-
题名基于ISSA-KELM的锂离子电池组SOC预测
- 1
-
-
作者
张英达
马鸿雁
窦嘉铭
王帅
李晟延
胡璐锦
-
机构
北京建筑大学电气与信息工程学院
分布式储能安全大数据研究所
建筑大数据智能处理方法研究北京市重点实验室
北京建筑大学测绘与城市空间信息学院
-
出处
《电源学报》
CSCD
北大核心
2024年第6期217-224,共8页
-
基金
北京建筑大学博士基金资助项目(ZF15054)
北京建筑大学2021年度研究生创新资助项目(PG2021056)。
-
文摘
针对锂离子电池组荷电状态SOC(state-of-charge)难以预测的问题,提出改进麻雀搜索算法ISSA(improved sparrow search algorithm)优化核极限学习机KELM(kernel extreme learning machine)的SOC预测模型。首先,引入Logistic混沌映射改进标准SSA,获取最优种群个体;其次,采用改进算法优化KELM的核函数参数S和惩罚系数C,建立ISSA-KELM预测模型;最后,利用某储能设备的历史数据进行仿真研究,对比分析ELM、KELM和ISSA-KELM模型的预测结果,并选用其他工况数据验证模型的鲁棒性。结果表明,SOC预测均方根误差和平均绝对误差分别减小至2.06%和1.54%,证明所提模型的预测精度提高,具有良好的收敛性、泛化性及鲁棒性。
-
关键词
锂电池组
荷电状态
核极限学习机
算法优化
-
Keywords
Li-ion battery pack
state-of-charge(SOC)
kernel extreme learning machine(KELM)
algorithm optimization
-
分类号
TM912
[电气工程—电力电子与电力传动]
-
-
题名基于UGOA-BP的锂电池SOC估算
被引量：5
- 2
-
-
作者
王帅
马鸿雁
窦嘉铭
张英达
李晟延
胡璐锦
-
机构
北京建筑大学电气与信息工程学院
分布式储能安全大数据研究所
建筑大数据智能处理方法研究北京市重点实验室
北京建筑大学测绘与城市空间信息学院
-
出处
《储能科学与技术》
CAS
CSCD
北大核心
2022年第1期258-264,共7页
-
基金
北京建筑大学博士基金项目(ZF15054)
北京建筑大学2021年度研究生创新项目(PG2021056)。
-
文摘
电池荷电状态(SOC)的精确估算是储能设备安全运行的关键,本工作提出一种基于均匀分布策略改进的蝗虫优化算法和BP神经网络(UGOA-BP)的联合算法,在标准蝗虫优化算法(GOA)的基础上,引入了均匀分布函数,更新了非线性控制参数c,构建了新的随机调整机制,扩大了算法搜索范围,打破了局部开发受限的局面。同时,又受粒子群算法思想启发,对每代最优解进行保存记忆,通过选取随机个体引导种群的位置更新,弥补了蝗虫优化算法全局搜索能力弱的局限性,增加了种群多样性。采用某新能源公司储能设备的历史数据,设置电池SOC 100%~0的完整放电过程数据集和SOC 52%~49%的局部放电过程数据集,从两个维度对所提模型、蝗虫算法优化BP神经网络(GOA-BP)与传统BP神经网络模型进行对比测试分析。仿真结果表明,UGOABP模型预测值的绝对误差均处于[−0.050,0.050]区间范围,最大绝对误差为−0.046,平均均方误差仅为0.001,GOA-BP模型和BP神经网络的平均均方误差分别为0.009和0.067,模型预测精度优于其他方法,具备良好的准确性和工程应用价值。
-
关键词
锂电池
荷电状态
蝗虫优化
BP神经网络
-
Keywords
lithium-ion battery
state of charge
grasshopper optimisation
BP neural network
-
分类号
TM912
[电气工程—电力电子与电力传动]
-
-
题名基于复调制细化和Adaline网络的谐波检测方法
被引量：4
- 3
-
-
作者
窦嘉铭
马鸿雁
-
机构
北京建筑大学电气与信息工程学院
分布式储能安全大数据研究所
建筑大数据智能处理方法研究北京市重点实验室
-
出处
《中国测试》
CAS
北大核心
2022年第5期43-50,共8页
-
基金
北京建筑大学博士基金项目(ZF15054)。
-
文摘
针对传统快速傅里叶变换(FFT)与自适应线性(Adaline)神经网络结合的谐波检测方法中,存在难以辨识频率相近谐波的问题,提出一种改进方法。首先,利用复调制频谱细化对快速傅里叶变换后的频谱峰值进行细化,确定谐波的个数和大致频率。其次,将所得谐波个数和大致频率代入Adaline神经网络中进行训练,获得准确的谐波幅值、频率和相位。最后,利用不同谐波算例对所提方法进行仿真验证。所提方法均能准确检测出各算例中的谐波个数、频率、幅值和相位,误差均保持在小数点后三位,且用时较短。结果表明,该方法可以有效解决整数次谐波附近的精细化辨识问题,准确率高且时效性好,并具备一定的自动化程度。
-
关键词
电能质量
谐波检测
人工神经网络
复调制细化
-
Keywords
power quality
harmonic detection
artificial neural network
complex modulation refinement
-
分类号
TM930
[电气工程—电力电子与电力传动]
TB9
[机械工程—测试计量技术及仪器]
-
