基于ENSACO-LSTM的PEMFCs退化预测
贾志桓1
陈林1
邵奥利1
王宇鹏2
高金武1
1.吉林大学汽车仿真与控制国家重点实验室,吉林 长春 130022;吉林大学控制科学与工程系,吉林长春 1300222.一汽集团研发总院动力总成研究所,吉林长春 130000
摘要：本文提出了一种基于基于强化搜索蚁群优化的长短期记忆神经网络(ENSACO-LSTM)的数据驱动算法,用于预测质子交换膜燃料电池(PEMFCs)的功率退化趋势.首先,使用沙普利加和解释(SHAP)值方法筛选贡献度高的外特性参数作为数据驱动方法的输入.接着,提出了一种新型群体优化算法-强化搜索蚁群优化算法(ENSACO).该算法基于强化因子改进了蚁群优化(ACO)算法,以避免早熟并加快收敛速度.设置了对比实验,比较粒子群优化算法(PSO)、ACO和ENSACO的性能差异.最后,提出了一种基于ENSACO-LSTM的数据驱动方法来预测PEMFC的功率退化趋势,并使用实际老化数据对该方法进行了验证.结果表明,在有限的迭代次数内,ENSACO的优化能力显著优于PSO和ACO.此外,ENSACO-LSTM方法的预测精度也大幅提升,相比LSTM,PSO-LSTM和ACO-LSTM平均提升约50.58％.
关键词：质子交换膜燃料电池群体优化算法性能老化预测强化搜索蚁群优化算法数据驱动方法深度学习
论文发表日期：2025-08-30
在线出版日期：2025-10-10（本平台首次上网日期，不代表文献的发表时间）
页数：9( 1578-1586 )
英文信息