弥合质子交换膜水电解槽降解预测中信息缺失的研究:从物理一致性到基于物理嵌入式残差网络(physics-embedded residual networks)的潜参数反演

《Energy and AI》:Bridging information gaps in degradation forecasting for PEM water electrolysis: From physical consistency to latent parameter inference via physics-embedded residual networks

【字体: 大 中 小 】 时间:2026年06月26日 来源:Energy and AI 9.7

编辑推荐:

  可靠的原位质子交换膜水电解槽(Proton Exchange Membrane Water Electrolysis, PEMWE)降解预测对 prognostic and health management(PHM,预后与健康管理)应用(如预测性维护)至关重

  
可靠的原位质子交换膜水电解槽(Proton Exchange Membrane Water Electrolysis, PEMWE)降解预测对 prognostic and health management(PHM,预后与健康管理)应用(如预测性维护)至关重要,其依赖于对系统当前及历史健康状态(State-of-Health, SoH)的持续了解。确定综合SoH指标(如极化曲线)的传统方法需中断运行并进行资源密集型的单体表征测量,因此需要能仅从典型运行数据推断这些指标且不妨碍正常运行的数据驱动、基于模型的替代方案。实际场景中,运行于特定离散工况点或受限运行区间会导致可用训练数据与期望模型输出之间存在显著信息缺口(information gap),而经典纯数据驱动机器学习模型在此任务中存在局限。本研究提出一种物理信息(physics-informed)扩展方法,将领域知识直接嵌入人工神经网络架构,采用由测试初期(begin-of-test, BoT)表征测量参数化的极化行为代数表达式,使残差学习(residual learning)及基于已知初始健康状态的跨全理论运行区间预测成为可能。通过在工况点外推时确保物理一致性(physical consistency),该方法增强了外推场景下预测的可靠性。研究人员通过两种建模概念(对应不同程度的信息缺口)验证了物理嵌入式残差网络(physics-embedded residual network)模型的功能:第二种概念中模型除预测未来极化曲线外,还能反演(infer)用于电压损失分解的潜物理参数(latent physical parameters),从而提供更深入的降解洞察。研究结果表明物理信息机器学习在推进工业适用的PEMWE降解预测方面的潜力,为更可靠的预测性维护策略提供了可行路径。
论文解读:PEMWE降解预测中物理嵌入式残差网络的研究——发表于《Energy and AI》
研究背景与动机:
质子交换膜水电解槽(Proton Exchange Membrane Water Electrolysis, PEMWE)的降解量化通常依赖健康状态(State-of-Health, SoH)指标,其中完整的极化曲线(polarization curve)能提供最全面的电池性能信息。然而传统极化曲线测量需中断正常运行、耗时且难以在现场应用,导致运行中仅有离散工况点或受限区间的运行数据,造成训练数据与期望SoH输出之间的信息缺口(information gap)。纯数据驱动的人工神经网络(Artificial Neural Network, ANN)在此类外推预测中存在物理不一致(physical inconsistency,如预测电压低于初始状态)、缺乏可解释性等问题。现有物理信息机器学习(Physics-Informed Machine Learning, PIML)在PEMWE中多聚焦于性能预测,针对降解预测且处理信息缺口的研究较少。因此Woelke J等研究人员开展本研究,旨在将PEMWE极化行为的代数物理模型嵌入ANN架构,构建物理嵌入式残差网络(physics-embedded residual networks),在仅有离散运行数据及测试初(Begin-of-Test, BoT)表征信息下实现具物理一致性的未来极化曲线预测及潜物理参数(latent physical parameters)反演,填补信息缺口下的降解预测空白。
主要关键技术方法:
研究人员采用加速应力测试(Accelerated Stress Test, AST)1400 h的PEMWE单电池运行数据与周期性极化曲线表征数据。建立零维稳态极化模型:Ucell(t,i)=Ucell,0+b(t)·log(i/i0(t))+ri(t,i)·i+ηres(t,i),BoT参数由初始极化曲线拟合获得。开发两类物理信息模型并用TensorFlow/Keras实现:(1) Model I(正向残差模型)——ANN学BoT极化曲线与老化后极化的电压增量ΔUcell(t,i),最终输出Ucell(t,i)=Ucell(BoT,i)+ΔUcell(t,i),物理层固定嵌入网络作为硬约束;(2) Model II(逆问题参数反演)——ANN输出四个极化曲线参数变化量Δθ(t,i),与BoT参数叠加后代入正向物理模型得Ucell,其中活化过电位相关参数分支采用非负权重与单调激活函数保证物理单调性,并通过自定义梯度缩放层平衡多量级参数更新。两模型均采用基于50个独立初始化网络的模型集成(model ensemble)量化90%预测区间(Prediction Interval, PI)的不确定性,用Optuna做超参数优化,训练早停依据验证集最小误差。
研究结果:
4. Investigation of Model I: Prediction of cell voltage increase
Model I以离散运行点(0.9, 1.8, 2.7, 3.6 A/cm2)电压及时间t为输入,学ΔUcell(t,i)并在输出层叠加BoT物理层计算的Ucell(BoT,i)。测试表明相比纯数据驱动ANN,物理嵌入式Model I预测极化曲线严格遵循物理形状(不低于BoT曲线),中位预测误差由原先最大-12.5%降至2.75%~-1.2%,低电流密度外推区改善尤为明显。研究人员进一步考察三种实际场景:(1) Scenario 1限制训练数据覆盖不同电流密度段——缩小覆盖范围会使未覆盖区的外推误差增大(最大额外±3.5%pt.),但物理一致性仍保持;仅含单个离散点无法训练。(2) Scenario 2随机稀疏化时间点至原数据量10%~20%——对预测精度与PI几乎无影响。(3) Scenario 3二者结合——精度主要受限于Scenario 1的运行区间覆盖度。结论:物理嵌入保障外推物理合理性,训练数据运行区间覆盖度是主要精度影响因素,时间稀疏性影响小。
5. Investigation of Model II: Prediction of polarization curve parameter changes
Model II将ANN输出改为极化曲线四个潜参数变化量Δb、Δi0、Δri(i)、Δηres(i),经第二物理层与BoT参数相加后代入正向方程得Ucell。分为两亚组:(a) 无约束(仅BoT边界伪界限)——整体极化曲线预测精度近似Model I且PI更窄,但潜参数反演仅Δri趋势与实测较吻合,活化损失相关参数因训练数据不含低电流密度区无法唯一确定,残差损失Δηres被高估以补偿;(b) 有约束(附加假设可知的端试End-of-Test, EoT参数变化范围)——所有参数呈现随时间变化的合理轨迹且定性符合老化方向,Δri仍较好追踪,但电流密度依赖性与残差损失精确值仍有偏差。结论:仅凭BoT信息与离散运行数据可可靠预测极化曲线及欧姆电阻变化,完整电压损失分解(voltage loss breakdown)需额外退化幅度先验或更大机组数据约束解空间。
6. Summary and conclusions(研究结论翻译):
本研究探讨了物理信息机器学习在PEMWE单电池降解预测中的实际应用,通过两个建模概念(仅预测极化曲线及同时反演极化曲线参数变化以给出电压损失分解)证明了将领域知识以物理嵌入式残差网络形式整合可确保物理一致的模型预测并提升外推能力。Model I在模拟实际数据可得性的三场景下保持物理一致性,运行区间受限会增大外推误差但核心预测形态不受影响,时间稀疏性几无影响。将问题重构为逆建模任务的Model II在仅BoT信息时可识别欧姆电阻变化;若附加参数变化范围信息则可触及活化与传质相关损失变化。潜参数反演受欠定性问题制约,需更多约束(如更少潜参量或个体参数解空间限制)以确保唯一性。本方法在扩展至多系统机群(fleet)数据、融合前人系统退化知识时将更具预测力与普适性。由于类似挑战也存在于其他电解池构型与技术,本研究结论具有广泛适用性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号