微精选

研究背景

PEMFC具备低噪音、少污染和高效率发电的特性，但高成本和低寿命始终是限制PEMFC大规模商业化应用的两大因素。实现PEMFC的精确寿命预测，对于提升氢燃料电池的性能、提前制定故障预防措施至关重要。为量化数据驱动模型预测过程中存在不确定性的问题并提升预测的精度与鲁棒性，本团队提出了一种基于集成性极限学习机（EELM）的数据驱动方法实现剩余使用寿命的精准预测。

论文所解决的问题及意义

针对极限学习机（ELM）存在参数随机生成这一问题，提出一种集成ELM（Ensemble Extreme Learning Machine，EELM）结构对PEMFC的RUL进行长期预测，基于统计学原理研究模型的不确定性对预测结果的影响。给出预测结果的95%置信区间，有效提升系统鲁棒性。

论文方法及创新点

如图1所示，集成结构中包含了50个单独的ELM，对预测结果进行统计分析，将每个时间点的预测结果进行平均处理即可得到最终预测值。

图1 EELM的预测流程

创新点1：基于统计学原理提出集成ELM结构，量化模型的不确定性对预测结果的影响。给出预测结果的95%置信区间，提升系统鲁棒性。

创新点2：对预测结果以及预测的置信区间都进行了优化。集成结构采用多输入模型以增加数据特征维度，使用局部强化器优化算法对ELM的输入权重和隐藏层偏置进行优化。

结论

1）稳态工况下的多步预测

PEMFC电堆输出电压作为老化指标进行预测，将电压和电流作为ELM的输入，失效阈值为初始电压的96.5%。图2为训练时长为500 h的预测结果。

图2 稳态电流条件下预测结果

2）准动态工况下的多步预测

准动态电流条件下，电堆电压变化趋势更加复杂。与稳态电流条件下相同，同样将输出电压作为老化指标，将电压和电流作为ELM的输入，失效阈值为初始电压的95.5%。图3为训练时长为500 h条件下的预测结果。

图3 准动态电流条件下预测结果

3）动态工况下的多步预测

在动态电流条件下，基于先前对动态健康指标的研究工作，将相对功率损耗率（Relative Power-Loss Rate，RPLR）作为老化指标，将RPLR和电流作为输入。图4所示为训练时长为195 h的预测结果。

图4 动态电流条件下预测结果

4）鲁棒性分析

通过图5～图7可以看出，EELM的预测精度要比大部分独立ELM的预测精度更高，并且波动更小，分布更集中。这表明EELM预测的稳定性更强，集成结构有效提升了ELM的鲁棒性。

图5 50次实验的精度对比（稳态条件）

图6 50次实验的精度对比（准动态条件）

图7 50次实验的精度对比（动态条件）

西工大自动化学院“新能源智能电驱动团队”负责人为窦满峰教授，另有赵冬冬、汪远林、华志广等海外归国教师3人，在读博士8人，在读硕士20人。该团队有博导4人，国家级青年人才1人。团队近5年承担国家级纵向项目十余项。团队长期从事新能源智能电驱动研究，承担型号任务十余项，长期为国家重大型号提供特种电机及控制器，获国家发明二等奖1项、省部级奖十余项，发表论文200余篇，专利50余项。

• 杨淇（第一作者），陕西科技大学硕士，主要研究方向为氢燃料电池寿命预测与健康管理。

• 华志广（通信作者），西北工业大学教授、博导，国家级青年人才，长期从事燃料电池寿命预测、新能源变换器等方面研究，法国燃料电池国家重点实验室FCLAB博士后。近年来主持国家级纵向项目2项、国家自然科学基金项目1项，发表学术论文30余篇，授权发明专利8项。