健康状态(state of health,SOH)是数据中心阀控式铅酸电池(value regulated lead acid,VRLA)容量及安全管理的关键指标,而常用的SOH测量方法因检测过程放电时间长、深度大无法满足运营需求,因此对数据中心VRLA电池的健康状态估计研究是...健康状态(state of health,SOH)是数据中心阀控式铅酸电池(value regulated lead acid,VRLA)容量及安全管理的关键指标,而常用的SOH测量方法因检测过程放电时间长、深度大无法满足运营需求,因此对数据中心VRLA电池的健康状态估计研究是非常必要的。针对SOH数据驱动建模存在的估计精度低的问题,提出一种基于时空注意力(spatio-temporal attention,STA)和长短期记忆(long short term memory,LSTM)网络的STA-LSTM深度学习模型。该模型用时空注意力机制在输入数据的特征和时间步上分配注意力权重从而生成新的输入,使用LSTM网络对新的输入进行编码以及实现SOH估计输出。基于电池放电深度50%的数据建模应用结果表明,STA-LSTM模型取得最优估计精度,注意力机制的引入提升黑箱模型的收敛速度、估计精度及物理可解释性。展开更多
文摘健康状态(state of health,SOH)是数据中心阀控式铅酸电池(value regulated lead acid,VRLA)容量及安全管理的关键指标,而常用的SOH测量方法因检测过程放电时间长、深度大无法满足运营需求,因此对数据中心VRLA电池的健康状态估计研究是非常必要的。针对SOH数据驱动建模存在的估计精度低的问题,提出一种基于时空注意力(spatio-temporal attention,STA)和长短期记忆(long short term memory,LSTM)网络的STA-LSTM深度学习模型。该模型用时空注意力机制在输入数据的特征和时间步上分配注意力权重从而生成新的输入,使用LSTM网络对新的输入进行编码以及实现SOH估计输出。基于电池放电深度50%的数据建模应用结果表明,STA-LSTM模型取得最优估计精度,注意力机制的引入提升黑箱模型的收敛速度、估计精度及物理可解释性。