没有合适的资源?快使用搜索试试~ 我知道了~
能源与人工智能12(2023)100237基于机器学习的质子交换膜燃料电池故障检测与健康状态评估VijayMohan Nagulapati a,S. Shiva Kumarb,Vimalesh Annadurai c,Hankwon Lim a,b,d,*a大韩民国蔚山Ulju-gun,Eonyang-eup,50 UNIST-gil, Ulsan,44919,蔚山国立科学技术学院能源和化学工程学院b蔚山国立科学技术研究所碳中和示范研究中心,50 UNIST-gil,Eonyang-eup,Ulju-gun,Ulsan,44919,大韩民国c印度泰米尔纳德邦钦奈Rajalakshmi工程学院机电一体化系d大韩民国蔚山44919 Ulju-gun,Eonyang-eup,50 UNIST-gil蔚山国立科学技术学院碳中和研究生院H I G H L I G H T S G R A P H I C A LA B标准• 在动态负载测试条件下循环的PEM燃料电池的数据驱动特性• GPR 、 SVM 和 ANN 模 型 的 性 能 比 较 分析。• 训练数据集大小及其对数据驱动的预后模型预测性能的影响。• 与SVM和ANN模型同时预测动态负载测试的PEM燃料电池的输出电压。A R T I C L EI N FO保留字:PEM燃料电池数据驱动的故障检测动态负载测试高斯过程回归支持向量机神经网络A B标准在燃料电池中,化学能直接转化为热和电,没有任何排放,这使它们成为各种能源需求的有吸引力的替代品。燃料电池具有高能量转换率和高功率密度,这使得它们适合于汽车应用。然而,这些燃料电池系统suf-FER具有低可靠性和耐久性,因为系统部件在操作期间产生故障,导致系统性能的退化和降低。在这种情况下,故障检测和故障缓解策略正在得到广泛的发展。电化学阻抗谱、循环伏安法和恒电流分析等诊断方法可以真实地反映燃料电池的健康状态(SOH)。然而,这些方法是侵入性的,并且需要暂停燃料电池的操作,从而影响其完整性。基于机器学习的故障检测和SOH估计是一种非侵入式方法,其中在指标和SOH之间建立映射函数。燃料电池的SOH可以与传感器信号或指示器中的模式相关联。影响SOH的指标有槽电压、电流密度分布、阻抗谱、声发射和磁场。通过数据驱动的机器学习方法开发准确的故障检测和状态估计技术,将允许采取纠正措施,以避免不可逆的故障,并提高燃料电池的可靠性和耐用性* 通讯作者。电子邮件地址:hklim@unist.ac.kr(H.Lim)。https://doi.org/10.1016/j.egyai.2023.100237接收日期:2022年11月14日;接收日期:2023年1月6日;接受日期:2023年2月1日2023年2月4日在线提供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/)。可在ScienceDirect上获得目录列表能源与AI期刊主页:www.sciencedirect.com/journal/energy-and-aiV.M. Nagulapati等人能源与人工智能12(2023)10023721. 介绍图1.一、PEM燃 料 电 池 的 数据驱动特性的 示 意 图 。PEMFC的健康状况[12]。图1示出了PEMFC的基于机器学习的动力学的示意图。这些指标被用作随着人口和生活水平的提高,全球能源需求和利用不断增加[1]。据联合国经济和社会事务部预测,到2050年,世界人口将达到97.7亿因此,预计未来30年能源需求将增加50%[2]。到目前为止,超过95%的能源需求已经通过利用化石燃料来满足,然而,利用化石燃料导致温室气体排放,此外传统化石燃料正在迅速耗尽[3]。因此,替代能源转换和储存技术的快速发展对于以可持续的方式满足全球能源需求至关重要在众多的能量转换技术中,质子交换膜燃料电池(PEMFC)被认为是最有前途的能量转换候选者,它将燃料中的化学能直接转换为电能,转换效率高达65%,没有任何温室气体排放[4]。此外,PEMFC在汽车,文具和运输部门有广泛的应用,因为PEMFC提供高功率密度,易于放大,工作温度低,是汽车内燃机的最合适的替代品[5]。例如,在运输领域,众多的PEMFC车辆,如汽车、公共汽车、火车、轮船等,已经建立,但大规模的商业化仍然受到机械和电化学降解期间长期操作[6此外,操作和动态负载条件将快速跟踪PEMFC系统的膜降解和降解[4]。因此,准确预测PEMFC的劣化程度和相应的控制技术,以提高PEMFC的耐久性是更广泛的商业应用的关键因素另一方面,PEMFC系统的可靠性在很大程度上取决于车载运行条件和外部因素,包括温度、水和热管理以及湿度变化[9,10]。因此,及时准确地进行故障诊断对于PEM燃料电池的商业化前景的安全可靠运行至关重要在这种情况下,实验上的各种故障检测和缓解策略,如电化学阻抗谱(EIS),循环伏安法(CV)正在研究,以估计的耐久性,以及在PEMFC堆栈中的电压和电流分布。此外,动态电化学阻抗谱(DEIS)用于监测电动模式下PEMFC系统的健康状态(SOH)[9,11]。然而,这些方法是侵入性的,并且需要暂停燃料电池操作,从而影响其完整性。数据驱动的PEMFC耐久性预测,故障检测和SOH估计的方法是一种非侵入性的指标和SOH之间的映射函数建立。数据驱动方法的工作原理包括收集和分析来自多个传感器的数据,并提取指示输入变量来训练数据驱动的预测模型,以预测SOH和用于故障检测。在数据驱动的预测方法中,模型预测精度在安排维护和更换计划中起着至关重要的作用,以确保PEMFC的最佳性能[13,14]。对于在恒定条件下运行的PEMFC,SOH可以直接与一些传感器数据相关,如电池堆电压或PEMFC的功率。然而,在动态操作模式下,降级不能与测量直接相关。此外,PEMFC系统的复杂性导致需要引入更多的传感器,以实现更好的监测和诊断。因此,需要筛选和选择最有影响力的传感器数据。在处理动态工况和多传感器数据的同时,进行特征提取和关键特征的选择。Zhao等人[15]提出了一种基于多传感器数据的主成分分析(PCA)的故障诊断方法。基于主成分分析法,推导出一种简单的故障统计指标。处理PEMFC动力学的另一个挑战是缺乏长期循环数据[13]。开发了具有修改的设计矩阵的相关向量机来预测PEMFC的老化机理[16]。在深度学习中,深度信念网络(DBN)和极端学习机(ELM)结合起来处理PEMFC的非线性电压数据[17]。最近,用于预测PEMFC老化的长短期记忆(LSTM)和递归神经网络(RNN)被广泛应用于预测PEMFC老化。应用[18,19]。然而,大多数方法使用堆栈电压作为状态指标,而没有考虑功率作为具有一些关键退化信息的指标。质子交换膜燃料电池的劣化是由离聚物的分解、铂的团聚、催化剂的损失、碳的腐蚀和气体扩散层(GDL)的疏水损失等多种因素引起的。在这些各种降解因素中,GDL的疏水损失是导致欧姆和传质降解的主要因素之一,导致PEMFC的功率输出降低[20]。据报道,在几项研究中,燃料饥饿导致GDL腐蚀和功率衰减。阳极溢流会导致PEMFC输出功率降低,阳极溢流会导致燃料不足和阳极高电位,导致阳极碳腐蚀,导致功率密度下降。此外,动态负载条件增加了阳极GDL的衰减,这导致堆输出功率的降低。然而,阳极GDL层的退化行为和机制并不完全清楚。在这种情况下,它是安全的假设,堆栈输出功率有直接的相关性,各种退化因素和动力学approaches基于堆栈输出功率是有利的和有见地的。此外,大多数预测方法使用过滤器和数据清洗技术来预处理传感器数据,很少直接使用原始数据。在数据驱动的机器学习中,数据清洗是确保模型准确训练的重要步骤数据清理是清理或删除或修复坏数据的过程存在于数据集中。 当数据集通过收集V.M. Nagulapati等人能源与人工智能12(2023)1002373=图二. 单电池PEM燃料电池动态负载循环电压和电流曲线。从PEMFC负载循环的传感器数据,有机会传感器故障和波动,导致坏的数据。此外,在组合来自各种不同传感器的数据时,可能会出现数据重复、丢失数据和错误标记数据,从而导致错误数据。如果数据不正确或包含错误数据,机器学习算法的结果将不可靠。通常,数据清理涉及删除不需要的数据和离群值,修复结构性错误和处理丢失的数据。有各种工具和功能可用于数据清理,然而,有一些缺点与数据清理。当使用自动化工具和功能进行数据清理时,由于这些工具和功能不完全了解并且无法区分好数据和坏数据,因此很有可能错误处理数据。当缺失数据和离群数据被删除或插补时,有可能丢失关键信息性数据。此外,当处理大型数据集时,数据清理过程是耗时且昂贵的。在这种情况下,使用原始数据训练的数据驱动机器学习模型的性能分析变得非常重要。此外,本文还提出了基于经验模型和数据驱动模型的混合预测方法,将这两种方法结合起来,以实现更好的训练和预测准确性[21然而,对经验模型的依赖PEMFC以及具有多个模型和训练数据的复杂性增加了计算成本。随着PEMFC应用领域的不断扩大,如汽车工业等,PEMFC的工作负载条件也变得越来越重要,动态负载条件下的性能研究是非常必要和有意义的。然而,基于动态负载条件下的试验数据对PEMFC的动力学特性进行研究的报道很少。在此背景下,基于动态负荷工况测试数据对各种机器学习方法进行比较分析是一种新颖而有意义的方法。在这项工作中,三个数据驱动的模型进行了比较研究,从PEM燃料电池的动态负载耐久性测试数据集获得的原始数据。该数据集由1000 h动态载荷耐久性试验数据组成,考虑到欧洲协调试验方案。该PEM燃料电池耐久性数据进一步分为3个数据集,训练和测试比例分别为30:70,50:50和70:30。选择训练和测试比率来代表PEMFC的初始(30:70)、中间(50:50)和高级(70:30)降解数据。数据驱动的预后模型使用这3种方法进行训练和测试。数据集来研究训练数据大小对模型预测精度的影响。这些结果提供了关于各种机器学习模型在使用不同数量的动态负载条件数据进行训练时的预测性能的关键见解。选择三种机器学习模型来代表基于回归(高斯过程回归)、分类(支持向量机)和神经网络(人工神经网络)的机器学习方法。在处理原始数据时,高斯过程回归(GPR)在预测非线性时间序列数据时具有很强的非线性拟合能力[24]。在探地雷达中,假设每个时间点的数据服从高斯分布,任意时间点的数据组合服从联合高斯分布。支持向量机(SVM)应用统计学习理论处理小样本和非线性数据,使其适用于数据驱动的统计学。SVM通过将数据转换为高维特征空间来解决非线性问题,使数据线性化[25]。人工神经网络(ANN)可以处理多个传感器的非线性数据,并将其拟合到模型中,以高精度和高收敛性进行估计或预测[26,27]。GPR、SVM和ANN模型使用单个PEMFC的动态负载耐久性测试数据集进行训练[28,29]。模型的使用均方根误差比较预测性能(RMSE)。2. 方法2.1. 数据源该数据集是从同济大学清洁能源汽车工程中心和汽车动力学院提供的 公 开 数 据 集 获 得 的 , 中 国 上 海 201 , 804 ( https ://data.mendeley.com/datasets/w65jjt8v5w/draft? a5b37947d-ea28d-a5f2-d8c61c8ed8b1)[28]。该数据集由1000 h的动载耐久性试验数据组成。利用Greenlight 20测试台对单台PEMFC进行了极化特性测试和动态耐久性测试。燃料电池动态负载测试循环(FC-DLC)是根据欧洲协调测试协议准备的。耐久性测试包括3076次FC-DLC循环,约为1008 h。FC-DLC电压和电流曲线见图2。每个周期为1181 s,由重复4次的城市条件和V.M. Nagulapati等人能源与人工智能12(2023)1002374.)的。)的。)的方式-κMax i-x j=σ2Γv2v2vPEMFC的性能)=2计算公式如Eq. (1):)=2表1动态负载测试期间收集的传感器数据。输入变量说明时间PEMFC的老化时间(秒)压力阳极进出口H2入口压力和出口压力(KPa)压力阴极进出口空气入口压力和出口压力(KPa)温度阳极进出口H2入口温度和出口温度(KPa)温度阴极入口和出口空气入口温度和出口温度(摄氏度)露点水温度阳极H2露点水温度(℃)露点水温度阴极空气露点水温度(℃)kfxi,xj=E((f(xi)-m(xi))(f xj-m xj(3)可以基于所获取的信息来设置均值m(x),并且协方差函数kf(xi,xj)捕获输入相似性,从而影响GP的预测性能。 各种核函数可以适用于不同的工艺。Matern协方差核更适合于燃料电池劣化,并且可以表示为等式(1)中所示。(四)v◦.)21-v(电子邮件)()下一页. xi-xj))(. xi-xj))阳极终板温度PEMFC工作温度(℃)输出变量描述输出电压(V)当前工作负载(A)光滑度相关的超参数用v表示,其中v的值越大表示函数越光滑,而常用的var.其中v=5和v=3。另一个未知协方差函数功率PEMFC功率(W)2 2通过最大化对数似然函数来优化参数。郊区条件重复1次。有9个电流负载,范围从0- 100%。在耐久性测试期间以规则的间隔进行极化特性测试,以记录燃料电池的退化信息。每隔50小时,暂停AST,进行非停堆极化曲线试验,之后恢复AST。此外,AST的计划关闭12小时进行复制PEMFC在实际情况下的关闭条件。 从0h的初始条件开始,每100 h进行一次极化测试。Greenlight 20测试站存储测量数据,即动态负载耐久性测试数据集和极化测试数据集。2.2. 数据集单PEMFC的动态载荷测试数据包括3076个循环超过1008小时的耐久性测试。各种传感器数据及其与PEMFC的相关性列于表1中。表1中所示的输入变量捕获FC-DLC期间阳极和阴极的压力和温度变化,并且输出变量表示2.5. 支持向量机SVM是一种主要的分类和模式识别方法。然而,SVM的一种变体称为SVR(支持向量机回归)可以用于回归问题。具有两个类别分类的训练数据集可以表示为(xi,yi;I=1, 2, 3,超平面将数据点分隔为在Eq. (五)(ω,x)+b=0( 5)其中,参数向量由ω给出,点积由(',')表示。在Eq. (6)给出了最优分离超平面。yi[(ω,xi)+b]≥1-εi( 6)其中,非负误分类误差由Rf1表示。 当量(7)定义了最优分离超平面。(ω,1ω<$2+c∑<$i( 7)我2.3. 均方根误差RMSE是用于计算预测模型的误差值并比较预测精度的误差度量。RMSE是考虑到Eq. (6)这里,c值由用户定义。优化问题是解决使用的最佳鞍点的拉格朗日乘子中给出的方程。(八)ω(ω,b,α,β1ω<$2c∑<$i-∑αi。yi[ωTxi+b]-1+i)-∑βii我我我RMSE√̅1̅̅̅̅∑̅n̅̅̅̅̅̅̅y̅1̅̅̅̅̅̅̅̅y̅1̅̅̅̅̅2̅(一)(八)=ni=1-’)拉格朗日乘子由α和β给出,并且对于所有除了被称为支持向量(SV)的输入向量的子集之外y1和y1′分别表示预测的和实际的输出电压,并且以小时为单位的时间由n表示2.4. 高斯过程回归GPR是电池状态预测中最常用的方法,因为它具有映射随机变量的能力。连续函数可以用高斯过程(GP)建模,高斯分布到无限维[30]。GP是一个非参数一种算法变体SVR用于修改回归问题的SVM,最优函数由等式给出。(九)(ω,x)+b=f(x)(9)对于f(x),与随机训练数据的最大偏差应小于1/2,具有最大可能的平坦度。随后的优化问题由Eq. (十)(ω,具有概率预测能力的基于模型的贝叶斯理论这使得GP适用于非线性函数逼近。对于任何给定 子集f(x)=f(x1),f(x2),f(x3),联合 高斯分布其中x=(x1,x2,x3函数f(x)表示为f(x)<$GP(m(x),kf(xi,xj)),其中)=2而约束由Eq. (十一)yi-(ω,xi)-b≤ω+xi(11)总电堆流量阳极H2总电堆流量(NLPM)电池堆总流量阴极空气电池堆总流量(NLPM)ρRvρ(四V.M. Nagulapati等人能源与人工智能12(2023)1002375(、 、 、、)=2联系我们我 -我I+- I++I拉格朗日函数的最优函数由方程给出。(十二)平均值m(x)和协方差kf(xi,xj)可以表示为等式5所示。ωb <$α β1 ω 2c∑<$i∑α。[ωT xb] yε)m(x)=E(f(x))(2)-∑iβ ii(十二)(2)及(3)V.M. Nagulapati等人能源与人工智能12(2023)1002376∑+图三. PEM燃料电池的各种传感器数据。图四、动态负载耐久性测试期间测量的(a)电压、(b)电流和(c)功率的 数据 曲 线。最终优化的目标函数在等式中给出。(十三)Lf(x)=αi(xi,x)+b(13)i=1其中xi表示支持向量。大量的训练数据被压缩成支持向量的形式。支持向量机用于回归和分类的优点是形成了支持向量,并且这种修改不需要计算密集的大量数学运算。这使得SVM成为一种计算效率高的算法。2.5. 人工神经网络人工神经网络是一种广泛使用的复杂系统建模方法的神经网络的结构包括输入层、隐层和输出层。ANN具有通过训练多层神经网络来解决复杂非线性问题的能力[31]。人工神经网络的非线性拟合能力使其成为一种合适的方法来评估PEM燃料电池退化,这是一个复杂的和非线性的过程。输入层:在该层中,存储输入及其相关的偏置值。给定输入的数量为n,输入层的大小将为n1,其中1表示偏置值。此输入层通道预-处理数据到隐藏层。隐藏层:这个隐藏层由神经元组成,这些神经元由用于根据输入确定输出的数学函数组成。可以在一个隐藏层中有多个神经元,在一个网络中有多个隐藏层。输出层:该层用作预测数据的输出图五. (a)GPR、(b)SVM和(c)ANN模型的预测响应与真实响应图,使用30%数据进行训练。V.M. Nagulapati等人能源与人工智能12(2023)1002377图六、PEM燃料电池的输出电压的实际与预测图,其用(a)GPR、(b)SVM和(c)用30%数据训练的ANN模型预测。表2用30:70、50:50和70:30数据集训练的GPR、SVM和ANN模型的RMSE值。RMSE/训练数据GPRSVM安三十分七十秒0.04820.05050.0441五五开0.01220.02900.037220:30 0.0071 0.0294 0.04293. 结果和讨论3.1. 数据分析图3显示了用作输入变量的各种传感器数据的曲线,而图4显示了电压图4(a)、电流图4(b)和功率图4(c)的曲线,其潜在地反映了PEM燃料电池的SOH,因此用作输出变量。然而,在这种情况下,我们使用输出电压作为训练GPR,SVM和ANN模型的输出变量。从图4(a)和图4(c)可以观察到,PEMFC的性能退化是非常渐进的,在短时间内相对较慢。然而,电压曲线显示在1000小时的动态负载测试后略有退化3.2. 训练数据大小PEM燃料电池耐久性数据进一步分为3个数据集,训练:测试分流比为30:70,50:50和70:30。选择训练和测试比率来代表PEMFC的初始(30:70)、中间(50:50)和高级(70:30)降解数据。使用这3个数据集对数据驱动的预后模型进行训练和测试,以研究训练数据大小对模型预测精度的影响。图5显示了用30:70数据集训练的GPR(图5a)、SVM(图5b)和ANN(图5c模型使用30%的数据进行训练,训练后的模型用于预测剩余的70%数据。这些响应图显示真实响应和预测响应。图6示出了用30:70数据集训练的模型的预测图,其中图6(a)显示GPR模型的预测,图6(b)显示SVM模型的预测,图6(c)显示ANN模型的预测。预测结果和相应的RMSE值见图7。 (a)GPR、(b)SVM和(c)ANN模型的预测响应与真实响应图,使用50%数据进行训练。图8.第八条。PEM燃料电池的输出电压的实际与预测图,其用(a)GPR、(b)SVM和(c)用50%数据训练的ANN模型预测。V.M. Nagulapati等人能源与人工智能12(2023)1002378见图9。 (a)GPR、(b)SVM和(c)ANN模型的预测响应与真实响应图,使用70%数据进行训练。图10个。PEM燃料电池的输出电压的实际与预测图,其用(a)GPR、(b)SVM和(c)用70%数据训练的ANN模型预测。表2中显示的结果表明,当用30%的数据训练时,所有三个模型的准确度都很低。这是由于30%的数据无法完全捕捉PEM燃料电池的退化现象。然而,在仔细检查时,可以观察到ANN模型预测比GPR和SVM模型预测具有更高的准确性。当用较少的数据或在这种情况下30%的数据训练时,三个模型分别显示GPR、SVM和ANN模型的RMSE值为0.0482、0.0505和0.0441。图7显示了用50:50数据集训练的GPR(图7a)、SVM(图7b)和ANN(图7模型使用50%的数据进行训练,训练后的模型用于预测剩余的50%数据。图8示出了用50:50数据集训练的模型的预测图,8(a)显示GPR模型的预测,图。图8(b)显示SVM模型的预测,图8(c)显示ANN模型的预测。表2中显示的预测结果和相应的RMSE值表明,随着训练数据的增加,所有三个模型都表现出提高的预测精度,GPR、SVM和ANN模型预测的RMSE值图9显示了用70:30数据集训练的GPR(图9a)、SVM(图9b)和ANN(图9模型使用70%的数据进行训练,训练后的模型用于预测剩余的30%数据。图10示出了用70:30数据集训练的模型的预测图,其中图10(a)显示了GPR模型的预测,图10(b)显示了SVM模型的预测,图10(c)显示了ANN模型的预测。表2中显示的预测结果和相应的RMSE值表明,用70%数据训练的模型显示出增强的预测精度,其中对于GPR、SVM和ANN模型,模型分别显示出0.0071、0.0294和0.0429的低RMSE值。可以看出,当使用以下参数进行训练更高的数据比例。另一方面,人工神经网络在用50%的数据训练时显示出最高的准确性。ANN的这种性能行为确定了50%的数据是使用基于ANN的预测实现更高预测精度所需的最佳数据量。然而,使用SVM的预测显示出从30%数据训练到50%数据训练模型的预测准确性的增加,但是在训练数据的进一步增加时,基于SVM的模型未能显示出其预测性能的任何显著改善。基于GPR的预测显示出随着训练数据的增加而提高的准确性,其中使用70%的数据训练的GPR模型表现出最高的准确性,RMSE值为0.0071。GPR的增强性能可以归因于GPR处理训练数据并获得平均值和协方差值的方式,然后在预测测试数据时使用这些值。GPR是一种基于贝叶斯理论的非参数模型,其中高斯过程由共同遵循高斯分布的有限变量集的均值和协方差定义。协方差函数包含贡献训练点的权重,这些权重用于根据训练数据和测试数据之间的核距离来预测测试数据。同时,在处理原始数据时,探地雷达在预测非线性时间序列数据时具有很强的非线性拟合能力。GPR假设每个时间点的数据具有高斯分布,并且任何给定时间的数据点的组合遵循联合高斯分布 这些固有的数据处理能力,GPR结合其超参数自适应能力和基于概率的贝叶斯框架,使GPR模型在预测PEMFC的非线性时间序列数据时具有更高的预测精度。另一方面,SVM是一种基于分类的方法,主要用于模式识别和分类领域。作为一种分类算法,SVM往往对数据中的微小变化响应较小,并且鉴于PEMFC降解在短时间内是最小的事实,该模型无法捕获PEMFC降解中的微小变化,这降低了其预测性能。人工神经网络由于具有非线性预测能力,V.M. Nagulapati等人能源与人工智能12(2023)1002379图十一岁GPR,SVM和ANN模型相对于30%,50%和70%训练数据的RMSE值的性能。评价然而,它对原始数据中存在的坏数据和噪声的敏感性导致预测精度降低,训练数据增加了70%。三个模型相对于RMSE值的性能为:引用[1] 丁荣,张松,陈勇,芮正,华珂,吴勇,等.机器学习在优化质子交换膜燃料电池中的应用:综述.能源和显示在图11中。 这些结果表明,对于数据驱动的程序,艾. 20 2 2 年:100170。´尽管可用于训练模型的训练数据量是重要的,但是预测方法中使用的数据驱动模型的选择也是至关重要的。4. 结论在这项工作中,数据驱动的预测方法进行了比较研究的PEM燃料电池的故障检测和状态估计。在动态负载测试条件下循环的单个PEM燃料电池的数据被采集以应用于这种预测方法,因为动态负载条件反映了PEM燃料电池的实际工作条件。选择GPR、SVM和ANN三种传统的数据驱动模型对动载试验数据进行训练,并比较了它们的预测性能。动态负载测试数据集还以30:70、50:50和70:30的各种比例进行了分割,用于训练:测试,以评估每个模型的数据要求。与SVM和ANN模型相比,当训练数据量增加到50%及以上时,GPR模型显示出最高的预测精度,对于70%的训练数据,RMSE值最低,为0.0071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文章中描述的研究未使用任何数据确认这项工作得到了贸易、工业和能源部和韩国产业技术评价研究所为企业定制的高功率电容器(超级电容器)性能增强技术开发(第1000号)的支持。00155725)。[1] [1] Hua Z,Zheng Z,Pahon E,Pera M-C,Gao F. 质子交换膜燃料电池系统寿命预测研究进展。J Power Sources 2022;529:231256.[2] Kumar SS,Himabindu V. PEM水电解制氢-综述。 Mater Sci Energy Technol2019;2(3):442-54.[3] Wang Y,Seo B,Wang B,Zamel N,Jiao K,Adroher XC.聚合物电解质膜燃料电池技术基础、材料与机器学习。能源与人工智能2020;1:100014。[4] 顾旭,侯志,蔡杰.基于数据的质子交换膜燃料电池系统泛液故障诊断的LSTM网络。 能源与人工智能2021;4:100056。[5] 何克,刘智,孙英,毛丽,陆世。基于自动编码器健康指标和长短期记忆网络的质子交换膜燃料电池退化预测。2022年国际氢能杂志。[6] Yue M,Jemei S,Zerhouni N,Gouriveau R.质子交换膜燃料电池系统性能与决策:现状与展望。更新能源2021;179:2277-94。[7] 赵J,李X,沈C,McPhee J. 聚合物电解质膜燃料电池实时控制的物理和数据驱动模型综述。能源与人工智能2021;6:100114。[8] 张X,郭X. 基于信息融合和深度学习的有轨电车质子交换膜燃料电池系统故障诊断。 Int J Hydrogen Energy 2021;46(60):30828-40.[9]华泽, 郑智, 高F, P'eraM.-. C. 剩余使用寿命的挑战预测质子交换膜燃料电池。质子交换膜燃料电池剩余使用寿命预测的挑战,第1卷。^John,p. 6382-7[10] Darowicki K,Janicka E,Mielniczek M,Zielinski A,Gawel L,MitzelJ,等.PEMFC单电池和电池组可靠故障监测和检测的DEIS实现。ElectrochimActa2018;292:383-9.[11] 邢勇,王斌,龚志,侯志,席锋,牟刚,等。基于传感器预选和人工神经网络模型的PEM燃料电池系统数据驱动故障诊断。 IEEE跨能源转换2022。[12] 王春,窦明,李志,Outbib R,赵东,梁B.动态条件下燃料电池的聚变动力学策略。电子交通2022;12:100166.[13] 周Y。能源灵活建筑的发展前景和挑战。能源和AI 2022:100187。[14] 赵X,徐丽,李军,方丙,欧阳明.基于多传感器信号和主元分析的质子交换膜燃料电池系统故障诊断。IntJHydrogen Energy 2017;42(29):18524-31.[15] Wu Y,Breaz E,Gao F,Paire D,Miraoui A.基于相关向量机的质子交换膜燃料电池非线性性能退化预测。IEEE Trans EnergyConversion 2016;31(4):1570-82.[16] 谢毅,邹健,李志,高芳,彭春。基于深度信念网络和极限学习机的质子交换膜燃料电池性能退化预测新方法。IEEE Access2020;8:176661-75.[17] 王福坤,马莫T,程晓波.质子交换膜燃料电池堆电压退化的双向长短期记忆递归神经网络研究。 J Power Sources 2020;461:228170.[18] 刘军,李强,陈伟,严勇,邱勇,曹涛。基于长短期记忆递归神经网络的质子交换膜燃料电池剩余寿命预测。IntJHydrogen Energy 2019;44(11):5470-80.V.M. Nagulapati等人能源与人工智能12(2023)10023710[19] 杨毅,李新,唐芳,明萍,李波,张春。阳极气体扩散层退化驱动的燃料电池堆功率演化。 应用能源2022;313:118858。[20] ChengY,Zerhouni N,Lu C. 质子交换膜燃料电池剩余寿命预测混合方法。IntJHydrogen Energy 2018;43(27):12314-27.[21] 刘华,陈杰,Hissel D,Su H.质子交换膜燃料电池剩余使用寿命评估之混合方法。 应用能源2019;237:910-9.[22] 马荣,李忠,Breaz E,刘C,白H,Briois P,等。质子交换膜燃料电池降解的数据融合动力学。IEEE Trans Ind Appl 2019;55(4):4321-31.[23] 谢毅,邹健,彭春,朱毅,高芳。提出了一种基于奇异谱分析和深度高斯过程的质子交换膜燃料电池剩余寿命预测方法。IntJ Hydrogen Energy2020;45(55):30942-56.[24] [11] Niglapati VM,Lee H,Jung D,Paramanantham SS,Brigljevic B,Choi Y,et al. 一种新的基于组合多电池数据集的方法,用于增强锂离子电池容量估计中数据驱动的预测模型的预测准确性。能源与人工智能2021;5:100089。[25] Wilberforce T,Olabi A.利用人工神经网络预测质子交换膜燃料电池性能。Int J Hydrogen Energy 2021;46(8):6037-50.[26] 杨斌,曾春,王丽,郭永,陈刚,郭志,等。基于Levenberg-Marquardt反向传播算法的质子交换膜燃料电池参数辨识。IntJ Hydrogen Energy 2021;46(44):22998-3012.[27] ZuoJ,Lv H,Zhou D,Xue Q,Jin L,Zhou W,et al.单质子交换膜燃料电池长期动态耐久性试验数据集。数据摘要2021;35:106775.[28] LiJ,Herdem MS,NathwaniJ, Wen JZ.智能能源管理中人工智能、大数据、物联网和区块链的方法和应用。能源和人工智能2022:100208。[29] 作者简介:王建民,王建民. 高斯过程回归教程:建模,探索和利用函数。《数学心理学杂志》2018年;85:1-16。[30] 吴B,韩S,申KG,卢W. 人工神经网络在锂离子电池设计中的应用。J PowerSources 2018;395:128-36.
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功