谢宏远，刘 逸，候 权，徐心海

(1.哈尔滨工业大学(深圳)机电工程与自动化学院，广东 深圳 518055；2.哈尔滨商业大学能源与建筑工程学院，黑龙江 哈尔滨 150028)

为实现能源的低碳转型，质子交换膜燃料电池(PEMFC)由于其无污染、效率高与噪声低等特点，成为21世纪最有发展前景的发电技术之一，广泛应用于汽车动力、分布式发电与便携式电源等领域[1].然而，PEMFC的运行寿命、长期性能和维护成本成为制约其进一步商业化发展的主要因素[2].除实现材料突破与改进堆栈设计外，预测与健康管理是保障PEMFC长时间安全稳定运行的方法之一.其中，对剩余使用寿命(Remaining Useful Life，RUL)进行准确预测可以保证电堆得到及时维修进而延长使用寿命，因此RUL的预测方法成为燃料电池领域的主要研究热点之一.

目前，评估PEMFC剩余使用寿命的方法主要分为模型驱动和数据驱动两种类型.Jouin等[3]对于PEMFC堆栈提出了基于粒子滤波的RUL预测模型，并对三种电压衰退经验模型进行了测试.相对线性模型和指数模型而言，对数线性模型的效果最好.Kimotho等[4]进一步提出了一种自适应粒子滤波算法来预测PEMFC的RUL，该算法在每次电堆启停后引入自愈因子，对电压衰减模型的参数进行调整，以适应不断变化的衰减趋势.Bressel等[5]将极化曲线半经验模型中的参数时间化，利用扩展卡尔曼滤波估计模型的时变参数，实现了电堆的RUL预测.而在基于数据的预测方法中，Ma等[6]提出了基于网格长短期记忆循环神经网络的PEMFC性能退化预测方……