针对实际应用中基于动态工况下电池状态参数的片段数据进行电池健康状态(state of health,SOH)实时估计的问题,提出基于动态工况下锂离子电池状态参数(电压、电流、温度)实测数据二维特征图像和深度学习的锂离子电池容量估计算法。首先...针对实际应用中基于动态工况下电池状态参数的片段数据进行电池健康状态(state of health,SOH)实时估计的问题,提出基于动态工况下锂离子电池状态参数(电压、电流、温度)实测数据二维特征图像和深度学习的锂离子电池容量估计算法。首先,将动态工况下电池状态参数监测量(电压、电流和温度)的片段数据转化为二维特征图像。其次,提出基于残差卷积神经网络(residual convolutional neural network,Res-CNN)和门控循环单元(gate recurrent unit,GRU)网络结合的多通道深度学习模型Res-CNN-GRU,以构建动态工况下电池状态参数特征图像和SOH之间的复杂非线性关系,其中电压、电流和温度的二维特征图像以三通道的方式输入到Res-CNN-GRU模型中,模型输出为对应电池的相邻参考充放电循环实验所获得容量的差值。研究结果表明:此方法在锂电池随机充放电工况下对电池健康状态估计效果更佳,且Res-CNN-GRU模型的泛化性和全局特征提取能力较强。论文研究为现实工况下电池健康状态估计的进一步深入研究提供了参考。展开更多
由于太阳能和天气变量的随机性和不稳定性,光伏发电具有很高的不确定性,准确的光伏发电功率预测对于光伏电站的短期调度和发电计划的运行至关重要。提出一种基于多模式分解、多通道输入、并联卷积神经网络(parallel convolutional neura...由于太阳能和天气变量的随机性和不稳定性,光伏发电具有很高的不确定性,准确的光伏发电功率预测对于光伏电站的短期调度和发电计划的运行至关重要。提出一种基于多模式分解、多通道输入、并联卷积神经网络(parallel convolutional neural network,PCNN)和双向长短期记忆网络(bi-directional long short term memory,BiLSTM)的组合预测方法,用于不同天气类型的超短期光伏发电功率预测。首先,由相关性分析算法确定辐照度和温度是对光伏发电贡献最大的2个环境变量,并根据环境因素与光伏功率波动特征的关联性将全年数据划分为4类;其次,使用完全集合经验模态分解、奇异谱分解和变分模态分解对辐照度、温度和光伏发电功率进行分解,以降低原始数据的复杂度和非平稳性,实现不同模式模态分量规律互补;最后,建立基于PCNN和BiLSTM的组合预测模型,使用PCNN提取不同的深度特征,并将PCNN输出的特征融合后输入到BiLSTM中,使用BiLSTM建立历史数据之间的时间特征关系,学习历史数据间的正、反向规律,在时空相关性分析的基础上得到最终光伏发电功率预测结果。实验结果表明,提出的组合预测方法在超短期光伏发电功率预测中具有较高的准确性和稳定性,并优于其他深度学习方法。展开更多
文摘由于太阳能和天气变量的随机性和不稳定性,光伏发电具有很高的不确定性,准确的光伏发电功率预测对于光伏电站的短期调度和发电计划的运行至关重要。提出一种基于多模式分解、多通道输入、并联卷积神经网络(parallel convolutional neural network,PCNN)和双向长短期记忆网络(bi-directional long short term memory,BiLSTM)的组合预测方法,用于不同天气类型的超短期光伏发电功率预测。首先,由相关性分析算法确定辐照度和温度是对光伏发电贡献最大的2个环境变量,并根据环境因素与光伏功率波动特征的关联性将全年数据划分为4类;其次,使用完全集合经验模态分解、奇异谱分解和变分模态分解对辐照度、温度和光伏发电功率进行分解,以降低原始数据的复杂度和非平稳性,实现不同模式模态分量规律互补;最后,建立基于PCNN和BiLSTM的组合预测模型,使用PCNN提取不同的深度特征,并将PCNN输出的特征融合后输入到BiLSTM中,使用BiLSTM建立历史数据之间的时间特征关系,学习历史数据间的正、反向规律,在时空相关性分析的基础上得到最终光伏发电功率预测结果。实验结果表明,提出的组合预测方法在超短期光伏发电功率预测中具有较高的准确性和稳定性,并优于其他深度学习方法。
