基于深度学习的锂离子电池SOC和SOH联合估算

锂离子电池常被作为储能元件以实现电能的存储和转化,然而其荷电状态(state of charge,SOC)和健康状态(state of health,SOH)无法被直接测量。为了实现锂离子电池SOC和SOH联合估算,该文分析SOC和SOH之间的关联性,并提出一种基于深度学习的锂离子电池SOC和SOH联合估算方法。该方法能够基于门控循环单元循环神经网络(recurrent neural network with gated recurrent unit,GRU-RNN)和卷积神经网络(convolutional neural network,CNN),利用锂离子电池电压、电流、温度,实现锂离子电池全使用周期内SOC和SOH的同时估算,而且由于将锂离子电池的SOH估算值考虑到SOC估算中,能够消除锂离子电池老化因素对锂离子电池SOC估算造成的负面影响,从而提升SOC估算精度。两个锂离子电池测试数据集上的实验结果表明,提出的估算方法能够在不同温度和不同工况下实现锂离子电池全使用周期SOC和SOH联合估算,且获得较高的精度。

基于卷积神经网络的锂离子电池SOH估算

锂离子电池健康状态(SOH)描述了电池当前老化程度,其估算难点在于缺乏明确统一的定义、无法直接测量以及难以确定数量合适、相关性高的估算输入量。为了克服上述问题,该文从容量的角度定义SOH,并将锂离子电池恒流-恒压充电过程中的电压、电流、温度曲线作为输入,提出采用一维深度卷积神经网络(CNN)实现锂离子电池容量估算以获取SOH。在NASA锂离子电池随机使用数据集和牛津电池老化数据集上进行的实验结果表明,该方法能够实现准确的SOH估算,且具备网络参数少、占用内存小的优势。另外,通过实验讨论了网络输入、模型结构、数据增强对所提出的SOH估算方法的影响。

基于门控循环单元神经网络和Huber-M估计鲁棒卡尔曼滤波融合方法的锂离子电池荷电状态估算方法

锂离子电池作为重要的储能元件,其荷电状态(SOC)直接影响所在系统的运行状态。为了实现对锂离子电池SOC的精确估算,提出一种基于门控循环单元神经网络(GRU-RNN)和Huber-M估计鲁棒卡尔曼滤波(HKF)融合方法的锂离子电池SOC估算模型。该方法利用Huber-M估计改进卡尔曼滤波器的鲁棒性,并将基于GRU-RNN所估算的锂离子电池SOC值作为改进卡尔曼滤波器的观测量。在两组锂离子电池数据集上分别进行锂离子电池SOC估算实验。实验结果表明,基于GRU-RNN和HKF融合方法的锂离子电池SOC估算模型不仅能够准确地实现锂离子电池SOC估算,而且能够降低测量误差及异常值对估算结果的影响,使锂离子电池SOC估算结果快速且精确收敛。

一种基于LSTM-RNN的脉冲大倍率工况下锂离子电池仿真建模方法

锂离子电池是电力系统中不可或缺的重要储能元件,脉冲大倍率工况下运行的锂离子电池具有单次放电时间短、放电循环多、状态变化频繁、非线性极化现象明显等特点。该文以脉冲大倍率工况下锂离子电池模型为研究对象,针对电化学模型和等效电路模型对模型依赖度高、模型参数难以获取以及脉冲大倍率工况下非线性极化现象导致拟合精度不足等问题,提出基于长短期记忆循环神经网络(long short term memory recurrent neural network,LSTM-RNN)以实现准确的锂离子电池建模。该方法利用LSTM-RNN的动态逼近和长时记忆能力,以获取脉冲大倍率工况下锂离子电池性能参数和电池端电压、荷电状态、电流、温度之间的非线性关系。在6种脉冲大倍率放电工况下对磷酸铁锂电池进行建模,实验结果表明,所提出的基于长短期记忆循环神经网络的锂离子电池模型均能够准确表征磷酸铁锂电池工作特性。

基于充电电压片段和核岭回归的锂离子电池SOH估计

电池健康状况的在线估计对于电池管理系统一直是一个非常重要的问题。近年来,由于其具有灵活性和无模型优势,基于数据驱动的方法在在线健康状态(state of health,SOH)估计领域展现出极大的潜力。文中针对现有的大部分基于数据驱动的SOH估计方法存在计算量大以及较难在BMS微控制器中实现等问题,提出一种采用片段充电曲线和核岭回归(kernel ridge regression,KRR)的锂离子电池SOH估计方法。KRR是一种基于核方法的非线性回归算法,通过将核技巧与岭回归结合,能够建立充电电压片段和SOH之间的非线性映射关系。在2个公开锂离子电池老化数据集上的实验表明,该方法只需采用实际电池使用工况中容易获得的充电电压片段,就能够实现快速准确的SOH估计,并且应用到现有的BMS微控制器中。

基于高斯过程回归的锂电池SOC估算方法

作为电池管理系统的基础,锂电池荷电状态(state of charge,SOC)的实时准确估计十分重要。现有的锂电池SOC估算方法能够实现SOC的估算,但不能评估SOC估算结果的不确定性。为了解决这个问题,将高斯过程回归(Gaussian process regression,GPR)应用于锂电池SOC估算中,提出了一种基于GPR的锂电池SOC估算方法。该方法能够将电池管理系统测量所得电压、电流、温度作为输入,并以均值和置信区间的形式来输出SOC,二者可分别作为SOC的估计和不确定量化结果。另外,基于三星18650-20R锂电池数据集,分析了多种核函数对估算方法性能的影响,验证了所提方法的有效性。

基于循环神经网络的锂电池SOC估算方法

鉴于锂电池荷电状态(state of charge,SOC)实时准确估计的重要性。针对大倍率脉冲放电工况下锂电池的强非线性和时变特性,训练了一个循环神经网络对锂电池SOC进行估算,该网络能够将电池管理系统测量所得的电压、电流、温度映射到SOC。基于某型号18Ah锂电池性能测试所获得的大倍率脉冲工况放电数据进行了实验验证,得到三种温度下锂电池SOC估算结果的平均绝对值误差为1.92%,证明了该方法的有效性。

基于元样本稀疏表示的多视角目标识别

针对在视角和背景不受限制条件下的多视角目标识别问题,提出一种新的基于元样本的稀疏表示分类算法。首先抽取训练目标的多视角样本中元样本;然后作为训练样本来稀疏表示查询样本;最后通过查询样本在元样本中的稀疏表示系数进行分类。实验结果证明所提出的方法超过了目前的其他算法。

基于CNN的三相逆变器开路故障诊断及其样本条件分析

为了合理选择样本条件以实现高效的智能化诊断,以及克服智能化方法中传统反向传播(back propagation, BP)网络权值较多、局部信息提取能力不足的问题,对基于卷积神经网络(convolutional neural network, CNN)的开路故障诊断方法进行研究,并以典型的三相两电平逆变器为具体对象,着重分析样本时长、样本数量变化时,CNN方法相较于BP网络方法在网络权值数量、训练稳定性、诊断准确率上的量化优势。结果表明,基于CNN的方法可在权值数量远少于BP网络方法的情况下构建深度更深的诊断模型,并在更短样本时长、更少训练样本数量下实现高效、准确的开路故障诊断。

基于元样本稀疏表示的目标跟踪算法

近年来,稀疏表示被引入视频目标跟踪问题中。在粒子滤波框架下,视频跟踪问题被看作是使用若干个目标模板来稀疏化线性表示候选区域的过程,并使用"小模板"来处理目标物在视频场景中出现的各种复杂变化。但算法没能利用模板的本质特性,复杂度高。基于元样本稀疏表示提出一种目标跟踪算法,提取目标模板的元样本建立目标词典,再针对目标遮挡情况引入遮挡词典,进而构造超完备词典;在跟踪阶段,采用了一种迭代的方法解决l1最小范数问题,计算稀疏表示系数。实验结果表明:提出的算法比文献中现有的基于l1范数最小化的跟踪方法性能更稳定、计算效率更高。