随着锂离子电池的广泛应用,电池功率状态(state of power,SOP)预测作为保障电池高效、安全运行的关键技术,其重要性日益凸显。本文系统综述了SOP预测方法,对查表法、机理模型法、等效电路模型法和数据驱动法四类方法进行了梳理,并对模组...随着锂离子电池的广泛应用,电池功率状态(state of power,SOP)预测作为保障电池高效、安全运行的关键技术,其重要性日益凸显。本文系统综述了SOP预测方法,对查表法、机理模型法、等效电路模型法和数据驱动法四类方法进行了梳理,并对模组SOP预测进行了探讨。查表法简单直接,但需要多次充放电实验、时间成本较高、使用工况单一;机理模型法基于多孔电极理论和浓溶液理论,通过偏微分方程精确描述电池内部反应机制,可对电池内部参数进行考量,但计算复杂度高;等效电路模型法采用电路元件模拟电池动态响应,易与电压、电流、荷电状态等参数约束结合,兼顾精度与计算效率;数据驱动法利用机器学习算法直接从运行数据构建SOP预测模型,或结合传统机理模型构建混合模型实施SOP预测,预测性能依赖于数据质量和数量。在模组SOP预测方面,重点阐述了电池不一致性对模组功率的影响,并对其解决思路进行了分析。最后,对现有挑战和未来发展方向进行总结。当前SOP预测技术仍面临四个主要挑战:一是应用于储能场景时存在局限性;二是预测精度和计算效率难以满足应用需求;三是电池老化过程中易发生模型失配问题,影响预测精度;四是模组层面电池一致性差异,增加了预测难度。为应对上述挑战,未来SOP预测技术将朝着高精度建模和求解策略优化、模型参数与约束边界动态更新以及“短板电池识别-特征单体建模-模型参数动态更新”等方向发展,为储能系统提供更安全、更高效的电池管理解决方案。展开更多
海底电缆作为各类海上平台能源供给的生命线,一旦发生故障将产生巨大的经济及战略影响,准确预测海底电缆运行状态有助于提前把握其运行风险,从而实现预防性维护。在充分挖掘海底电缆运维数据中的动、静态特征的基础上,提出了一种基于注...海底电缆作为各类海上平台能源供给的生命线,一旦发生故障将产生巨大的经济及战略影响,准确预测海底电缆运行状态有助于提前把握其运行风险,从而实现预防性维护。在充分挖掘海底电缆运维数据中的动、静态特征的基础上,提出了一种基于注意力机制和卷积神经网络-门控循环神经网络(convolutional neural networks-gated recurrent unit, CNN-GRU)海底电缆运行状态预测方法。首先,考虑在线监测、巡检指标、静态试验三类关键影响因素,建立海底电缆运行状态评估指标体系;然后,基于改进层次分析法及多层次变权评估思想构建海底电缆运行状态评估模型;最后,建立基于注意力机制和CNN-GRU组合神经网络模型,将历史运行参数及状态量化结果作为输入特征参量,实现海底电缆运行状态的演化趋势预测。算例分析表明,所提方法可有效预测海底电缆的运行状态,平均百分数误差低至1.04%,与全连接神经网络、CNN、CNN-长短期记忆神经网络(long short term memory, LSTM)等算法相比均具备更优的预测精度。展开更多
由于电池荷电状态(state of charge,SOC)无法直接测量,且传统的SOC估算方法精度低。为了提升锂离子电池SOC估算精度,对比了不同深度学习网络模型应用于SOC估算的效果,并提出了一种基于DRSN-CW-LSTM网络的锂离子电池SOC估算方法。该方法...由于电池荷电状态(state of charge,SOC)无法直接测量,且传统的SOC估算方法精度低。为了提升锂离子电池SOC估算精度,对比了不同深度学习网络模型应用于SOC估算的效果,并提出了一种基于DRSN-CW-LSTM网络的锂离子电池SOC估算方法。该方法基于长短期记忆网络(long-short-term memory,LSTM)和逐通道不同阈值的深度残差收缩网络(deep residual shrinkage networks with channel-wise thresholds,DRSN-CW),利用锂离子电池电压、电流、温度、容量等数据信息在深度残差收缩网路中进行特征提取,通过LSTM进一步拟合时间序列数据趋势,实现锂离子电池在使用周期内SOC的预测。在DRSN-CW网络的残差收缩模块中可以实现自适应噪声数据处理功能,消除锂离子电池数据流质量对SOC预测的负面影响。利用锂电池公共数据集训练所提出的网络,对比了3种神经网络模型在该两组数据集上的预测效果。实验结果表明,所提出的深度学习模型在两组公开数据集上的MAE和RMSE均值都控制在5%以内,相比其他3种深度学习模型有更好的抗噪性能和预测性能,且估算精度高。展开更多
分布式低碳能源站(distributed low-carbon energy station,DLCES)能提高能源利用效率和可再生能源消纳率,准确预测DLCES的未来运行状态能保障其安全可靠运行。为此,提出一种基于数据驱动的分布式低碳能源站状态预测方法。首先,分析DLCE...分布式低碳能源站(distributed low-carbon energy station,DLCES)能提高能源利用效率和可再生能源消纳率,准确预测DLCES的未来运行状态能保障其安全可靠运行。为此,提出一种基于数据驱动的分布式低碳能源站状态预测方法。首先,分析DLCES结构与运行状态,利用关键状态量和偏移量变化将运行状态划分为正常、恢复、临界及紧急状态;其次,构建深度长短期记忆(long-short term memory,LSTM)模型,并利用改进粒子群算法进行超参数优化,提升预测模型性能;最后,利用测试集数据对柯西变异的粒子群算法(Cauchy mutation particle swarm optimization,CMPSO)和LSTM相结合的模型进行预测仿真,将其与RNN、LSTM及BP神经网络预测结果对比分析。结果表明:CMPSO-LSTM模型能提高预测效果,更具实际意义。展开更多
文摘随着锂离子电池的广泛应用,电池功率状态(state of power,SOP)预测作为保障电池高效、安全运行的关键技术,其重要性日益凸显。本文系统综述了SOP预测方法,对查表法、机理模型法、等效电路模型法和数据驱动法四类方法进行了梳理,并对模组SOP预测进行了探讨。查表法简单直接,但需要多次充放电实验、时间成本较高、使用工况单一;机理模型法基于多孔电极理论和浓溶液理论,通过偏微分方程精确描述电池内部反应机制,可对电池内部参数进行考量,但计算复杂度高;等效电路模型法采用电路元件模拟电池动态响应,易与电压、电流、荷电状态等参数约束结合,兼顾精度与计算效率;数据驱动法利用机器学习算法直接从运行数据构建SOP预测模型,或结合传统机理模型构建混合模型实施SOP预测,预测性能依赖于数据质量和数量。在模组SOP预测方面,重点阐述了电池不一致性对模组功率的影响,并对其解决思路进行了分析。最后,对现有挑战和未来发展方向进行总结。当前SOP预测技术仍面临四个主要挑战:一是应用于储能场景时存在局限性;二是预测精度和计算效率难以满足应用需求;三是电池老化过程中易发生模型失配问题,影响预测精度;四是模组层面电池一致性差异,增加了预测难度。为应对上述挑战,未来SOP预测技术将朝着高精度建模和求解策略优化、模型参数与约束边界动态更新以及“短板电池识别-特征单体建模-模型参数动态更新”等方向发展,为储能系统提供更安全、更高效的电池管理解决方案。
文摘海底电缆作为各类海上平台能源供给的生命线,一旦发生故障将产生巨大的经济及战略影响,准确预测海底电缆运行状态有助于提前把握其运行风险,从而实现预防性维护。在充分挖掘海底电缆运维数据中的动、静态特征的基础上,提出了一种基于注意力机制和卷积神经网络-门控循环神经网络(convolutional neural networks-gated recurrent unit, CNN-GRU)海底电缆运行状态预测方法。首先,考虑在线监测、巡检指标、静态试验三类关键影响因素,建立海底电缆运行状态评估指标体系;然后,基于改进层次分析法及多层次变权评估思想构建海底电缆运行状态评估模型;最后,建立基于注意力机制和CNN-GRU组合神经网络模型,将历史运行参数及状态量化结果作为输入特征参量,实现海底电缆运行状态的演化趋势预测。算例分析表明,所提方法可有效预测海底电缆的运行状态,平均百分数误差低至1.04%,与全连接神经网络、CNN、CNN-长短期记忆神经网络(long short term memory, LSTM)等算法相比均具备更优的预测精度。
文摘由于电池荷电状态(state of charge,SOC)无法直接测量,且传统的SOC估算方法精度低。为了提升锂离子电池SOC估算精度,对比了不同深度学习网络模型应用于SOC估算的效果,并提出了一种基于DRSN-CW-LSTM网络的锂离子电池SOC估算方法。该方法基于长短期记忆网络(long-short-term memory,LSTM)和逐通道不同阈值的深度残差收缩网络(deep residual shrinkage networks with channel-wise thresholds,DRSN-CW),利用锂离子电池电压、电流、温度、容量等数据信息在深度残差收缩网路中进行特征提取,通过LSTM进一步拟合时间序列数据趋势,实现锂离子电池在使用周期内SOC的预测。在DRSN-CW网络的残差收缩模块中可以实现自适应噪声数据处理功能,消除锂离子电池数据流质量对SOC预测的负面影响。利用锂电池公共数据集训练所提出的网络,对比了3种神经网络模型在该两组数据集上的预测效果。实验结果表明,所提出的深度学习模型在两组公开数据集上的MAE和RMSE均值都控制在5%以内,相比其他3种深度学习模型有更好的抗噪性能和预测性能,且估算精度高。
文摘分布式低碳能源站(distributed low-carbon energy station,DLCES)能提高能源利用效率和可再生能源消纳率,准确预测DLCES的未来运行状态能保障其安全可靠运行。为此,提出一种基于数据驱动的分布式低碳能源站状态预测方法。首先,分析DLCES结构与运行状态,利用关键状态量和偏移量变化将运行状态划分为正常、恢复、临界及紧急状态;其次,构建深度长短期记忆(long-short term memory,LSTM)模型,并利用改进粒子群算法进行超参数优化,提升预测模型性能;最后,利用测试集数据对柯西变异的粒子群算法(Cauchy mutation particle swarm optimization,CMPSO)和LSTM相结合的模型进行预测仿真,将其与RNN、LSTM及BP神经网络预测结果对比分析。结果表明:CMPSO-LSTM模型能提高预测效果,更具实际意义。
