【作者】

郭斌; 于昊艺; 赵子亮

【单位】

山东科技大学交通学院; 山东科技大学

【摘要】

由于氢燃料电池的环保特性，氢燃料电池汽车已经得到了推广示范运行，为了确保燃料电池汽车运行平稳，期望通过各种类别的传感器数据以及各种子系统控制量，预测燃料电池系统系统性能，达到提前预测的目的以避免燃料电池系统出现故障。本文选取氢燃料电池数字孪生性能仿真算法赛提供的数据，结合机器学习的方法，通过降低数据冗余度以期望对氢燃料电池全工况多模态系统性能均值进行预测，分析氢燃料电池各个变量与系统均值之间的动态变化，并分析氢燃料电池各个变量与系统性能均值U（电压）之间的变化。最终得到了均方根误差为0.0027759的预测模型，使用MRMR（Max-Relevance and Min-Redundancy）算法和ReliefF算法对特征重要性进行排序，找到了一种基于MRMR算法结合装袋法集成学习降低数据冗余度的性能预测方法，相比于传统PCA（Principal Component Analysis）特征降维的方法，基于MRMR算法的模型预测精度更高，在牺牲很少性能的基础上提高了模型预测速度同时降低数据存储量以及降低数据冗余度。最终将原始154维数据降低到92维，相比于PCA降维方法，预测准确度提升71%。

【关键词】

燃料电池;稳态运行;数据冗余;性能预测;集成学习

【论文集名称】

燃料电池与储能

【会议名称】

2024世界内燃机大会

【会议时间】

2024-4-19至2024-4-23

【会议地点】

天津市

【下载次数】

3

返回