由于电池荷电状态(state of charge,SOC)无法直接测量,且传统的SOC估算方法精度低。为了提升锂离子电池SOC估算精度,对比了不同深度学习网络模型应用于SOC估算的效果,并提出了一种基于DRSN-CW-LSTM网络的锂离子电池SOC估算方法。该方法...由于电池荷电状态(state of charge,SOC)无法直接测量,且传统的SOC估算方法精度低。为了提升锂离子电池SOC估算精度,对比了不同深度学习网络模型应用于SOC估算的效果,并提出了一种基于DRSN-CW-LSTM网络的锂离子电池SOC估算方法。该方法基于长短期记忆网络(long-short-term memory,LSTM)和逐通道不同阈值的深度残差收缩网络(deep residual shrinkage networks with channel-wise thresholds,DRSN-CW),利用锂离子电池电压、电流、温度、容量等数据信息在深度残差收缩网路中进行特征提取,通过LSTM进一步拟合时间序列数据趋势,实现锂离子电池在使用周期内SOC的预测。在DRSN-CW网络的残差收缩模块中可以实现自适应噪声数据处理功能,消除锂离子电池数据流质量对SOC预测的负面影响。利用锂电池公共数据集训练所提出的网络,对比了3种神经网络模型在该两组数据集上的预测效果。实验结果表明,所提出的深度学习模型在两组公开数据集上的MAE和RMSE均值都控制在5%以内,相比其他3种深度学习模型有更好的抗噪性能和预测性能,且估算精度高。展开更多
现有基于神经网络的电池荷电状态(state of charge,SOC)预测研究大多把重点放在模型结构和相关参数的优化上,却忽略了训练数据的重要作用.针对该问题,文中提出了一种基于特征选择和数据增强的电池SOC预测方法.首先,方法根据原始电池充...现有基于神经网络的电池荷电状态(state of charge,SOC)预测研究大多把重点放在模型结构和相关参数的优化上,却忽略了训练数据的重要作用.针对该问题,文中提出了一种基于特征选择和数据增强的电池SOC预测方法.首先,方法根据原始电池充放电数据进行特征工程,并使用排列重要性(permutation importance,PI)方法选出对模型预测最有帮助的7个特征;其次,通过加入高斯噪声来扩大训练数据样本总量,达到数据增强的目的.实验使用双向长短时记忆网络(bidirectional long short-term memory,Bi-LSTM)作为预测模型,使用Panasonic 18650PF数据集作为训练数据.使用标准Bi-LSTM进行预测时,平均绝对误差(mean absolute error,MAE)和最大误差(max error,MaxE)分别为0.65%和3.92%,而在进行特征选择和数据增强后,模型预测的MAE和MaxE分别为0.47%和2.62%,表明PI特征工程与高斯数据增强方法可以进一步提升电池荷电状态预测模型的精度.展开更多
传统的电池荷电状态(State of Charge,SOC)估计方法是基于精确的数学模型,它依赖于大量的建模假设和经验参数,故模型预测SOC精度是有限的;为了提高动力电池SOC预测的精度,提出利用人工鱼群算法(Artificial Fish Swarm Algorithm,AFSA)...传统的电池荷电状态(State of Charge,SOC)估计方法是基于精确的数学模型,它依赖于大量的建模假设和经验参数,故模型预测SOC精度是有限的;为了提高动力电池SOC预测的精度,提出利用人工鱼群算法(Artificial Fish Swarm Algorithm,AFSA)优化径向基神经网络(RBF)对SOC进行预测,解决了RBF网络参数选择的不确定性;仿真实验结果表明:方法能方便、快速、准确地实现对SOC的预测,且具有实际使用价值。展开更多
随着常规火电机组和储能系统联合参与调频在电力系统中取得规模化应用,储能系统和火电机组联合调频控制策略成为二次调频的关键问题。基于两阶段储能荷电状态(state of charge,SOC)实时预测方法,对调频系统完成跟踪自动发电控制(automat...随着常规火电机组和储能系统联合参与调频在电力系统中取得规模化应用,储能系统和火电机组联合调频控制策略成为二次调频的关键问题。基于两阶段储能荷电状态(state of charge,SOC)实时预测方法,对调频系统完成跟踪自动发电控制(automatic generation control,AGC)指令后的荷电状态进行主动预测;参考预测所得SOC数据和AGC指令,得到兼顾系统调频能力及储能SOC状态的联合前馈控制指令,确定火电机组和储能系统不同状态下的出力目标,实现储能和火电机组对AGC指令跟踪的互补协调运行。同时,在储能系统内部引入基于荷电状态的储能单体均衡策略,优化储能系统SOC一致性,提升储能系统整体动作深度。在MATLAB/Simulink中构建联合调频典型场景,对所提控制策略进行仿真验证。结果表明,所提控制策略在优化AGC指令跟踪效果、提升系统综合调频指标及改善储能单体SOC状态等方面具有显著优势。展开更多
文摘由于电池荷电状态(state of charge,SOC)无法直接测量,且传统的SOC估算方法精度低。为了提升锂离子电池SOC估算精度,对比了不同深度学习网络模型应用于SOC估算的效果,并提出了一种基于DRSN-CW-LSTM网络的锂离子电池SOC估算方法。该方法基于长短期记忆网络(long-short-term memory,LSTM)和逐通道不同阈值的深度残差收缩网络(deep residual shrinkage networks with channel-wise thresholds,DRSN-CW),利用锂离子电池电压、电流、温度、容量等数据信息在深度残差收缩网路中进行特征提取,通过LSTM进一步拟合时间序列数据趋势,实现锂离子电池在使用周期内SOC的预测。在DRSN-CW网络的残差收缩模块中可以实现自适应噪声数据处理功能,消除锂离子电池数据流质量对SOC预测的负面影响。利用锂电池公共数据集训练所提出的网络,对比了3种神经网络模型在该两组数据集上的预测效果。实验结果表明,所提出的深度学习模型在两组公开数据集上的MAE和RMSE均值都控制在5%以内,相比其他3种深度学习模型有更好的抗噪性能和预测性能,且估算精度高。
文摘传统的电池荷电状态(State of Charge,SOC)估计方法是基于精确的数学模型,它依赖于大量的建模假设和经验参数,故模型预测SOC精度是有限的;为了提高动力电池SOC预测的精度,提出利用人工鱼群算法(Artificial Fish Swarm Algorithm,AFSA)优化径向基神经网络(RBF)对SOC进行预测,解决了RBF网络参数选择的不确定性;仿真实验结果表明:方法能方便、快速、准确地实现对SOC的预测,且具有实际使用价值。
文摘随着常规火电机组和储能系统联合参与调频在电力系统中取得规模化应用,储能系统和火电机组联合调频控制策略成为二次调频的关键问题。基于两阶段储能荷电状态(state of charge,SOC)实时预测方法,对调频系统完成跟踪自动发电控制(automatic generation control,AGC)指令后的荷电状态进行主动预测;参考预测所得SOC数据和AGC指令,得到兼顾系统调频能力及储能SOC状态的联合前馈控制指令,确定火电机组和储能系统不同状态下的出力目标,实现储能和火电机组对AGC指令跟踪的互补协调运行。同时,在储能系统内部引入基于荷电状态的储能单体均衡策略,优化储能系统SOC一致性,提升储能系统整体动作深度。在MATLAB/Simulink中构建联合调频典型场景,对所提控制策略进行仿真验证。结果表明,所提控制策略在优化AGC指令跟踪效果、提升系统综合调频指标及改善储能单体SOC状态等方面具有显著优势。