ECDA-M：通过机制融合增强少样本跨域适应性：以质子交换膜燃料电池健康状态预测为例

《Renewable Energy》：ECDA-M: Enhancing Cross-Domain Adaptability with Mechanism Fusion for Few Samples: A Case on PEMFC Health Status Prediction

　　

摘要

随着环保意识的不断增强和可再生能源技术的快速发展，质子交换膜燃料电池（PEMFC）已成为连接绿氢与清洁能源的关键桥梁。准确的退化预测能够确保可靠的操作和维护，然而现有方法在数据稀缺场景下面临着显著的局限性。迁移学习提供了一种可行的途径，但在数据不足、捕捉非线性特征以及选择可迁移表示等方面仍存在困难。为了克服这些挑战，本文提出了一种 ECDA-M——一种在数据有限条件下用于跨域健康预测的新颖机理 - 数据融合框架。该方法利用基于第一性原理模型生成的电压数据作为源数据，缓解了数据获取的困难。通过集成 Pathformer 和对抗判别领域适应（ADDA），ECDA-M 建立了一个鲁棒的预测模型。它还纳入了基于傅里叶的柯尔莫哥洛夫 - 阿诺德网络（FourierKAN）作为预测器，并采用全局特征迁移策略，从而增强了非线性表示学习，并在数据稀缺的情况下提高了预测精度。基于 IEEE PHM 2014 数据集和真实世界加速寿命测试数据的实验结果表明，ECDA-M 优于几个基准模型。消融研究进一步证实了每个组件的贡献，肯定了该方法在机理融合迁移学习框架内的合理性和创新性。

引言

过去几十年来，传统以化石燃料为主导的能量系统导致了日益突出的环境污染和能源安全问题。为了应对这些挑战，世界各国政府正在加速向以可再生能源为中心的结构转型。在此背景下，通过利用风能或太阳能进行水电解产生的绿氢，已成为解决环境和能源双重问题的关键清洁二次能源解决方案[1]。在氢能利用技术中，质子交换膜燃料电池（PEMFC）通过电化学过程直接将氢气和氧气转化为电能，实现了生命周期零碳排放发电[2]。这一过程不仅减少了空气污染物排放并改善了空气质量，而且通过与波动性可再生能源系统集成，显著提高了清洁能源利用效率和电网灵活性。因此，PEMFC 技术与可再生能源的耦合应用在减少依赖化石燃料发电、削减电力行业温室气体排放以及缓解气候变化方面发挥着重要作用[3]。

与传统的锂离子电池相比，PEMFC 系统更为复杂，主要包括燃料电池堆和各种系统组件，如空气压缩机、加湿器、氢气循环泵和储氢罐。PEMFC 通过燃料电池堆内氢气和氧气的电化学反应产生水和电能。由于其高度集成且在复杂条件下长期运行，PEMFC 不可避免地会出现性能退化和老化。当性能恶化超过一定阈值时，系统可能无法满足所需的任务规范，导致经济损失和资源浪费，甚至可能引发导致重大财产损失和人员伤亡的严重事故。因此，为了确保 PEMFC 在其整个生命周期内的安全稳定运行，故障预测与健康管理（PHM）已成为健康研究领域的一个关键课题[4]。其中，健康状态预测涉及估计设备或系统的健康状态，以提前识别潜在的故障风险，是解决该问题的一个必要方面[5]。

在 PEMFC 健康状态预测领域，主要方法可分为基于物理的预测方法和数据驱动预测方法[6]。基于物理的预测方法需要对 PEMFC 的失效机理进行深入分析和全面理解。依靠准确的物理模型，这些方法可以在特定条件下提供高精度的健康状态预测。然而，要深入理解 PEMFC 的失效机理，需要大量的专业知识和广泛的实验数据，而这些在许多实际应用场景中往往难以获得。相比之下，数据驱动方法由于其高灵活性和易于实施，被广泛用于 PEMFC 健康状态预测。这些方法主要依赖于 PEMFC 运行期间收集的故障和性能退化数据，并利用相关性向量机（RVM）和支持向量回归（SVR）等模型进行预测。在数据稀疏的场景下，这些方法容易过拟合，从而损害模型的泛化能力。

深度学习技术由于其强大的特征提取能力和对复杂系统的适应性，在健康状态预测领域受到了越来越多的关注。例如，Li 等人[7]利用多输入双向长短期记忆（BiLSTM）网络进一步提高了 PEMFC 退化过程的预测精度。Hua 等人[8]引入了一种基于 BiTCN-BiGRU-ELM 的混合预测模型，并利用冠豪猪优化器（CPO）算法进行优化，显著提高了短期 PEMFC 退化预测的精度。此外，Zhou 等人[9]提出了一种基于 Transformer 网络的锂离子电池健康状态预测模型，通过自注意力机制有效地捕捉了退化特征，并在预测精度上取得了显著改进。这些研究证明了深度学习技术在电池健康状态预测方面的潜力。然而，这些健康状态预测方法的有效性通常依赖于大量数据。在实际应用中，PEMFC 的数据收集不仅耗时耗力，而且成本高昂。因此，在数据稀疏的情况下为 PEMFC 训练有效的个体健康状态预测模型具有挑战性。此外，由于不同电池类型的退化趋势不可避免地存在分布差异，直接将基于数据丰富的锂离子电池训练的模型应用于 PEMFC 往往效果不佳。因此，数据稀缺场景下的 PEMFC 健康状态预测仍然是一个具有挑战性的问题。

领域适应技术为应对分布差异提供了有效的解决方案，并衍生出众多策略。领域对抗神经网络（DANN）[10]是一种无监督特征对齐方法，通过减少源域和目标域之间的分布差异来增强模型泛化能力。对抗判别领域适应（ADDA）[11]是 DANN 的改进版，简化了模型结构并优化了策略，在保持领域适应有效性的同时增强了模型的适应性和实用性。迁移学习已在 PHM 领域的故障诊断中得到广泛应用，但其在健康状态预测中的应用相对有限，这主要是因为大多数迁移学习方法更适合分类而不是回归问题。尽管如此，健康状态预测的迁移学习研究已取得进展。例如，Tang 等人[12]提出了一种结合对抗训练的时间泛化混合模型，用于风力发电预测。该方法将训练数据分割为分布差异最大的时间域，并利用对抗训练捕捉跨时间域的共享特征，从而显著提高了预测精度。Tamilarasan 等人[13]提出了自注意力时间双判别器生成对抗网络（SAT-DD-GAN）模型，用于预测 PEMFC 堆电压退化和剩余使用寿命。该模型集成了 LSTM、自注意力机制和双判别器，以增强预测鲁棒性。这些研究证明了迁移学习在健康状态预测中的潜力，特别是在数据稀缺环境下的健康状态预测。

尽管迁移学习方法在健康状态预测中取得了令人满意的结果，但现有方法仍面临 PEMFC 数据稀缺、捕捉非线性特征以及迁移学习中的特征选择等挑战。为了解决这些问题，本文提出了一种增强的跨域适应方法，命名为 ECDA-M。该方法结合了 Pathformer[14] 和 ADDA 的优势，同时融入了 PEMFC 的机理。它为数据稀缺条件下 PEMFC 的长期健康状态预测提供了一种新颖的解决方案。本研究的创新点有三方面：(1) 解决了 PEMFC 数据稀缺相关的挑战，这通常耗时耗力；(2) 增强了模型捕捉非线性特征的能力；(3) 通过使用新颖的预测器和增强的迁移学习框架提高了预测精度。这些贡献共同解决了 PEMFC 健康状态预测领域的一个重大知识空白，特别是在数据可用性有限的场景中。

(1) 本工作采用基于 PEMFC 物理机理构建的模型和 MATLAB 仿真技术，为 ECDA-M 迁移学习算法生成源域数据。这种方法解决了与 PEMFC 相关的数据稀缺挑战。

(2) 为了解决传统多层感知机（MLP）在捕捉非线性特征方面的局限性，本研究引入了基于傅里叶的柯尔莫哥洛夫 - 阿诺德网络（FourierKAN）[15] 作为预测器。这种增强提高了模型捕捉 PEMFC 性能退化趋势中非线性特征的能力。

(3) 在对抗领域适应（迁移学习）研究中，本研究专注于提取全局特征，以避免由局部特征差异引起的负迁移效应。这种方法增强了模型在数据稀缺条件下预测健康状态的精度。

本文的其余部分组织如下：第 2 节描述了本研究解决的问题。第 3 节详细介绍了 ECDA-M 的关键组件。第 4 节概述了基于 ECDA-M 的健康状态预测方法的工作流程，并通过实验验证了所提出模型的有效性。最后，第 5 节总结了全文。

章节片段

问题描述
风能和太阳能等可再生能源的间歇性通常通过使用剩余电力生产氢气来解决。将这种氢气重新转化为电能的质子交换膜燃料电池是系统稳定性的核心，但其性能会随时间退化。因此，对这些电池进行准确的健康预测对于集成能源系统的安全高效运行至关重要。在整个生命周期内测试 PEMFC 系统需要数千甚至数万

ECDA-M 框架的基本组件
为解决在数据稀疏条件下预测 PEMFC（可再生能源利用的关键技术）健康状态这一挑战，本文提出了 ECDA-M 方法。其工作流程如图 1 所示。ECDA-M 框架由四个阶段组成，并包含六个基本组件：数据归一化、尺度选择器（包括尺度路由器和尺度聚合器）、内部特征提取器（内部注意力模块）、外部特征提取器（外部

基于 ECDA-M 的 PEMFC 健康状态预测方法
在可再生能源系统中，PEMFC 在连接“绿氢”与终端电力消费方面发挥着关键作用。它们促进了由间歇性可再生能源产生的氢气高效、清洁地转化回电能，从而支持能源系统的稳定性和脱碳。然而，获取此类系统的充足运行数据仍然具有挑战性，这限制了传统数据驱动方法在评估和预测方面的有效性

结果与讨论
本研究采用两个 PEMFC 电压数据集，以验证 ECDA-M 模型在数据稀缺条件下对绿氢终端使用 PEMFC 堆健康状态预测的准确性和可靠性。第一个数据集源自 IEEE PHM 2014 数据挑战赛[20] 提供的 PEMFC 电压数据，而第二个数据集来自 PEMFC 的真实实验加速寿命测试实验。

结论
在可再生能源的大规模采用和能源结构转型期间，PEMFC 的准确健康状态预测至关重要。作为新能源系统清洁高效的核心组件，PEMFC 需要此类预测以确保稳定的能源供应，并促进可再生能源与终端应用的深度融合。为了提高在数据稀缺条件下的预测精度，本研究提出了一种机理 - 数据融合方法，命名为

CRediT 作者贡献声明
Yutao Bi: 写作 – 初稿，可视化，验证，数据整理。Jie Zhou: 写作 – 审查与编辑，写作 – 初稿，验证，方法论，形式分析。Guoqing Mu: 写作 – 审查与编辑，写作 – 初稿，监督，方法论，资金获取，概念化。Yongling Wu: 写作 – 审查与编辑，监督，数据整理。Feng Chen: 写作 – 初稿，验证，形式分析，数据整理

资助
本工作部分得到了国家自然科学基金 (62303257)、山东省自然科学基金 (ZR2023QF008) 和山东省高校青年创新团队项目 (2023KJ119) 的支持。

利益冲突声明
? 作者声明，他们没有已知的竞争性经济利益或个人关系，可能会影响本文报告的工作。

Guoqing Mu|Jie Zhou|Yutao Bi|Feng Chen|Yongling Wu
青岛理工大学 信息与控制工程学院，中国 青岛 266520