提出了一种基于粒子群优化(PSO)算法的长短期记忆网络(LSTM)方法,对质子交换膜燃料电池(PEMFC)的电堆电压进行了退化预测。首先,分析了PEMFC的退化机理。然后,应用LSTM建立了电压退化预测模型,并采用Dropout层来防止过拟合以提高模型的...提出了一种基于粒子群优化(PSO)算法的长短期记忆网络(LSTM)方法,对质子交换膜燃料电池(PEMFC)的电堆电压进行了退化预测。首先,分析了PEMFC的退化机理。然后,应用LSTM建立了电压退化预测模型,并采用Dropout层来防止过拟合以提高模型的泛化能力。此外,使用PSO算法优化LSTM方法中的初始学习率和Dropout概率以提升预测效果。最后,使用IEEE 2014 Data Challenge Data的燃料电池实际老化数据进行验证。结果表明,本文方法可以精确地预测燃料电池的退化,相比于传统的LSTM方法,预测精度提升了50%。展开更多
文摘提出了一种基于粒子群优化(PSO)算法的长短期记忆网络(LSTM)方法,对质子交换膜燃料电池(PEMFC)的电堆电压进行了退化预测。首先,分析了PEMFC的退化机理。然后,应用LSTM建立了电压退化预测模型,并采用Dropout层来防止过拟合以提高模型的泛化能力。此外,使用PSO算法优化LSTM方法中的初始学习率和Dropout概率以提升预测效果。最后,使用IEEE 2014 Data Challenge Data的燃料电池实际老化数据进行验证。结果表明,本文方法可以精确地预测燃料电池的退化,相比于传统的LSTM方法,预测精度提升了50%。
