摘要
本发明公开了一种基于深度强化学习的燃料电池性能衰退长期预测方法，具体包括5个步骤：获取燃料电池衰退实验数据集；用SHAP方法进行筛选；基于实验数据与遗传算法对半经验半机理模型进行参数拟合；基于实验数据对长短期记忆循环神经网络模型进行训练和测试；构造强化学习环境；采用演员‑评论家算法对上述两个模型训练阶段的电压进行加权求和，训练出最优的权重分配策略，利用该策略对测试阶段两个模型的电压进行动态加权，得到测试阶段混合模型的输出值，并计算其相关系数。该方法结合机理模型和数据驱动模型的双重优势，实现了燃料电池性能衰退长期预测的高鲁棒性和高准确度，可有效用于评估燃料电池系统状态及其性能衰退过程的预测。
