Yan, Xuqian (2025) Data-Driven State-of-Health Quantification for Industrial Proton Exchange Membrane (PEM) Water Electrolyzer Fleets. PhD, Universität Oldenburg.

Preview

Volltext (5Mb)

Abstract

Producing green hydrogen through water electrolysis using renewable electricity is key to decarbonizing industries. Proton exchange membrane (PEM) water electrolysis is a mature technology with advantages such as allowing for fast dynamic operations. However, its adoption is limited by the high cost and short lifetime. To address this, operators must maximize utilization by optimizing operations and maintenance, which requires monitoring the state of health (SOH). Existing methods rely on laboratory measurements under controlled conditions, unsuitable for industrial use. This research focuses on voltage as an easily measurable degradation indicator and uses data-driven methods to correct the measured voltage to predefined reference conditions, denoted as Urc – the SOH indicator. Two methods are proposed: one based on transfer linear regression, adjusting voltage models with new data; and another using Bayesian inference, with fleet knowledge as prior. These methods are validated with both industrial and synthetic data. They enable automatic SOH monitoring, enhance safety and profitability, and provide insights into degradation behavior.

["eprint_fieldname_title_plus" not defined]

Datengetriebene State-of-Health-Quantifizierung für industrielle Flotten von Protonenaustauschmembran-(PEM)-Wasserelektrolyseuren

["eprint_fieldname_abstract_plus" not defined]

Die Produktion von grünem Wasserstoff durch Elektrolyse ist entscheidend für die Dekarbonisierung. Die Protonenaustauschmembran-(PEM)-Wasserelektrolyse bietet Vorteile wie schnelle dynamische Betriebsweisen. Ihre Verbreitung wird jedoch durch hohe Kosten und kurze Lebensdauer begrenzt. Um dem entgegenzuwirken, müssen Betreiber Betrieb und Wartung optimieren, was die Überwachung des Gesundheitszustands (State of Health, SOH) erfordert. Bestehende Methoden basieren auf Laboruntersuchungen und sind für industrielle Anwendungen ungeeignet. Diese Forschung konzentriert sich auf Spannungsdegradation und nutzt datengetriebene Methoden, um gemessene Spannungen auf vordefinierte Referenzbedingungen (Urc – SOH-Indikator) zu korrigieren. Zwei Methoden werden entwickelt: eine basiert auf der Transfer-Linearregression, die Spannungsmodelle kontinuierlich anpasst; eine auf der Bayesschen Inferenz mit Flottenwissen als Prior. Beide Methoden, validiert mit industriellen und synthetischen Daten, ermöglichen automatische SOH-Überwachung, erhöhen Sicherheit und Rentabilität und liefern Einblicke in das Degradationsverhalten.

Item Type:	Thesis (PhD)
Uncontrolled Keywords:	Condition monitoring, Data-driven modelling, Degradation, Electrolyzer, Hydrogen
Subjects:	Generalities, computers, information > Computer science, internet
Divisions:	School of Computing Science, Business Administration, Economics and Law > Department of Computing Science
Date Deposited:	23 Jul 2025 11:51
Last Modified:	23 Jul 2025 11:51
URI:	https://oops.uni-oldenburg.de/id/eprint/7238
URN:	urn:nbn:de:gbv:715-oops-73195
DOI:
Nutzungslizenz:

Actions (login required)

View Item