基于ARIMA-LSTM深度学习混合模型的PEMFC老化预测方法

摘要

燃料电池涉及电学、机械、电化学、热力学等诸多学科,其性能衰减过程复杂,涉及多物理、多尺度、多部件、多因素,单一模型在燃料电池老化预测中难以同时对其各类特征进行捕获。为在确保预测精度的同时更好地对数据进行线性和非线性拟合,提出一种差分移动平均自回归结合长短期记忆神经网络的预测模型。通过ARIMA(autoregressive integrated moving average model)与LSTM(long short-term memory)对电压衰退数据线性及非线性部分进行预测后,将预测结果与残差作为特征用于LSTM预测工作。将混合模型与单一ARIMA模型、NAR模型、支持向量回归学习对比发现,混合模型在预测精确度和预测性能方面均有较好表现。