可靠准确地预测动力电池剩余使用寿命(remaining useful life,RUL)可以缓解用户对里程和安全的焦虑。为了提升RUL预测精度,基于NASA数据集,本工作提出了一种改进的灰狼算法来优化高斯过程回归(Gaussian process regression,GPR)模型。...可靠准确地预测动力电池剩余使用寿命(remaining useful life,RUL)可以缓解用户对里程和安全的焦虑。为了提升RUL预测精度,基于NASA数据集,本工作提出了一种改进的灰狼算法来优化高斯过程回归(Gaussian process regression,GPR)模型。本工作从以下三方面开展研究。首先,基于电池的充放电数据,提取了五种间接健康因子,包括充电电压饱和间隔(CVSI,HI1)、充电峰值温度间隔(CPTI,HI2)、恒流充电间隔(CCCI,HI3)、放电峰值温度区间(DPTI,HI4)和放电恒流间隔(DCCI,HI5),并采用灰色关联方法分析健康因子和容量的相关性。其次,本工作选取GPR方法作为动力电池RUL预测模型,针对传统模型参数辨识已陷入局部最优问题,提出了基于差分算法改进的灰狼算法,提升模型预测能力。最后,利用NASA数据集对本工作所提方法进行验证。实验结果表明,所提算法预测RUL误差控制在2%以内。展开更多
锂电池健康状态(state of health, SOH)的退化过程在一定程度上是一个非平稳随机过程,使得当前多数点估计机器学习方法在实际应用中受到限制。基于贝叶斯理论的高斯过程回归(Gaussian process regression,GPR),因可输出估计结果的不确定...锂电池健康状态(state of health, SOH)的退化过程在一定程度上是一个非平稳随机过程,使得当前多数点估计机器学习方法在实际应用中受到限制。基于贝叶斯理论的高斯过程回归(Gaussian process regression,GPR),因可输出估计结果的不确定性,近年来在锂电池SOH区间估计中得到广泛应用。然而,GPR的性能很大程度上取决于其核函数的选择,当前研究多凭借经验选用固定单一核函数,无法适应不同的数据集。为此,本文提出一种基于自适应最优组合核函数GPR的锂电池SOH区间估计方法。该方法首先从电池充放电数据中提取出多个健康因子(health factor, HF),并采用皮尔森相关系数法优选出6个与SOH高度相关的健康因子作为模型的输入。然后,在当前常用的7个核函数集合上,通过两两随机组合构造新的组合核函数,并利用交叉验证自适应优选出最优组合核函数。采用3个不同数据集对所提方法进行了验证,结果表明:本文方法具有出色的SOH区间估计性能。在3个公开数据集上,平均区间宽度指标在0.0509以内,平均区间分数大于-0.0004,均方根误差小于0.0181。展开更多
泵站机组运行受多种因素影响,导致泵站运行理论效率与实际效率误差较大。针对泵站机组运行效率精准模拟难题,运用基于高价多项式回归、回归树、多元线性回归、向量机回归、高斯过程回归、神经网络的10个回归算法,建立泵站机组效率模拟...泵站机组运行受多种因素影响,导致泵站运行理论效率与实际效率误差较大。针对泵站机组运行效率精准模拟难题,运用基于高价多项式回归、回归树、多元线性回归、向量机回归、高斯过程回归、神经网络的10个回归算法,建立泵站机组效率模拟模型并开展对比分析,优选出有效的泵站运行效率模拟建模方法。讨论分析采用“上下游水位+流量”代替传统“扬程+流量”开展泵站运行模拟的效果。以南水北调东线邳州站和遂宁二站共8台机组的历史数据开展实例分析,相关实验结果表明:在所有方法中,高斯过程回归(Gaussian process regression,GPR)模型在均方根误差(ERMS)、平均绝对误差(EMA)、均方误差(EMS)、决定系数(R2)和最大个体误差(EMI)指标上综合表现最佳,R2逼近0.95;使用站上、站下水位代替传统的扬程对模型进行训练,所有模型的综合评价指标整体有所改善。综合来看,使用GPR模型并使用上游、下游水位代替扬程进行模拟效率表现最好,以邳州站4号机为例,可将模拟效率的EMA和EMI分别从16.49%和20.40%减少至0.41%和2.30%,研究成果具有一定实际意义,可为我国调水工程泵站经济运行提供有力支撑。展开更多
文摘可靠准确地预测动力电池剩余使用寿命(remaining useful life,RUL)可以缓解用户对里程和安全的焦虑。为了提升RUL预测精度,基于NASA数据集,本工作提出了一种改进的灰狼算法来优化高斯过程回归(Gaussian process regression,GPR)模型。本工作从以下三方面开展研究。首先,基于电池的充放电数据,提取了五种间接健康因子,包括充电电压饱和间隔(CVSI,HI1)、充电峰值温度间隔(CPTI,HI2)、恒流充电间隔(CCCI,HI3)、放电峰值温度区间(DPTI,HI4)和放电恒流间隔(DCCI,HI5),并采用灰色关联方法分析健康因子和容量的相关性。其次,本工作选取GPR方法作为动力电池RUL预测模型,针对传统模型参数辨识已陷入局部最优问题,提出了基于差分算法改进的灰狼算法,提升模型预测能力。最后,利用NASA数据集对本工作所提方法进行验证。实验结果表明,所提算法预测RUL误差控制在2%以内。
文摘锂电池健康状态(state of health, SOH)的退化过程在一定程度上是一个非平稳随机过程,使得当前多数点估计机器学习方法在实际应用中受到限制。基于贝叶斯理论的高斯过程回归(Gaussian process regression,GPR),因可输出估计结果的不确定性,近年来在锂电池SOH区间估计中得到广泛应用。然而,GPR的性能很大程度上取决于其核函数的选择,当前研究多凭借经验选用固定单一核函数,无法适应不同的数据集。为此,本文提出一种基于自适应最优组合核函数GPR的锂电池SOH区间估计方法。该方法首先从电池充放电数据中提取出多个健康因子(health factor, HF),并采用皮尔森相关系数法优选出6个与SOH高度相关的健康因子作为模型的输入。然后,在当前常用的7个核函数集合上,通过两两随机组合构造新的组合核函数,并利用交叉验证自适应优选出最优组合核函数。采用3个不同数据集对所提方法进行了验证,结果表明:本文方法具有出色的SOH区间估计性能。在3个公开数据集上,平均区间宽度指标在0.0509以内,平均区间分数大于-0.0004,均方根误差小于0.0181。
文摘泵站机组运行受多种因素影响,导致泵站运行理论效率与实际效率误差较大。针对泵站机组运行效率精准模拟难题,运用基于高价多项式回归、回归树、多元线性回归、向量机回归、高斯过程回归、神经网络的10个回归算法,建立泵站机组效率模拟模型并开展对比分析,优选出有效的泵站运行效率模拟建模方法。讨论分析采用“上下游水位+流量”代替传统“扬程+流量”开展泵站运行模拟的效果。以南水北调东线邳州站和遂宁二站共8台机组的历史数据开展实例分析,相关实验结果表明:在所有方法中,高斯过程回归(Gaussian process regression,GPR)模型在均方根误差(ERMS)、平均绝对误差(EMA)、均方误差(EMS)、决定系数(R2)和最大个体误差(EMI)指标上综合表现最佳,R2逼近0.95;使用站上、站下水位代替传统的扬程对模型进行训练,所有模型的综合评价指标整体有所改善。综合来看,使用GPR模型并使用上游、下游水位代替扬程进行模拟效率表现最好,以邳州站4号机为例,可将模拟效率的EMA和EMI分别从16.49%和20.40%减少至0.41%和2.30%,研究成果具有一定实际意义,可为我国调水工程泵站经济运行提供有力支撑。
