基于LSTM-UPF混合驱动方法的燃料电池寿命预测OA北大核心CSTPCD

燃料电池的寿命预测是燃料电池健康管理的重要组成部分,可为燃料电池的运行和维护提供指导性意见。为提高寿命预测的工况适应性并保证预测精度,本工作结合长短期记忆神经网络(long short-term memory neural network,LSTM)和无迹粒子滤波(unscented particle filter,UPF)两种算法的优势,提出了一种LSTMUPF混合驱动方法进行稳态和准动态工况下燃料电池的寿命预测。该方法首先优化训练预测模型的实验数据并采用离散小波变换(discrete wavelet transform,DWT)技术将其分解为高频部分和低频部分,使用LSTM算法对这两部分分别进行预测实现对燃料电池长期老化趋势的预测,并使用修正因子对趋势预测结果进行漂移修正,然后利用得到的燃料电池长期老化趋势,根据UPF算法对燃料电池的剩余使用寿命(remaining useful life,RUL)进行估计。采用预测寿命终点、预测寿命误差、置信区间宽度、RUL预测误差等评价指标对不同寿命预测方法进行对比分析,结果表明,LSTM-UPF混合预测方法对燃料电池稳态工况和准动态工况的RUL预测误差分别为4.1%和3.4%,比基于模型的PF和UPF方法具有更精确的RUL预测结果与高质量的预测置信区间,工况适应性良好。本研究有助于提高多工况下的燃料电池寿命预测精度和置信度。