トランスフォーマーベース機械学習モデルによるPEM水電解装置の性能監視

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Novel application of transformer architecture to electrochemical system monitoring, offering a data-driven method for virtual characterization.

🏢実務担当者:Enables real-time health monitoring of PEM electrolyzers without downtime, reducing maintenance costs and improving operational efficiency.

🏛政策担当者:Supports the scalability of green hydrogen production by lowering operational barriers, relevant for hydrogen strategy and subsidy design.

水素は、長距離輸送や高温産業プロセスなど、直接的な電化が困難な部門において、世界的な脱炭素化努力の重要なエネルギーキャリアとしてますます認識されている。低炭素水素を生産する技術経路の中で、再生可能電力による水の電気分解を利用した水素製造—しばしば「グリーン水素」と呼ばれる—は、持続可能な水素生成のための主要技術として浮上している。プロトン交換膜（PEM）水電解装置は、高い出力密度、優れた柔軟性、最小限の設置スペースを提供するため、特に注目されている。 実時間でのPEM電解装置システムの健全性監視は、その展開に不可欠である。実験室規模の装置では、性能劣化は通常、通常運転の定期的な中断による、よく管理された事前定義済みの電気化学試験プロトコル、例えば電気化学インピーダンス分光法（EIS）を用いた分極曲線測定を通じて評価される。しかし、フルスケールのスタック展開（MWまたはGW規模）は、断続的な再生可能電力との連携により、しばしば動的条件下で運転され、そのような制御された中断は現実的ではない。これにより、システム運転者は実時間運転中のシステムの健全性状態（SoH）にアクセスする能力が制限される。このギャップを埋めるために、機械学習（ML）モデルは有望な解決策を提供する：運転データから学習することで、モデルは運転を中断することなく仮想的な試験と性能監視を可能にする。 本研究では、運転中のPEM電解装置の仮想的特性評価を可能にするために、エンコーダー・デコーダートランスフォーマーアーキテクチャを備えたMLフレームワークを提案する。我々のモデルは、通常運転中に収集された運転データを条件として、電気化学的特性評価試験、すなわち分極曲線を再構築するように訓練される。さらに、エンコーダー・デコーダーは、システム内部状態に関連する有意義な洞察を捉える潜在表現も学習し、これはデータ駆動型のSoH指標として機能し得る。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Hydrogen is increasingly recognized as a critical energy carrier of global decarbonization efforts, in sectors where direct electrification is challenging, such as long-haul transportation and high-temperature industrial processes. Among the technological route to produce low-carbon hydrogen, hydrogen production via water electrolysis powered by renewable electricity—often referred to as "green hydrogen"—is emerging as a key technology for sustainable hydrogen generation. Proton Exchange membrane (PEM) water electrolyzer is of particular interest as it offers high power density, excellent flexibility and minimal space requirements. Real-time PEM electrolyzer system health monitoring is essential for the deployment. In lab-scale device, performance degradation is typically assessed through well-controlled, pre-defined electrochemical testing protocols by periodic pauses of normal operation, such as polarization curve measurement with electrochemical impedance spectroscopy (EIS). However, full-scale stack deployments (in MW or GW) often operate under dynamic conditions due to their coupling with intermittent renewable electricity, where such controlled pauses are not realistic. This limits system operators’ ability to access the system’s state-of-health (SoH) in real-time operation. To bridge this gap, machine learning (ML) models offer a promising solution: by learning from operational data, the model enables virtual testing and performance monitoring without interrupting operation. In this work, we propose a ML framework with an encoder-decoder transformer architecture to enable virtual characterization of PEM electrolyzers during operation. Our model is trained to reconstruct electrochemical characterization tests, i.e., polarization curves, conditioned on operational data collected during normal operation. Additionally, the encoder–decoder also learns latent representations that capture meaningful insights relevant to the system internal state, which may serve as a data-driven SoH indicator.

• semanticscholar https://doi.org/10.48550/arxiv.2605.19107first seen 2026-07-20 05:25:01 · last seen 2026-09-22 05:01:02