RMSE和R2在提出的XGBoost-Boruta算法之后，HCP旋转速度通过真实特征和阴影特征的组合自动去除。PEMFC的电压预测性能提高，特别是对于验证数据，其中R2从0.86增加到0.92，而无需人为判断。5.2. 车辆运行数据集在HIL台架测试数据集上对提出的XGBoost-Boruta特征预处理策略进行验证的基础上，X. Yuan等人能源与人工智能12（2023）10022910见图8。 比较了基于XGBoost和RF算法的七个特征的重要性值：（a）RF算法;（b）XGBoost算法。图9.第九条。 在300和400 mA/cm2之间的电流密度下，在每次迭代时七个特征的Z分数和阴影特征的最大Z分数的Box图。X. Yuan等人能源与人工智能12（2023）10022911图10个。基于300和400mA/cm2之间的电流密度下的工作台数据的七个BOP真实特征和最大阴影特征的Z分数的条形图。图十一岁 基于所 提出 的XGBoost-Boruta算法的1DCNN的十个可重复性结果。见图12。XGBoost-Boruta和1DCNN算法基于工作台验证数据集在300和400mA/cm2之间的电流密度进行的验证数据预测可视化的一部分：（a）保留所有特征;（b）删除最重要的特征;（c）通过XGBoost-Boruta删除特征在本小节中使用实时车辆运行数据集进行验证，以证明鲁棒性和实用价值。根据PEMFC重型卡车的实时信号传输，图5在第4节中，T-boX将动态信号（包括来自FCU的七个BOP特征）传输到主机服务器。将七个真实BOP特征输入到XGBoost-Boruta算法中，X. Yuan等人能源与人工智能12（2023）10022912表3在300和400 mA / cm 2之间的电流密度下，基于HIL工作台数据的不同特征去除策略之间的比较结果。类别RMSE（火车）RMSE（验证）R2（火车）R2（验证）保留所有功能1.101.720.940.86删除最重要2.364.610.710.02特征通过以下方式删除要素1.031.310.940.92XGBoost-Boruta将其与如图13所示的阴影特征的最大Z分数进行比较。根据图13，HCP转速和空气入口温度的Z分数低于其他五个特征的Z分数和阴影特征的最大值。这两个特征被算法作为1DCNN的输入特征去除。相比之下，在1000和1485之间的高电流密度下，空气质量流量和空气入口压力获得更多权重mA/cm2，而不是在300和400mA/cm2之间的低电流密度下，由于相对稳定的操作，如验证案例研究中所在高电流密度下的温度。预测电压数据（蓝色）和实验电压数据（红色）在图14中部分可视化。与图14（a）所示的保持所有特征的策略相比，图14（c）中提出的XGBoost-Boruta方法的预测数据和实验数据之间的一致程度更高，特别是当黑色虚线矩形区域中的电压超过250 V时。作为在图14（b）和（c）中的黑色虚线椭圆区域中可视化，通过去除最重要的特征在220和245 V之间的电压下获得的预测准确度进一步证明了所提出的策略在不同电压下比其他两种策略表现得更好。从表4中的具体评估值来看，去除HCP转速和空气质量流量后，验证数据集的RMSE值仅为3.95，比其他两种策略下获得的值分别低约14.1%和37.7%。用该算法得到的验证数据集的R2值也分别高出0.04和0.20.总体而言，所提出的XGBoost-Boruta算法对于相对稳定的台架测试数据集和不同电压范围下的动态车辆运行数据集都表现良好。实验结果表明，该特征选择算法具有较高的准确性和鲁棒性.6. 结论本文提出了一种新的集成学习方法和包装方法XGBoost-Boruta相结合的应用，以评估PEMFC控制系统中7个关键BOP特征的特征重要性，包括空气质量流量、空气入口压力、空气入口温度、HCP转速、氢气入口压力和冷却剂入口和出口温度。首先，该算法提供了稳定的功能排名在不同的电流密度与低随机性相比，传统的包装方法。Z分数定义的引入消除了常规XGBoost模型的随机性图13岁在1000和1485 mA / cm 2之间的电流密度下，基于车辆数据集的七个BOP特征和最大阴影特征的Z分数。见图14。XGBoost-Boruta和1DCNN算法基于车辆验证数据集在1000和1485mA/cm2之间的电流密度进行的验证数据预测可视化的一部分：（a）保留所有特征;（b）删除最重要的特征;（c）通过XGBoost-Boruta删除特征X. Yuan等人能源与人工智能12（2023）10022913表4在1000和1485mA/cm2之间的电流密度下，基于车辆运行数据的不同特征去除策略之间的比较结果。类别RMSE RMSER2R2（培训）（验证）（培训）（验证）保留所有功能4.30 4.60 0.82 0.81[6] 何K，张C，何Q，吴Q，杰克逊L，毛L。PEMFC历史状态和运行模式在PEMFC预测中的有效性。IntJ Hydrogen Energy 2020;45（56）：32355-66.[7] 丁荣，王荣，丁勇，尹伟，刘军，非贵金属电催化剂质子交换膜燃料电池的人工智能辅助分析和预测模型设计。 Angew Chem Int Ed 2020.[8] [10]张文龙，张文龙. 质子交换膜阴极催化层性能预测与分析删除最重要的功能删除XGBoost-Boruta的功能5.56 6.343.86 3.95用人工神经网络和统计学方法对燃料电池进行了研究。J Power Sources2011;196（8）：3750-6.[9] Bicer Y，Dincer I，Aydin M.智能电网应用中燃料电池性能最大化的人工神经网络方法。 能源2016;116：1205-17.[10] Legala A，ZhaoJ，Li X. 质子交换膜燃料电池性能的机器学习建模。能源AI2022;10：100183.减少人为判断错误的影响。在低于200mA/cm2的低电流密度下，氢气入口压力对电堆电压输出有显著影响。当电流密度在200 ~ 1100mA/cm2范围内时，冷却剂出口温度的影响更为显著。 随着电流密度的进一步增大，然后，空气的速率、压力和温度是重要的特征。最后，基于台架试验数据和车辆运行数据对XGBoost-Boruta算法进行了验证，结果表明该算法具有较好的精度和鲁棒性。通过引入Z值和阴影特征消除传统集成学习方法的随机性，电压验证数据集的RMSE值为1.31，3.95基于台架试验数据和汽车行驶数据的特征选择精度分别比传统的特征选择方法低23.8%和14.1%。R2值也从0.06增加到0.04，增加到0.92和0.85。结果表明，XGBoost-Boruta算法对稳态台架数据集和动态车辆运行数据集均具有较高的精度、较强的鲁棒性和较低的随机性。在未来的工作中，可以进一步确定1DCNN的超参数，以提高PEMFC电压输出的预测性能竞争利益作者声明，他们没有已知的可能影响本文所报告工作数据可用性作者没有共享数据的权限引用[1] I stecnci M，Büyük M，Demir MH，I steclbey G.燃料电池电动汽车的研究现状：拓扑结构、电力电子变换器、能量管理方法、技术挑战、市场前景。更新Sustain Energy Rev2020;137：2021。[2] G. Reverdiau，A.勒，T.阿劳，T。Aribart和C.C.E.A. Saclay，“ScienceDirect是否有足够的铂用于燃料电池电动汽车的大规模部署？，“第XXXX号，第100页。2021年1月 1 3 日 。[3] 克鲁赞·德阿尔梅达·SCA动力传动系统混合化对燃料电池混合动力汽车燃油经济性、性能和成本的影响。2021年国际氢能杂志。号 XXX.[4] 吕新，曲英，王英，秦春，刘刚.综述了PEMFC混合动力汽车混合动力系统：问题与策略。能源转换管理2018;171：1273-91。[5] MaoL，et al. 质子交换膜燃料电池故障诊断中特征选择的评价方法。 IEEE TransInd Electron 2022;69（5）：5277-86.[11] SaengrungA，Abtahi A，Zilouchian A. 商业质子交换膜燃料电池系统的神经网络模型。J Power Sources 2007;172（2）：749-59.[12] C ha'vez-RamírezAU，etal. 基于人工神经网络的大功率燃料电池模拟器网络In t J Hydrogen Energy 2010;35（21）：12125-33.[13] [10]杨文，王文. 基于支持向量机的 商 用 质 子 交 换 膜 燃 料 电 池 建模。 Int JHydrogenEnergy 2016;41（26）：11351-8.[14] 霍伟，李伟，张智，孙聪，周芳，龚刚.基于卷积神经网络和随机森林特征选择的质子交换膜燃料电池性能预测。能源转换管理2021;243：114367。[15] 应用半经验和数据驱动方法预测质子交换膜燃料电池