CNN-LSTM-SEAM 退化预测模型

无需选特征

用于质子交换膜燃料电池的电压退化预测，通过集成 CNN-LSTM 与 SE 注意力机制，无需预选电压相关特征参数，即可实现准确的性能退化细节预测。

Ma, Yangyang · Songting, Li · Shulin, Zhou · Wang, Xueyuan · Yuan, Hao · 常国峰 · 朱建功 · Haifeng, Dai · Wei X.

Energy 2025

参数信息

RMSE

7.440 × 10⁻⁴ V

MAE

6.095 × 10⁻⁴ V

RMSE

1.317 × 10⁻³ V

MAE

8.389 × 10⁻⁴ V

技术优势

不用选特征

加入 SE 注意力机制后，模型无需预先挑选与电压退化相关的特征参数，直接处理原始数据即可。

预测更准

CNN-LSTM 组合有效避免了过预测，配合 SEAM 进一步提升了预测精度，在静态和动态数据集上均优于对比模型。

动态工况也能用

模型在动态工况数据集上按不同比例划分进行了验证，仍能准确预测电压退化细节。

应用场景

• 燃料电池寿命管理：预测电压衰减趋势，提前安排维护与更换。
• 电池健康管理：迁移到电池退化预测，减少特征工程工作量。
• 电化学系统监控：嵌入监控系统，实时估计健康状态。