一种基于PatchTST模型的燃料电池老化趋势预测方法

施永; 胡芝龙; 谢缔; 汪亮亮; 姚继刚; 苏建徽

doi:doi:10.19912/j.0254-0096.tynxb.2024-1762

欢迎来到能源电力期刊网！

English Version 期刊登录

您当前的位置：

首页 >

文章列表页 >

一种基于PatchTST模型的燃料电池老化趋势预测方法

更新时间：2026-03-06

- 一种基于PatchTST模型的燃料电池老化趋势预测方法
- 一种基于PatchTST模型的燃料电池老化趋势预测方法
- 太阳能学报 2026年47卷第2期页码：761-767
- 作者机构：
- 作者简介：
- 基金信息：
  
  安徽省自然科学基金（2308085ME180）;广东恒翼能科技股份有限公司合作项目（W2023JSFW0479）;高等学校学科创新引智计划（“111”计划）资助项目（BP0719039）
- DOI：doi:10.19912/j.0254-0096.tynxb.2024-1762
  中图分类号： TK91
- 网络首发：2026-03-05，
  
  纸质出版：2026-03-05
- 稿件说明：
移动端阅览
施永, 胡芝龙, 谢缔, 等. 一种基于PatchTST模型的燃料电池老化趋势预测方法[J]. 太阳能学报, 2026,47(2):761-767.

施永, 胡芝龙, 谢缔, et al. 一种基于PatchTST模型的燃料电池老化趋势预测方法[J]. 2026, 47(2): 761-767.
施永, 胡芝龙, 谢缔, 等. 一种基于PatchTST模型的燃料电池老化趋势预测方法[J]. 太阳能学报, 2026,47(2):761-767. DOI： doi:10.19912/j.0254-0096.tynxb.2024-1762.

施永, 胡芝龙, 谢缔, et al. 一种基于PatchTST模型的燃料电池老化趋势预测方法[J]. 2026, 47(2): 761-767. DOI： doi:10.19912/j.0254-0096.tynxb.2024-1762.

摘要

提出一种基于PatchTST模型的燃料电池老化趋势预测方法

该方法通过将时间序列数据划分为多个局部时间窗口

并结合Transformer结构捕捉长短期依赖关系

可实现对燃料电池老化趋势的精确预测。在实验中

选取稳态和准动态工况下

分别采用训练集占比为50%、60%和70%的数据进行模型训练

并预测未来50 h、100 h和150 h的老化趋势。通过URMSE和UMAE等误差评估指标分析结果表明

当FC1数据集的训练集占比为60%、FC2数据集的训练集占比为50%时

模型的预测误差最小。尽管随着预测时长的增加误差有所增大

但整体表现仍较为稳定。在FC1数据集分别按50%和60%比例划分的预测条件下

PatchTST模型的预测误差小于Informer、Trasnformer、GRU和LSTM模型。

Abstract

This paper proposes a fuel cell aging trend prediction method based on the PatchTST model. By segmenting time series data into multiple local time windows and combining the Transformer architecture to capture long-and short-term dependencies

the method achieves precise prediction of fuel cell aging trends. In the experiments

the model was trained under steady-state and quasi-dynamic operating conditions using data with training set proportions of 50%

60%

and 70%

respectively

to predict aging trends for future horizons of 50 h

100 h

and 150 h. Analysis based on error evaluation metrics

such as URMSE and UMAE

indicates that the model achieves the lowest prediction error when the training set proportion is 60% for the FC1 dataset and 50% for the FC2 dataset. Although the error increases slightly as the prediction horizon extends

the overall performance remains relatively stable. Under the conditions where the FC1 dataset is divided by 50% and 60% ratios

the prediction errors of the PatchTST model are lower than those of the Informer

Transformer

GRU

and LSTM models.

关键词

Keywords

references

陈家城, 周苏. 大功率质子交换膜燃料电池建模及仿真[J]. 太阳能学报, 2024, 45(3): 290-297.

CHEN H C, PEI P C, SONG M C.Lifetime prediction and the economic lifetime of proton exchange membrane fuel cells[J]. Applied energy, 2015, 142: 154-163.

李从心, 岳美玲, 李昕彤, 等. 基于条件神经网络的质子交换膜燃料电池的老化性能预测[J]. 储能科学与技术, 2024, 13(9): 3094-3102.

LIU J, GAO Y, SU X, et al.Disturbance-observer-based control for air management of PEM fuel cell systems via sliding mode technique[J]. IEEE transactions on control systems technology, 2018, 27(3): 1129-1138.

BURLATSKY S F, GUMMALLA M, O'NEILL J, et al. A mathematical model for predicting the life of polymer electrolyte fuel cell membranes subjected to hydration cycling[J]. Journal of power sources, 2012, 215: 135-144.

ZHOU D, WU Y, GAO F, et al.Degradation prediction of PEM fuel cell stack based on multiphysical aging model with particle filter approach[J]. IEEE transactions on industry applications, 2017, 53(4): 4041-4052.

LIU H, CHEN J, HISSEL D, et al.Remaining useful life estimation for proton exchange membrane fuel cells using a hybrid method[J]. Applied energy, 2019, 237: 910-919.

MA R, YANG T, BREAZ E, et al.Data-driven proton exchange membrane fuel cell degradation predication through deep learning method[J]. Applied energy, 2018, 231: 102-115.

MA R, BREAZ E, LIU C, et al.Data-driven prognostics for PEM fuel cell degradation by long short-term memory network[C]//2018 IEEE Transportation Electrification Conference and Expo. Long Beach, CA, USA, 2018: 102-107.

薛阳, 燕宇铖, 贾巍, 等. 基于改进灰狼算法优化长短期记忆网络的光伏功率预测[J]. 太阳能学报, 2023, 44(7): 207-213.

莫易敏, 余自豪, 叶鹏, 等. 基于迁移学习与GRU神经网络结合的锂电池SOH估计[J]. 太阳能学报, 2024, 45(3): 233-239.

柏帆, 王路达, 左红群, 等. 储能用质子交换膜燃料电池长期老化预测[J]. 电池, 2024, 54(2): 160-164.

吴航宇, 王玮, 朱文超, 等. 基于ARIMA-BiGRU双数据驱动的燃料电池性能退化预测方法[J]. 中国电机工程报, 2025, 45(7): 2690-2699.

李浩, 李浩, 杨扬, 等. 基于改进鲸鱼算法优化GRU的PEMFC老化预测[J]. 中国电机工程学报, 2024, 44(20): 8166-8178.

NIE Y, NGUYEN N H, SINTHONG P, et al. A time series is worth 64 words: long-term forecasting with transformers[J]. arXiv, 2022, preprint arXiv: 2211-14730.

ZENG A, CHEN M, ZHANG L, et al.Are transformers effective for time series forecasting?[C]//Proceedings of the AAAI Conference on Artificial Intelligence. Washington DC, USA, 2023, 37(9): 11121-11128.

VASWANI A, SHAZEER N, PARMAR N, et al.Attention is all you need[J]. Advances in neural information processing systems, 2017, 30: 6000-6010.

潘诗媛, 华志广, 王光伟, 等. 基于级联回声状态网络的氢燃料电池剩余使用寿命预测[J]. 中国电机工程学报,2025, 45(12): 4718-4728.

WILLMOTT C J, MATSUURA K.Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance[J]. Climate research, 2005, 30(1): 79-82.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于极端梯度提升的PEMFC长短期老化趋势预测

基于SSA-VMD预处理的TCN-Informer短期风速多步预测混合模型

计及NWP相似日的MHA-LSTM光伏发电超短期功率预测

基于MC-BiLSTM-BDA预测的混合需求响应电动汽车充电策略

基于VMD-LSTM-MultiConv-SelfAttention的超短期风电功率预测研究