基于控制的混合建模方法：通过残差误差校正对AEM电解槽进行建模

《IEEE Transactions on Industry Applications》：Control-Oriented Hybrid Modeling of AEM Electrolyzer via Residual Error Correction

质子交换膜电解槽（AEM）的混合建模框架通过RC电路主干与浅层神经网络残差修正结合，有效平衡了模型精度、可解释性与计算效率，在商业电解槽数据验证中拟合度达92.03%，较传统RC模型提升66%，优于纯黑箱DNN和标准物理嵌入的PINN方法。

　　

摘要：

对于能源中心的优化而言，准确且以控制为导向的阴离子交换膜（AEM）电解槽模型至关重要。一个重要的挑战在于如何在预测准确性、物理可解释性和实时控制所需的计算可行性之间取得平衡。基于标准的物理模型（例如RC电路）虽然具有可解释性，但无法捕捉复杂的温度依赖性动态，从而导致较大的结构误差。本文提出了一种以控制为导向的混合建模框架，该框架采用了两阶段残差校正策略，提高了计算效率，并增强了模型对测量误差和不确定性的鲁棒性。首先，通过一种稳健的多步估计方法确定了一个双支RC电路，作为主导电化学动态的可解释基础。其次，训练了一个浅层神经网络（NN）来仅学习残差误差，从而修正未建模的热动态。该混合模型在来自商业电解槽的实际运行数据上进行了验证，其准确率达到了92.03%。这比仅使用RC电路的基线模型（准确率为26.00%）提高了66%，同时也优于纯黑盒深度神经网络（DNN，准确率为52.04%）和基于标准物理模型的PINN方法（准确率为74.91%）。所提出的框架提供了一种高保真度、易于处理且可解释的解决方案，适用于先进的基于模型的控制策略。