基于注意力机制双向长短期记忆网络与多层感知器的多堆栈燃料电池系统故障诊断及混合动力系统能量管理策略研究

为解决多堆栈燃料电池系统(MFCS)在功率输出、灵活性和容错性方面的挑战，研究人员开发了集成故障诊断与能量管理策略(EMS)的创新框架。通过建立高保真模型和故障嵌入实验，团队提出的双向长短期记忆网络(BiLSTM)和多层感知器(MLP)诊断方法准确率分别达94.19%和95.65%，结合基于功率需求预测和序列二次规划(SQP)的EMS策略，在4×25kW平台上验证了系统在正常/故障状态下对电荷状态(SOC)和能效的提升作用，为可持续能源系统提供了关键技术支撑。

　　

这项突破性研究将人工智能与能源技术深度融合，针对多堆栈燃料电池系统(Multistack Fuel Cell System, MFCS)这个"能量心脏"开发了智能诊疗方案。科研团队像给燃料电池装上了"AI听诊器"——基于注意力机制的双向长短期记忆网络(Bidirectional LSTM)能捕捉系统运行时序特征，而多层感知器(MLP)则像经验丰富的"诊断专家"，两者协同工作将故障识别准确率提升至95%以上。

更巧妙的是，研究者还设计了"能量调度指挥官"系统：通过序列二次规划(Sequential Quadratic Programming, SQP)算法实时调配燃料电池组和电池组的能量分配，就像经验丰富的交响乐指挥家，确保即便某个"乐器"(电堆)出现故障，整个能源交响乐仍能和谐演奏。在4×25kW这个"能源试验舞台"上，该策略使系统在故障状态下仍保持稳定的"心跳节奏"(State of Charge, SOC)，能量利用效率显著提升。

这项研究为燃料电池系统装上了"智能双保险"——既具备早期故障预警的"免疫系统"，又拥有应对突发状况的"应急调节能力"，为清洁能源汽车的"心血管健康"提供了创新解决方案。