基于NGO-CNN-BiLSTM神經網絡的動態質子交換膜燃料電池剩余使用壽命預測

許亮　任圓圓　李俊芳

【摘要】為解決質子交換膜燃料電池（PEMFC）剩余使用壽命（RUL）預測精度不高的問題，提出了一種基于北方蒼鷹優化（NGO）、卷積神經網絡（CNN）和雙向長短時記憶（BiLSTM）神經網絡的動態燃料電池RUL預測模型。首先，利用NGO對CNN-BiLSTM模型的學習率、隱藏節點及正則化系數進行尋優，然后，通過CNN-BiLSTM模型的卷積層對輸入數據進行特征提取，輸入到BiLSTM層進行時序建模和預測。同時，利用小波閾值去噪算法對原始數據進行平滑處理，采用皮爾遜相關系數提取模型輸入變量，并搭建NGO-CNN-BiLSTM神經網絡功率預測模型。仿真驗證結果表明，該方法預測精度達99.49%，高于其他對比模型的預測精度。

關鍵詞：質子交換膜燃料電池 NGO-CNN-BiLSTM網絡 剩余使用壽命預測

中圖分類號：TM911.4? ? 文獻標志碼：A? ?DOI： 10.20104/j.cnki.1674-6546.20230313

Prediction of Remaining Useful Life for Proton Exchange Membrane Fuel Cell Based on NGO-CNN-BiLSTM Neural Network

Xu Liang， Ren Yuanyuan， Li Junfang

（Tianjin Key Laboratory of New Energy Power Conversion， Transmission and Intelligent Control， Tianjin University of Technology， Tianjin 300384）

【Abstract】In order to solve the problem of low accuracy in predicting the remaining service life of proton exchange membrane fuel cells， this paper proposed a dynamic fuel cell Remaining Useful Life （RUL） prediction model based on Northern Goshawk Optimization （NGO）， Convolutional Neural Network （CNN） and Bi-directional Long Short-Term Memory （BiLSTM） neutral network. Firstly， NGO optimized the learning rate， hidden nodes and regularization coefficient of the CNN-BiLSTM model， and then the CNN-BiLSTM model extracted the features of the input data through the convolutional layer， and input it into the BiLSTM layer for timing modeling and prediction. In addition， wavelet threshold de-noising algorithm was used to smoothen the original data. Pearson correlation coefficient was used to extract model input variables， and NGO-CNN-BiLSTM network power prediction model was built. The simulation and verification results show that this method can effectively improve the prediction accuracy of the remaining service life of fuel cells up to 99.49%， which is higher than that of other comparative models.

Key words：? Proton Exchange Membrane Fuel Cell （PEMFC）， NGO-CNN-BiLSTM network， Remaining Useful Life （RUL） predication

【引用格式】許亮， 任圓圓， 李俊芳. 基于NGO-CNN-BiLSTM神經網絡的動態質子交換膜燃料電池剩余使用壽命預測[J]. 汽車工程師， 2024（3）： 1-7.

XU L， REN Y Y， LI J F. Prediction of Remaining Useful Life for Proton Exchange Membrane Fuel Cell Based on NGO-CNN-BiLSTM Neural Network[J]. Automotive Engineer， 2024（3）： 1-7.

1 前言

質子交換膜燃料電池（Proton Exchange Membrane Fuel Cell，PEMFC）與其他類型的燃料電池相比，具有轉換效率高、排放物無污染、啟動快和工作溫度適宜等優點，廣泛應用于交通運輸、便攜式電源和軍事裝備等領域[1]。然而，PEMFC的壽命和成本成為制約其進一步商業化發展的主要因素[2]。除實現材料突破和改進堆棧設計外，剩余使用壽命（Remaining Useful Life，RUL）預測與健康管理是確保PEMFC長時間安全穩定運行的方法之一[3]。

目前，燃料電池RUL的預測方法可以分為基于模型的預測方法、基于數據的預測方法和混合方法3種?；谀Ｐ偷姆椒紤]PEMFC降解過程中真實的物理老化現象，需要開展大量的計算和建立復雜的物理模型。由于還未完全掌握燃料電池內部退化機理，很難建立精確的降解模型，所以目前多采用基于數據的方法預測RUL?；跀祿姆椒ú恍枭钊肓私馊剂想姵氐耐嘶瘷C理，只需學習監測到的非線性的降解數據即可進行精準預測。Xie[3]等采用深度信念網絡與極限學習機相結合的方法在穩態條件下對燃料電池進行了RUL預測。Chen[4]等提出了粒子群算法優化灰色神經網絡的方法來預測PEMFC在不同工況下的退化情況。

基于數據的方法中，循環神經網絡（Recurrent Neutral Network，RNN）對數據具有記憶能力，特別適合處理燃料電池時序數據。然而，RNN存在梯度消失和梯度爆炸的風險，因此，目前更常采用長短時記憶（Long Short-Term Memory，LSTM）神經網絡[5-8]。雖然LSTM神經網絡解決了RNN梯度消失和梯度爆炸的問題，但單向LSTM神經網絡只能單向訓練輸入序列，且僅考慮歷史信息，獲取的數據特征相對單一。

為提高燃料電池RUL數據中的空間序列特征提取和預測的準確性，本文在LSTM神經網絡基礎上提出NGO-CNN-BiLSTM神經網絡組合模型。北方蒼鷹優化（Northern Goshawk Optimization，NGO）算法用于優化CNN-BiLSTM模型中的學習率、隱藏節點和正則化系數，以確定最佳參數，卷積神經網絡（Convolutional Neural Networks，CNN）用于特征提取，雙向長短時記憶（Bi-directional Long Short-Term Memory，BiLSTM）神經網絡用于對燃料電池數據進行雙向分析，綜合考慮數據的歷史和未來信息，使預測更全面，從而提高預測準確性。最后，本文選擇電堆功率作為退化指標，利用法國燃料電池實驗室公開的PEMFC測試數據集開展試驗，并與LSTM、BiLSTM、麻雀搜索算法優化卷積神經網絡-雙向長短時記憶（Sparrow Search Algorithm-Convolutional Neural Networks-Bi-directional Long Short-Term Memory，SSA-CNN-BiLSTM）預測模型進行對比。

2 氫燃料電池老化測試及數據分析

2.1 氫燃料電池系統

本文使用的燃料電池衰退試驗數據集來自法國燃料電池實驗室公開的PEMFC測試數據[9]。該數據集由FCLAB研究聯盟在1 kW功率燃料電池試驗臺上獲得，如圖1所示。為了解燃料電池的工作狀態，對電堆中涉及的多個物理參數進行了測量和控制，如表1所示。

該測試設置了2個獨立的加濕器，其中一個用于對空氣和氫氣進行加濕處理，另一個僅對空氣進行加濕處理，以達到所需的濕度。此外，燃料電池通過冷卻水系統將其溫度控制在合理范圍內，電流輸出由TDI Dynaload有源負載控制[10]。PEMFC系統平臺如圖2所示。

測試中，使用了2個燃料電池堆。每個燃料電池堆由5個單塊燃料電池串聯組成，每個電池的橫截面積為100 cm2，標稱電流密度為0.7 A/cm2，最大電流密度為1.0 A/cm2。第1個燃料電池堆的工作電流密度保持恒定，為0.7 A/cm2，測得的數據集為FC1。第2個燃料電池堆附加振幅為0.7 A/cm2的電流，即在動態電流條件下測得的數據集為FC2。測試中共實時監測了25個參數，分別為老化時間、5片單電池電壓和電堆總電壓、電流和電流密度、氫氣入口和出口溫度、空氣入口和出口溫度、冷卻水入口和出口溫度、氫氣入口和出口壓力、空氣入口和出口壓力、氫氣入口和出口流速、空氣入口和出口流速、冷卻水流速、空氣入口濕度。FC1的記錄時長為1 154.213 h，包含143 862組數據；FC2的記錄時長為1 020.536 h，包含127 370組數據。

2.2 氫燃料電池數據處理

本文采用FC2數據集，由于該數據集數據在動態電流條件下測得，功率和電壓隨著時間的推移波動較大，本文選擇功率作為預測燃料電池剩余使用壽命的退化指標。鑒于測試中僅采集了電堆電壓和電流數據，而未直接采集功率數據，根據歐姆定律計算功率：

P=UI? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （1）

式中：P為電堆輸出功率，U、I分別為電堆電壓、電流。

由于原始數據的數據量龐大且包含大量噪聲和尖峰，會導致計算時間過長和計算結果誤差較大，為減輕計算負擔并提高精度，本文每隔1 h提取一組數據來重新構建數據集，選擇了1 021組原始數據，并采用小波去噪方法對數據進行平滑處理，該方法計算簡單，對噪聲有較強的抑制作用，同時能夠有效保留原始信號的有用信息。本文采用軟閾值、硬閾值和固定閾值3種方式對燃料電池數據進行降噪處理，信噪比和均方根誤差的比較結果表明，固定閾值降噪效果最佳。小波去噪的流程如圖3所示。

經過平滑處理的數據不僅保留了原始數據的主要趨勢，還有效地去除了噪聲和尖峰值。圖4展示了經固定閾值降噪處理后的電堆電壓、電堆電流和電堆功率數據。

2.3 輸入數據的選擇

測試中實時監測了25個參數，若使用所有參數作為輸入，會導致模型復雜化，影響計算效率，降低模型的泛化能力。因此，采用SPSS統計分析軟件對輸入數據進行特征選擇，依據皮爾遜相關系數b和雙尾檢驗顯著性p值的結果，選擇與功率高度相關的變量作為輸入，如表2所示。其中，p<0.05代表相關性顯著，p>0.05代表相互獨立。相關系數b的取值范圍為[-1，1]，b>0表示正相關，b<0表示負相關，b=0表示零相關，|b|越接近1，表示變量與功率的相關性越強。

3 氫燃料電池的剩余使用壽命預測

3.1 BiLSTM模型原理

LSTM神經網絡在每個時間步內都有一個記憶細胞，使其能夠選擇性地記住重要的信息，同時忘記無關緊要的信息，從而減輕記憶負擔[8]。

LSTM神經網絡中的信息只能單向訓練輸入序列且只能考慮歷史信息，獲取的數據特征相對單一；而BiLSTM神經網絡可對燃料電池數據進行雙向分析，利用前后連接的思想可以綜合考慮數據的歷史和未來信息，使預測過程更加全面，能夠提高燃料電池壽命預測的準確性，BiLSTM神經網絡如圖5所示。其中，Xt、Yt分別為t時刻的輸入、輸出數據，[ht]、[ht]分別為t時刻的正向傳播和反向傳播隱藏狀態向量。

BiLSTM神經網絡由2個獨立的傳播方向相反的LSTM神經網絡構成，正向傳播的LSTM神經網絡順序讀取數據，獲取輸入序列的歷史數據信息，反向傳播的LSTM神經網絡逆序讀取序列，獲取輸入序列的未來數據信息，最后將2個隱含層的輸出拼接得到當前時刻的輸出。

3.2 北方蒼鷹優化算法

NGO算法主要包括獵物逃跑階段和追逐逃生階段。在第一階段識別獵物后，北方蒼鷹向獵物高速移動，并在第二階段以短尾追逐的方式追捕獵物。

在第一階段，對搜索空間進行全局搜索，目的是確定最優區域，對獵物的選擇是隨機的。獵物識別階段的數學表達式為：

式中：Xi為第i只北方蒼鷹的位置；xi，j為第i只北方蒼鷹在第j維空間的位置；Fi為第i只北方蒼鷹的目標函數值；pi，j為第i只北方蒼鷹的獵物在第j維空間的位置；Pi為第i只北方蒼鷹獵物的位置；[FPi]為目標函數值；k為區間[1，N]且不等于i的隨機自然數；[xnew，p1i，j]為第i只北方蒼鷹在第j維的新狀態；[Xnew，p1i]為第i只北方蒼鷹的位置；[Fnew，p1i]為北方蒼鷹在第一階段的目標函數值；r∈[0，1]、Y=1，2為隨機數，用于在搜索和更新過程中產生隨機NGO行為。

獵物被北方蒼鷹攻擊后會試圖逃跑，故北方蒼鷹繼續追逐獵物，由于北方蒼鷹的速度高，它們幾乎可在任何情況下追逐獵物并最終捕獵。對這種行為的模擬提高了算法對搜索空間的局部搜索能力。本文假設這次狩獵靠近半徑為R的攻擊位置，第二階段的數學模型為：

式中：a為當前迭代次數，A為最大迭代次數，[Xnew ，p2i]為第i只北方蒼鷹的新位置，[xnew，p2i，j]為第二階段第i只北方蒼鷹在第j維的新狀態，[Fnew， p2i]為新狀態下的目標函數值。

4 NGO-CNN-BiLSTM模型

本文在CNN-BiLSTM網絡的基礎上，以均方差作為適應度函數，通過NGO算法得到一組該網絡的最優參數，最終使得CNN-BiLSTM的預測值誤差最小。

NGO-CNN-BiLSTM模型分為NGO部分、CNN-BiLSTM部分和數據采集部分。在數據采集部分，先將采集的數據進行預處理，然后將數據劃分為訓練集和測試集。CNN-BiLSTM模型經過對NGO算法傳入的超參數進行解碼，從而得到學習率、隱藏節點、正則化系數的最優值。

將不同的輸入數據分別經過卷積層和LSTM層，并將其輸出特征拼接在一起，作為單一輸入向量輸入到全連接層中進行回歸預測。利用數據處理獲得的訓練集開展網絡模擬訓練，最后對試驗集數據加以預測，從而得出預測輸出值與實際值的最大誤差均方差。同時，以均方差作為適應性度值傳遞給NGO算法部分。NGO算法部分可以按照適應性度值進行蒼鷹和獵物之間的移動位置控制，從而實現對獵物結構與全局問題最優解的迭代優化。采用這種方法，可以得到最終優化后的網絡模式與參數。綜上，本文構建了基于NGO-CNN-BiLSTM的剩余使用壽命功率預測模型，預測流程如圖6所示。

4.1 氫燃料電池壽命預測的評價指標

采取均方根誤差（Root Mean Squared Error，RMSE）、平均絕對誤差（Mean Absolute Error，MAE）、預測壽命的相對誤差（Relative Error，RE）和決定系數R2來評價不同神經網絡預測燃料電池RUL的可靠性和準確性。其中RMSE和MAE均指預測功率與實際功率間的誤差，RE指預測RUL與實際RUL之間的偏差，都是預測誤差的一種體現，R2表征真實數據曲線與預測數據曲線的擬合效果，RMSE、MAE和R2越小，說明預測值與真實值越接近，R2的取值范圍為[0，1]，R2值越接近1，說明預測的精度越高，模型的預測效果越好。均方根誤差、平均絕對誤差、相對誤差、決定系數的計算公式分別為：

式中：xi、[xi]分別為電堆功率的實際值和預測值；[xi]為實際電堆功率的平均值；m為實際電堆功率的數據數量；Rp為預測的RUL，即預測壽命終點時刻與測試集起始時刻之差；Rt為實際RUL，即實際壽命終點時刻與測試集起始時刻之差。

4.2 基于NGO-CNN-BiLSTM的預測結果分析

本文選取法國燃料電池實驗室公開的PEMFC測試數據，采用MATLAB R2022a對提出的模型進行仿真驗證。NGO-CNN-BiLSTM模型得到的最優參數為：最佳隱藏層節點數為25，最佳初始學習率為0.010 0，最佳L2正則化系數為0.000 1。訓練配置為：隨機失活率為0.25，即以25%的概率對輸入進行隨機失活，優化器選擇Adam，激活函數選擇線性整流函數（Rectified Linear Unit，ReLU），即將輸入信號小于零的部分置零，其余部分保持不變，以有效引入非線性特性，并幫助模型學習非線性關系，最大迭代次數為500。本文使用第0～649 h的共650個數據作為訓練集，使用第650～1 021 h的共372個數據作為測試集，如圖7所示。

將650組訓練集數據輸入NGO-CNN-BiLSTM模型中進行訓練，其中輸出層為電堆功率；將372組測試集數據輸入NGO-CNN-BiLSTM模型中進行測試驗證，輸出預測的電堆功率。為了驗證本文所提出方法的有效性，將NGO-CNN-BiLSTM模型與LSTM模型、BiLSTM模型和SSA-CNN-BiLSTM模型進行對比，圖8所示為預測起點T=650 h時（對應圖8中起始時刻），各模型預測的試驗效果。各模型進行500次預測后測試集的比較結果如表3所示。

本文定義預測開始時的功率為初始功率，當功率降低到初始功率的98.5%時[11]，燃料電池的壽命達到終點。燃料電池的初始功率為224.554 72 W，故障閾值為221.186 399 2 W，當T=934.457 4 h時，電池組實際功率為221.185 3 W，這是最接近實際故障功率的功率，由于第0～649 h時間段內燃料電池處于訓練階段，所以剩余使用壽命為285.457 4 h。當T=933 h時，NGO-CNN-BiLSTM模型對電堆功率的預測值為221.272 06 W，最接近故障閾值，當訓練階段設定為第0～649 h時，預測的剩余使用壽命和實際剩余使用壽命分別為284 h和285.457 4 h，預測剩余使用壽命小于實際剩余使用壽命，有助于提升實際裝置中的性能穩定性。

NGO-CNN-BiLSTM模型與LSTM模型、BiLSTM模型和SSA-CNN-BiLSTM模型的預測使用壽命分別為284 h、289 h、287 h和297 h，預測精度分別為99.49%、98.76%、99.46%和95.96%。從表3中可以看出：本文提出的方法的決定系數和預測精度最高，分別為0.995 47和99.49%；本文方法的RMSE、MAE和RE均比其他網絡小得多，表明NGO-CNN-BiLSTM模型具有較好的預測效果，更適用于PEMFC系統的剩余使用壽命預測。

5 結束語

本文在動態條件下對燃料電池的剩余使用壽命進行研究，提出了一種基于NGO-CNN-BiLSTM的剩余使用壽命預測方法。仿真驗證結果表明，該方法的預測精度為99.49%，比SSA-CNN-BiLSTM神經網絡的預測精度高3.53百分點，且RE、MAE和RMSE均較LSTM模型、BiLSTM模型和SSA-CNN-BiLSTM模型小得多。因此，本文所提出的方法可以快速準確地預測動態條件下燃料電池的剩余使用壽命。

受水平和條件所限，本文只針對PEMFC在單指標下的短期剩余使用壽命預測進行了研究，未來可以考慮進行多指標下的短期和長期剩余使用壽命預測。此外，為了不造成資源浪費，還應進一步研究廢舊燃料電池在壽命預測中的應用[12]。

參考文獻

[1]? ? 謝宏遠. 氫燃料電池的剩余使用壽命預測研究[D]. 哈爾濱： 哈爾濱工業大學， 2021.

XIE H Y. Research on Hydrogen Fuel Cell Remaining Useful Life Prediction[D]. Harbin： Harbin Institute of Technology， 2021.

[2]? WANG J， WANG H， FAN Y. Techno-Economic Challenges of Fuel Cell Commercialization[J]. Engineering， 2018： 352-360.

[3]? ?XIE Y， ZOU J， LI Z， et al. A Novel Deep Belief Network and Extreme Learning Machine Based Performance Degradation Prediction Method for Proton Exchange Membrane Fuel Cell[J]. IEEE Access， 2020： 176661-176675.

[4] CHEN K， LAGHROUCHE S， DJERDIR A. Degradation Prediction of Proton Exchange Membrane Fuel Cell Based on Grey Neural Network Model and Particle Swarm Optimization[J]. Energy Conversion and Management， 2019， 195： 810-818.

[5] ZUO J， L? H， ZHOU D， et al. Deep Learning Based Prognostic Framework Towards Proton Exchange Membrane Fuel Cell for Automotive Application[J]. Applied Energy， 2021， 281.

[6] LIU J， LI Q， CHEN W， et al. Remaining Useful Life Prediction of PEMFC Based on Long Short-Term Memory Recurrent Neural Networks[J]. International Journal of Hydrogen Energy， 2019， 44（11）： 5470-5480.

[7]? ?王藍煜， 吳占寬， 姜琦， 等. 基于機器學習的質子交換膜燃料電池壽命預測研究[J]. 現代機械， 2022（5）： 1-5.

WANG L Y， WU Z K， JIANG Q， et al. Life Prediction of Proton Exchange Membrane Fuel Cells Based on Machine Learning[J]. Modern Machinery， 2022（5）： 1-52.

[8]? WANG H， PENG M， MIAO Z， et al. Remaining Useful Life Prediction Techniques for Electric Valves Based on Convolution Auto Encoder and Long Short Term Memory[J]. ISA Transactions， 2021， 108： 333-342.

[9]? FCLAB Research. IEEE PHM 2014 Data Challenge[EB/OL]. [2023-09-25]. http：//eng.fclab.fr/ieee-phm-2014-data-challenge/.

[10] 劉嘉蔚， 李奇， 陳維榮， 等. 基于核超限學習機和局部加權回歸散點平滑法的PEMFC剩余使用壽命預測方法[J]. 中國電機工程學報， 2019， 39（24）： 7272-7279+7500.

LIU J W， LI Q， CHEN W R， et al. Remaining Useful Life Prediction Method of PEMFC Based on Kernel Extreme Learning Machine and Locally Weighted Scatterplot Smoothing[J]. Proceedings of the CSEE， 2019， 39（24）： 7272-7279+7500.

[11] 劉嘉蔚. 數據驅動的PEMFC發電系統故障診斷與壽命預測方法研究[D]. 成都： 西南交通大學， 2020.

LIU J W. Data-Driven Fault Diagnosis and Life Prediction Methods for PEMFC Power Generation System[D]. Chengdu： Southwest Jiaotong University， 2020.

[12] 任圓圓， 許亮， 蔡遠利. 質子交換膜燃料電池剩余使用壽命預測研究進展[J]. 電源技術， 2023， 47（8）： 984-988.

REN Y Y， XU L， CAI Y L. Progress on Remaining Useful Life Prediction for Proton Exchange Membrane Fuel Cell[J]. Chinese Journal of Power Sources， 2023， 47（8）： 984-988.

（責任編輯 斛 畔）

修改稿收到日期為2023年9月15日。

*基金項目：國家自然科學基金項目（61975151，61308120）。

通信作者：李俊芳（1974—），女，副教授，主要研究方向為數據智能處理、自抗擾控制等，lijunfang_tjut@163.com。