基于数据驱动均值引导模型的氢燃料电池概率电压预测与性能评估

《Renewable Energy》：Probabilistic voltage forecasting of hydrogen fuel cells with a data-driven mean-guided model for performance assessment

　　摘要：在基于可再生氢的系统中，准确的电压预测对于评估质子交换膜燃料电池的性能及确保其安全运行至关重要。然而，在性能下降以及不同运行条件下，PEMFC的电压表现出强烈的随机性和非稳态性，这限制了确定性预测方法的应用，并增加了预测性维护的难度。本研究提出了一种数据驱动的均值引导概率电压预测框架DMG-PVF，用于多步PEMFC性能评估。该框架首先利用基于注意力机制的特征提取模块来捕捉历史堆栈电压序列中的时间依赖性和跨系列交互关系，从而生成结构化的均值先验。这一先验随后被纳入改进后的条件扩散过程，用以指导正向扰动和反向生成，使得模型能够输出未来的电压分布而非仅点估计值。在两个真实的PEMFC数据集上的实验表明，与TimeDiff相比，DMG-PVF在FC1和FC2上的相对误差分别降低了19.51%和23.33%；与D3VAE相比则降低了29.13%和27.17%，同时还能生成考虑不确定性的预测区间。这些结果表明，概率电压预测有助于支持预测性维护、基于风险的任务调度，以及基于可再生氢的PEMFC系统的可靠性能评估。