通过分布松弛时间和多元统计分析，对质子交换膜燃料电池的水管理技术取得了新的见解

《JOURNAL OF POWER SOURCES》：New insights into water management of proton exchange membrane fuel cells via distribution of relaxation times and multivariate statistical analysis

　　

王清|徐亮飞|胡尊炎|王志娜|张晓原|邵阳斌|李建秋|欧阳明高

清华大学车辆与移动性学院，北京，100084，中国

摘要

车载燃料电池正实现更高的功率密度，这得益于更薄的质子交换膜以及具有更密集流场的更紧凑型双极板。然而，燃料电池内部水分含量的诊断和精确管理仍是一个关键挑战。本研究提出了一种基于电化学阻抗谱（EIS）和松弛时间分布（DRT）的多变量统计诊断框架。该框架提取了欧姆电阻（R₀）、质量传输阻抗（R_d）和电荷传输阻抗（R_ct）等关键特征，并将其与输出电压结合起来构建一个多变量特征向量。随后，采用基于密度的空间聚类算法（DBSCAN）来识别燃料电池内水分含量的不同状态。实验结果表明，所提出的方法能够有效识别干燥和渗透等典型故障情况，为高功率密度燃料电池的水分管理提供了一种强大的数据驱动工具。

引言

目前，交通运输领域的能源需求正在快速增长。在新能源革命的浪潮中，质子交换膜燃料电池（PEMFC）已成为一种变革性技术[1,2]。由于其高效率和零排放，PEMFC已成为推动新能源汽车发展的关键技术路径[3,4]。车载燃料电池正朝着更高的功率密度发展，这表现为更薄的膜、更密集的流场以及各组件的改进材料和设计[5,6]。然而，PEMFC是复杂的非线性系统，涉及气体、水、热和电等多种物理场。众多因素，包括外部运行条件以及内部核心组件的材料和性质[[7],[8],[9]，都会影响燃料电池的性能。在这些因素中，燃料电池内的水分含量是最关键的之一。准确诊断和精细管理燃料电池中的水分含量状态仍然是汽车燃料电池系统的核心挑战[10]。对于高功率自湿润汽车PEMFC，诸如阴极循环等运行策略已被证明可以通过调节电荷传输和扩散阻力以及减缓阴极催化剂层（CCL）的退化来提高耐用性[11]。观察水分含量的常用方法包括核磁共振（NMR）[12]、中子成像[13]、X射线成像[14]和光学摄影[15]。虽然这些技术可以应用于运行中的燃料电池，但它们往往难以实施，需要复杂的设备，可能会损坏燃料电池，并且不适合常规诊断和寿命分析[16]。

电化学阻抗谱（EIS）提供了一种非侵入式的原位方法，用于诊断燃料电池堆栈内的水分含量[17,18]。阻抗谱的变化可用于评估外部运行条件对燃料电池性能的影响[19]。许多研究人员已利用EIS来研究燃料电池的内部状态[[20],[21],[22]]。然而，EIS分析通常依赖于等效电路模型（ECM）的拟合[23]，这对于在高电流密度下运行的高功率燃料电池来说尤其具有挑战性[24]，因为此时低频信号波动较为显著。松弛时间分布（DRT）是一种不依赖于对被测系统特定假设的EIS分析方法[25,26]。它能够分离电化学系统阻抗谱中的不同组成部分，使其成为性能诊断、优化和控制的强大工具[27,28]。DRT已应用于多个领域，包括锂离子电池[29,30]、固体氧化物燃料电池（SOFCs）[31,32]、PEMFCs[33,34]和电解槽[35,36]。在之前的研究中，我们的工作[37]比较了基于传统ECM的方法和基于DRT的方法，证明了DRT在低温PEMFC阻抗识别中的可行性。该方法也已在大面积汽车燃料电池（293 cm²）上得到了验证[38]。最近，DRT与数据驱动机器学习的整合成为燃料电池故障诊断的一个有前景的方向，相关研究在诊断鲁棒性和定量性能评估方面取得了显著进展[39]。然而，要完全理解和准确诊断燃料电池内的水分含量，还需要进一步的研究。鉴于PEMFC系统的强动态非线性和多时间尺度耦合特性，数据驱动和深度学习方法越来越多地被用于高精度建模和状态识别，为基于数据的燃料电池诊断提供了新的思路[40]。

目前关于燃料电池中水分含量的研究面临几个挑战。首先，由于燃料电池内水分的行为复杂，目前仍没有明确和定量的方法来观察和估计其内部水分含量[41]。其次，随着质子交换膜的变薄，组件修改（如双极板材料、流场配置、气体扩散层（GDL）和催化剂层（CL）对燃料电池内部水分含量与阻抗特性之间相关性的影响尚不清楚[39]。第三，大多数现有研究集中在高频阻抗分析上，这主要反映了膜的水合作用，但缺乏对GDL、CL和流道中水分含量和分布的定量理解。此外，现有的DRT-机器学习结合研究主要关注一般故障分类和鲁棒性改进，而很少针对高功率汽车PEMFC的核心需求——特别是缺乏结合多运行条件敏感性的组件级水分诊断。

为了解决这些挑战，本研究提出了一种基于EIS和DRT技术的多变量诊断框架。该方法提取并整合了关键的电化学特征，包括欧姆电阻、电荷传输阻抗、质量传输阻抗和电压，从而能够有效识别PEMFC内的水分含量。第2节描述了实验设置和程序。第3节展示了敏感性分析和多变量统计分析的结果。第4节总结了研究发现并为未来的工作提供了建议。

节摘

测试设备

实验研究使用了如图1所示的500W Auto PEM燃料电池测试台（日本TOYO Seiki有限公司制造），该测试台具有集成的架构，包括气体供应模块（氢气、空气/氧气和氮气净化系统）、用于压力调节的环境控制单元（由背压阀控制）和热管理系统，以及多传感器监控网络。气体加湿通过带有手动干/湿模式切换的鼓泡加湿器实现，

DRT特征峰的分析

DRT方法可以将阻抗谱分解为对应于各种电化学松弛过程的特征峰。尽管这些峰的分析已被广泛讨论[37,[50],[51],[52]，但专门针对大容量燃料电池的研究相对较少。因此，本节阐明了当前系统中特征峰的物理意义，从而为后续的诊断分析建立了定量基准。

结论

水分含量的管理和诊断对于优化PEMFC的性能至关重要。本研究开发了一种基于EIS和DRT方法的多变量诊断框架，通过包括几个关键电化学参数的特征空间将阻抗特性与水分含量相关联。该框架为高功率燃料电池的状态诊断和水分管理提供了实用的工具。主要发现总结如下：

(1)

基于DRT的方法

CRediT作者贡献声明

王清：研究、方法论、写作——原始草案。徐亮飞：方法论、监督、写作——审阅与编辑。胡尊炎：方法论、验证、写作——审阅与编辑。王志娜：研究、方法论。张晓原：研究、方法论。邵阳斌：研究、方法论。李建秋：研究、方法论。欧阳明高：研究、方法论、监督。

作者声明他们没有已知的可能会影响本文所述工作的利益冲突或个人关系。

致谢

本工作得到了中国国家重点研发计划（2023YFB4005902）、智能绿色车辆与移动性国家重点实验室的独立研究项目、清华大学（编号ZZ-GG-20250106）以及由清华大学发起的碳中和与能源系统转型项目的资助。