摘要
质子交换膜燃料电池作为一种高效、清洁、低噪音的能源转换技术，在交通运
输、网络通信基站以及航空航天等众多领域具有广阔的应用前景，然而成本高、耐
久性差制约了燃料电池技术的大规模商业化应用。为了优化燃料电池运行策略、延
长剩余使用寿命，需要选取合适失效预测方法对燃料电池老化过程进行研究。由于
电堆老化是一个涉及多物理、多部件、多维度的非线性过程，难以对其进行准确的
机理建模，所以本文将选取学习能力较好的深度学习模型展开研究。主要工作如下：
（1）由于来自台架试验的燃料电池衰减数据缺乏随机性和复杂性，与实际燃料
电池老化过程具有一定偏差，为了更真实有效地对老化过程进行研究，本工作采集
了城市公交车约1000h的运行数据，以将其用于训练、验证和优化所提出的模型。
由于原始数据量较大、特征变量维度过多且包含较多噪声，首先对原始数据进行了
降采样、特征降维等处理，构建了适用于本文研究的标准数据集，随后对构建好的
数据集进行了特性分析并将平均节电压误差作为后续模型评价的指标。
（2）基于收敛较快且泛化能力较好的回声状态网络（ESN）模型实现老化过程
的短期预测。首先提取了合适的动态健康指标相对功率损失率并对其衰减过程进
行研究；当选取电压作为模型输出时，从实车数据中提取合适特征变量作为模型输
入分别实现超前单步和多步预测，然后针对模型输入进行了优化，研究将相对功率
损失率作为输入对模型预测性能的影响，其中使用粒子群优化算法实现网络超参
数的调优。结果表明该方法可以跟踪由工况变化造成的电压波动，进行单步超前预
测时在65A和90A处预测误差分别可以达到9mV和8.4mV，同时相对功率损
失率的引入能够显著降低多步超前预测误差，平均绝对百分比误差降低约0.6%。
（3）为了更深入研究燃料电池老化过程，本文提出了一种基于深度强化学习和
机理模型的混合预测模型实现了老化过程的长期预测。首先基于电压模型提取了
特定老化因子表征燃料电池电堆内部衰减程度，选取优势演员-评论家（A2C）算
法实现老化因子的更新和预测过程，最后利用机理模型实现电压的长期预测。结果
表明基于A2C预测模型整体预测平均绝对误差分别可以达到7.8mV和8.3mV，
平均绝对百分比误差小于1.4%，相较于ESN方法不仅可以提供更多老化信息，预
测精度也有提升，同时可以实现对动态电压的快速跟踪，使其在线应用成为可能。
关键词：质子交换膜燃料电池，燃料电池失效预测，半经验电压衰减模型，回声状
态网络，优势演员-评论家
ABSTRACT
ProtonExchangeMembraneFuelCell(PEMFC)hasabroadapplicationprospectin
manyfields,suchastransportation,telecommunicationandaerospace,asanefficient,
cleanandlow-noiseenergyconversiontechnology.However,thehighcostandpoor
durabilityconstrainitslarge-scalecommercialcommercialization.Accuratedegradation
predictionisthekeytooptimizingthefuelcelloperation,extendingitsremaininguseful
life.Sincethestackagingisanonlinearprocessincludingmultiplephysics,multiple
componentsandmultipledimensions,itisdifficulttoestablishmechanismmodels
accurately,soweproposeappropriatedeeplearningmethodstostudyPEMFC’saging
process.Themainworkofth