【作者】

曹国伟; 陈韬; 陈大昕; 曾铭炜; 孙朝阳

【单位】

天津大学

【摘要】

质子交换膜燃料电池(PEMFC)在运行过程中，膜含水量的变化对其性能与寿命具有重要影响。针对膜总含水量难以直接测量、动态预测精度不足的问题，本文基于AVL Cruise M仿真获得的NEDC工况数据，构建卷积神经网络与长短期记忆网络相结合的CNN+LSTM模型。结果表明，CNN+LSTM模型在捕捉膜含水量的时空特征方面表现最佳，其预测精度指标 RMSE、MAE和R²分别为0.0046 kg、0.0031 kg和0.9758，明显优于CNN、GRU和BP模型。研究结果验证了 CNN+LSTM 模型在 PEMFC 状态参数预测中的可行性与优越性，可为燃料电池水管理策略优化及寿命延长提供理论依据与技术支持。

【关键词】

质子交换膜燃料电池;膜含水量预测;卷积神经网络与长短期记忆神经网络模型;深度学习

【论文集名称】

燃料电池与先进电机电池技术

【会议名称】

2025智能混合动力技术大会

【会议时间】

2025-9-25至2025-9-27

【会议地点】

大连市

【下载次数】

0

返回