锂电池健康状态(state of health,SOH)的在线估计是锂电池管理系统中必不可少的一部分。大部分基于数据驱动的锂电池SOH估计方法由于计算量较大,难以在锂电池管理系统微控制器中在线使用。因此,文中提出基于新型健康特征的锂电池SOH快...锂电池健康状态(state of health,SOH)的在线估计是锂电池管理系统中必不可少的一部分。大部分基于数据驱动的锂电池SOH估计方法由于计算量较大,难以在锂电池管理系统微控制器中在线使用。因此,文中提出基于新型健康特征的锂电池SOH快速估计方法。首先,分析锂电池的充电数据,基于已有的锂电池恒流充电过程的等压升时间(time interval of an equal charging voltage difference,TIECVD)健康特征,构建一个同充电电压起点、同充电时间间隔的健康特征。其次,文中提出基于新型健康特征和多元线性回归(multiple linear regression,MLR)的锂电池SOH快速估计方法。然后,通过对牛津锂电池老化数据集和美国国家航空航天局锂电池随机使用数据集进行分析,以0.01 V步长遍历恒流充电电压区间,以皮尔逊相关系数最大为目标,确定锂电池最优的起始电压。最后,考虑不同充电时间间隔,利用最小二乘(ordinary least squares,OLS)回归分析方法,确定锂电池最优充电时间间隔参数。使用2个数据集划分的训练集建立MLR模型,使用2个数据集划分的验证集对文中方法进行验证。实验结果表明,文中基于新型健康特征方法可极大缩减计算量,并且可以在保障预测精度的前提下实现锂电池SOH的快速估计。展开更多
文摘准确预测台区的电力负荷,能够促使电力企业合理安排调度计划,保障台区电力安全和经济稳定运行。为了充分挖掘电力负荷数据的特征,提高预测的精度,提出一种基于自适应辛几何模态分解(adaptive symplectic geometry mode decomposition,ASGMD)、多元线性回归(multiple linear regression,MLR)和卷积长短时记忆(convolutional long short-term memory,CLSTM)网络的电力负荷预测方法。首先,应用ASGMD将台区负荷数据分解为弱相关和强相关两种分量;然后,利用MLR和CLSTM分别对上述两种分量分别进行预测;最后,组合各模型结果,得到最终负荷预测值。实例分析结果表明,所提模型较其他模型具有更高的预测准确度。
文摘锂电池健康状态(state of health,SOH)的在线估计是锂电池管理系统中必不可少的一部分。大部分基于数据驱动的锂电池SOH估计方法由于计算量较大,难以在锂电池管理系统微控制器中在线使用。因此,文中提出基于新型健康特征的锂电池SOH快速估计方法。首先,分析锂电池的充电数据,基于已有的锂电池恒流充电过程的等压升时间(time interval of an equal charging voltage difference,TIECVD)健康特征,构建一个同充电电压起点、同充电时间间隔的健康特征。其次,文中提出基于新型健康特征和多元线性回归(multiple linear regression,MLR)的锂电池SOH快速估计方法。然后,通过对牛津锂电池老化数据集和美国国家航空航天局锂电池随机使用数据集进行分析,以0.01 V步长遍历恒流充电电压区间,以皮尔逊相关系数最大为目标,确定锂电池最优的起始电压。最后,考虑不同充电时间间隔,利用最小二乘(ordinary least squares,OLS)回归分析方法,确定锂电池最优充电时间间隔参数。使用2个数据集划分的训练集建立MLR模型,使用2个数据集划分的验证集对文中方法进行验证。实验结果表明,文中基于新型健康特征方法可极大缩减计算量,并且可以在保障预测精度的前提下实现锂电池SOH的快速估计。
