18、可再生能源燃料电池的鲁棒预测指标：多方法融合助力精确预测

可再生能源燃料电池的鲁棒预测指标：多方法融合助力精确预测

在燃料电池的研究中，对其老化情况进行准确预测至关重要。不同的预测方法各有优劣，通过合理融合可以显著提高预测的准确性和可靠性。本文将详细介绍几种常见的预测方法，并重点阐述一种混合预测方法的原理和优势。

1. 不同样本下的老化预测方法

在进行老化实验时，分别在静态和动态电流条件下开展。研究发现，SPGP 在大样本情况下具有较高的预测精度，而 VAE - DGP 更适合小样本的老化预测。

2. 模糊预测方法

模糊预测作为一种统计方法，能够对不确定问题进行长期的模糊描述。以下是几种基于模糊预测发展而来的方法：
- 自适应神经模糊系统（ANFIS） ：Jang 于 1993 年提出该方法，可有效处理时间序列的预测。Silva 等人在 2014 年采用 ANFIS 方法并分析了模型参数的选择，通过提取正常运行时的老化数据并去除外部干扰，能实时跟踪老化趋势。Mao 和 Jackson 在 2016 年对比了 PF、NN 和 ANFIS 算法的平均预测误差和计算成本，结果表明 ANFIS 在这两方面表现最佳。Liu 等人在 2018 年开发了结合模糊 c - 均值的 ANFIS（ANFIS - FCM）策略，并采用粒子群优化（PSO）算法选择相关参数，单步预测的均方根误差（RMSE）仅为 0.62%。
- 灰色模型（GM）及其改进 ：由于 GM 存在原始误差，Zhou 等人在 2019 年开发了误差修正灰色模型（ECGM）以降低误差并提高预测模型的准确性。Chen 等人在 2019 年提出灰色神经网络（GNNM）算法，应