融合TVF-EMD和CNN-GRU锅炉受热面能效预测

电站锅炉受热面积灰是导致锅炉热效率降低,甚至影响锅炉出力的重要因素之一,因此对锅炉受热面积灰结垢状况的精准预测是优化提升锅炉能效的前提。针对这一问题,本文以300 MW电站锅炉省煤器的清洁因子为研究对象,提出了一种融合基于时变滤波器的经验模态分解(time-varying filtered empirical mode decomposition,TVF-EMD)和卷积门控神经单元(convolutional neural network gated recurrent unit,CNN-GRU)的组合模型来预测锅炉受热面能效变化情况。首先通过改进的小波阈值法对非线性非平稳的清洁因子原始数据进行预处理,去除噪声和异常值;再通过TVF-EMD对处理后的数据进行分解得到预设好的本征模态分量,根据自相关系数对阈值大于0.2的分量进行叠加重构,在保留原始数据重要特征的同时降低相关性低的分量对预测精度的影响;最终将重构后的信号利用卷积神经网络(convolutional neural network,CNN)强大的特征提取能力和门控循环单元(gated recurrent unit,GRU)的时序记忆能力,建立输入与输出之间的非线性关系,实现较为精准的时间序列预测。研究结果表明,利用TVF-EMD进行分解相比直接进行预测可以提升9.62867%的预测精度,为后续优化及制订更加合理的吹灰策略提供了理论和技术支持。

应用VMD-HPO-NBEATS模型的锂离子电池SOH预测

锂离子电池的健康状态(SOH)对维持新能源电动汽车系统的稳定性至关重要。为提高锂电池SOH预测精度,提出一种基于变分模态分解(VMD)的猎人猎物优化(HPO)的神经基扩展分析(NBEATS)神经网络的SOH预测方法。首先,通过对电池老化数据的分析,提取与SOH高度相关的健康因子(HIs)并进行融合;其次,利用VMD方法将融合HI分解为多个模态分量,并使用HPO超参数优化的NBEATS模型来捕捉各模态分量的特征和时序规律。最终,通过加和重构各个分量的预测值来获得电池的SOH预测。在NASA电池数据集上的实验表明,与NBEATS、HPO-NBEATS和VMD-NBEATS模型相比,VMD-HPO-NBEATS模型在MAE、RMSE和r2评价指标上均有超2%的提升,证明所提方法在SOH预测的有效性与优越性。

混合模糊信息粒化和时间序列密集编码器的锂离子电池剩余寿命区间预测方法

锂离子电池的剩余使用寿命(remaining useful life,RUL)是电池健康状态的关键指标,对其进行预测具有重要的现实意义。该工作将模糊信息粒化(fuzzy information granulation,FIG)技术与时间序列密集编码器模型(timeseries dense encoder,TiDE)相结合,提出了一种对锂离子电池的RUL进行区间预测的模型。首先将锂离子电池容量退化时间序列通过FIG技术转化为粒子序列信息,以此得到模糊信息粒子的上下界序列。其次,分别对上下界序列使用TiDE模型进行训练预测,从而得到区间预测的结果。实验结果表明,与基于支持向量回归(support vector regression,SVR)和长短期记忆网络(long short term memory network,LSTM)的区间预测模型以及不使用狐狸优化算法(fox-inspired optimization algorithm,FOA)优化的TiDE模型相比,该工作提出的基于FIG技术结合TiDE模型与FOA的区间预测方法在锂离子电池RUL预测性能上具有更高的可靠性。

融合VMD和SABO-LSSVM的锂离子电池健康状态预测

锂离子电池的健康状态(SOH)是反映锂离子电池健康管理的重要指标。为了解决锂离子电池SOH预测不准和最小二乘支持向量机(LSSVM)模型参数易陷入局部最优的问题,提出了一种结合变分模态分解(VMD)和减法平均优化(SABO)算法优化的LSSVM锂离子SOH预测方法。首先,从包含电池退化信息的充电和放电过程中提取潜在的健康因子(HI);其次,通过灰色关联分析法(GRA)分析HI和容量的相关性;然后,利用VMD将HI分解成一系列模态分量,将每个模态分量看作一个单独的子序列,分别输入到SABO优化的LSSVM中;最后,将每个子序列的预测结果叠加重构并进行误差评估。使用美国国家航空航天局(NASA)提供的4个电池数据进行实验验证并额外选择马里兰大学CALCE的电池数据验证本方法的适应性,实验结果表明,预测方法具有较高的预测精度,相较于VMD-LSSVM、LSSVM和VMD-SABO-SVM模型,均方根误差(RMSE)分别提高了69.8%、86.9%和78.1%。