基于深度学习融合特征频率阻抗的燃料电池动力学损耗预测

《International Journal of Hydrogen Energy》:Kinetic losses prediction of fuel cell by deep learning fusing characteristic frequency impedance

【字体: 大 中 小 】 时间:2026年07月23日 来源:International Journal of Hydrogen Energy 9.2

编辑推荐:

  摘要:在线监测燃料电池中的动力学过程对于延长其使用寿命具有重要意义。然而,传统的阻抗谱测量需要较长的扫描时间。本文提出了一种结合特征频率阻抗的混合深度学习方法用于动力学损耗预测。首先,通过阻抗谱训练数据,利用相关性分析确定10 Hz和316.23 Hz为特征频率。将这些频率下的阻

  摘要:在线监测燃料电池中的动力学过程对于延长其使用寿命具有重要意义。然而,传统的阻抗谱测量需要较长的扫描时间。本文提出了一种结合特征频率阻抗的混合深度学习方法用于动力学损耗预测。首先,通过阻抗谱训练数据,利用相关性分析确定10 Hz和316.23 Hz为特征频率。将这些频率下的阻抗幅值和相位角与时域信号融合,构建模型输入。随后,开发了scSETCNTrans模型,该模型整合了时间卷积网络、空间通道注意力机制以及Transformer架构。实验结果表明,当输入序列长度为60秒时,该模型能够实现最佳的整体性能,对于欧姆损耗、电荷转移损耗和质量传递损耗,其平均绝对百分比误差分别低至0.852%、3.400%和5.614%。

引言:质子交换膜燃料电池因其高发电效率、快速启动能力以及出色的环境适应性,被视为最具前景的电化学发电技术之一,其在重型商用车辆[1]、[2]、分布式发电、应急电源、工业无人机以及专用机器人等领域具有广泛的应用前景[3]。然而,燃料电池的广泛应用仍受其使用寿命的限制,这主要是由于电化学反应中涉及的复杂动力学过程,包括质子传输、电荷转移和质量扩散[4]、[5]。在复杂场景下的动态运行中,燃料电池内的质量状态和热状态,如氧气浓度、膜含水量和温度,容易偏离适宜范围,从而导致严重的动力学损耗,进而引发诸如溢流、膜干燥和反应物不足等运行故障[6]、[7]。此类状况的长期积累可能导致不可逆的损害,如膜穿孔和催化剂溶解,最终缩短燃料电池的使用寿命[8]。目前,电化学阻抗谱技术可从频域分析燃料电池内部的动力学过程。凭借其在原位监测和非侵入式表征方面的优势,EIS已被广泛应用于燃料电池性能表征、故障诊断和健康评估[9]。例如,通过分析在线获取的阻抗谱并提取各种动力学损耗,再结合机器学习或深度学习技术,就可以实现对不同类型和严重程度故障的诊断[10]。此外,与仅依赖传统电压监测相比,提取不同老化阶段的动力学损耗能为燃料电池的内部退化评估提供更深入的见解[11]、[12]。因此,实时监测燃料电池中的动力学过程有望实现准确的故障诊断和健康评估,从而及时调整运行策略,这对延长质子交换膜燃料电池的使用寿命至关重要[13]。

在线获取各种动力学损耗的前提是能够在线测量阻抗谱。然而,传统的电化学工作站和阻抗分析仪成本高昂、体积庞大且重量沉重,不适合用于燃料电池系统产品的实际应用。为了解决这一问题,许多研究人员利用燃料电池系统中的DC-DC转换器产生正弦波激励,通过快速傅里叶变换获取电压和电流数据来测量阻抗[14]、[15]。该技术已在实际的燃料电池系统中得到商业化应用。不过,这种激励方式只能在固定频率下进行阻抗测量,而要获得宽频带阻抗谱仍需采用频率扫描模式,这不利于快速获取动力学信息。为克服这一限制,一些学者提出了快速测量框架,即生成并叠加多个不同频段的正弦波扰动作为燃料电池的激励源,从而显著缩短阻抗谱的测量时间[16]。为了进一步加快测量速度,许多研究人员使用具有更丰富谐波成分的扰动信号来激励燃料电池。典型的信号包括啁啾信号、M序列、伪随机序列和周期性方波[17]、[18]、[19]。随后,利用FFT、小波变换或S变换等时频分析方法对获取的电压和电流数据进行处理,以计算出阻抗谱[18]、[20]、[21]。与频率扫描方法相比,上述利用富含谐波的激励信号及先进时频变换的方法确实显著提高了阻抗谱的测量速度。然而,阻抗计算的准确性不仅取决于算法本身,还取决于激励信号的波形质量。例如,当使用周期性方波作为激励信号时,阻抗计算的准确性对方波的斜率极为敏感。在实际硬件实现中,生成理想的方波极具挑战性,且需要较高的硬件成本。目前的快速阻抗谱测量技术大多仍局限于低功率燃料电池的实验室级原型开发。

与基于谐波激励的测量方法相比,基于模型的阻抗预测方法无需额外的硬件设计,具有成本低、测量速度快等优点,因此具有广阔的应用前景。在早期的研究中,主要采用递归最小二乘算法,利用测量的电压和电流数据对等效电路模型进行在线参数识别,从而提取动力学损耗。然而,简化的等效电路模型无法准确描述燃料电池复杂的瞬态电压响应[22]。另一方面,由于深度学习方法具备更强的非线性表示能力,因此被越来越多地用于阻抗预测。例如,Sun等人[23]对运行条件进行了敏感性分析,并采用混合集成学习模型来精确预测燃料电池的外部特性。Lin等人[24]利用车辆燃料电池系统中的现有传感器信号,采用长短期记忆网络来预测高频阻抗幅值。同样,也有研究采用残差网络来预测2500 Hz和10 Hz处的阻抗幅值[25]、[26]。尽管如此,这些研究仍然仅限于预测固定频率下的阻抗幅值,而这前提是必须能够识别出代表动力学损耗的特征频率。虽然Lyu等人[27]、[28]利用LSTM实现了对未来退化状态下燃料电池宽频带阻抗谱的预测,但他们的方法需要以退化过程中的历史EIS数据作为模型输入。最近,Yuan等人[29]构建了迄今为止最大的公开燃料电池阻抗谱数据集,并基于这些数据集提出了一种基于扩散生成模型的宽频带阻抗谱预测方法。此外,Ma等人[30]直接利用燃料电池系统中的现有传感器测量数据作为输入,通过卷积神经网络直接预测各种动力学损耗。这种直接的动力学损耗预测框架省去了阻抗谱分析的中间步骤。类似地,Sun等人[31]采用增强型深度神经网络模型来预测各种动力学损耗,并为这些损耗的变化提供了机理解释。不过,他们的方法仅以单个采样数据点作为输入,忽略了历史累积信息,因此无法体现燃料电池强烈的时变特性。

总体而言,数据驱动的阻抗预测方法具有广阔的应用前景,但目前仍处于发展初期,面临着诸多挑战。首先,从实际燃料电池系统控制的角度来看,往往并不需要完整的宽频带阻抗谱。因此,即使在线预测出完整的阻抗谱,仍需进一步分析才能提取动力学损耗,这会增加额外的计算负担。尽管如此,关于端到端动力学损耗预测的研究仍然有限。此外,目前的阻抗或动力学损耗预测方法仅将时域信号作为输入,而配备激励装置的燃料电池系统则能够在固定频率下获取阻抗信息。这些固定频率下的阻抗特征,尤其是相位角,至今尚未得到有效利用。其次,要合理地将固定频率阻抗用于预测动力学损耗,首先需要识别特征频率,但目前动力学损耗与固定频率阻抗特征之间的关系尚不清楚。

为解决这些问题,本文提出了一种预测框架,该框架将特征频率阻抗的幅值和相位角相结合,共同用于预测欧姆损耗、质子传输损耗、电荷转移损耗和质量传递损耗。首先,通过分析大量基于松弛时间分布和等效电路模型实验测得的阻抗谱,研究不同频率下的阻抗幅值和相位角与各种动力学损耗之间的相关性,从而确定特征频率。然后将这些特征频率下的幅值和相位角与电压、电流等时域信号融合,作为动力学损耗预测的输入,从而增加输入矩阵的维度。基于这种时频结合的输入,采用了混合深度学习模型,该模型有效地整合了Transformer、空间挤压通道激发注意力机制以及时间卷积网络,从而能够同时预测多种动力学损耗,克服了单一网络架构在捕捉多尺度时间特征方面的局限性。最后,本文分析了不同输入序列长度的影响,比较了多种模型,并研究了不同输入信号的影响以及模型对输入干扰的鲁棒性。

方法:本文的主要思路如图1所示,其核心目标是利用燃料电池的可测时域信号和固定频率阻抗信号,预测不同时间尺度下的动力学损耗。具体而言,首先设计了不同的入口压力、化学计量比、入口气体温度、工作温度和电流条件下的正交实验,并在广泛的运行条件下进行电化学阻抗谱测量。

结果:在不同输入长度下对比:在比较不同模型之前,首先研究了不同输入序列长度对动力学损耗预测的影响。为反映预测精度,采用了均方根误差和平均绝对百分比误差作为评价指标,其中均方根误差的定义为RMSE=1/N∑i=1N(yi?y?i)2,平均绝对百分比误差的定义为MAPE=∑i=1N|yi?y?i|/yi×100%,这里的N为测试数据的样本数。y表示通过实际测量分析得到的各种动力学损耗,y?则表示预测得到的各种动力学损耗。

结论:本研究提出了一种基于时频特征融合和混合深度学习的燃料电池动力学损耗预测方法。主要结论如下:(1)通过DRT和ECM分析结合相关性分析,确定10 Hz和316.23 Hz为代表各种动力学损耗的特征频率。将这两个频率下的阻抗幅值和相位角与电压、电流等时域信号融合,用于动力学损耗预测,从而增加了输入矩阵的维度。基于这种时频结合的输入,采用了混合深度学习模型,该模型整合了Transformer、空间挤压通道激发注意力机制以及时间卷积网络,从而能够同时预测多种动力学损耗,克服了单一网络架构在捕捉多尺度时间特征方面的局限性。最后,本文分析了不同输入序列长度的影响,比较了多种模型,并研究了不同输入信号的影响以及模型对输入干扰的鲁棒性。

作者贡献声明:范晓倩:写作——审阅与编辑,写作——初稿撰写,软件,方法论,正式分析,数据整理。周树林:写作——审阅与编辑,写作——初稿撰写,验证,软件,方法论,正式分析,数据整理。戴海峰:写作——审阅与编辑,写作——初稿撰写,软件,资源获取,资金筹集。袁浩:写作——审阅与编辑,写作——初稿撰写,方法论,资金筹集,概念构思。

利益冲突声明:作者声明没有已知的可能会影响本文工作的财务利益或个人关系。

致谢:本研究得到了中国国家重点研发计划(2024YFB4007300)和中国国家自然科学基金(52507262)的支持。

范晓倩|周树林|戴海峰|袁浩
中国上海201804,同济大学汽车与能源工程学院
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号