综述：质子交换膜燃料电池参数估计与建模方法综述：挑战、方法与未来方向

《Energies》：A Comprehensive Review of Parameter Estimation and Modeling Approaches for Proton Exchange Membrane Fuel Cells: Challenges, Methods, and Future Directions

　　

质子交换膜燃料电池（PEMFC）已成为各种应用（包括交通和固定式发电）中前景广阔的清洁能源转换装置。PEMFC的精确建模和参数估计对于优化其性能、延长其运行寿命以及促进其广泛商业化至关重要。然而，其固有的非线性特性和复杂的电化学过程给开发精确的数学模型和可靠的参数估计方法带来了重大挑战。本综述系统地考察了PEMFC参数估计与建模的最新进展，特别强调了非线性特性带来的关键挑战、分析和计算方法的演变，以及灵敏度分析在模型优化中的作用。研究人员综合了近期采用进化算法、元启发式技术、强化学习和混合方法的研究成果，评估了它们在精度、收敛速度和鲁棒性方面的相对优势。此外，还探讨了灵敏度分析如何在不同运行条件下提供参数影响的宝贵见解，从而指导模型优化工作。本综述指出了当前方法中存在的持续差距，特别是关于不同燃料电池类型之间的通用性和实时适用性，同时强调了未来研究的有前景方向，包括混合算法和先进的数据预处理技术。

**2. 极化行为与PEMFC数学模型**
2.1 PEMFC物理过程基础：PEMFC通过阳极氢氧化反应和阴极氧还原反应将化学能直接转化为电能，反应产生水和热量。其非线性行为体现在极化曲线中，分为活化损失区、欧姆损失区和浓度损失区，分别对应低电流、中电流和高电流区域的电压下降。
2.2 PEMFC电压特性与建模：总电池电压（V_cell）由可逆电压（E_Nernst）、活化电压降（V_act）、欧姆电压降（V_ohmic）和浓度电压降（V_con）组成。可逆电压基于能斯特方程，依赖于温度与气体分压。活化电压降采用半经验方程，涉及参数ξ₁至ξ₄。欧姆电压降由膜电阻和接触电阻引起，膜电阻取决于膜厚度、面积和含水率（λ）。浓度电压降由质量传输限制引起，涉及参数b和最大电流密度（J_max）。
2.3 PEMFC建模的参数估计方法：需估计七个关键参数（ξ₁、ξ₂、ξ₃、ξ₄、λ、R_c、b），通过最小化实验电压与模型电压之间的平方误差和（SSE）作为目标函数。参数搜索范围受限于物理意义，统计指标包括个体绝对误差（IAE）、相对误差（RE）、均方根误差（RMSE）、平均偏差误差（MBE）和自相关函数（ACF）。

**3. PEMFC建模中的非线性挑战**
3.1 基本非线性特性：PEMFC系统由电化学、热力学和传输现象引起固有非线性，极化曲线中的非线性区域对参数估计构成困难，参数嵌入非线性函数中难以分离，传统的梯度方法易陷入局部最优。
3.2 极化曲线中的不可分离非线性：经典半经验模型存在不可分离参数化，严重阻碍在线估计。近期研究通过微分算子方法将不可分离模型转化为线性回归方程，实现具有收敛保证的在线估计。
3.3 对参数估计的影响：非线性特征要求使用全局优化算法，增加对初始条件和测量噪声的敏感性，且传统SSE指标可能不足以全面评估估计质量。数据不足和噪声问题促使混合方法的发展。
3.4 共同主题与方法论见解：研究普遍采用商业PEMFC堆（如Ballard、Horizon、NedStack、BCS）作为基准。通过复现文献中的参数并对比极化曲线，验证模型一致性。不同堆的SSE不可直接比较，应使用归一化指标如RMSE。

**4. PEMFC参数估计方法**
4.1 分析与半经验方法：基础方法基于电化学原理，建立可测量量与参数间的数学关系。经典半经验模型（如Mann模型）常受限于不可分离参数化。变换方法（如微分算子）可将非线性模型转化为线性回归，应用梯度下降、最小二乘（LS）、动态回归扩展与混合最小二乘（DREM+LS）和复合学习（CL）等在线估计器，其中DREM+LS和CL表现更优。但分析与半经验方法仍存在对初始值敏感、参数可识别性差、模型结构假设可能偏离实际等局限。
4.2 元启发式优化算法：进化算法（如遗传算法GA、模因算法MA）和群智能算法（如粒子群优化PSO、差分进化DE、鲸鱼优化算法WOA、海马优化SeaHO、秃鹰搜索BES、郊狼优化COA）在PEMFC参数估计中广泛应用。30项研究（2020-2025）展示了算法多样性，包括生物启发、物理启发和数学启发算法。性能指标以SSE为主，多个算法取得高精度（如MAE低至0.001079，R2达0.999791）。收敛速度成为关键区分因素，部分算法在数千次迭代中仅需数秒。研究还关注避免早熟收敛、处理噪声和数据不足等问题。但多数算法未充分讨论自身局限，对参数范围敏感，计算成本高，通用性仍有待验证。

**5. 先进与混合方法及协同组合**
5.1 混合神经网络-优化方法：Yang等（2024）将前馈神经网络（FNN）预处理与鹈鹕优化算法（POA）结合，使RMSE降低99.44%。He等（2023）使用广义回归神经网络（GRNN）与元启发式算法，拟合精度超过99%。这些方法显著提高了对噪声和数据的鲁棒性。
5.2 具有收敛保证的在线估计：Beltrán等通过变换不可分离非线性参数化（NSNLP）为可分离形式，实现最小二乘加动态回归方程与混合（LSD）估计器，具有全局收敛属性，适用于1.26 kW PEMFC堆。Qiu等（2024）提出自适应算法，将非线性函数转化为线性参数化形式，并引入规定时间鲁棒微分器。
5.3 先进差分进化与比较研究：Jangir等（2024）提出深度信息差分进化（Di-DE）算法，在BCS 500 W上实现SSE低至0.00002，运行时间缩短98.8%。Khajuria等对六种自然启发算法进行系统比较，一致认为群机器人搜索与救援（SRSR）表现最佳。
5.4 合成与新兴主题：机器学习与优化的融合、理论基础的在线估计、计算效率与全面验证成为趋势。混合方法通过互补优势解决单一方法的局限。
5.5 局限与持续挑战：非线性参数化、噪声和数据不足仍是核心障碍。部分研究未充分讨论方法局限，通用性需进一步研究。
5.6 对未来研究的启示：进一步发展混合方法、扩展理论在线估计、系统比较计算效率、研究神经网络方法的泛化边界、集成不确定性量化。

**6. 在线估计、多项式建模与神经网络方法**
6.1 具有收敛保证的在线估计：Xu等（2025）通过微分算子将经典半经验模型转化为线性回归方程，比较四种在线估计器，DREM+LS和CL优于传统方法。Beltrán等强调模型复杂度选择（M2适用于10-20A，M3适用于1-30A，M4适用于全范围）。
6.2 简化多项式建模：Kuznyetsov和Bilyakovskyy（2024）证明低阶多项式（如3阶）可达到与高阶相当的精度，RMSE约3.5-3.9，大幅降低计算负载。最大功率点可用2阶多项式以1.3%相对误差实现。
6.3 神经网络方法：早期研究（2005-2009）使用Levenberg-Marquardt反向传播（LMBP）进行动态识别。近期结合强化学习（RL），Salem等（2024）提出RL方法连续学习以最小化SSE，在多个商业堆上表现优于传统元启发式方法。
6.4 基于物理的非线性状态空间模型：Hernandez等（2006）引入液态水效应，通过概率方法处理蒸发-冷凝现象，改进模型稳定性，但存在无法完全复现动态行为、氮扩散未考虑等局限。
6.5 合成与跨领域主题：从离线到在线估计的演进、精度与复杂度权衡、模型结构选择的重要性、在动态条件下的验证。
6.6 局限与挑战：非线性参数化、模型不稳定性、故障诊断困难、实验验证复杂、计算资源限制、初始值敏感性。
6.7 对未来研究的启示：在线估计与简化模型集成、自适应模型选择、混合物理-神经网络方法、增强多物理场验证、扩展在线估计到退化现象。

**7. 灵敏度分析：参数识别与模型优化的见解**
7.1 基础与意义：灵敏度分析系统量化参数变化对预测的影响，指导实验设计、模型简化与优化。
7.2 方法学途径：蒙特卡洛方法、局部与全局灵敏度分析、初等效应法。Kannan等使用蒙特卡洛与1D机理模型，同时变化30多个参数；Pant等使用2D膜电极组件模型考察近50个参数；Li等使用1D瞬态多相模型。
7.3 关键参数：阴极动力学和交换电流密度在低湿度下影响显著；膜参数（厚度、离聚物体积分率）和欧姆损失始终敏感；传输参数的重要性随湿度变化；结构参数如膜厚度高度敏感，微孔层厚度不敏感；运行条件中温度影响最大。
7.4 动态响应与控制：Mantelli等（2024）发现涡轮增压PEMFC系统对燃料阀开度敏感，需反馈控制；Cao等（2005）将灵敏度用于优化神经网络结构。
7.5 模型维度与计算考虑：高保真3D模型灵敏度分析计算成本高，需权衡。
7.6 不确定性与参数可识别性：敏感参数往往具有高不确定性，存在参数等价性问题。
7.7 对模型开发与优化的启示：指导目标实验设计、支持模型简化、揭示参数重要性随运行条件变化、指导控制系统设计。
7.8 合成与未来方向：参数重要性依赖上下文，结构参数与运行参数影响模式不同，动态灵敏度与稳态不同，计算约束需妥协，未来需发展高效全局灵敏度方法，与不确定性量化集成，扩展到退化预测。

**8. 综合与研究缺口识别**
8.1 当前知识状态：领域已取得显著进展，包括算法多样性、混合方法、数据预处理、在线估计、灵敏度引导建模。但不同方法间可比性差，需综合评估假设、收敛性、复杂度、鲁棒性等。
8.2 持续挑战与局限：通用性不足（仅验证少数商业堆）、实时计算效率低、不可分离非线性处理困难、数据质量与可用性限制、参数等价性（duplicity）问题。此外，缺乏在线估计、实验验证不足、机器学习数据集小、不确定性量化缺失、基准数据集缺乏、计算复杂度高、可解释性差、跨堆可迁移性差。

**9. 未来研究方向**
9.1 标准化基准框架：建立涵盖多种堆、运行条件、数据质量的统一评估平台。
9.2 先进混合与集成方法：探索多算法加权组合或自适应选择。
9.3 物理信息机器学习：将物理定律嵌入神经网络，减少对大量数据的依赖。
9.4 不确定性量化与鲁棒估计：采用贝叶斯方法、集成方法提供置信区间。
9.5 在线与自适应估计：开发能跟踪参数变化的算法，并与模型预测控制集成。
9.6 多目标优化：平衡精度、效率、鲁棒性等多种目标。

**10. 结论**
本综述综合了PEMFC参数估计与建模的现状，从分析方法到元启发式算法、智能技术及灵敏度分析。元启发式算法在准确提取参数方面取得巨大成功，混合方法及神经网络预处理增强了鲁棒性。灵敏度分析成为重要补充。尽管存在通用性、计算效率、非线性处理等挑战，但持续创新将推动PEMFC技术商业化。精确模型对优化设计、高效运行和有效控制至关重要。