CN113589175B - 一种燃料电池寿命预测方法和系统 - Google Patents
一种燃料电池寿命预测方法和系统 Download PDFInfo
- Publication number
- CN113589175B CN113589175B CN202110965801.1A CN202110965801A CN113589175B CN 113589175 B CN113589175 B CN 113589175B CN 202110965801 A CN202110965801 A CN 202110965801A CN 113589175 B CN113589175 B CN 113589175B
- Authority
- CN
- China
- Prior art keywords
- fuel cell
- neural network
- parameters
- network model
- microstructure
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000000446 fuel Substances 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000000463 material Substances 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 238000012512 characterization method Methods 0.000 claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 claims description 27
- 230000003197 catalytic effect Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 16
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 15
- 229910052799 carbon Inorganic materials 0.000 claims description 15
- 239000012528 membrane Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 230000035699 permeability Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 abstract description 2
- 238000013507 mapping Methods 0.000 abstract 1
- 210000004027 cell Anatomy 0.000 description 33
- 210000002569 neuron Anatomy 0.000 description 9
- 230000007246 mechanism Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/30—Hydrogen technology
- Y02E60/50—Fuel cells
Abstract
本发明涉及一种燃料电池寿命预测方法和系统，方法包括获取燃料电池中电堆材料微观结构参数，将电堆材料微观结构参数输入至预测网络模型中，输出得到寿命预测结果；预测网络模型的建立步骤包括将划分为测试组和表征组的燃料电池分别进行相同工况的耐久性测试；获取不同时刻下表征组的电堆材料微观结构参数和对应测试组的剩余使用寿命得到数据集；然后以数据集训练神经网络模型，形成电堆微观结构参数和电堆剩余使用寿命的映射关系。与现有技术相比，本发明通过可测的电堆微观参数直接建立同电堆剩余寿命的非线性关系，规避了现有方法模型在预测电堆长期电压产生的误差，减小对预测的精度要求，有效为后续耐久试验提供指导。
Description
技术领域
本发明涉及一种燃料电池检测领域，尤其是涉及一种燃料电池寿命预测方法和系统。
背景技术
现有关于燃料电池电堆寿命预测的方法，主要分为以下两类：
其中一类是依靠燃料电池电化学机理模型驱动的燃料电池电堆寿命预测方法。基于电化学机理模型驱动的燃料电池堆性能预测方法大多是结合电堆自身的材料属性、电堆失效机制以及电化学机理构建半经验公式来预测燃料电池电堆的性能衰退。但是，该方法如果需要精确预测燃料电池运行状态，其需要建立复杂数学模型来描述其内部的电化学和热学现象，公式缺乏泛用性。
另一类是依靠大数据基于数据驱动的燃料电池性能预测方法。基于数据驱动的燃料电池寿命预测方法则是通过使用大数据以及机器学习的技术来提高燃料电池寿命预测模型的预测精度。但是该方法目前的研究数据主要为电流密度、电压等，主要集中在通过电堆的电流密度去预测电堆未来时刻的电压，考虑到电堆电压数值都比较小(<1V)，该种方法对模型的预测精度需求很高，预测值的些微波动都会对误差产生较大影响，而且预测时间越长模型的预测误差也会越大。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种燃料电池寿命预测方法和系统。
本发明的目的可以通过以下技术方案来实现：
一种燃料电池寿命预测方法，包括：获取燃料电池中电堆材料微观结构参数，将电堆材料微观结构参数输入至预测网络模型中，输出得到寿命预测结果；
所述预测网络模型的建立步骤包括：
S1、将一致性大于设定值的多个燃料电池划分为互相对应的测试组和表征组；
S2、对测试组和表征组分别进行相同工况的耐久性测试；
S3、每间隔设定的时间获取当前时刻表征组内燃料电池的电堆材料微观结构参数P，同时根据对照组获取同一间隔时间的燃料电池的剩余寿命T，由此得到一系列数据集：
{([p11,p12,p13,…,p1k],T1)～([ps1,ps2,ps3,…,psk],Ts)}
其中，s为表征组中测试的第s个时间间隔，k为表征组电堆材料微观结构第k个参数，Ts为测试组对应第s个时间间隔下的电堆剩余寿命；
S4、构建一个神经网络模型，将步骤S3得到的数据集代入设计好的神经网络模型并对模型进行自适应训练，其中[ps1,ps2,ps3,…,psk]作为神经网络模型的输入，Ts作为神经网络模型的输出。
进一步地，所述的电堆材料微观结构参数包括双极板参数、碳纸参数、催化层参数和质子膜参数。
进一步地，所述双极板参数为双极板腐蚀程度和双极板厚度和双极板变形程度中的一个或多个。
进一步地，所述碳纸参数为碳纸接触角、碳纸孔隙率、碳纸厚度和表面平整度中的一个或多个。
进一步地，所述催化层参数为催化层孔隙率、亲水性疏水性、催化层元素成分分布、催化层厚度和表面平整度中的一个或多个。
进一步地，所述质子膜参数为质子膜透气性和质子膜厚度的一个或多个。
进一步地，所述步骤S4中，构建的神经网络模型采用BP神经网络、群体优化算法优化的BP神经网络、径向基函数神经网络、ELMAN神经网络或LSTM神经网络。
进一步地，所述预测网络模型采用多层结构的BP神经网络，其表达式为：
Tout＝fm(Wm·f2(W2·f1(W1·p+b1)+b2)+bm)
式中，Tout为寿命预测结果；p为电堆材料微观结构参数；f1，W1，b1为模型第一层的函数关系，权值矩阵和阈值矩阵；f2，W2，b2为模型第二层的函数关系，权值矩阵和阈值矩阵；fm，Wm，bm为模型第m层的函数关系，权值矩阵和阈值矩阵。
一种燃料电池寿命预测系统，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现如权利要求1～7任一项所述的燃料电池寿命预测方法的步骤。
与现有技术相比，本发明具有以下有益效果：
本次发明通过对一致性较好的电堆进行试验，得到电堆在不同时间点下的微观结构参数。依靠大量的数据训练神经网络建立起该微观结构参数同电堆剩余寿命的非线性关系，从而对燃料电池剩余寿命进行预测和估计，为后续试验提供指导。相比依靠电化学机理构建半经验公式的方法，本发明通过神经网络和大数据构建非线性关系，操作更为简便，泛用性更好；同时，相比现有数据驱动的燃料电池寿命预测方法，本发明通过可测的电堆微观参数直接建立同电堆剩余寿命的非线性关系，规避了现有方法模型在预测电堆长期电压产生的误差；而且由于预测指标为剩余寿命，该指标对预测的精度要求较小，可以有效的为后续耐久试验提供指导。
附图说明
图1为本发明的结构示意图。
图2为燃料电池测试组和表征组的对照试验说明示意图。
图3为BP神经网络燃料电池寿命预测模型结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图1所示，本实施例提供了一种燃料电池寿命预测方法，通过获取燃料电池中电堆材料微观结构参数，将电堆材料微观结构参数输入至预测网络模型中，输出得到寿命预测结果。电堆材料微观结构包括双极板相关参数、碳纸相关参数、催化层相关参数、质子膜相关参数。其中，双极板相关参数为双极板腐蚀程度、双极板厚度等。碳纸相关参数为碳纸接触角、碳纸孔隙率等。催化层相关参数为催化层孔隙率、亲水性疏水性、催化层元素成分分布等。质子膜相关参数为质子膜透气性、质子膜厚度等。本实施例中，优选采用双极板腐蚀程度p1、碳纸接触角p2、碳纸孔隙率p3、催化层孔隙率p4、催化层亲水性p5、催化层元素成分分布p6、质子膜透气性p7、质子膜厚度p8作为电堆材料微观结构参数。
预测网络模型的建立步骤展开如下：
步骤S1、将一批一致性良好(一致性大于设定值)的多个燃料电池划分为互相对应测试组和表征组。
步骤S2、对测试组和表征组分别进行相同工况的耐久性测试。该部分测试和常规的测试方法相同，因此不进行赘述。
步骤S3、每间隔设定的时间获取当前时刻表征组内燃料电池的电堆材料微观结构参数p，同时根据对照组获取同一间隔时间的燃料电池的剩余寿命T，如图2所示，由此得到一系列数据集：
{([p11,p12,p13,…,p1k],T1)～([ps1,ps2,ps3,…,psk],Ts)}
其中，s为表征组中测试的第s个时间间隔，k为表征组电堆材料微观结构第k个参数，Ts为测试组对应第s个时间间隔下的电堆剩余寿命；
每间隔设定的时间一般为18小时到24小时，本实施例中优选采用20个小时。本实施例中因为已经选取了特定的电堆材料微观结构参数p1～P8，因此数据集可以表达为：
{([p11,p12,p13,p14,p15,p16,p17,p18],T1)～([ps1,ps2,ps3,ps4,ps5,ps6,ps7,ps8],Ts)}
基于该数据集，可以建立基于神经网络的寿命预测模型。
步骤S4、构建一个已知的神经网络模型，将步骤S3得到的数据集代入设计好的神经网络模型并对模型进行自适应训练，其中[ps1,ps2,ps3,…,psk]作为神经网络模型的输入，Ts作为神经网络模型的输出。
构建的神经网络模型可以采用前馈神经网络结构和反馈神经网络结构。前馈神经网络结构如：BP神经网络、群体优化算法(如遗传算法、蚁群算法、粒子群算法)优化的BP神经网络、径向基函数神经网络；反馈神经网络结构如：ELMAN神经网络和LSTM神经网络。本例采用传统的BP神经网络，层数设置为3层，其中输入层神经元个数和输入数组维度相同为8，输出层神经元个数和输出数组维度相同为1，中间层神经元个数依据如下公式计算：
其中，a为中间层神经元个数，N为网络输入层神经元个数，M为网络输出层神经元个数，c为1到8的整数。
根据上述公式得到中间层神经元个数区间为[4,12]，根据经验选取10，所以最终神经网络结构为8-10-1。
图3所示为训练好的两层结构预测网络模型，其表达式为：
Tout＝f2(W2·f1(W1·p+b1)+b2)
式中，Tout为寿命预测结果；p为电堆材料微观结构参数；f1，W1，b1为模型中间层神经元的函数关系，权值矩阵和阈值矩阵；f2，W2，b2为模型输出层神经元的函数关系，权值矩阵和阈值矩阵。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (9)
1.一种燃料电池寿命预测方法，其特征在于，包括：获取燃料电池中电堆材料微观结构参数，将电堆材料微观结构参数输入至预测网络模型中，输出得到寿命预测结果；
所述预测网络模型的建立步骤包括：
S1、将一致性大于设定值的多个燃料电池划分为互相对应的测试组和表征组；
S2、对测试组和表征组分别进行相同工况的耐久性测试；
S3、每间隔设定的时间获取当前时刻表征组内燃料电池的电堆材料微观结构参数P，同时根据对照组获取同一间隔时间的燃料电池的剩余寿命T，由此得到一系列数据集：
{([p11,p12,p13,…,p1k],T1)～([ps1,ps2,ps3,…,psk],Ts)}
其中，s为表征组中测试的第s个时间间隔，k为表征组电堆材料微观结构第k个参数，Ts为测试组对应第s个时间间隔下的电堆剩余寿命；
S4、构建一个神经网络模型，将步骤S3得到的数据集代入设计好的神经网络模型并对模型进行自适应训练，其中[ps1,ps2,ps3,…,psk]作为神经网络模型的输入，Ts作为神经网络模型的输出。
2.根据权利要求1所述的一种燃料电池寿命预测方法，其特征在于，所述的电堆材料微观结构参数包括双极板参数、碳纸参数、催化层参数和质子膜参数。
3.根据权利要求2所述的一种燃料电池寿命预测方法，其特征在于，所述双极板参数为双极板腐蚀程度、双极板厚度和双极板变形程度中的一个或多个。
4.根据权利要求2所述的一种燃料电池寿命预测方法，其特征在于，所述碳纸参数为碳纸接触角、碳纸孔隙率、碳纸厚度和表面平整度中的一个或多个。
5.根据权利要求2所述的一种燃料电池寿命预测方法，其特征在于，所述催化层参数为催化层孔隙率、亲水性疏水性、催化层元素成分分布、催化层厚度和表面平整度中的一个或多个。
6.根据权利要求2所述的一种燃料电池寿命预测方法，其特征在于，所述质子膜参数为质子膜透气性和质子膜厚度的一个或多个。
7.根据权利要求1所述的一种燃料电池寿命预测方法，其特征在于，所述步骤S4中，构建的神经网络模型采用BP神经网络、群体优化算法优化的BP神经网络、径向基函数神经网络、ELMAN神经网络或LSTM神经网络。
8.根据权利要求1所述的一种燃料电池寿命预测方法，其特征在于，所述预测网络模型采用多层结构的BP神经网络，其表达式为：
Tout＝fm(Wm·f2(W2·f1(W1·p+b1)+b2)+bm)
式中，Tout为寿命预测结果；p为电堆材料微观结构参数；f1，W1，b1为模型第一层的函数关系，权值矩阵和阈值矩阵；f2，W2，b2为模型第二层的函数关系，权值矩阵和阈值矩阵；fm，Wm，bm为模型第m层的函数关系，权值矩阵和阈值矩阵。
9.一种燃料电池寿命预测系统，其特征在于，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现如权利要求1～7任一项所述的燃料电池寿命预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110965801.1A CN113589175B (zh) | 2021-08-23 | 2021-08-23 | 一种燃料电池寿命预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110965801.1A CN113589175B (zh) | 2021-08-23 | 2021-08-23 | 一种燃料电池寿命预测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113589175A CN113589175A (zh) | 2021-11-02 |
| CN113589175B true CN113589175B (zh) | 2024-04-12 |
Family
ID=78238984
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110965801.1A Active CN113589175B (zh) | 2021-08-23 | 2021-08-23 | 一种燃料电池寿命预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113589175B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2688080A1 (fr) * | 1992-02-28 | 1993-09-03 | Air Liquide | Reseau neuronal analogique. |
| CN108549036A (zh) * | 2018-05-03 | 2018-09-18 | 太原理工大学 | 基于miv和svm模型的磷酸铁锂电池寿命预测方法 |
| CN109991542A (zh) * | 2019-03-27 | 2019-07-09 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
| CN111339712A (zh) * | 2020-02-24 | 2020-06-26 | 电子科技大学 | 质子交换膜燃料电池剩余寿命预测方法 |
| CN111523226A (zh) * | 2020-04-21 | 2020-08-11 | 南京工程学院 | 一种基于优化多层残差bp深度网络的蓄电池寿命预测方法 |
| CN112100902A (zh) * | 2020-08-10 | 2020-12-18 | 西安交通大学 | 一种基于流数据的锂离子电池寿命预测方法 |
| CN112986827A (zh) * | 2021-04-12 | 2021-06-18 | 山东凯格瑞森能源科技有限公司 | 一种基于深度学习的燃料电池剩余寿命预测方法 |
| CN113076689A (zh) * | 2021-03-25 | 2021-07-06 | 华中科技大学 | 一种基于自动编码器的电池状态评估方法 |
| WO2021138925A1 (zh) * | 2020-01-08 | 2021-07-15 | 重庆邮电大学 | 基于改进卷积-长短时记忆神经网络的锂电池容量估算方法 |
-
2021
- 2021-08-23 CN CN202110965801.1A patent/CN113589175B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2688080A1 (fr) * | 1992-02-28 | 1993-09-03 | Air Liquide | Reseau neuronal analogique. |
| CN108549036A (zh) * | 2018-05-03 | 2018-09-18 | 太原理工大学 | 基于miv和svm模型的磷酸铁锂电池寿命预测方法 |
| CN109991542A (zh) * | 2019-03-27 | 2019-07-09 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
| WO2021138925A1 (zh) * | 2020-01-08 | 2021-07-15 | 重庆邮电大学 | 基于改进卷积-长短时记忆神经网络的锂电池容量估算方法 |
| CN111339712A (zh) * | 2020-02-24 | 2020-06-26 | 电子科技大学 | 质子交换膜燃料电池剩余寿命预测方法 |
| CN111523226A (zh) * | 2020-04-21 | 2020-08-11 | 南京工程学院 | 一种基于优化多层残差bp深度网络的蓄电池寿命预测方法 |
| CN112100902A (zh) * | 2020-08-10 | 2020-12-18 | 西安交通大学 | 一种基于流数据的锂离子电池寿命预测方法 |
| CN113076689A (zh) * | 2021-03-25 | 2021-07-06 | 华中科技大学 | 一种基于自动编码器的电池状态评估方法 |
| CN112986827A (zh) * | 2021-04-12 | 2021-06-18 | 山东凯格瑞森能源科技有限公司 | 一种基于深度学习的燃料电池剩余寿命预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113589175A (zh) | 2021-11-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhou et al. | Degradation prediction of PEM fuel cell stack based on multiphysical aging model with particle filter approach | |
| Wang et al. | A review on solid oxide fuel cell models | |
| Razbani et al. | Artificial neural network model of a short stack solid oxide fuel cell based on experimental data | |
| CN107180983B (zh) | 一种固体氧化物燃料电池电堆故障诊断方法和系统 | |
| Mao et al. | Effectiveness of a novel sensor selection algorithm in PEM fuel cell on-line diagnosis | |
| Napoli et al. | Data driven models for a PEM fuel cell stack performance prediction | |
| Mao et al. | Selection of optimal sensors for predicting performance of polymer electrolyte membrane fuel cell | |
| Mezzi et al. | Multi-reservoir echo state network for proton exchange membrane fuel cell remaining useful life prediction | |
| Jouin et al. | PEMFC aging modeling for prognostics and health assessment | |
| Zheng et al. | Performance prediction of fuel cells using long short‐term memory recurrent neural network | |
| TWI395965B (zh) | 燃料電池故障預測系統及其建立方法 | |
| Bhagavatula et al. | Application of artificial neural network in performance prediction of PEM fuel cell | |
| CN111200141A (zh) | 基于深度信念网络的质子交换膜燃料电池性能预测及寻优方法 | |
| CN113657024A (zh) | 一种燃料电池寿命预测方法 | |
| Deng et al. | Degradation prediction of PEMFCs using stacked echo state network based on genetic algorithm optimization | |
| Su et al. | Study of cell voltage uniformity of proton exchange membrane fuel cell stack with an optimized artificial neural network model | |
| CN113722898A (zh) | 一种燃料电池电堆的耐久性评价方法和装置 | |
| CN113589175B (zh) | 一种燃料电池寿命预测方法和系统 | |
| Hongwei et al. | An interpretable data-driven method for degradation prediction of proton exchange membrane fuel cells based on temporal fusion transformer and covariates | |
| Dhimish et al. | Enhancing reliability and lifespan of PEM fuel cells through neural network-based fault detection and classification | |
| CN113359037A (zh) | 基于bp神经网络的燃料电池故障诊断方法 | |
| Yuan et al. | Fault Diagnosis of Fuel Cells by a Hybrid Deep Learning Network Fusing Characteristic Impedance | |
| Zheng et al. | Fault diagnosis of PEMFC systems in the model space using reservoir computing | |
| CN116306270A (zh) | 一种预测燃料电池性能及关键输入参数寻优的方法 | |
| Yezerska et al. | Model-based degradation prediction on impedance data and artificial neural network for high-temperature polymer electrolyte membrane fuel cells after hydrogen starvation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |