控制理论与应用

作者：贾志桓,陈林,邵奥利,王宇鹏,高金武

单位：吉林大学汽车仿真与控制国家重点实验室,吉林大学汽车仿真与控制国家重点实验室,吉林大学汽车仿真与控制国家重点实验室,一汽集团研发总院动力总成研究所,吉林大学汽车仿真与控制国家重点实验室

关键词：质子交换膜燃料电池;群体优化算法;性能老化预测;强化搜索蚁群优化算法;数据驱动方法;深度学习

本文提出了一种基于基于强化搜索蚁群优化的长短期记忆神经网络(ENSACO-LSTM)的数据驱动算法,用于预测质子交换膜燃料电池(PEMFCs)的功率退化趋势.首先,使用沙普利加和解释(SHAP)值方法筛选贡献度高的外特性参数作为数据驱动方法的输入.接着,提出了一种新型群体优化算法–强化搜索蚁群优化算法(ENSACO).该算法基于强化因子改进了蚁群优化(ACO)算法,以避免早熟并加快收敛速度.设置了对比实验,比较粒子群优化算法(PSO)、ACO和ENSACO的性能差异.最后,提出了一种基于ENSACO-LSTM的数据驱动方法来预测PEMFC的功率退化趋势,并使用实际老化数据对该方法进行了验证.结果表明,在有限的迭代次数内,ENSACO的优化能力显著优于PSO和ACO.此外, ENSACO-LSTM方法的预测精度也大幅提升,相比LSTM,PSO-LSTM和ACO-LSTM平均提升约50.58%.

来源：2025年第8期

《控制理论与应用》期刊编辑部

查看控制理论与应用杂志2025年第8期