结合机理信息和深度学习算法的质子交换膜燃料电池性能退化预测研究

余婉秋1,2，吴凡1,2，姜攀星1,2，王林辉1,2，王雅东1,2，詹志刚1,2（１武汉理工大学材料复合新技术全国重点实验室；２武汉理工大学燃料电池湖北省重点实验室）

摘要：质子交换膜燃料电池（PEMFC）作为重要的现代可持续能源转换装置，其性能退化趋势的准确预测对于提高系统可靠性与延长使用寿命具有重要意义。传统的数据驱动方法缺少对机理信息的考虑，导致神经网络模型一直存在“黑盒”现象。本工作提出了一种融合卷积神经网络（CNN）、长短期记忆网络（LSTM）和注意力机制的混合深度学习模型CNN-LSTM-A，并引入麻雀搜索优化算法（SSA）实现超参数自动优化。以PEMFC输出电压为退化性能指标，在不同训练集占比下对模型进行了性能评估，结果显示该模型能够准确捕捉燃料电池的老化趋势。为进一步增强模型的物理可解释性，本工作引入与燃料电池退化机制相关的机理参数作为输入特征，结果表明融合机理信息后模型预测精度有所提升，验证了机理信息对于神经网络模型在预测任务中的重要性。此外，通过对比实验对所提出的模型开展的优越性验证结果表明，引入注意力机制和SSA显著提升了模型性能，且CNN与LSTM的融合模型较单一结构具有更优的预测效果。

关键词：PEMFC；CNN-LSTM-A；SSA；机理参数；性能退化预测