《International Journal of Hydrogen Energy》:Degradation prediction of a fuel cell-based CHP-system under dynamic load using feed forward neural networks
编辑推荐:
研究人员通过将前馈神经网络(Feed Forward Neural Networks,FNN)进行实施建模,构建了以天然气为一次能源、氢燃料电池为电源的热电联供(Combined Heat and Power,CHP)系统。研究表明,仅负载曲线及由此产生的电压
研究人员通过将前馈神经网络(Feed Forward Neural Networks,FNN)进行实施建模,构建了以天然气为一次能源、氢燃料电池为电源的热电联供(Combined Heat and Power,CHP)系统。研究表明,仅负载曲线及由此产生的电压已足以在正常运行(排除异常情况下)准确预测电压及其退化。短期可逆退化以高保真度被准确建模,而不可逆长期退化在预测上仍更具挑战性。研究人员分析了不同输入特征对预测的影响。此外,研究人员改变了训练数据集的规模,并将气体成分这一物理参数纳入模型,使其能更准确地预测数据中的异常。所提出的方法进一步使用在居民区运行的系统数据进行了测试。
研究背景与意义
在全球变暖背景下,CO2等温室气体排放促使各国制定碳中和计划,氢作为替代能源载体重要性日益凸显。欧盟及德国大力推进氢能基础设施建设,氢能经济转型中,燃料电池(Fuel Cell,FC)热电联供(Combined Heat and Power,CHP)系统因同时产热发电且整体效率高(可达95%)成为高效利用氢能的关键技术。其中质子交换膜燃料电池(Proton-Exchange Membrane Fuel Cell,PEMFC)因工作温度低(60–90 °C)、启动快、功率密度高,适用于中小型及住宅CHP系统。然而燃料电池普遍存在退化(Degradation)问题,导致性能随时间显著损失,退化机制包含材料疲劳、电化学不稳定性等,分为可逆(如CO中毒)与不可逆(如膜机械变形)两类。传统物理建模需详尽内部参数且计算复杂,数据驱动方法虽无需深究退化定律,但通用性差。现有研究多用长短期记忆网络(Long-Short Term Memory,LSTM)处理周期动态负载,难以应对非周期动态负载的时间依赖性。本文发表于《International Journal of Hydrogen Energy》,提出利用前馈神经网络(Feed Forward Neural Networks,FNN)通过特征工程编码时间依赖性的新方法,旨在开发基于历史性能数据预测非周期动态负载下电堆退化的模型,以实现预测性维护与运行优化。
主要关键技术方法
研究人员采用源自20周测试期、采样频率0.1 Hz的5 kWel天然气重整制氢PEMFC-CHP系统数据(含实验室周期测试与居民区商用系统数据),辅以气相色谱仪测量的气体成分数据。构建FNN模型,通过特征工程引入运行时长(Operating time)、负载平台持续时间(Time at load level)及待机时长(Time of idling)三类无量纲特征以编码时间信息;数据预处理剔除待机与爬坡峰值数据,对各负载电平电压去均值并归一化,按4/5训练、1/5测试划分。基于TensorFlow与Keras在Nvidia RTX A5000实现,利用Optuna框架进行贝叶斯超参数优化(隐藏层数1–5、神经元数30–600、初始学习率10?5–10?1、激活函数、Dropout率0.1–0.8等),采用Adam优化器与指数学习率调度,以均方根误差(Root Mean Squared Error,RMSE)及运行时线性拟合斜率评估模型。
研究结果
3.1. Individual models
研究人员依次增加输入特征训练模型:仅负载曲线(Model 1)无法建模退化,各负载电平对应恒定电压;加入运行时长(Model 2)可近似不可逆长期退化线性下降,但未建模短期可逆退化;加入负载平台时间(Model 3)可近似可逆退化下降趋势,但无法区分间隔待机的不同平台;加入待机时间(Model 4)成功耦合待机再生效应,区分不同平台电压斜率。经1000次试验微调的Finetuned模型在测试集RMSE达6.07 mV,短期退化预测贴近实测,但长期退化斜率拟合仍存偏差(满载拟合?73.2 μV/h,实测?66.7 μV/h)。
3.2. Hyperparameter comparison and importance
各独立优化模型超参数各异,Optuna重要性排序显示Dropout正则化对性能影响最大,其次为学习率、隐藏层数与批大小,其余超参数影响较弱。
3.3. Different stack application
将微调模型应用于结构相同但内部参数不同的另一电堆数据,预测电压平台持续高估,短期退化斜率显著偏离实测,验证了数据驱动模型泛化能力有限,需针对各电堆重新训练。
3.4. Variation of the split ratio
改变训练测试切分比(1/4、2/4、3/4)发现:无异常数据集仅需约200小时训练窗口即得良好预测;含早期异常的数据集若仅用1/4训练则无法学习退化,需至少1/2训练数据以涵盖异常后正常行为,增加至3/4未显著提升性能,表明数据质量与代表性较单纯数据量更重要。
3.5. Incorporation of the gas composition
纳入天然气甲烷摩尔百分比与低位热值作为物理输入后,模型RMSE降至5.32 mV,能更准确预测由原料气成分波动引起的电压异常波动,证实气体成分与重整气氢含量及堆栈输出电压的直接关联。
3.6. Residential application
研究人员将架构应用于严格实验室环境外的居民区商用系统非周期数据,测试了方法的鲁棒性与泛化能力。
讨论与结论翻译
研究人员总结,仅以负载为输入(Model 1)无法建模可逆与不可逆退化,因缺乏电堆操作时序信息。引入运行时长(Model 2)可耦合不可逆长期退化近似线性下降,但缺平台时间信息致可逆退化未建模。加入平台时间(Model 3)可逆退化随负载平台操作时间变化被建模,但无法区分间隔待机个体平台。加入待机时间(Model 4)可区分平台并耦合待机再生,较好预测个体平台斜率。随输入增加RMSE减小,但因不可逆退化效应微小致梯度更新不足,微调模型对长期退化斜率近似仍欠佳。不同电堆预测性能差,验证数据驱动模型泛化受限需逐电堆训练。切分比表明约200小时训练窗口可得良模,但取决于数据质量与代表性。引入天然气气体成分(甲烷摩尔百分比与低位热值)提升波动预测精度,证实天然气甲烷含量自然波动影响重整氢量进而影输出压。研究人员在严格实验室外居民商用系统数据训练了模型。尽管研究成功展示简单FNN预测动态操作FC系统性能,其受限于需编码时序信息而非直接捕获依赖,对复杂负载周期(如交通)更高效方法(如计算量小的储层计算Reservoir computing)可能更优。基于负载曲线的FC可靠退化预测可促进更经济运行与技术实施。