动力电池的荷电状态(State of Charge,SOC)是保障储能电站正常运行和安全的重要参数之一。提出一种基于卷积神经网络(CNN)与门控循环神经网络(GRU)结合的电池SOC预测方法。首先使用该网络分别对单体电池充放电实验数据进行估计并于真实...动力电池的荷电状态(State of Charge,SOC)是保障储能电站正常运行和安全的重要参数之一。提出一种基于卷积神经网络(CNN)与门控循环神经网络(GRU)结合的电池SOC预测方法。首先使用该网络分别对单体电池充放电实验数据进行估计并于真实SOC值进行对比分析,测试结果显示,充电时所提出的CNN-GRU联合神经网络估计的SOC值与真实值之间的误差绝对值[0.0004%,1.71%]。放电时充电时所提出的CNN-GRU联合神经网络估计的SOC值与真实值之间的误差绝对值[0.0002%,3.0%]。然后采用电池组的运营数据进行电池组的SOC的估计,并与实际运行数据的中SOC值进行比较,充电时的误差绝对值范围为[0.0029%,3.1%],放电时误差绝对值范围为[0.0001%,3.7%]。结果表明所提出的CNN-GRU联合算法在纯电动公交车锂电池组SOC估计方面具有良好的应用价值。展开更多
在挤出机单螺杆计量段二维解析建模的基础上,采用交叉验证方法构建人工神经网络(artificial neural network,ANN)模型并对其进行了超参数优化,以有效地映射挤出机工作条件和结构参数与生产率和功耗之间的复杂非线性关系。提出利用ANN代...在挤出机单螺杆计量段二维解析建模的基础上,采用交叉验证方法构建人工神经网络(artificial neural network,ANN)模型并对其进行了超参数优化,以有效地映射挤出机工作条件和结构参数与生产率和功耗之间的复杂非线性关系。提出利用ANN代理模型,结合NSGA-Ⅱ(non-dominated sorting genetic algorithmⅡ)算法对螺杆计量段的结构参数进行多目标优化,并通过TOPSIS(technique for order preference by similarity to an ideal solution)法得到最优生产率和功耗组合的结构参数。相关工作对单螺杆计量段结构参数的智能化设计具有理论指导意义。展开更多
文摘动力电池的荷电状态(State of Charge,SOC)是保障储能电站正常运行和安全的重要参数之一。提出一种基于卷积神经网络(CNN)与门控循环神经网络(GRU)结合的电池SOC预测方法。首先使用该网络分别对单体电池充放电实验数据进行估计并于真实SOC值进行对比分析,测试结果显示,充电时所提出的CNN-GRU联合神经网络估计的SOC值与真实值之间的误差绝对值[0.0004%,1.71%]。放电时充电时所提出的CNN-GRU联合神经网络估计的SOC值与真实值之间的误差绝对值[0.0002%,3.0%]。然后采用电池组的运营数据进行电池组的SOC的估计,并与实际运行数据的中SOC值进行比较,充电时的误差绝对值范围为[0.0029%,3.1%],放电时误差绝对值范围为[0.0001%,3.7%]。结果表明所提出的CNN-GRU联合算法在纯电动公交车锂电池组SOC估计方面具有良好的应用价值。
文摘在挤出机单螺杆计量段二维解析建模的基础上,采用交叉验证方法构建人工神经网络(artificial neural network,ANN)模型并对其进行了超参数优化,以有效地映射挤出机工作条件和结构参数与生产率和功耗之间的复杂非线性关系。提出利用ANN代理模型,结合NSGA-Ⅱ(non-dominated sorting genetic algorithmⅡ)算法对螺杆计量段的结构参数进行多目标优化,并通过TOPSIS(technique for order preference by similarity to an ideal solution)法得到最优生产率和功耗组合的结构参数。相关工作对单螺杆计量段结构参数的智能化设计具有理论指导意义。
