[05 Juni 2025], Proton Exchange Membrane Fuel Cells (PEMFCs) menjadi salah satu teknologi energi bersih yang menjanjikan untuk mendukung transisi menuju transportasi ramah lingkungan dan sumber energi berkelanjutan. Namun, kendala utama dalam penerapannya adalah masalah daya tahan. Pada aplikasi industri skala besar, seperti kendaraan listrik berbasis fuel cell, umur pakai yang panjang sangat krusial agar sistem tetap efisien dan ekonomis. Degradasi kinerja biasanya terlihat dari penurunan tegangan output yang terjadi seiring waktu, sehingga prediksi yang akurat mengenai degradasi ini sangat penting untuk perencanaan pemeliharaan dan peningkatan umur pakai. Tantangannya, degradasi terjadi dalam kondisi dinamis dengan pola yang kompleks, sehingga dibutuhkan pendekatan cerdas yang mampu menangkap dinamika spasial maupun temporal dari data operasional fuel cell.

Untuk mengatasi keterbatasan metode sebelumnya, digunakan model prediksi berbasis deep learning yang menggabungkan Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), dan mekanisme atensi Squeeze-and-Excitation (SE). CNN berperan dalam mengekstraksi fitur spasial dari data operasional fuel cell, LSTM fokus pada hubungan sekuensial dalam data deret waktu, sementara SEAM secara adaptif menekankan fitur-fitur yang paling relevan dengan degradasi tegangan. Dataset yang digunakan berasal dari uji ketahanan jangka panjang pada dua tumpukan PEMFC, dengan kondisi operasi statis maupun dinamis. Sebagai pembanding, model LSTM, CNN, dan CNN-LSTM tanpa SEAM juga diuji menggunakan dataset yang sama.

Hasil prediksi menunjukkan bahwa model CNN-LSTM-SEAM menghasilkan akurasi tertinggi dibandingkan model lain. Pada kondisi operasi statis, model ini mencapai root mean square error (RMSE) sebesar 7.440 × 10⁻⁴ V dan mean absolute error (MAE) sebesar 6.095 × 10⁻⁴ V. Sementara pada kondisi dinamis, RMSE sebesar 1.317 × 10⁻³ V dan MAE sebesar 8.389 × 10⁻⁴ V. Angka ini membuktikan bahwa kombinasi CNN, LSTM, dan mekanisme SEAM mampu memprediksi detail penurunan tegangan dengan lebih stabil. Keunggulan utama model ini adalah tidak lagi memerlukan pemilihan manual parameter degradasi, yang biasanya meningkatkan kompleksitas proses prediksi. Dibandingkan pendekatan berbasis model fisik atau hibrida, metode berbasis data ini lebih efisien dalam menangani kompleksitas non-linear sistem fuel cell. Dengan demikian, CNN-LSTM-SEAM memberikan solusi lebih unggul untuk menangkap pola degradasi jangka panjang maupun jangka pendek.

Pemanfaatan deep learning berbasis CNN-LSTM-SEAM terbukti efektif untuk memprediksi degradasi kinerja PEMFC secara akurat, baik dalam kondisi operasi statis maupun dinamis. Integrasi tiga elemen utama—ekstraksi fitur spasial, analisis deret waktu, dan atensi selektif—mampu meningkatkan akurasi prediksi serta mengurangi kompleksitas pemilihan parameter. Model ini dapat menjadi pijakan penting dalam mendukung keandalan fuel cell, terutama pada aplikasi transportasi dan energi berkelanjutan yang menuntut umur pakai panjang serta performa stabil.

Referensi

• Ma, Y., Li, S., Zhou, S., Wang, X., Yuan, H., Chang, G., Zhu, J., Dai, H., & Wei, X. (2025). Performance degradation prediction of proton exchange membrane fuel cells based on CNN-LSTM network with squeeze-and-excitation attention mechanism. Energy, 335, 138127. https://doi.org/10.1016/j.energy.2025.138127.