10.13229/j.cnki.jdxbgxb20220419
基于PSO-LSTM的质子交换膜燃料电池退化趋势预测
提出了一种基于粒子群优化(PSO)算法的长短期记忆网络(LSTM)方法,对质子交换膜燃料电池(PEMFC)的电堆电压进行了退化预测.首先,分析了 PEMFC的退化机理.然后,应用LSTM建立了电压退化预测模型,并采用Dropout层来防止过拟合以提高模型的泛化能力.此外,使用PSO算法优化LSTM方法中的初始学习率和Dropout概率以提升预测效果.最后,使用IEEE 2014 Data Challenge Data的燃料电池实际老化数据进行验证.结果表明,本文方法可以精确地预测燃料电池的退化,相比于传统的LSTM方法,预测精度提升了 50%.
自动控制技术、退化预测、燃料电池、深度学习、长短期记忆网络、粒子群优化
52
TK91
吉林省科技发展计划项目;国家自然科学基金
2022-10-14(万方平台首次上网日期,不代表论文的发表时间)
共11页
2192-2202