基于1000小时耐久性实验以及长短期记忆预测框架，在动态负载条件下对燃料电池堆性能退化进行的研究

《JOURNAL OF THE AMERICAN ACADEMY OF CHILD AND ADOLESCENT PSYCHIATRY》：Investigation of fuel cell stack performance degradation based on 1000 h durability experiments and long short-term memory prediction frameworks under dynamic load conditions

质子交换膜燃料电池（PEMFC）堆在动态负载循环下的性能退化机制及预测模型研究。通过1000小时耐久性实验，分析不同电流模式下的电压衰减率（1000小时约2.0%，2000小时达4.8%）及衰减速度（25-60 μV·h?1）。对比LSTM与Attention-LSTM模型，发现LSTM在电流突变瞬态预测中更精准，而Attention-LSTM在长期预测（≥200小时）及多电流模式下稳定性更优。提出基于时间信息特征和注意力机制的混合预测框架，结合增量学习提升模型适应性，为燃料电池寿命评估提供新方法。

　　本研究聚焦于质子交换膜燃料电池（PEMFC）堆栈性能退化现象，探讨其在动态循环测试条件下的变化规律，旨在为产品开发和寿命评估提供科学依据。通过1000小时的耐久性实验，研究团队在动态负载条件下测试了5kW的燃料电池堆栈，并利用16个关键参数的数据，构建了基于长短期记忆网络（LSTM）模型和注意力机制增强的LSTM模型（Attention-LSTM）的性能预测框架。研究还展示了针对八种电流模式的数据预处理和后处理方法，以及增量学习方法的应用。实验结果表明，电压退化率在500小时时约为2.0%，在1000小时时增加至约4.8%。高堆栈运行电流下的退化率高于低电流条件下的退化率。所有电流模式下的电压退化速度在25到60 μV/h之间。在模型预测性能方面，LSTM模型在电流变化时刻附近的瞬态预测能力更强，而Attention-LSTM模型在相对稳定的运行条件下表现出更小的预测偏差。当预测时间达到或超过200小时时，Attention-LSTM模型的预测结果更接近基准测试数据，并且在不同电流模式下保持一致的预测准确性。该研究为燃料电池堆栈的耐久性分析和退化预测提供了新的思路和方法。

燃料电池技术因其高能量转换效率、零排放和低噪音等优势，被认为是交通、便携设备和储能系统中的关键能源解决方案。为了实现大规模商业化，欧洲联盟（EU）提出了燃料电池膜电极组件（MEA）的功率密度目标，超过1.8 W/cm2。同时，美国能源部（DOE）、日本和中国汽车工程师学会（SAE China）也提出了关于功率密度、耐久性和成本的具体目标。在实际道路条件下，燃料电池堆栈的性能受到道路振动、变化的功率需求以及水和热管理问题等因素的影响，可能导致长期运行下的性能退化。耐久性是阻碍燃料电池汽车广泛商业化的三大关键技术挑战之一，因此研究燃料电池在动态负载条件下的性能退化现象对产品优化和剩余使用寿命评估至关重要。

在过去几十年中，大量实验研究被用于探索燃料电池内部的潜在退化机制。常见的表征方法包括连续电压测量、极化曲线、电化学阻抗谱（EIS）、扫描电子显微镜（SEM）等可视化技术。这些方法帮助研究人员理解催化剂层（CL）和气体扩散层（GDL）的制备、耐久性测试和表征手段，总结了常见的退化机制以及燃料电池性能与材料结构之间的关系。例如，Ozden等人研究了在-40°C到30°C的60次冻融循环中，GDL、MPL和MEA的形态和微观结构特征。Wu等人则研究了冷启动过程中硅橡胶密封件的退化特性，比较了连续运行100小时后，极化曲线、电化学活性表面积（ECSA）和SEM形貌的变化。Li等人设计并制备了一个300 cm2的3个燃料电池堆栈，以研究其在1600小时耐久性测试下的性能退化机制和MEA的一致性。实验结果显示，在1.0 A/cm2的电流密度下，电压退化率分别为12.2%和52.2 μV/h。此外，堆栈退化归因于催化剂损失、团聚和MEA结构损伤，不同阶段的耐久性测试具有不同的主导退化因素。在另一项研究中，研究团队进一步研究了离子omer的老化行为，而Xiao等人基于自制的25 cm2单电池，探讨了湿度脱水对性能的影响，比较了运行100小时后极化曲线、ECSA和SEM形貌的变化。Shu等人则在NEDC条件下对3kW的堆栈进行了5000小时的耐久性测试，重点分析了镀金金属双极板的失效特性。Chen等人通过实验研究了不同电流负载幅度下单电池电压超调现象和延迟时间的变化，报告了ECSA减少11.68%、电荷传递电阻增加8.94%以及电压退化率2.5%的结果。在恒定运行条件下，Chen等人对25 cm2单电池进行了7016小时的耐久性测试，其中电流密度固定为0.8 A/cm2，运行温度为75°C，反应物计量比为2.0，阳极和阴极相对湿度分别为70%和50%。在不同耐久性测试阶段，对ECSA、泄漏电流密度和内部电阻对输出电压退化的贡献进行了定量分析。Fan等人则在恒定电流密度0.6 A/cm2下对50 cm2燃料电池进行了100小时的耐久性实验，总结了Pt黑催化剂和Pt/C催化剂相关的退化机制。Lian等人在车辆重载循环条件下对GDL进行了1000小时的耐久性测试，研究了其物理特性变化。Tang等人研究了150 kW双堆栈系统在2000小时衰减加速测试条件下的退化性能，并基于特定测试数据建立了核心组件退化、内部传输过程和输出电压下降之间的关系。

尽管已有大量实验研究揭示了燃料电池性能退化的机制，但目前的耐久性实验通常在恒定运行条件或不可重复的实路条件下进行，这使得在动态负载循环条件下的耐久性测试仍然较为有限。此外，为了确定燃料电池的耐久性寿命，进行数百小时的耐久性实验既耗时又费力，突显了开发更便捷的方法以预测性能退化和估算标称寿命的重要性。因此，研究团队开发了基于LSTM和Attention-LSTM模型的性能预测框架，以满足对PEMFC性能快速预测的需求。机制模型基于热和质量传递过程、电化学反应和典型退化机制建立模拟模型，而数据驱动模型则通过实验数据和各种机器学习方法建立退化预测模型。研究还结合了这两种建模方法，以提高预测的准确性。

本研究首次在动态循环测试条件下进行燃料电池堆栈的耐久性实验，并对实验过程和运行参数进行了详细记录。实验过程中，堆栈性能数据包括12个运行参数和3个时间信息特征，用于构建性能预测框架。实验结果表明，当动态循环测试时间达到500小时时，电压退化率约为2.0%，而在1000小时时增加至约4.8%。高堆栈运行电流下的退化率高于低电流条件下的退化率。所有电流模式下的电压退化速度在25到60 μV/h之间。在模型预测性能方面，LSTM模型在电流变化时刻附近的瞬态预测能力较强，而Attention-LSTM模型在相对稳定的运行条件下表现出更小的预测偏差。当预测时间达到或超过200小时时，Attention-LSTM模型的预测结果更接近基准测试数据，并且在不同电流模式下保持一致的预测准确性。研究还展示了数据预处理和后处理方法，以及增量学习方法的应用，以提高模型的泛化能力和适应性。

本研究提出的模型和方法为燃料电池耐久性分析和退化预测提供了重要的参考价值。通过构建基于LSTM和Attention-LSTM的性能预测框架，研究团队能够更准确地捕捉燃料电池在动态负载条件下的性能变化。此外，通过引入注意力机制，Attention-LSTM模型能够更有效地提取不同时间点之间的特征关联，从而在长周期预测中提高模型的稳定性。同时，研究团队还通过数据预处理和后处理方法，优化了模型训练过程，提高了预测的准确性。研究结果表明，当预测时间达到或超过200小时时，Attention-LSTM模型的预测结果更接近实际测试数据，这表明该模型在长期预测方面具有更高的可靠性。此外，研究团队还对模型在不同电流模式下的预测性能进行了比较，结果显示，Attention-LSTM模型在不同电流模式下保持了一致的预测准确性，这进一步验证了其在动态负载条件下的适用性。

本研究不仅展示了燃料电池在动态负载条件下的性能退化规律，还通过构建数据驱动的预测模型，为燃料电池的寿命评估和性能优化提供了新的方法。随着燃料电池技术的不断发展，其在交通、便携设备和储能系统中的应用越来越广泛。然而，燃料电池的耐久性仍然是其商业化过程中面临的主要挑战之一。因此，开发能够准确预测燃料电池性能退化的方法具有重要意义。本研究通过实验和建模相结合的方式，深入分析了燃料电池在动态负载条件下的性能变化，并展示了基于LSTM和Attention-LSTM模型的预测方法。这些方法能够有效捕捉燃料电池在电流变化时的瞬态行为，并在长期预测中保持较高的准确性。研究结果表明，Attention-LSTM模型在长期预测中表现出更好的性能，尤其是在预测时间较长的情况下，其预测结果更接近实际测试数据。这表明，Attention-LSTM模型能够更好地适应燃料电池在动态负载条件下的性能变化，为燃料电池的耐久性评估和寿命预测提供了可靠的技术支持。

研究团队还对模型的预测性能进行了定量比较，包括在不同循环次数和预测时间下的模型准确性。结果显示，LSTM模型在短期预测（如0小时和100小时的预测时间）中表现出更高的准确性，而Attention-LSTM模型在预测时间较长时（如200小时和300小时）的预测结果更接近实际测试数据。这种性能差异主要归因于两种模型在信息处理和特征提取方面的不同机制。LSTM模型通过其隐藏状态和细胞状态保留了更多的时序信息，使其在瞬态预测中表现更优，而Attention-LSTM模型通过注意力机制能够更有效地提取不同时间点之间的相关特征，从而在长期预测中保持较高的准确性。此外，研究团队还对模型的预测结果进行了详细分析，包括电压退化率和退化速度的变化，以及不同电流模式下的预测性能差异。这些分析结果为燃料电池的耐久性评估和性能预测提供了重要的数据支持和理论依据。

本研究的创新点在于首次在动态循环测试条件下进行燃料电池堆栈的耐久性实验，并构建了基于LSTM和Attention-LSTM模型的性能预测框架。通过引入注意力机制，Attention-LSTM模型能够更有效地捕捉不同时间点之间的特征关联，从而在长期预测中提高模型的稳定性。此外，研究团队还采用了增量学习方法，使模型能够动态更新，适应不同运行条件下的性能变化。这种方法不仅提高了模型的预测准确性，还增强了其在复杂工况下的适应能力。研究结果表明，Attention-LSTM模型在预测时间较长时表现更优，而LSTM模型在瞬态预测中具有更强的捕捉能力。这种性能差异为燃料电池的耐久性分析和性能预测提供了重要的参考，有助于开发更精确的预测模型。

本研究的实验和建模方法为燃料电池技术的发展提供了新的思路和工具。通过动态循环测试，研究团队能够更真实地模拟燃料电池在实际道路条件下的运行环境，从而更准确地评估其性能退化。同时，基于LSTM和Attention-LSTM模型的预测框架能够有效捕捉燃料电池在动态负载条件下的性能变化，为燃料电池的寿命评估和性能优化提供了数据支持。这些方法不仅能够提高预测的准确性，还能够减少实验测试的时间和成本，有助于燃料电池技术的推广和应用。研究结果表明，Attention-LSTM模型在长期预测中表现出更高的可靠性，这为其在燃料电池寿命评估中的应用提供了重要依据。此外，研究团队还对模型的预测结果进行了详细分析，包括电压退化率、退化速度和不同电流模式下的预测性能差异。这些分析结果不仅有助于理解燃料电池的性能退化机制，还为开发更精确的预测模型提供了理论基础和技术支持。