光伏发电功率超短期预测为电网调度煤电、储能等其他可调电源提供支持。针对气象因素随机性和光伏电池阵列积灰、老化导致光伏发电功率预测精度不高的问题,提出双向长短期记忆网络(bi-directional long short term memory,Bi-LSTM)和卡...光伏发电功率超短期预测为电网调度煤电、储能等其他可调电源提供支持。针对气象因素随机性和光伏电池阵列积灰、老化导致光伏发电功率预测精度不高的问题,提出双向长短期记忆网络(bi-directional long short term memory,Bi-LSTM)和卡尔曼滤波器(Kalman filter)结合的混合预测方法。Bi-LSTM模型学习气象因素特征,结合天气预报数据可减小气象因素造成的随机性误差;Kalman可以减小光伏电池阵列积灰、老化等因素带来的累积性误差。实例验证表明:长期运行条件下混合模型比单一Kalman、Bi-LSTM模型预测精度分别提高3.78%、2.50%。展开更多
锂电池的荷电状态(state of charge,SOC)是电池管理系统的重要参数,但其与电池内部复杂的电化学特性高度关联,无法直接测量。近年来,基于数据驱动的方法在SOC估计领域展现了极大的潜力,然而其对输入数据的精确性有较高要求。磷酸铁锂电...锂电池的荷电状态(state of charge,SOC)是电池管理系统的重要参数,但其与电池内部复杂的电化学特性高度关联,无法直接测量。近年来,基于数据驱动的方法在SOC估计领域展现了极大的潜力,然而其对输入数据的精确性有较高要求。磷酸铁锂电池因存在电压平台问题,其电压波动和噪声会严重影响SOC估计的精度,本文针对这一问题,通过实验和数据驱动结合的方法,引入电池膨胀力作为新的输入维度,融合电池的电化学特性与机械特性,有效补偿了电压平台问题对SOC估计结果的影响。本研究在4种环境温度和2种动态电流测试工况下进行了实验,利用所得数据对神经网络模型进行训练和测试,以评估SOC估计精度并验证本方法的可行性和普适性。此外,本文还提出了一种基于卷积神经网络(convolutional neural network,CNN)和双向长短期记忆网络(bidirectional long short-term memory,Bi-LSTM)的混合模型,兼顾序列数据的局部模式与长期依赖关系,进一步提升SOC估计的可靠性。结果表明,本文提出的方法可以显著提高磷酸铁锂电池SOC估计精度,相比未引入膨胀力信号,均方根误差(root-mean-square error,RMSE)平均下降了43.82%。同时,CNNBiLSTM模型相比其他常规神经网络模型,RMSE最多降低了53.88%。本研究为高精度SOC估计提供了新的思路,对提升电池管理系统的性能具有重要意义。展开更多
为准确评估监测条件有限的平原河网小流域河水水质演变趋势,预知水质变化情况,利用浙江省台州市南官河2021年6月至2023年6月的水质监测数据,基于贝叶斯优化算法(Bayesian optimization algorithm,BOA)和双向长短期记忆神经网络(bi-direc...为准确评估监测条件有限的平原河网小流域河水水质演变趋势,预知水质变化情况,利用浙江省台州市南官河2021年6月至2023年6月的水质监测数据,基于贝叶斯优化算法(Bayesian optimization algorithm,BOA)和双向长短期记忆神经网络(bi-directional long short-term memory,BiLSTM)建立了地表水水质预测模型。利用箱线图和Spearman秩相关系数挖掘水质的时空分布规律,划定中间河段4个站点为重点研究区域,NH3—N和TP为治理重点。通过BOA和双向信息传递机制优化LSTM超参数和模型结构,结果显示,用BOA-BiLSTM模型预测,未来4 h NH_(3)—N浓度的均方根误差(root mean squared error,RMSE)分别为0.2132,0.3689,0.3327和0.3740;未来4 h TP浓度的RMSE分别为0.0246,0.0321,0.0422和0.0334。二者较基准LSTM模型的预测结果分别提升了15.8%,10.6%,10.6%,17.1%和22.6%,3.6%,14.8%,11.8%。以磨石桥NH_(3)—N浓度为例,对比了时序预测与加入上下游数据后的多变量预测结果,发现时序预测对监测参数较少的平原河网具有更强的适用性和更高的预测精度。同时结合研究区域现场勘查和地块分类情况,指出生活源、污水收集及处理设施不完善、雨污合流应为整治重点。当监测参数有限时,本文模型有助于提升对水质异常的监管水平,为环境执法、水环境治理提供数据支撑。展开更多
文摘光伏发电功率超短期预测为电网调度煤电、储能等其他可调电源提供支持。针对气象因素随机性和光伏电池阵列积灰、老化导致光伏发电功率预测精度不高的问题,提出双向长短期记忆网络(bi-directional long short term memory,Bi-LSTM)和卡尔曼滤波器(Kalman filter)结合的混合预测方法。Bi-LSTM模型学习气象因素特征,结合天气预报数据可减小气象因素造成的随机性误差;Kalman可以减小光伏电池阵列积灰、老化等因素带来的累积性误差。实例验证表明:长期运行条件下混合模型比单一Kalman、Bi-LSTM模型预测精度分别提高3.78%、2.50%。
文摘锂电池的荷电状态(state of charge,SOC)是电池管理系统的重要参数,但其与电池内部复杂的电化学特性高度关联,无法直接测量。近年来,基于数据驱动的方法在SOC估计领域展现了极大的潜力,然而其对输入数据的精确性有较高要求。磷酸铁锂电池因存在电压平台问题,其电压波动和噪声会严重影响SOC估计的精度,本文针对这一问题,通过实验和数据驱动结合的方法,引入电池膨胀力作为新的输入维度,融合电池的电化学特性与机械特性,有效补偿了电压平台问题对SOC估计结果的影响。本研究在4种环境温度和2种动态电流测试工况下进行了实验,利用所得数据对神经网络模型进行训练和测试,以评估SOC估计精度并验证本方法的可行性和普适性。此外,本文还提出了一种基于卷积神经网络(convolutional neural network,CNN)和双向长短期记忆网络(bidirectional long short-term memory,Bi-LSTM)的混合模型,兼顾序列数据的局部模式与长期依赖关系,进一步提升SOC估计的可靠性。结果表明,本文提出的方法可以显著提高磷酸铁锂电池SOC估计精度,相比未引入膨胀力信号,均方根误差(root-mean-square error,RMSE)平均下降了43.82%。同时,CNNBiLSTM模型相比其他常规神经网络模型,RMSE最多降低了53.88%。本研究为高精度SOC估计提供了新的思路,对提升电池管理系统的性能具有重要意义。
文摘为准确评估监测条件有限的平原河网小流域河水水质演变趋势,预知水质变化情况,利用浙江省台州市南官河2021年6月至2023年6月的水质监测数据,基于贝叶斯优化算法(Bayesian optimization algorithm,BOA)和双向长短期记忆神经网络(bi-directional long short-term memory,BiLSTM)建立了地表水水质预测模型。利用箱线图和Spearman秩相关系数挖掘水质的时空分布规律,划定中间河段4个站点为重点研究区域,NH3—N和TP为治理重点。通过BOA和双向信息传递机制优化LSTM超参数和模型结构,结果显示,用BOA-BiLSTM模型预测,未来4 h NH_(3)—N浓度的均方根误差(root mean squared error,RMSE)分别为0.2132,0.3689,0.3327和0.3740;未来4 h TP浓度的RMSE分别为0.0246,0.0321,0.0422和0.0334。二者较基准LSTM模型的预测结果分别提升了15.8%,10.6%,10.6%,17.1%和22.6%,3.6%,14.8%,11.8%。以磨石桥NH_(3)—N浓度为例,对比了时序预测与加入上下游数据后的多变量预测结果,发现时序预测对监测参数较少的平原河网具有更强的适用性和更高的预测精度。同时结合研究区域现场勘查和地块分类情况,指出生活源、污水收集及处理设施不完善、雨污合流应为整治重点。当监测参数有限时,本文模型有助于提升对水质异常的监管水平,为环境执法、水环境治理提供数据支撑。
