10.19620/j.cnki.1000-3703.20220732
基于新型神经网络的燃料电池性能衰减预测
为了更准确地预测燃料电池性能的衰减情况,提出Wavelet-Elman-LSTM算法,通过小波分解实现基准电压信号的分解,利用Elman神经网络实现高频分量的预测,采用长短期记忆(LSTM)神经网络实现低频分量的趋势预测,从而实现更精准的性能衰减预测.通过稳定工况(恒流工况)和极端工况(启停加速老化、怠速加速老化)下3组不同的衰减数据集,从短期预测和长期预测2个维度进行Wavelet-Elman-LSTM神经网络与Elman、LSTM神经网络的性能衰减预测效果的横向比较,结果证明,所提出的Wavelet-Elman-LSTM神经网络在稳定工况与极端工况下均具有显著优越性,特别是在恒流工况下,短期预测、长期预测的均方根误差均大幅降低.
质子交换膜燃料电池、耐久性、小波分解、Elman神经网络、长短期记忆
TM911.42;U473.4
2022-11-28(万方平台首次上网日期,不代表论文的发表时间)
共7页
23-29