质子交换膜燃料电池（PEMFCs）的耐久性不足阻碍了其商业化，因此进行准确的长期预测至关重要。然而，现有方法在物理可解释性、准确性和不确定性量化之间难以取得平衡。本文提出了一种新的框架——基于物理信息的神经网络与共形预测（PINNCP）。首先，为了解决“黑箱”模型的局限性，我们开发了一种将物理机制与数据相结合的“灰箱”建模方法。该方法不是直接拟合电压曲线，而是让神经网络自适应地学习广义幂律模型的元参数。通过将电化学方程嵌入损失函数中，该方法能够在无需参数标签的情况下准确反演并分离关键的内部物理状态。其次，为了量化风险，引入了一种基于物理信息的校准共形预测策略。通过用物理约束来校准不匹配程度得分，该方法生成的预测区间具有严格的统计保证和物理一致性。在静态、准动态和动态条件下的广泛验证表明，PINNCP能够准确预测长期的电压衰减趋势，并提供高质量的置信区间。此外，通过利用提取的物理参数，该方法能够在同类型的PEMFCs之间实现衰减预测的迁移，显著提高了其实际应用价值。
