56、基于MLP和LOESS的氢能电池寿命预测方法

基于MLP和LOESS的氢能电池寿命预测方法

一、引言

质子交换膜燃料电池（PEMFC）具备稳定性高和效率高的优点，但存在寿命方面的问题。通过寿命预测等工作，能够及时了解燃料电池的健康状态，推动其发展。此前，已有一些关于燃料电池寿命预测的方法，如Ma等人运用灰色理论和可拓理论开发了PEMFC发电系统的寿命预测方法；Shen等人提出了基于相关向量机的预测方法；Morando等人提出了基于回声状态网络的PEMFC老化预测算法。

预测与健康管理技术（PHM）的出现为研究PEMFC的耐久性提供了新途径。其核心思想是通过分析实际监测数据，选择PEMFC电池健康状态的相关指标，利用这些指标监测电池健康状态并预测剩余使用寿命，还能根据预测结果及时调整系统工作条件，提高PEMFC的耐久性和安全性。结合PEMFC的特点，需要对原始氢能电池数据进行处理，通过数据重建和平滑方法提高数据质量，提取有代表性的数据，再用寿命预测算法模型预测PEMFC的剩余寿命。

二、氢能电池寿命预测算法

2.1 LightGBM算法

LightGBM是实现GBDT算法的框架，支持高效并行训练，主要有两种算法：
- 梯度单边采样 ：从减少采样的角度出发，排除大部分梯度小的样本，仅用剩余样本计算信息增益。因为大梯度样本对信息增益影响更大，所以在采样过程中应保留大梯度样本。具体方法是预先设定阈值，或随机去除最高百分位数之间梯度小的样本。实验表明，在相同采样率下，该方法的测量结果比随机采样更准确，尤其在信息增益范围大的情况下。
- 互斥特征捆绑 ：在稀疏特征空间中，许多特征几乎互斥，可将这