基于LSTM-iTransformer模型的PEMWE堆栈剩余使用寿命预测研究

《ACS Omega》：Research on Remaining Useful Life Prediction of PEMWE Stack Based on the LSTM-iTransformer Model

氢能存储系统稳定性依赖于质子交换膜水电解槽（PEMWE）堆寿命预测。本研究通过构建三电解池PEMWE堆实验平台，模拟真实工况采集15维参数数据，采用S-G模型降噪后，利用LightGBM筛选出9个关键特征，结合LSTM-iTransformer混合模型预测氢生成率衰减趋势。实验表明，该模型在稳态电流下预测误差为0.0372 mL/min，动态电流下为0.0806 mL/min，RUL预测误差仅6.88小时，优于Transformer、iTransformer等单一模型，验证了多模态融合与数据驱动的有效性。

　　在当前能源短缺的全球背景下，传统能源资源的有限性和高昂的成本使得能量存储技术变得尤为重要。氢能源作为一种高效且环保的能量载体，其通过水电解技术生产氢气的方式正在成为解决能源存储问题的重要手段。为了确保氢能源存储系统的稳定运行，对质子交换膜水电解堆（PEMWE）堆栈的寿命进行准确预测至关重要。本文旨在通过一系列实验场景的设计，结合噪声处理和数据降维，利用深度学习模型预测PEMWE堆栈的性能退化趋势和剩余使用寿命（RUL），从而为系统优化和维护策略提供科学依据。

### 实验平台与数据采集

为模拟PEMWE堆栈在实际运行中的性能表现，本文搭建了一个包含三个独立电解单元的实验平台。该平台不仅覆盖了单个和多个电解单元的典型应用场景，还能够揭示不同配置下PEMWE堆栈系统的内在运行规律，从而提高实验结论的普遍适用性。实验平台包括直流电源、PEMWE堆栈、循环水泵、水箱、水蒸气分离器、过滤树脂、流量传感器、热电偶、电压传感器、电流传感器、数据记录仪和计算机等设备，通过数据采集软件实现对关键运行参数的实时监控。

实验过程中，使用去离子水作为工作介质，以确保实验的安全性和稳定性。数据采集间隔为0.5分钟，以便更精确地捕捉PEMWE堆栈在不同运行条件下的性能变化。在恒定电流条件下，实验持续了约543.5小时，占预计寿命的10.9%；而在动态电流条件下，实验时间约为530.2小时，占预计寿命的10.6%。虽然实验时间相对较短，但两种实验条件下的数据仍能为后续模型构建提供基础支持，以评估不同负载对性能退化的影响。

### 数据预处理与特征选择

在进行寿命预测实验之前，数据预处理是确保模型准确性和可靠性的关键步骤。由于实验过程中可能受到传感器精度、环境干扰、设备运行特性和老化等因素的影响，数据中可能存在噪声和异常值。因此，采用Savitzky–Golay（S–G）模型对数据进行降噪处理。该模型基于最小二乘法的滑动窗口多项式拟合方法，能够在去除噪声的同时保留原始数据的特征。

在降噪后的数据中，通过对恒定电流和动态电流条件下多个参数的系统分析，发现氢气生成速率对温度变化和堆栈启停操作的敏感性较低，因此将其选为性能退化的主要指标。同时，电压参数由于水温变化导致的电阻波动，容易在堆栈停机和重启后出现电压恢复现象，这使得电压作为性能退化指标时稳定性较差。相比之下，氢气生成速率表现出更高的稳定性，能够更准确地反映堆栈的性能变化。

为了进一步提高模型的预测性能，采用LightGBM算法对特征重要性进行分析，并去除冗余特征，实现数据维度的缩减。这一过程不仅提高了模型的学习效率，还增强了其对目标变量的敏感性，从而提升了预测的准确性。通过特征重要性分析，本文选择了前9个最重要的特征用于氢气生成速率的预测。

### 模型构建与优化

本文提出了一种基于LSTM-iTransformer的混合模型，结合了LSTM和iTransformer的优势。LSTM是一种长短期记忆网络，能够有效处理时间序列数据，并捕捉长期依赖关系。iTransformer则是一种改进的Transformer模型，通过将变量编码为独立的变量标记，利用自注意力机制高效地捕捉多个变量之间的全局依赖关系。这种模型的结构设计使得LSTM能够提取时间序列中的局部动态特征，而iTransformer则能够整合全局信息，从而实现对性能退化趋势的全面预测。

为了进一步优化模型性能，采用贝叶斯优化方法对超参数进行调整。具体包括时间窗口大小、模型维度、注意力头数量、学习率、丢弃率和全连接层维度等。通过多次迭代和优化，最终确定了最佳的模型参数配置，使得模型在恒定电流和动态电流条件下均能实现较高的预测精度。

### 实验结果与分析

在恒定电流条件下，模型预测的氢气生成速率衰减趋势和RUL均表现出较高的准确性。具体而言，LSTM-iTransformer模型的预测误差（ME）为0.0372 mL/min，显著低于其他模型。在RUL预测方面，LSTM-iTransformer模型的预测结果为176.36小时，而实际寿命为178.11小时，预测误差仅为1.75小时，表明该模型在恒定电流条件下的预测能力非常出色。

在动态电流条件下，模型同样表现出良好的预测能力。尽管动态电流条件下的数据集相对较小，导致模型在某些指标上略有下降，但LSTM-iTransformer模型的预测误差（ME）仍为0.0806 mL/min，且在RUL预测中误差仅为6.88小时，显著优于其他模型。通过线性拟合，模型能够更直观地预测堆栈的寿命，并提供可靠的参考依据。

### 模型评估与对比

本文采用多种评估指标对模型进行综合评价，包括R平方值（R2）、平均误差（ME）、均方根误差（RMSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）。在恒定电流条件下，LSTM-iTransformer模型的R2值达到0.9969，显著高于其他模型。在动态电流条件下，R2值同样保持较高水平，达到0.999，表明该模型在不同运行条件下均具有良好的适应性和预测能力。

通过对比不同模型的预测结果，可以发现LSTM-iTransformer在多个指标上均优于其他模型。例如，在恒定电流条件下，其MAE为0.0478 mL/min，比Transformer模型降低了至少0.0476 mL/min。在动态电流条件下，其MAE为1.060 mL/min，比其他模型降低了约0.3184 mL/min。这些结果表明，LSTM-iTransformer模型在预测氢气生成速率衰减趋势和RUL方面具有显著的优势。

### 结论与展望

本文提出的LSTM-iTransformer模型在PEMWE堆栈寿命预测方面表现出色，能够有效捕捉氢气生成速率的衰减趋势，并提供高精度的RUL预测。通过实验验证，该模型在恒定电流和动态电流条件下均具有较高的稳定性和准确性。然而，由于本文所使用的数据集有限，未涵盖整个寿命周期的数据，因此未来的研究应进一步扩展数据集，以提高模型的长期预测能力。

此外，本文还指出，未来的模型开发可以考虑结合机制模型和深度学习模型，以实现更全面的寿命预测。通过引入长期拟合和考虑数据的周期性和非线性特征，可以进一步优化模型性能，提升其在实际应用中的可靠性。这不仅有助于提高氢能源存储系统的运行效率，还能为相关行业的技术发展提供有力支持。