基于多模態分解和混合深度學習網絡的

商用車燃料電池短時衰減預測

1

研究概述

燃料電池短時衰減預測可用于燃料電池系統控制優化、多電堆協調控制和動力系統功率優化分配等。本研究以某示范運營的燃料電池商用車為研究對象，根據數據特點提取電堆性能衰退指標，采用互補集合經驗模態分解(CEEMD)將非線性非平穩的時間序列分解為具有不同特征時間尺度的分量，搭建并訓練多個卷積(CNN)-長短時記憶(LSTM)混合網絡(CNN-LSTM)以融合預測燃料電池短時性能衰減。

2

燃料電池短時壽命預測方法

基于CEEMD分解和CNN-LSTM的燃料電池短時衰減預測方法如圖1所示。具體步驟如下所示：

圖1 基于CEEMD分解和CNN-LSTM的燃料電池短時衰減預測

（1）性能衰減指標

通過大數據平臺下載該燃料電池商用車（燃料電池系統功率110 kW）4個月運行數據，對各個電流出現頻率進行統計，發現電流密度為135 A出現頻次最高，進而選定該電流密度下的電壓為性能衰減指標。

（2）數據處理

對原始電壓數據劃分訓練集和測試集，并采用Z-score標準化方法對訓練集進行歸一化處理，測試集則基于訓練集的方差進行歸一化處理。基于此，利用50 s滑動窗對歸一化后的電壓序列進行剪切，形成輸入樣本和輸出樣本。

（3）電壓模態分解

對剪切后的輸入序列進行CEEMD分解，可得多個在0附近上下波動的模態序列和較為平滑且逐漸下降的殘差序列。模態序列與電流、壓力、流量、干擾等波動有關，進而導致燃料電池衰減過程中電壓出現可恢復性波動，殘差序列則與燃料電池固有衰減有關；基于此分解方法，深度模型不僅能夠學習燃料電池老化過程中的固有性能衰減，還能學習外部條件和干擾對電壓衰減波動影響。

（4）深度學習模型構建

卷積神經網絡采用局部感知和權值共享思想，通過使用多種不同濾波器對樣本進行學習，即可得到多種不同特征映射，特征提取能力強；長短時記憶通過引入遺忘門、輸入門和輸出門等構建存儲單元，不僅可選擇性記憶歷史信息，還可讓信息不斷傳遞更新。本研究采用的深度學習模型是CNN-LSTM混合模型，CNN提取特征后進行展平并輸入至LSTM中。

（5）融合輸出

將各深度學習模型輸出值進行相加融合，再進行反歸一化操作，即可實現對應的輸出電壓衰減預測。

（6）模型精度評價

從平均絕對誤差(MAE)、平均相對誤差(MAPE)和均方根誤差(RMSE)來評價模型預測結果。

3

短時衰減預測結果

（1）不同模型單步衰減預測結果和精度如圖2和表1所示（1-640 h數據用于模型訓練，641-800 h數據用于模型測試），可知CNN預測精度高于LSTM，其中MAE、MAPE和RMSE分別降低了25.22%、25.27%和24.12%，表明CNN處理復雜非線性特征數據能力更強。此外，CNN-LSTM同時具有較強的特征提取能力和時間序列處理能力，MAE、MAPE和RMSE比CNN分別降低了12.56%、13.24%和13.55%。另一方面，引入多模態框架的CEEMD-CNN-LSTM可學習短時電壓波動的動態因素，較CNN-LSTM的MAE、MAPE和RMSE分別降低了41.19%、40.68%和36.92%。

圖1 (a)(b) LSTM估計結果；(c)(d) CNN估計結果；(e)(f) CNN-LSTM估計結果；(g)(h) CEEMD-CNN-LSTM估計結果

為進一步與其他公開文獻結果比較，采用廣泛應用的IEEE PHM Data challenge數據集對CEEMD-CNN-LSTM進行訓練和測試，對比結果如圖2所示，參考模型相關描述見原文參考文獻。從結果可知，CEEDM-CNN-LSTM相比于最近流行的深度學習方法預測精度更高。

圖2 基于IEEE PHM Data challenge數據集的CEEMD-CNN-LSTM預測結果和與其他模型衰減指標對比

（2）為進一步驗證模型魯棒性，對商用車老化數據設置不同訓練樣本進行模型訓練，在訓練好的模型基礎上進行641 ~ 800 h單步預測。結果如圖3和表2所示，隨著預測進行，LSTM預測電壓差逐漸增大，相比之下，盡管使用前30%樣本進行訓練，CNN仍能跟蹤燃料電池的短時衰退趨勢，進一步證明了CNN比LSTM泛化能力更強。此外，與CNN相比，CNN-LSTM可顯著提高預測性能，再次表明混合深度學習模型的有效性，且CEEMD-CNN-LSTM預測精度最高。

圖3 使用(a)(b) 1 ~ 240 h，(c)(d) 1~ 400h和(e)(f) 1 ~ 560 h數據對模型訓練，641 ~ 800 h數據對模型進行測試

（3）前文多尺度融合預測過程均采用1h延遲的實測值更新網絡狀態，在實際運營過程中，車輛并不會實時回傳傳感器數據，因此部署在云端的預測模型可能無法及時獲得實測值以更新網絡狀態。為了研究狀態更新延遲時間的影響，選擇5h和10h的實測值延遲，進行融合預測，結果如圖4(a)和(b)所示，CEEMD-CNN-LSTM中延遲1 h的MAE、MAPE和RMSE分別比延遲5 h降低了39.26%、39.66%和34.90%，比延遲10 h分別降低了49.90%、50%和45.76%。考慮到本文研究車輛的電堆在平均每天運行約5-6h，每天回傳一次數據。在5h狀態更新延遲時間下，預測結果同樣具有一定價值。此外，基于IEEE PHM data challenge數據集，對CEEMD-CNN-LSTM進行多步預測并與其他文獻公開指標進行對比（如圖4(c) ~ (f)），依然具有更高的預測精度。

圖4 使用(a)(b) 商用車數據集多步預測結果；(c)~(f) IEEE PHM data challenge數據集預測結果

審核編輯 ：李倩