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
为解决光伏序列的强噪音干扰以及单一模型在光伏功率预测方面精度偏低和泛化性较差的问题,提出了一种基于特征优化和混合改进灰狼算法优化双向长短时记忆网络(bi-directional long short-term memory,BiLSTM)的短期光伏功率预测方法。首...为解决光伏序列的强噪音干扰以及单一模型在光伏功率预测方面精度偏低和泛化性较差的问题,提出了一种基于特征优化和混合改进灰狼算法优化双向长短时记忆网络(bi-directional long short-term memory,BiLSTM)的短期光伏功率预测方法。首先,运用互信息算法进行输入数据的变量选择,以消除冗余变量。其次,通过互补集合经验模态分解和改进的小波阈值算法对筛选后的数据进行特征重构,旨在降低数据中的噪声干扰并完成输入变量的特征优化。随后,结合改进的Tent混沌映射、非线性递减因子、动态权重策略和差分进化算法对标准灰狼优化算法进行混合优化,以确定双向长短期记忆神经网络的最优超参数组合,并引入注意力机制以挖掘数据中的关键时序信息,最终构建出一种新型的短期光伏功率预测模型。仿真实验表明,相较于最小二乘支持向量机、长短期记忆网络和双向长短期记忆网络,所提模型在晴天、多云、阴天和降雨等不同工况下的均方根误差平均分别降低了12.45%、7.95%和5.37%,显示出优秀的预测性能、良好的泛化能力和潜在的工程应用价值。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%。
文摘为解决光伏序列的强噪音干扰以及单一模型在光伏功率预测方面精度偏低和泛化性较差的问题,提出了一种基于特征优化和混合改进灰狼算法优化双向长短时记忆网络(bi-directional long short-term memory,BiLSTM)的短期光伏功率预测方法。首先,运用互信息算法进行输入数据的变量选择,以消除冗余变量。其次,通过互补集合经验模态分解和改进的小波阈值算法对筛选后的数据进行特征重构,旨在降低数据中的噪声干扰并完成输入变量的特征优化。随后,结合改进的Tent混沌映射、非线性递减因子、动态权重策略和差分进化算法对标准灰狼优化算法进行混合优化,以确定双向长短期记忆神经网络的最优超参数组合,并引入注意力机制以挖掘数据中的关键时序信息,最终构建出一种新型的短期光伏功率预测模型。仿真实验表明,相较于最小二乘支持向量机、长短期记忆网络和双向长短期记忆网络,所提模型在晴天、多云、阴天和降雨等不同工况下的均方根误差平均分别降低了12.45%、7.95%和5.37%,显示出优秀的预测性能、良好的泛化能力和潜在的工程应用价值。
