期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于多时间尺度建模自动特征提取和通道注意力机制的锂离子电池健康状态估计
被引量：
2
1
作者
柯学
洪华伟
+5 位作者
郑鹏
李智诚
范培潇
杨军
郭宇铮
蒯春光
《储能科学与技术》
CAS
CSCD
北大核心
2024年第9期3059-3071,共13页
准确估计锂离子电池(lithium-ion battery,LIB)的健康状态(state of health,SOH)对于确保储能电站的安全稳定运行至关重要。然而,现有的数据驱动方法通常依赖手工特征提取,并且特征的时间尺度比较单一,很难进行高效且精确的电池健康状...
准确估计锂离子电池(lithium-ion battery,LIB)的健康状态(state of health,SOH)对于确保储能电站的安全稳定运行至关重要。然而,现有的数据驱动方法通常依赖手工特征提取,并且特征的时间尺度比较单一,很难进行高效且精确的电池健康状态评估。为了解决这些问题,提出了一种基于多时间尺度建模自动特征提取和通道注意力机制的健康状态估计模型。该模型首先将充电过程信息输入多个并行的膨胀卷积模块(dilation convolution module,DCM),从不同时间尺度进行自动特征提取,获得丰富且全面的特征表示。随后,不同尺度的特征通过融合后结合门控循环单元(gated recurrent unit,GRU)提取时间序列的长期依赖关系。模型进一步融入通道注意力机制(efficient channel attention,ECA),对历史信息进行相关性动态权重分配,关注显著特征。最后,在两个公开数据集上验证了本方法的优越性,并与其他常用深度学习模型进行了比较。结果表明,本模型具有较高的SOH估计精度和良好的迁移性,两个数据集上的均方根误差分别仅为0.0110和0.0095,在跨数据集的迁移实验中均方误差仅为0.0092。
展开更多
关键词
锂离子电池
健康状态
卷积神经网络
注意力机制
时间序列
在线阅读
下载PDF
职称材料
商用Li_4Ti_5O_(12)电池倍率循环容量衰减模型
被引量：
4
2
作者
王昊
俞海龙
+4 位作者
金翼
王绥军
郭晓君
肖修昆
黄学杰
《储能科学与技术》
CAS
CSCD
2017年第3期584-589,共6页
Li_4Ti_5O_(12)(LTO)负极材料由于其优异的循环稳定性和安全性近年来得到广泛关注,并在电网储能领域具有巨大的应用前景,被视为下一代电网储能用负极材料。研究LTO电池的寿命模型有助于更好的设计能量存储单元,并推动LTO在储能领域中的...
Li_4Ti_5O_(12)(LTO)负极材料由于其优异的循环稳定性和安全性近年来得到广泛关注,并在电网储能领域具有巨大的应用前景,被视为下一代电网储能用负极材料。研究LTO电池的寿命模型有助于更好的设计能量存储单元,并推动LTO在储能领域中的应用。本文通过测试商用软包LTO基锂离子电池(标称容量10 A·h,额定电压2.2~3.5 V)在不同倍率下循环4800次的容量衰减,建立充放电倍率与容量衰减的对应关系。实验将每600次循环设为一个节点,通过在节点进行多电流密度标定从而实现分离电池的不可逆容量以及极化造成的容量损失。并利用试验数据,采用拟合、回归的分析方法,分别建立极化容量损失和不可逆容量损失两个电池衰减模型,该模型可用于预测LTO基电池剩余循环容量。
展开更多
关键词
储能电池
钛酸锂
寿命模型
倍率循环
波伊克特公式
在线阅读
下载PDF
职称材料
题名
基于多时间尺度建模自动特征提取和通道注意力机制的锂离子电池健康状态估计
被引量：
2
1
作者
柯学
洪华伟
郑鹏
李智诚
范培潇
杨军
郭宇铮
蒯春光
机构
武汉大学电气与自动化学院
国家电网
福建省电力有限公司
营销服务中心
国家电网
福建省电力有限公司
国家电网福建省电力有限公司电力科学研究院
出处
《储能科学与技术》
CAS
CSCD
北大核心
2024年第9期3059-3071,共13页
基金
国家电网公司总部科技项目(5108-202218280A-2-148-XG)。
文摘
准确估计锂离子电池(lithium-ion battery,LIB)的健康状态(state of health,SOH)对于确保储能电站的安全稳定运行至关重要。然而,现有的数据驱动方法通常依赖手工特征提取,并且特征的时间尺度比较单一,很难进行高效且精确的电池健康状态评估。为了解决这些问题,提出了一种基于多时间尺度建模自动特征提取和通道注意力机制的健康状态估计模型。该模型首先将充电过程信息输入多个并行的膨胀卷积模块(dilation convolution module,DCM),从不同时间尺度进行自动特征提取,获得丰富且全面的特征表示。随后,不同尺度的特征通过融合后结合门控循环单元(gated recurrent unit,GRU)提取时间序列的长期依赖关系。模型进一步融入通道注意力机制(efficient channel attention,ECA),对历史信息进行相关性动态权重分配,关注显著特征。最后,在两个公开数据集上验证了本方法的优越性,并与其他常用深度学习模型进行了比较。结果表明,本模型具有较高的SOH估计精度和良好的迁移性,两个数据集上的均方根误差分别仅为0.0110和0.0095,在跨数据集的迁移实验中均方误差仅为0.0092。
关键词
锂离子电池
健康状态
卷积神经网络
注意力机制
时间序列
Keywords
lithium-ion battery
state of health
convolutional neural network
attention mechanism
time series
分类号
TM912 [电气工程—电力电子与电力传动]
在线阅读
下载PDF
职称材料
题名
商用Li_4Ti_5O_(12)电池倍率循环容量衰减模型
被引量：
4
2
作者
王昊
俞海龙
金翼
王绥军
郭晓君
肖修昆
黄学杰
机构
中国
科学
院物理
研究
所
中国
电力科学研究院
国家电网福建省电力有限公司电力科学研究院
欣旺达电子股份
有限公司
出处
《储能科学与技术》
CAS
CSCD
2017年第3期584-589,共6页
基金
锂离子储能电池快速评价实验技术研究(DG71-14-033)
广东省科技项目(2014B0101250032015B010118001)
文摘
Li_4Ti_5O_(12)(LTO)负极材料由于其优异的循环稳定性和安全性近年来得到广泛关注,并在电网储能领域具有巨大的应用前景,被视为下一代电网储能用负极材料。研究LTO电池的寿命模型有助于更好的设计能量存储单元,并推动LTO在储能领域中的应用。本文通过测试商用软包LTO基锂离子电池(标称容量10 A·h,额定电压2.2~3.5 V)在不同倍率下循环4800次的容量衰减,建立充放电倍率与容量衰减的对应关系。实验将每600次循环设为一个节点,通过在节点进行多电流密度标定从而实现分离电池的不可逆容量以及极化造成的容量损失。并利用试验数据,采用拟合、回归的分析方法,分别建立极化容量损失和不可逆容量损失两个电池衰减模型,该模型可用于预测LTO基电池剩余循环容量。
关键词
储能电池
钛酸锂
寿命模型
倍率循环
波伊克特公式
Keywords
grid energy storage battery
LinTi5O12
capacity fading model
charge/discharge rate
Peukert equation.
分类号
TK02 [动力工程及工程热物理]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于多时间尺度建模自动特征提取和通道注意力机制的锂离子电池健康状态估计
柯学
洪华伟
郑鹏
李智诚
范培潇
杨军
郭宇铮
蒯春光
《储能科学与技术》
CAS
CSCD
北大核心
2024
2
在线阅读
下载PDF
职称材料
2
商用Li_4Ti_5O_(12)电池倍率循环容量衰减模型
王昊
俞海龙
金翼
王绥军
郭晓君
肖修昆
黄学杰
《储能科学与技术》
CAS
CSCD
2017
4
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
