Comparison of State-Space and LSTM-Based Virtual Temperature modelling in PEM fuel cells.

• Abiola, Abiodun ^[1] ; Barragán, Antonio Javier ^[1] ; Andújar, José Manuel ^[1] ; Segura , Francisca ^[1]
  1. [1] Universidad de Huelva

     Universidad de Huelva

     Huelva, España

     
• Localización: Jornadas de Automática, ISSN-e 3045-4093, Nº. 47, 2026
• Idioma: inglés
• DOI: 10.17979/ja-cea.2026.47.13863
• Títulos paralelos:
  • Comparación entre modelos de espacio de estados y LSTM para la estimación virtual de temperatura en pilas de combustible PEM
• Enlaces
  • Texto completo
• Resumen
  • español

    Este estudio compara enfoques basados en modelos de espacio de estados y redes Long Short-Term Memory (LSTM) para el sensado virtual de la temperatura de salida en pilas de combustible de membrana de intercambio protónico (PEMFC). Se recopilaron datos experimentales de corriente de pila, temperatura de entrada del agua de refrigeración y temperatura de salida del agua de refrigeración bajo condiciones dinámicas de operación. El modelo de espacio de estados se desarrolló mediante técnicas de identificación de sistemas, mientras que el modelo LSTM se entrenó utilizando un enfoque basado en aprendizaje secuencial de datos. Se evaluaron diferentes combinaciones de entradas mediante el error cuadrático medio (RMSE) y análisis de correlación. Los resultados mostraron que ambos métodos pudieron seguir el comportamiento térmico, aunque su desempeño dependió significativamente de la selección de entradas y de la observabilidad térmica

  • English

    This study compares model-based state-space prediction and Long Short-Term Memory (LSTM) approaches for virtual outlet-temperature sensing in proton exchange membrane fuel cells (PEMFCs). Experimental data consisting of stack current, inlet cooling-water temperature, and outlet cooling-water temperature were collected under dynamic operating conditions. The  state-space model was developed using system identification techniques, while the LSTM model was trained using a data-driven sequence-learning approach. Different input combinations were evaluated using root mean square error (RMSE) and correlation  analysis. Results showed that both methods could track thermal behavior, although their performance depended strongly on input  selection and thermal observability. The LSTM demonstrated strong capability in learning nonlinear thermal dynamics, while  the state-space approach provided improved physical interpretability. 

• Referencias bibliográficas
  • Abiola, A., Manzano, F.S., Andújar, J.M., 2023. A Novel Deep Reinforcement Learning (DRL) Algorithm to Apply Artificial Intelligence-Based...
  • Ariza, E., Correcher, A., Vargas-Salgado, C., 2023. PEMFCs Model-Based Fault Diagnosis: A Proposal Based on Virtual and Real Sensors Data...
  • Guffanti, D., Pavon, W., 2025. MultivariateSystem Identification of Differential Drive Robot: Comparison Between State-Space and LSTM-Based...
  • Ignatenko, V., Yudintsev, A., Lyapunov, D., 2019. Application of State-Space Method for Control System Analysis, in: 2019 International Siberian...
  • MathWorks, 2026. System Identification Toolbox User’s Guide. The MathWorks, Inc., Natick, Massachusetts, USA.
  • Vuong, V.-D., Nguyen, L.-H., Goulet, J.-A., 2025. Coupling LSTM neural networks and state-space models through analytically tractable inference....
  • Zheng, X., Zaheer, M., Ahmed, A., Wang, Y., Xing, E.P., Smola, A.J., 2017. State Space LSTM Models with Particle MCMC Inference. https://doi.org/https://doi.org/10.48550/arXiv.1711.11179