基于机器学习的燃料电池电压和电压一致性预测及优化

作     者：丛钰涛 

作者单位：吉林大学 

学位级别：硕士

导师姓名：孙平

授予年度：2024年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 0808[工学-电气工程] 08[工学] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：质子交换膜燃料电池 神经网络 MFNN Transformer 多目标优化 

摘      要：燃料电池具有能量转换效率高、工作温度低、环保等优点,是当前能源产业的重要组成部分,也是未来可持续发展的方向。在燃料电池电堆的运行过程中,电压的一致性对燃料电池的性能和寿命影响至关重要,其波动太大会导致局部电流密度过高,出现热点,甚至产生反极现象,导致电堆失效。因此,针对电压和电压一致性参数进行优化对于提升燃料电池的性能具有重要意义。但是目前研究中仍存在一些问题:一是实验是研究电压和电压一致性的最常用手段,而燃料电池系统实验成本高、实验过程慢,无法在保证准确的前提下快速获取所需实验数据,急需一种可以代替实验的高效预测方法;二是由于燃料电池系统复杂,利用传统仿真建模等手段难以快速直接地建立电压和电压一致性与实验参数的映射关系,急需一种快速对性能指标进行优化的方法。 针对上述问题,本文旨在寻找代替实验的高效性能预测模型,并研究寻找使电压和电压一致性达到最优的实验参数范围。本文首先对国内外研究现状进行了总结,对燃料电池涉及的实验设备进行了详细介绍并基于实验设备获取数据。然后基于机器学习方法和实验数据开展对燃料电池性能预测及参数优化的研究。 第一,以BP（Back Propagation）神经网络模型为对比,提出了使用多保真度神经网络（Multi-fidelit Neural Networks,MFNN）模型和Transformer模型预测质子交换膜燃料电池的电压和电压一致性。经过数据预处理、迭代步数选择、网络拓扑结构选择和模型训练等一系列步骤,对电压和电压一致性两个参数在测试集的预测中,BP神经网络的R2分别为0.9994和0.9828;MFNN的R2分别为0.9996和0.9887;Transformer的R2分别为0.9959和0.9845。结果表明,MFNN模型具备最佳的整体预测性能,而Transformer模型在电压一致性的预测方面表现优于BP神经网络。此外,对三种模型在不同数据规模和噪声条件下的敏感性进行了分析。结果表明,在所有研究的数据规模下,MFNN模型的预测性能最优。在增加噪声数据后,MFNN模型表现出最强的抗干扰能力,而BP神经网络模型的抗干扰能力最弱。综上所述,MFNN模型在预测质子交换膜燃料电池参数方面具有优秀的预测性能和抗干扰能力。 第二,使用了多目标优化算法针对电压和电压一致性同时进行优化。首先使用方差分析选取对优化目标影响最显著的变量作为决策变量;其次利用MFNN模型作为计算多目标遗传算法中目标函数的代理模型;然后基于非支配排序遗传算法进行多目标优化,获得电流密度在0.2A/cm2、0.5A/cm2、0.8A/cm2时对电压和电压一致性的帕累托最优解集;最后使用了优劣解距离法对得到的帕累托最优解集分析,得到在不同电流密度下电压和电压一致性达到最优解的实验参数范围。结果表明:阳极进口温度、阴极进口温度、阳极进口压力、阴极进口压力、阳极进口湿度是对电压和电压一致性影响最显著的5个变量,作为本文最终的决策变量;0.2A/cm2时对电压和电压一致性优化的最优解分别比实验结果提高了9.98%、11.55%,0.5A/cm2时对电压和电压一致性优化的最优解分别比实验结果提高了11.79%、11.62%,0.8A/cm2时对电压和电压一致性优化的最优解分别比实验结果提高了11.25%、23.87%。 综上所述,本文结合了神经网络和多目标优化算法,最终实现了快速准确高效的燃料电池性能预测和参数优化。