找到 1 条结果
基于机器学习的两步算法预测变功率输入下质子交换膜水电解槽性能
Machine learning two-step algorithm for prediction of proton exchange membrane water electrolyzer cell performance under variable power inputs
Nikola Frani · Andrej Zvonimir Tomić · Frano Barbi · Ivan Piv · Energy Conversion and Management · 2025年1月 · Vol.343
摘要 可再生能源（如太阳能和风能）具有波动性，导致输入条件动态变化，难以通过传统的实验室方法进行复现和分析。本研究提出一种基于机器学习的方法，用于预测在动态功率输入条件下质子交换膜水电解槽（PEMWE）的性能，旨在降低实验复杂性，并加速控制系统开发及PEMWE技术的部署应用。本文开发了一种新颖的两步机器学习算法：首先采用前馈神经网络估计PEMWE的电流，然后利用长短期记忆网络架构预测氢气产量。模型训练与验证所用的实验数据来自八种不同功率曲线并在多种温度条件下采集获得。该算法在未见过的操作电压曲线...
解读: 该机器学习预测算法对阳光电源制氢储能系统具有重要应用价值。可集成至iSolarCloud平台,实现光伏-电解槽动态耦合优化:利用SG逆变器实时功率数据,通过神经网络预测PEM电解槽性能,指导ST储能系统功率调度策略。该两步算法(电流估算+产氢预测)可优化GFM控制下的波动功率管理,减少实验成本,加速...