基于GA-ELM算法的燃料电池性能预测模型

为减少燃料电池堆耐久性能试验物料成本，提升耐久性能预测效率，利用燃料电池堆稳态耐久性试验数据，基于遗传算法(GA)-极限学习机(ELM)算法结合神经网络与遗传算法，搭建燃料电池稳态耐久性能预测模型。该模型为双输入时间和电流(或电流密度)]单输出(电压)。利用试验数据对建立的模型进行训练与验证，发现该模型具有较高的预测精度。将GA-ELM模型与长短记忆网络(LSTM)模型对比，在预测精度(误差2%左右)相当的情况下，GA-ELM模型计算时间仅为LSTM模型的1/5。搭建的预测模型具有较好的通用性、较高的稳定性和精度。