准确掌握锂离子电池健康状态(State of health,SOH)对于储能系统安全稳定运行至关重要。然而,由于电池SOH无法直接测量,并且其衰减又受到多种因素影响,使全寿命周期退化过程呈现非线性,导致电池SOH估计困难。因此,提出一种基于恒压充电...准确掌握锂离子电池健康状态(State of health,SOH)对于储能系统安全稳定运行至关重要。然而,由于电池SOH无法直接测量,并且其衰减又受到多种因素影响,使全寿命周期退化过程呈现非线性,导致电池SOH估计困难。因此,提出一种基于恒压充电数据与堆叠模型的锂离子电池SOH估计方法。通过分析不同循环周期下恒压充电阶段电流数据,揭示其变化规律,并提出了以恒压充电阶段的充电时间、电流信息熵、电流曲线偏度和最大曲率构建健康特征组合。为了提高SOH估计模型的泛化能力,根据健康特征组合设计了包含4种不同原理机器学习估计器的堆叠模型,通过双层多模型融合提高了SOH估计结果的准确性。试验结果验证了所提健康特征组合及模型能实现对电池SOH的准确估计。展开更多
在软件定义网络(Software Defined Network,SDN)中,异常流量检测方法在实践中存在一些问题,主要体现在误报率高和虚警频繁等方面。为了应对网络中的异常流量攻击,研究人员开始探索机器学习异常流量检测方法。然而,机器学习方法面临着数...在软件定义网络(Software Defined Network,SDN)中,异常流量检测方法在实践中存在一些问题,主要体现在误报率高和虚警频繁等方面。为了应对网络中的异常流量攻击,研究人员开始探索机器学习异常流量检测方法。然而,机器学习方法面临着数据集庞大和数据维度高等挑战,这些因素影响了机器学习的效率和准确率,因此需要进行数据降维处理。主成分分析算法(Principal Component Analysis,PCA)作为基于线性变换的降维算法,存在一定的局限性,无法有效估计主成分。为了解决该问题,文中提出了一种改进的降维算法,即聚类高斯核主成分分析(C-means Gaussian Kernel Principal Component Analysis,CGKPCA),它扩展了非线性变换的能力。同时,还针对分类模型进行了改进,提出了改进的堆叠分类模型(Support Vector Machine Stacking,SVMS)。为了验证所提方法的有效性,文中使用开源数据集KDDCPU99和UNSW-NB15进行了实验。实验结果表明,所提出的二分类检测模型在性能指标上明显领先于其他模型。展开更多
文摘准确掌握锂离子电池健康状态(State of health,SOH)对于储能系统安全稳定运行至关重要。然而,由于电池SOH无法直接测量,并且其衰减又受到多种因素影响,使全寿命周期退化过程呈现非线性,导致电池SOH估计困难。因此,提出一种基于恒压充电数据与堆叠模型的锂离子电池SOH估计方法。通过分析不同循环周期下恒压充电阶段电流数据,揭示其变化规律,并提出了以恒压充电阶段的充电时间、电流信息熵、电流曲线偏度和最大曲率构建健康特征组合。为了提高SOH估计模型的泛化能力,根据健康特征组合设计了包含4种不同原理机器学习估计器的堆叠模型,通过双层多模型融合提高了SOH估计结果的准确性。试验结果验证了所提健康特征组合及模型能实现对电池SOH的准确估计。
