如何通过在线监测的直接测量参数准确估计电池荷电状态(State of Charge,SOC)与健康状态(State of Health,SOH),是蓄电池管理系统建立的核心与关键。设计的SOC估算方法为镉镍蓄电池管理系统有效地监测蓄电池组性能状态和寿命状态提供基...如何通过在线监测的直接测量参数准确估计电池荷电状态(State of Charge,SOC)与健康状态(State of Health,SOH),是蓄电池管理系统建立的核心与关键。设计的SOC估算方法为镉镍蓄电池管理系统有效地监测蓄电池组性能状态和寿命状态提供基础,有助于动车组在运行过程中的安全预警;同时,为蓄电池检修与维护策略优化提供数据支撑,助力国家可持续发展战略。从蓄电池不同寿命阶段内的充电起始电压序列中提取出可描述当前最大容量的潜在特征,通过F检验(F-Test)与主成分分析(Principal Component Analysis,PCA)进行特征筛选与特征融合,获得蓄电池健康状态指标;由充放电循环试验中采集到的不同寿命阶段内的放电终止电压建立镉镍蓄电池“记忆效应”的近似表达函数;基于此,采用基于Bagging的随机森林构建放电过程中蓄电池两端电压与SOC间的关联模型,可在蓄电池放电过程中实现基于放电电压的SOC估算。最终,试验结果显示:通过SOC估算值与实际测量值的对比,得到模型均方根误差(Mean Square Error,MSE)和平均绝对误差百分比(Mean Absolute Percentage Error,MAPE)分别为0.1486和0.8112%,证明了所提出的SOC估算模型取得了较高的估算精度与较强的鲁棒性,为在线监测镉镍蓄电池SOC提供基础。展开更多
碱性镍镉蓄电池是动车组辅助装置的核心能源,对其荷电状态(state of charge,SOC)进行精确估计,对于延长电池使用寿命及提高能量利用率具有显著意义。考虑现有的SOC估计方法在处理小样本电池循环数据时的局限性,文章提出了一种融合注意...碱性镍镉蓄电池是动车组辅助装置的核心能源,对其荷电状态(state of charge,SOC)进行精确估计,对于延长电池使用寿命及提高能量利用率具有显著意义。考虑现有的SOC估计方法在处理小样本电池循环数据时的局限性,文章提出了一种融合注意力机制的卷积-门控循环单元(CNN-GRU)电池SOC估算模型,并通过亚通达LPH140A型动车组镍镉蓄电池进行实验验证。模型通过卷积神经网络(CNN)提取电池循环数据中长序列的短时特征依赖关系,然后采用融合注意力机制的门控循环单元(GRU)对提取的特征数据进行长空间距离依赖关系的捕捉,从而达到更准确的电池SOC估算精度。同时为适应小样本电池循环数据SOC精准估算,文章将连续回归模型转化为分类问题,将电池SOC区间离散化,将最终预测结果转化为电池SOC区间离散值。实验结果表明,文章所提算法的预测结果与CNN-GRU算法的相比在均方根误差、平均绝对误差以及平均相对误差这3个关键指标上分别提升了18.90%、17.92%和19.78%。可见该模型在预测准确性和稳定性方面具有出色性能。展开更多
文摘碱性镍镉蓄电池是动车组辅助装置的核心能源,对其荷电状态(state of charge,SOC)进行精确估计,对于延长电池使用寿命及提高能量利用率具有显著意义。考虑现有的SOC估计方法在处理小样本电池循环数据时的局限性,文章提出了一种融合注意力机制的卷积-门控循环单元(CNN-GRU)电池SOC估算模型,并通过亚通达LPH140A型动车组镍镉蓄电池进行实验验证。模型通过卷积神经网络(CNN)提取电池循环数据中长序列的短时特征依赖关系,然后采用融合注意力机制的门控循环单元(GRU)对提取的特征数据进行长空间距离依赖关系的捕捉,从而达到更准确的电池SOC估算精度。同时为适应小样本电池循环数据SOC精准估算,文章将连续回归模型转化为分类问题,将电池SOC区间离散化,将最终预测结果转化为电池SOC区间离散值。实验结果表明,文章所提算法的预测结果与CNN-GRU算法的相比在均方根误差、平均绝对误差以及平均相对误差这3个关键指标上分别提升了18.90%、17.92%和19.78%。可见该模型在预测准确性和稳定性方面具有出色性能。
