准确的健康状态(state of health,SOH)估算可以确保锂离子电池安全可靠运行,延长其使用寿命。针对当前许多健康特征无法表征电池老化机理,异常工况时无法准确追踪SOH变化趋势的问题,本文提出一种经验模型与数据驱动相结合的SOH估算方法...准确的健康状态(state of health,SOH)估算可以确保锂离子电池安全可靠运行,延长其使用寿命。针对当前许多健康特征无法表征电池老化机理,异常工况时无法准确追踪SOH变化趋势的问题,本文提出一种经验模型与数据驱动相结合的SOH估算方法。将锂离子电池负极固体电解质界面(SEI)膜增厚机理融入Arrhenius定律中构建经验模型,然后采用最小二乘法进行参数辨识,并分别计算每个参数与容量的Spearman相关系数。结果表明,它们与容量衰退都具有强相关性,可以作为估算SOH的健康特征。此外,为了克服双向长短期记忆(bidirectional long and short term memory,BiLSTM)网络参数较多且容易陷入过拟合的问题,本文使用减平均优化(subtraction average based optimizer,SABO)算法对BiLSTM的超参数进行寻优,建立SOH估算模型。最后,采用实验测试数据与美国航空航天局(National Aeronautics and Space Administration,NASA)数据验证了所提方法的适应性,并与长短期记忆(long and short-term memory,LSTM)网络、双向长短期记忆网络以及粒子群优化(particle swarm optimization,PSO)的双向长短期记忆网络3种算法的估算结果进行对比。结果表明,采用SABO-BiLSTM算法估算4节电池SOH的平均绝对百分比误差分别为0.043%、0.053%、0.259%、0.230%,相较于LSTM降低了94.58%、 92.85%、 88.65%、 90.13%,相较于BiLSTM降低了89.11%、91.60%、77.90%、76.41%,相较于PSO-BiLSTM降低了58.65%、58.91%、65.37%、69.29%。展开更多
为提高瓦斯涌出量预测精度,降低煤矿回采工作面瓦斯涌出超限事故的风险,针对瓦斯涌影响因素众多、难以预测等问题,采用灰狼优化算法(Grey Wolf Optimization,GWO)双向长短期记忆神经网络(Bi-directional Long Short-Term Memory,BiLSTM...为提高瓦斯涌出量预测精度,降低煤矿回采工作面瓦斯涌出超限事故的风险,针对瓦斯涌影响因素众多、难以预测等问题,采用灰狼优化算法(Grey Wolf Optimization,GWO)双向长短期记忆神经网络(Bi-directional Long Short-Term Memory,BiLSTM)的组合模型预测瓦斯涌出量。首先,运用主成分分析法(Principal Components Analysis,PCA)处理瓦斯涌出影响因素,降低数据维度,以减少模型计算时的负担;其次,利用GWO优化BiLSTM模型的学习率(best_lr)、隐藏层层数(best_hd)以及正则化系数(best_l2),可有效避免局部最优解问题,并采用决定系数(R-Square,R^(2))、均方根误差(Root Mean Square Error,RMSE)和平均绝对误差(Mean Absolute Error,MAE)对所建模型预测的结果进行综合评价分析;最后,将该模型应用于内蒙古自治区某矿回采工作面预测瓦斯涌出量。结果显示:PCA GWO BiLSTM组合模型相比于长短期记忆神经网络(Long Short-Term Memory,LSTM)和双向长短期记忆神经网络对应的单一模型,其MAE分别降低20.81%、30.17%,RMSE分别降低0.063、0.142,R^(2)则分别提高了0.023、0.075,表明该模型在复杂因素条件下具有更高的精准度、泛化性和鲁棒性。展开更多
文摘准确的健康状态(state of health,SOH)估算可以确保锂离子电池安全可靠运行,延长其使用寿命。针对当前许多健康特征无法表征电池老化机理,异常工况时无法准确追踪SOH变化趋势的问题,本文提出一种经验模型与数据驱动相结合的SOH估算方法。将锂离子电池负极固体电解质界面(SEI)膜增厚机理融入Arrhenius定律中构建经验模型,然后采用最小二乘法进行参数辨识,并分别计算每个参数与容量的Spearman相关系数。结果表明,它们与容量衰退都具有强相关性,可以作为估算SOH的健康特征。此外,为了克服双向长短期记忆(bidirectional long and short term memory,BiLSTM)网络参数较多且容易陷入过拟合的问题,本文使用减平均优化(subtraction average based optimizer,SABO)算法对BiLSTM的超参数进行寻优,建立SOH估算模型。最后,采用实验测试数据与美国航空航天局(National Aeronautics and Space Administration,NASA)数据验证了所提方法的适应性,并与长短期记忆(long and short-term memory,LSTM)网络、双向长短期记忆网络以及粒子群优化(particle swarm optimization,PSO)的双向长短期记忆网络3种算法的估算结果进行对比。结果表明,采用SABO-BiLSTM算法估算4节电池SOH的平均绝对百分比误差分别为0.043%、0.053%、0.259%、0.230%,相较于LSTM降低了94.58%、 92.85%、 88.65%、 90.13%,相较于BiLSTM降低了89.11%、91.60%、77.90%、76.41%,相较于PSO-BiLSTM降低了58.65%、58.91%、65.37%、69.29%。
