燃料电池（Fuel Cell, FC）能通过电化学反应把燃料的化学能直接转变成电能和热能，被认为是继水力、火力和核能之后的第四代发电技术。由于不受“卡诺循环”的限制，FC的能量转换率可达到60%以上，实际使用效率为普通内燃机的2~3倍。另外，由于工作不经过燃烧，FC不排放硫氧化物（SOX）与氮氧化物（NOX），对环境的污染极小。因此，作为一种高效、洁净的能源，FC已成为21世纪各国竞相发展的新型绿色能源。支持向量机（Support Vector Machine, SVM）是由Vapnik等人在统计学习理论的VC维理论和结构风险最小化原则的基础上提出来的一类新型机器学习方法。它集成了最大间隔超平面、Mercer核、凸二次规划、稀疏解和松弛变量等多项技术，较好地解决了以往困扰很多机器学习方法的小样本、非线性、过学习、高维数、局部极小等实际问题。目前，SVM已经在很多不同领域的分类和回归问题上获得了很好的应用。当SVM用于解决回归问题时，又称为支持向量回归机（SupportVector Regression, SVR）。由于FC是多变量输入及多变量输出系统，一个好的模型有利于FC研究过程的仿真、优化和评估。人们可以利用相关模型预测在不同的工艺参数/操作条件下燃料电池的性能。然而，现有大部分的燃料电池模型对于研究者和使用者来说过于复杂或准确性不够高。本论文利用基于粒子群寻优（Particle Swarm Optimization,PSO）算法的SVR建立起非线性离线模型用于FC及其各种性能的研究。基于实验数据的PSO-SVR的燃料电池研究，有助于提高实验的效率，可以节省大量的人力、时间和财力，为研发燃料电池提供了一条新思路和新方法，对推进燃料电池研制技术进步和燃料电池发展具有重要的意义。本论文研究的主要内容包括：（1）对FC的基本情况进行了简要的介绍和分析，包括FC的工作原理、分类、特点、发展及应用等。（2）简述了SVR的理论基础：机器学习理论、统计学习理论，以及核函数等。（3）根据质子交换膜燃料电池（Proton Exchange Membrane Fuel Cell，PEMFC）在不同工作温度和膜电阻下的实测PEM含水量的数据集，利用PSO-SVR，对PEMFC中的PEM含水量进行了建模与预测研究。虽然PEMFC中的PEM含水量和电池温度、膜电阻两因素之间存在非常复杂的非线性关系，然而PSO-SVR模型对于PEM含水量的预测值与实验值能很好的吻合，其平均绝对误差(MAE)=0.01，平均绝对百分误差(MAPE)=0.16%，复相关系数(R2)≈1.00。此外，还利用所建立的PSO-SVR模型对PEM含水量的最大值和最小值进行了预测：当电池温度为51.5℃，电阻为1.96m时，λmax=9.73；当电池温度为24.0℃，电阻为27.20m时，λmin=1.84。（4）由于PEMFC电功率大小主要受电池温度、电池工作压强、阳极加湿温度、阴极加湿温度、氢流量比和氧流量比等因素的影响，我们以这些因素为输入，以PCMFC系统的输出电功率为输出的实测数据进行了PSO-SVR建模和预测研究。研究结果显示：PSO-SVR模型所预测的输出电功率的MAE仅为0.156W，MAPE为0.68%，R2达到0.998，表明PSO-SVR模型的预测值与实验值符合得很好。（5）通过实测数据集，建立了以直接甲醇燃料电池（Direct Methanol Fuel Cell，DMFC）的电池温度和电池电流密度为输入参数的PSO-SVR模型，对DMFC的输出电压进行了回归预测研究，并与人工神经网络（Artificial Neural Networks,ANN）所建模型进行了比较。结果显示，ANN模型对DMFC的输出电压预测值的MAE和MAPE分别为0.009943V和2.23%；而PSO-SVR模型预测值的MAE和MAPE仅为0.004990V和0.93%；ANN模型的R2为0.991，而PSO-SVR模型的R2达到0.995。表明PSO-SVR模型的回归预测能力比ANN模型更强，可以很好地应用于DMFC输出电压的预测研究。（6）基于不同工作温度和SSC含量下固体氧化物燃料电池（Solid Oxide FuelCell，SOFC）的BSCF-SSC复合阴极电导率的实测数据集，应用PSO-SVR方法，对SOFC的BSCF-SSC复合阴极电导率进行了建模预测研究。研究结果显示：预测电导率的MAE值、MAPE值和R2值分别为：0.0467S/cm，0.09%和0.999，预测值和实验值吻合得很好，模型可以用于BSCF-SSC复合阴极电导率预测。此外，利用建立的PSO-SVR模型对BSCF-SSC复合阴极电导率的最大值进行了预测，结果为：当工作温度为344℃，SSC含量为39wt%时，复合阴极的最大电导率可达242.9S/cm。