LSTM-KAN温升预测模型

预冷增温升 15%–20%

一个同时学习时序关系和物理动态的预测模型，用于快速加氢过程中的温度管控。

Wu, Tan · Ang, Li · Jiabang, Wang · Yonghao, Guo · 吴学红 · 陈宇慧 · 朱有健 · Panfeng, Wang · Xiaohua, Zou · Jiang, Ma · Junzheng, Yan · 崔铁军 · 高晓蕾

Journal of Energy Storage 2026

参数信息

平均绝对百分比误差

0.81 %

平均绝对百分比误差

0.73 %

均方根误差

1.31 K

峰值温度降幅

8–12 %

初始温升速率增幅

15–20 %

技术优势

预测更准

LSTM-KAN模型结合了LSTM的时序学习能力和KAN的物理动态建模能力，在实验数据集上平均绝对百分比误差低至0.81%和0.73%，最小均方根误差1.31K。

能降峰值温度

与恒定质量流量模式相比，采用动态质量流量模式可以将峰值温度降低约8%–12%，从而改善加氢过程的安全性。

应用场景

• 氢能安全监控：用预测模型替代事后监测，提前预示温升风险
• 热管理预测：预测不同加注工况下的温度变化，优化预冷策略
• 储氢系统监测：监测储氢气瓶温度与应力集中区域，评估结构完整性
• 加氢站智能控制：将模型嵌入加氢站控制系统，动态调整加注参数