在动态条件下，基于迁移学习的方法用于质子交换膜（PEM）燃料电池中的电压预测与外推

《International Journal of Hydrogen Energy》：Transfer learning for voltage prediction and extrapolation in PEM fuel cells under dynamic conditions

燃料电池退化预测中，针对动态工况下数据分布差异大、传统RNN模型泛化能力不足的问题，提出基于TCN-GRU的迁移学习框架，结合Deep MMD实现未知工况电压外推。实验表明该方法较传统模型减少41.56%时间成本，提升48.29%精度，并成功泛化至九种活化与欧姆极化区状态。

　　

朱文超|杨云亮|杜长青|何廷伟|杨洋|彭伟|谢长军

武汉工业大学汽车工程学院，中国武汉，430070

摘要

迁移学习有效地利用了源任务中的知识，以减少数据驱动的燃料电池健康状态预测方法对大型数据集的依赖。然而，在实际应用中，不同类型燃料电池和运行条件下的退化数据分布存在显著差异，这阻碍了源域和目标域之间的知识传递。此外，质子交换膜燃料电池（PEMFC）复杂的运行条件也给准确预测和诊断带来了额外的挑战。利用特定运行条件下的有限数据准确描述未来燃料电池堆的退化特性对于有效的燃料电池健康监测至关重要。因此，提出了一种基于时间卷积网络-门控循环单元（TCN-GRU）的迁移学习架构，该架构通过从源域堆中提取通用退化信息，从目标域堆中提取特定退化信息，促进了从准动态条件到动态条件的知识传递。这种方法将时间成本降低了41.56%，并将准确率提高了48.29%。其在激活区和欧姆区的九个当前级别上的泛化能力得到了充分验证。此外，还提出了一种基于深度最大均值差异（Deep-MMD）的电压外推方法。该方法利用激活区和欧姆区特定运行条件下的有限数据，重建未来潜在运行条件下的电压，从而能够精确描述燃料电池电压退化趋势，为燃料电池运行提供全面的见解。

引言

新能源发展战略侧重于推进可再生能源，以支持绿色发展[1]，促进节能[2]和减排[2]。这一战略旨在构建一个清洁、安全和可持续的新能源应用框架[3]。由于PEMFC的环境友好性[4]、轻量化设计[5]和高功率密度[6]，燃料电池技术，特别是PEMFC，取得了显著进展。然而，PEMFC的老化现象和有限的服务寿命限制了其进一步的商业化和大规模应用[7]。因此，准确预测PEMFC的性能退化过程对于估计其剩余使用寿命（RUL）[8,9]至关重要。

近年来，人工智能[10]的快速发展促进了数据驱动方法[11]的广泛应用，尤其是神经网络，用于预测燃料电池的寿命。在这些方法中，学者们通常使用循环神经网络（RNN），因为它们能够有效捕捉序列数据中的长期依赖性和时间相关性。例如，刘等人[12]结合了基于规则的区间采样和局部加权散点图平滑技术，使用RNN网络，与传统BPNN相比，预测准确率提高了28.46%。赵等人[13]使用粒子群优化（PSO）来优化门控循环单元（GRU），预测质子交换膜燃料电池（PEMFC）的短期退化性能。王等人[14]提出了一种基于长短期记忆（LSTM）网络的实时监测汽车PEMFC堆输出电压和面积特定电阻（ASR）的方法，并优化了模型参数。王等人[15]提出了一种使用降维符号表示的LSTM模型，用于预测车辆中PEMFC的退化。然而，这些RNN往往难以捕捉长期依赖性信息，因为存在梯度消失或爆炸的问题[16]。此外，它们复杂的内部循环结构导致计算成本高，特别是在处理长序列数据时，使得有效的并行计算变得困难，限制了它们在大规模数据和复杂模型中的应用。面对这些挑战，学者们提出了各种改进的RNN模型和训练技术，以提高RNN在时间序列预测和序列建模等任务中的性能。例如，孙等人[17]利用CNN-LSTM结合不同特征时间尺度的模态序列进行时间序列数据预测，与分别使用CNN和LSTM相比，均方根误差（RMSE）降低了13.55%和34.40%。李等人[18]提出了一种融合预测框架，整合了Bi-LSTM、Bi-GRU和ESN，以捕捉时间序列数据中的双向依赖性，实现了0.0235的RMSE。余等人[19]引入了双阶段注意力机制（DA）并开发了DA-LSTM模型，解决了梯度消失问题。这些改进的RNN模型可以显著提高燃料电池寿命的预测准确性，有助于优化燃料电池系统运行管理、延长设备寿命和降低维护成本。然而，这些传统的深度学习[20]方法需要大量的标记数据才能进行准确的寿命预测，从而对实验数据的质量提出了极高的要求。当数据集稀缺时，这些模型很难训练出理想的结果。

鉴于传统深度学习带来的挑战，迁移学习[21]受到了越来越多的关注。它可以通过利用源域的知识来帮助改进和优化目标域中缺乏大量标记数据的预测模型的性能[22]。例如，岳等人[23]应用了基于迁移学习的CNN-LSTM网络，实现了数字孪生系统中静态燃料电池FC1和准静态燃料电池FC2的实时早期退化预测。唐等人[24]结合了变换器神经网络和迁移学习，构建了一个端到端的PEMFC在线预测框架，用于预测准静态燃料电池FC2的RUL。穆罕默德等人[25]结合了WaveNet和GRU网络，并利用从耐久性数据集中提取的伪稳态训练数据进行迁移学习，成功预测了静态负载燃料电池FC1的RUL。张等人[26]结合了Addernet和迁移学习，设置了回归预测器并不断微调其参数，实现了静态燃料电池FC1和准动态燃料电池FC2的RUL预测。马等人[27]使用了堆叠自编码器（HTL-SAE）和迁移学习策略，使用少量的目标域数据更新模型，实现了准静态燃料电池FC2的退化预测。

然而，这些迁移学习模型仅在两种近似运行条件的燃料电池堆之间进行了知识传递。随着燃料电池技术的发展，越来越多的燃料电池被开发出来，可以在不同的条件下运行，这使得模型难以快速收集特定条件的数据进行迁移学习。因此，在实际应用中满足高精度、高效率和实时预测的需求变得具有挑战性。

具体来说，在PEMFC的实际运行中，由于动态运行条件导致的电流密度变化，燃料电池可能在不同的范围内运行，包括欧姆极化区、浓度区和激活区[28]。这些不同范围内的退化数据遵循不同的分布模式，其特征分布在实际应用中动态变化[29]。这些问题导致模型在复杂动态运行条件下的泛化能力和预测准确性显著下降。这对专注于单一目标域知识传递的现有迁移学习策略构成了挑战。

因此，学者们致力于在迁移学习过程中最小化分布差异。例如，刘等人[30]使用对抗学习和领域适应技术来减少燃料电池堆数据之间的边际分布和条件分布偏差。他们使用核密度估计算法（KDE）量化了差异变化，从而提高了故障诊断迁移学习模型的可靠性。程等人[31]提出了一种基于动态领域适应（DDA）的新智能方法，利用最大均值差异（MMD）方法量化数据特征分布，从而实现了在不同运行条件下的剩余使用寿命预测。龚等人[32]开发了一种领域自适应迁移卷积网络（DA-TCN），学习领域不变特征，减少了源域和目标域之间的分布差异，提高了不同燃料电池的故障诊断准确性。领域适应技术在迁移学习中的出色应用效果也表明，专门用于减少数据分布差异的方法（如MMD算法）可能适用于涉及燃料电池复杂特征分布的任务。

当拥有大量PEMFC的历史退化数据时，持续改进训练RNN可以提高模型对燃料电池未来退化状态的预测性能。然而，当训练数据不足时，神经网络难以获得足够的训练。迁移学习可以利用源域的知识，在数据存在某些分布差异的情况下，改进目标域的预测任务。然而，PEMFC在实际应用中的复杂运行条件导致其历史退化数据存在显著的分布差异，使得收集这些数据变得困难。这使得现有的专注于单一目标域知识传递的迁移学习模型在动态运行条件下的预测准确性和泛化性能不足。因此，开发一个能够处理多种数据分布差异的迁移学习模型至关重要。这样的模型应表现出良好的泛化性能和高预测效率，这对于实际应用中的真实世界场景至关重要。

本文介绍了一种创新的、高效的框架，通过知识传递跟踪多个目标域中的PEMFC性能。该模型通过迁移学习生成，以准动态数据作为源域，以完全动态数据作为目标域，便于局部跟踪和预测动态循环条件和多条件电压。此外，为了捕获任何未知运行条件下的电压数据，提出了一种基于Deep MMD的电压外推方法。该方法利用迁移模型生成的有限电压数据，快速构建各种条件下的电压趋势。

本文的创新点如下：

• 1.
  本研究开发了一种创新的迁移学习源模型（TCN-GRU），在预测动态循环条件下的电压退化方面表现出更高的效率和准确性。
• 2.
  即使在数据分布差异显著的情况下，也成功实现了从单一静态运行条件到动态运行条件的知识传递。
• 3.
  成功预测了燃料电池在激活区和欧姆区不同运行条件下的电压，展示了在不同特征分布下的出色泛化性能。
• 4.
  基于迁移学习，提出了一种使用Deep MMD的电压外推方法，用于快速预测复杂运行条件下燃料电池的电压退化特性。

部分片段

提出的框架

预测框架（见图1）旨在利用迁移学习来预测动态运行条件下的电压退化特性，并在未知运行条件下外推电压数据。具体步骤如下：

• 步骤1：源域数据和目标域数据的预处理。使用准动态条件（FC2）下的退化数据作为源域数据。使用动态负载条件（FC3）下的退化数据作为目标域数据

数据预处理

本节介绍了迁移学习所需的源域和目标域数据以及数据预处理。此外，还介绍了用于评估预测性能的四个指标。

结果与讨论

在迁移学习过程中，使用少量动态负载数据对FC3模型进行了微调，生成了TL2模型。本节分析了TL2模型在动态循环数据集和多条件数据集上的良好预测性能。此外，还提出了一种基于Deep MMD的方法，用于在不同条件下外推未知电压。该方法利用迁移学习生成的部分电压数据来重建退化

结论

为了解决数据驱动模型在动态条件下知识传递无效的问题，导致预测准确性和泛化性能不足，提出了一种PEMFC电压跟踪框架，该框架将学习从准动态条件转移到动态条件。从研究中得出了以下结论：

• (1)
  使用TCN-GRU作为源模型实现了更好的知识传递。与单独使用GRU相比，平均时间成本降低了41.56%

CRediT作者贡献声明

朱文超：概念化。杨云亮：形式分析。杜长青：概念化。何廷伟：形式分析。杨洋：验证。彭伟：概念化。谢长军：形式分析。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。

致谢

本工作得到了国家自然科学基金（NSFC，编号U24B20103）和佛山市先进能源科学技术实验室（XHRD2024-11233100-01）的支持。