摘要：质子交换膜燃料电池的反应过程涉及多物理场、多部件、多因素的强耦合作用，其运行不可避免地伴随着长期的性能衰退及局部性能波动。然而，从多重耦合的众多监测参数中有效识别出关键特征并捕捉整体性能的衰退趋势变得异常困难。针对以上问题，提出一种基于XGBoost和Self-Atten-LSTM的PEMFC退化预测模型。首先，利用小波阈值去噪的方法剔除PEMFC原始数据中的噪声干扰;然后，采用XGBoost算法从众多参数中选择出对PEMFC性能影响显著的主要特征，实现关键特征的精确提取;最后，在LSTM中引入自注意力机制(Self-Attention)解决了其在处理长序列时的全局建模和多维向量间复杂交互关系不足的问题，通过自适应加权，更充分地利用了PEMFC的退化信息。与LSTM、Bi-LSTM、GRU模型相比，所提模型无论在稳态条件还是在动态条件下，都能较准确地预测燃料电池的退化，且模型平均绝对误差减小56.34%～77.04%，预测精度可达99.09%。该方法可广泛应用于制定车辆运行维护策略、提高系统可靠性等方面。
文章目录
0引言
1 基于XSAL的PEMFC退化预测模型
1.1 模型构建
1.2小波阈值去噪算法
1.3归一化处理
1.4 XGBoost模型
1.5 LSTM神经网络
1.6 XSAL模型的自注意力机制
2实验与分析
2.1数据集
2.2数据预处理
2.3特征选择
2.4预测结果与讨论
2.4.1预测性能指标
2.4.2 基于XSAL模型的退化预测实验
2.4.3自注意力层、LSTM层组合对比试验
2.4.4不同模型对比实验
2.4.5不同训练数据持续时间下的预测性能对比实验
3结论
