基于XGBoost-RFECV算法和LSTM神经网络的PEMFC剩余寿命预测

作者：常家康; 吕宁; 詹跃东^*

来源：电子测量与仪器学报, 2022, 36(01): 126-133.

DOI：10.13382/j.jemi.B2104134

• XGBoost-RFECV算法
• LSTM神经网络
• PEMFC
• 剩余寿命

针对质子交换膜燃料电池(PEMFC)寿命预测方法中PEMFC特征对其寿命的影响程度未知和模型预测精度低的问题，提出一种基于XGBoost-RFECV算法和长短期记忆(LSTM)神经网络的PEMFC剩余寿命预测方法。首先通过等间隔采样和SG卷积平滑法对PEMFC原始数据进行重构和平滑处理，有效提取PEMFC退化趋势。然后利用XGBoost-RFECV算法计算PEMFC不同特征的重要度，并选择平均交叉验证均方误差最小的10个PEMFC特征组成最优特征子集。最后将最优特征子集输入构建的双层LSTM神经网络实现PEMFC的剩余寿命预测。实验结果表明，该方法的平均绝对误差和均方根误差分别为0.001 9和0.002 5,决定系数R2为0.974,与XGBoost-RNN、XGBoost-LSTM和XGBoost-RFECV-RNN方法相比预测精度更高，能够有效地预测PEMFC剩余寿命。

• 单位
  自动化学院; 昆明理工大学