锂离子电池健康状态(state of health, SOH)估计对于保证锂离子电池管理系统的安全稳定运行至关重要。然而,由于锂离子电池在放电过程中存在容量再生现象,SOH的准确估计一直是一个挑战。为了提高估计精度,提出了一种基于变分模态分解(va...锂离子电池健康状态(state of health, SOH)估计对于保证锂离子电池管理系统的安全稳定运行至关重要。然而,由于锂离子电池在放电过程中存在容量再生现象,SOH的准确估计一直是一个挑战。为了提高估计精度,提出了一种基于变分模态分解(variational mode decomposition, VMD)和双向长短期记忆网络-注意力机制(bidirectional long short term memory-attention, BiLSTM-ATT)的混合模型估计方法。首先,采用VMD分解算法对锂电池容量进行分解,得到一组相对稳定的子序列。为了降低后续的计算规模,通过引入了排列熵的方法对各个子序列进行重构。然后,将重构后的序列输入到BiLSTM-ATT模型中,利用注意力机制来分配隐藏层的特征权重,并通过双向长短期记忆网络(bidirectional long short term memory, BiLSTM)模型对SOH值进行训练和估计。最后,将所有估计值进行相加得到完整的SOH估计结果。通过在CALCE锂电池数据集上的CS2_36、CS2_38和CX2_35进行验证,实验结果表明所提出算法的均方根误差始终保持在0.6%以内,平均绝对误差始终保持在0.4%以内,相比其他估计模型表现出更高的精度和性能。展开更多
为更充分挖掘多元负荷序列间的有效信息,从而提高预测精度,提出了一种集成贝叶斯超参数优化算法、注意力机制的长期和短期时间序列网络(long and short-term time-series network with attention, LSTNet-attention)以及误差修正的短期...为更充分挖掘多元负荷序列间的有效信息,从而提高预测精度,提出了一种集成贝叶斯超参数优化算法、注意力机制的长期和短期时间序列网络(long and short-term time-series network with attention, LSTNet-attention)以及误差修正的短期负荷预测模型。首先,构建基于贝叶斯优化的LSTNet-attention模型进行初步预测,利用贝叶斯算法优化模型多个结构参数,降低人工设置参数的随机性,并通过注意力机制合理分配特征权重;然后,通过基于贝叶斯参数优化的极端梯度提升算法(extreme gradient boosting, XGBoost)误差修正模型来挖掘初步预测误差序列中潜在、未被利用的有效信息,进行误差预测和修正,进而得到最终的预测结果。通过使用澳大利亚某地真实负荷数据进行实证分析,实验结果表明,所提预测模型相较于其他模型具有更好的预测效果,可为负荷预测等工作提供一定参考。展开更多
文摘锂离子电池健康状态(state of health, SOH)估计对于保证锂离子电池管理系统的安全稳定运行至关重要。然而,由于锂离子电池在放电过程中存在容量再生现象,SOH的准确估计一直是一个挑战。为了提高估计精度,提出了一种基于变分模态分解(variational mode decomposition, VMD)和双向长短期记忆网络-注意力机制(bidirectional long short term memory-attention, BiLSTM-ATT)的混合模型估计方法。首先,采用VMD分解算法对锂电池容量进行分解,得到一组相对稳定的子序列。为了降低后续的计算规模,通过引入了排列熵的方法对各个子序列进行重构。然后,将重构后的序列输入到BiLSTM-ATT模型中,利用注意力机制来分配隐藏层的特征权重,并通过双向长短期记忆网络(bidirectional long short term memory, BiLSTM)模型对SOH值进行训练和估计。最后,将所有估计值进行相加得到完整的SOH估计结果。通过在CALCE锂电池数据集上的CS2_36、CS2_38和CX2_35进行验证,实验结果表明所提出算法的均方根误差始终保持在0.6%以内,平均绝对误差始终保持在0.4%以内,相比其他估计模型表现出更高的精度和性能。
