本论文采用了Transformer模型与多种深度学习模型的组合模型来预测电池的健康状态(SOH)和剩余使用寿命(RUL)。在NASA公开数据集合上进行了测试,使用电流、电压和温度来预测SOH,使用电流、电阻和阻抗来预测RUL。该模型首先利用卷积神经网...本论文采用了Transformer模型与多种深度学习模型的组合模型来预测电池的健康状态(SOH)和剩余使用寿命(RUL)。在NASA公开数据集合上进行了测试,使用电流、电压和温度来预测SOH,使用电流、电阻和阻抗来预测RUL。该模型首先利用卷积神经网络(convolution neural network,CNN)提取输入数据的空间特征,然后使用双向长短期记忆网络(bidirectional long short-term memory,BiLSTM)提取输入数据的时间序列变化规律,再利用Transformer模型的多头注意力机制和前馈网络学习输入数据的特征表示,最后通过注意力机制进一步选取输入数据的时空特征中的重要部分,以共同预测SOH和RUL。实验结果表明,该模型在测试数据上的SOH预测均方误差(root mean square error,RMSE)达到0.08485,RUL预测的RMSE达到1.46,其效果均优于传统方法。因此,该深度学习模型能够有效地提高电池SOH和RUL的预测精度和稳定性。展开更多
在不均匀光照条件下,光伏阵列输出特性呈现多峰现象,传统的最大功率点跟踪(maximum power point tracking,MPPT)方法容易陷入局部极值。为了提高复杂阴影下的跟踪速度和跟踪精度,结合改进粒子群算法(improved particle swarm optimizati...在不均匀光照条件下,光伏阵列输出特性呈现多峰现象,传统的最大功率点跟踪(maximum power point tracking,MPPT)方法容易陷入局部极值。为了提高复杂阴影下的跟踪速度和跟踪精度,结合改进粒子群算法(improved particle swarm optimization,IPSO)和自适应步长扰动观察法(adaptive perturbation and observation,AP&O)各自的特点,提出了基于IPSO-AP&O算法的改进MPPT控制方法。其中,IPSO算法采用自适应惯性权重因子,在不同搜索阶段能够充分搜索目标函数,然后与AP&O算法结合实现最大功率的稳定输出。仿真结果表明,所提出的IPSO-AP&O算法减少了传统智能算法的迭代过程,能快速跟踪到全局最大功率点,相比其余几种算法而言,在光照强度突变时均具备快速精准的双重跟踪能力,在4种场景下跟踪效率分别为99.86%、99.91%、87.63%、99.79%,能够更好地减小光伏阵列外部条件变化导致的功率损耗,所提出的MPPT控制方法能够较好地适用于光储混合系统,具备工程实用价值。展开更多
文摘本论文采用了Transformer模型与多种深度学习模型的组合模型来预测电池的健康状态(SOH)和剩余使用寿命(RUL)。在NASA公开数据集合上进行了测试,使用电流、电压和温度来预测SOH,使用电流、电阻和阻抗来预测RUL。该模型首先利用卷积神经网络(convolution neural network,CNN)提取输入数据的空间特征,然后使用双向长短期记忆网络(bidirectional long short-term memory,BiLSTM)提取输入数据的时间序列变化规律,再利用Transformer模型的多头注意力机制和前馈网络学习输入数据的特征表示,最后通过注意力机制进一步选取输入数据的时空特征中的重要部分,以共同预测SOH和RUL。实验结果表明,该模型在测试数据上的SOH预测均方误差(root mean square error,RMSE)达到0.08485,RUL预测的RMSE达到1.46,其效果均优于传统方法。因此,该深度学习模型能够有效地提高电池SOH和RUL的预测精度和稳定性。
文摘在不均匀光照条件下,光伏阵列输出特性呈现多峰现象,传统的最大功率点跟踪(maximum power point tracking,MPPT)方法容易陷入局部极值。为了提高复杂阴影下的跟踪速度和跟踪精度,结合改进粒子群算法(improved particle swarm optimization,IPSO)和自适应步长扰动观察法(adaptive perturbation and observation,AP&O)各自的特点,提出了基于IPSO-AP&O算法的改进MPPT控制方法。其中,IPSO算法采用自适应惯性权重因子,在不同搜索阶段能够充分搜索目标函数,然后与AP&O算法结合实现最大功率的稳定输出。仿真结果表明,所提出的IPSO-AP&O算法减少了传统智能算法的迭代过程,能快速跟踪到全局最大功率点,相比其余几种算法而言,在光照强度突变时均具备快速精准的双重跟踪能力,在4种场景下跟踪效率分别为99.86%、99.91%、87.63%、99.79%,能够更好地减小光伏阵列外部条件变化导致的功率损耗,所提出的MPPT控制方法能够较好地适用于光储混合系统,具备工程实用价值。
