固体氧化物燃料电池（Solid Oxide Fuel Cell,SOFC）是一种在中高温下直接将储存在燃料和氧化剂中的化学能高效、环境友好地转化成电能的全固态化学发电装置。为了满足轨道交通、重卡动力系统等大功率场景的需求,亟需发展多堆SOFC系统,由于工作环境、启动停止循环、负载变化等动态工况,会导致多堆SOFC系统发生性能退化,为了避免性能退化而导致的不必要停机或是安全事故,需要对工作在动态工况之下的多堆SOFC系统进行性能退化趋势预测。因此,本文主要研究内容如下:（1）通过分析SOFC系统阳极镍粒子粗化和镍氧化的机理,搭建了考虑退化的多堆SOFC系统仿真模型,并通过仿真模型采集了负载变化较慢和负载变化较快两种动态工况下的运行数据,用于验证后续提出的多堆SOFC系统性能预测策略。（2）针对多堆SOFC系统存在多个工作状态的情况,提出基于多工作状态的多堆SOFC系统性能预测策略。首先通过互信息方法和皮尔逊相关系数计算目标电堆与多堆系统中其他电堆之间的相关性,筛选出与目标电堆相关性较高的电堆;然后通过动态工况识别（Identification of Dynamic Condition,IDC）方法,将不同工作状态对应的数据依次筛选出来,建立不同工作状态各自的性能退化预测模型,并利用GRU算法,选择测试样本当前的工作状态。在测试数据集上的实验证明,在多堆SOFC系统存在多个工作状态的情况下,提出的策略能够将不同工作状态的对应数据依次筛选出来,并且能够准确的预测SOFC的性能退化的趋势。（3）针对多堆SOFC系统工作在负载变化较快的动态工况之下时,提出基于Sa Conv LSTM模型的多堆SOFC系统性能预测策略。首先利用奇异谱分析法提取多堆SOFC系统中各个电堆的健康指标,消除动态工况的影响;然后利用Sa Conv LSTM模型对健康指标的退化趋势进行预测,该模型通过利用卷积操作,能够解决电堆与电堆之间的相互影响,实现多堆系统的性能退化趋势预测。在测试数据集上的实验证明,奇异谱分析法能够从电压数据中提取到能够反映SOFC退化过程的健康指标,并且提出的Sa Conv LSTM模型能够准确的预测多堆系统中各个电堆的性能退化趋势。