基于Bagging神经网络集成的燃料电池性能预测方法

• 作者: 何雅玲 李伟卓 杨卫卫 闫飞宇
• 来源期刊: 中国科学（技术科学）
• 关键词: 质子交换膜燃料电池 BP神经网络 Bagging 数值模拟 性能预测
• 年，卷（期）: 2019,（4）
• 所属期刊栏目: 论文
• 页码范围: 391-401
• 页数: 11页
• 语种: 中文
• DOI: 10.1360/N092018-00368

摘要

利用三维质子交换膜燃料电池数学模型模拟研究了电池流道进、出口高度对电池性能的影响,然后将数值模拟结果作为神经网络模型的训练数据.以流道进、出口高度和电池电压值作为输入变量,以电池电流密度作为输出变量,建立了3层反向传播神经网络模型;然后利用Bagging集成学习方法对神经网络模型进行集成,构建了燃料电池性能预测方法.研究发现:与单一神经网络模型相比,Bagging神经网络集成模型预测精度更高,且所需模型训练数据量更少.此外对于超出训练数据以外的情形,Bagging神经网络集成模型仍然能够准确地预测燃料电池的性能,且精度良好,表明Bagging神经网络集成模型的鲁棒性较好,可用于更宽工况范围内燃料电池性能的快速预测.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	何雅玲		236	2427	25.0	42.0
2	杨卫卫		20	319	9.0	17.0
3	李伟卓		2	0	0.0	0.0
4	闫飞宇		6	4	1.0	2.0