典型文献
基于PSO-LSTM的质子交换膜燃料电池退化趋势预测
文献摘要：
提出了一种基于粒子群优化(PSO)算法的长短期记忆网络(LSTM)方法,对质子交换膜燃料电池(PEMFC)的电堆电压进行了退化预测.首先,分析了 PEMFC的退化机理.然后,应用LSTM建立了电压退化预测模型,并采用Dropout层来防止过拟合以提高模型的泛化能力.此外,使用PSO算法优化LSTM方法中的初始学习率和Dropout概率以提升预测效果.最后,使用IEEE 2014 Data Challenge Data的燃料电池实际老化数据进行验证.结果表明,本文方法可以精确地预测燃料电池的退化,相比于传统的LSTM方法,预测精度提升了 50％.
文献关键词：
自动控制技术;退化预测;燃料电池;深度学习;长短期记忆网络;粒子群优化
中图分类号：
作者姓名：
高金武;贾志桓;王向阳;邢浩
作者机构：
吉林大学汽车仿真与控制国家重点实验室,长春130022;吉林大学通信工程学院,长春130022;杭州电子大学 自动化学院,杭州310018;大连理工大学工业装备智能控制与优化教育部重点实验室,大连116024
文献出处：
引用格式：
[1]高金武;贾志桓;王向阳;邢浩-.基于PSO-LSTM的质子交换膜燃料电池退化趋势预测)[J].吉林大学学报（工学版）,2022(09):2192-2202
A类：
B类：
PSO,质子交换膜燃料电池,电池退化,退化趋势预测,粒子群优化,长短期记忆网络,对质,PEMFC,电堆,压进,退化机理,退化预测模型,Dropout,过拟合,泛化能力,算法优化,初始学习率,IEEE,Data,Challenge,精度提升,自动控制技术
AB值：
0.305773
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
