基于CKL风电容量预测的可信度评估

由于风力发电受风速以及其他天气因素的影响极大,从而导致新能源发电产生波动性,因此,对风力发电容量可信度评估研究成为提高风力发电可靠性的重要内容之一。首先建立了CEEMD-KPCA-LSTM(CKL)预测模型,用CKL模型对考虑多环境变量情况下的风电容量进行预测;进而提出风电场可靠运行时的可信度评估方法;最后在IEEE-RTS97基础上进行仿真试验,将预测值进行可信度分析,得出未来断面的容量可信度,并研究可信度的影响因素。算例分析表明,CKL预测模型和可信度模型结合,可以实现风电场未来的可信度分析,并且验证了储能设备对容量预测可信度的影响,最终使得风电系统具备较为准确的容量预测功能。

基于支持向量机与改进高斯过程混合模型的车用电池容量预测方法

基于数据驱动的容量预测有助于锂电池健康管理以延长其使用寿命。然而,目前大多数相关方法基于实验室数据展开,无法反映实际复杂工况下车用电池老化特性。因此,本文利用电动汽车实车数据,设计了一种基于支持向量机与改进高斯过程的混合模型,实现了车用电池容量的精确预测。首先从汽车实时运行数据集中利用滑动窗口安时积分法提取其容量数据,设计了集合经验模态分解方法,将电池容量分为长期退化趋势和短期波动两部分,然后分别设计支持向量机与改进高斯过程对这两个分量进行建模,将结果融合得到最终的容量预测值。基于三辆实车数据集的试验结果表明,所提出的方法可以适用于实车数据的高精度容量预测。

基于无迹粒子滤波改进算法的电池容量衰退预测研究

为了提高电池容量预测的准确性和适用性,提出一种基于无迹粒子滤波的改进算法。为了减小滤波迭代过程的观测误差,引入支持向量回归算法对其予以改进。由于支持向量回归算法中的核函数与惩罚因子较难确定,提出使用遗传算法的寻优能力对其进行求解,形成一种经遗传算法和支持向量回归改进的模型。对这种融合模型进行性能评估,并与UPF-SVR和UPF-RVR进行对比,实验结果显示,融合模型预测结果的平均绝对误差E_(MA)和均方根误差S_(RMSE)分别低于2.0%和2.5%,相比其它模型预测精度更高,同时预测水平和收敛性均显著优于其它模型,更具有效性和可行性。

基于多头注意力机制和门控循环单元神经网络的居民充电桩容量预测

居民充电桩的容量预测可为其定容选址提供参考,助力实现“双碳”目标,为此提出了一种基于数据驱动的居民充电桩容量预测方法。首先,采集了居民充电桩的历史容量数据并进行预处理;其次,利用不同大小的时序窗口对其进行切片作为输入特征;最后,构建了结合多头注意力机制和门控循环单元神经网络的预测模型,将特征输入模型从而实现了对未来容量的精准预测。通过实例分析表明,该模型预测结果的平均绝对误差和均方根误差分别为33.19和102.14%,预测精度相较于其他模型有较大提升,为居民充电桩的容量预测提供了新思路。

基于QPSO LSTM模型的锂电池剩余容量预测

为克服锂离子电池容量预测精度低的问题,提出了一种量子粒子群改进长短期记忆神经网络(QPSO LSTM)的电池容量预测技术。分析了量子粒子群改进(QPSO)和长短期记忆神经网络(LSTM)算法的基本原理,利用QPSO算法对LSTM模型神经元个数、学习率等主要超参数进行寻优,解决长时序数据预测精度差和预测模型超参数难以确定的问题,构建了QPSO LSTM模型。最后,以NASA电池为分析对象,分别采用QPSO LSTM、PSO LSTM、LSTM和GA BP这4种预测模型对2种不同型号的电池进行剩余容量预测,预测结果表明,QPSO LSTM模型预测精度高,误差在1.5%范围内,为电池剩余容量的预测提供了一种有效的方法。

基于Dropout优化算法和LSTM的铅酸蓄电池容量预测

针对变电站铅酸蓄电池容量预测模型存在的预测准确率低、泛化能力差等问题,提出一种基于Dropout优化算法和长短期记忆LSTM(long short-term memory)神经网络相结合的容量预测模型。该模型以LSTM神经网络为基础,结合变电站蓄电池充放电特性,将长时间跨度的蓄电池运行数据作为模型的输入,建立多层级LSTM预测模型来提升预测结果的准确率。同时基于Dropout优化算法完成LSTM预测模型的训练,提升模型的泛化能力。工程实际应用表明,相较于传统的LSTM神经网络和BP神经网络,改进模型在长时间跨度预测时具有更高的准确率和更好的泛化能力。

基于BiLSTM-STW神经网络的锂电池剩余容量预测

针对锂电池剩余容量预测精度无法满足当前工程应用的问题,结合双向长短时记忆网络(bi-directional long short-term memory,BiLSTM)与滑动时间窗口(sliding time window,STW)算法的优点,提出一种电池剩余容量预测方法。首先分析BILSTM神经网络和STW算法原理,构建了BiLSTM-STW神经网络模型,采用自适应矩优化算法(adaptive moment estimation,Adam)对模型超参数进行优化,实现模型修正;然后选取美国国家航空航天局(National Aeronautics Space and Administration,NASA)埃姆斯研究中心锂电池数据,对数据进行处理并选取容量衰减特征数据作为神经网络的预测输入量;最后利用构建的神经网络对NASA锂电池数据集进行剩余容量预测实验。实验结果表明,所构建的神经网络模型能够精确预测锂电池的剩余容量,相比LSTM神经网络模型有更好的精确度。

基于迁移学习的在线铅酸蓄电池容量预测方法研究

为了提高基站、机房等场景下蓄电池组的使用寿命,针对蓄电池组长期处于浮充状态无法实时监测测量电池容量的问题,利用迁移学习的思想,将实验室中蓄电池组充放电数据与现网中蓄电池组的在线浮充数据建立起联系,从而预测现网中蓄电池组中各个电池的容量。最后通过实验验证了该方法的有效性,使实时监测在线蓄电池容量变为了可能。

基于LightGBM的蓄电池容量预测方法研究

通过对通信机房中浮充状态的电池的放电电压曲线进行分析,确定了放电曲线中对容量影响显著的陡降复升段的特征。利用LightGBM算法进行训练,建立了预测容量的数学模型。通过实验对模型进行了验证,实验结果表明所提出的预测方法能对10h放电条件下的容量做出准确预测,其平均绝对百分比误差最小可达8%。同传统的检测方法相比,该方法所需的测试时间短,具备广阔的应用前景。

考虑电池老化的电动汽车中长期充电负荷预测方法

随着电动汽车市场份额逐年上升,受限于区域内动力电池容量大小的电动汽车充电负荷占总用电负荷的比例不断提高。为此,提出一种考虑电池老化的电动汽车中长期充电负荷预测方法。首先,构建考虑电池老化的区域电动汽车电池总容量预测模型,预测电池老化带来的总容量衰减以及更换新电池和车辆数目增长带来的总容量上升。其次,构建考虑温度变化的动力电池老化特性估计模型,预估每次充电后电池最大容量、可充电量和续航电量,当电池最大容量不足以保证车辆安全运行时,对车辆更换新电池。最后,构建考虑充电成本的车辆行为仿真模型,模拟车辆出行和充电过程;借助模糊C均值法对不同种类电动汽车充电负荷进行划分,通过蒙特卡洛模拟与线性加权确定区域内电动汽车中长期负荷。仿真结果表明,随着车辆使用时间的增加,年负荷曲线波动程度不断变大;相较于新车,电池老化后单位车辆周均用电负荷峰值出现的时间会提前,且负荷峰谷差也会增大。

锂离子电池全生命周期容量损失预测模型研究

准确的电池老化轨迹预测对于储能系统的可靠运行与优化管理至关重要。为了实现对电池在全寿命周期内容量损失情况的可靠预测,分别针对电池在不同老化阶段下的核心损失机理,即由固体电解质界面膜生成导致的活性锂损失(LLI)以及由电极材料机械疲劳造成的活性材料损失(LAM),开展了针对性的研究。依次建立起基于化学反应速率分析的LLI容量损失机理模型与基于疲劳裂纹扩展的LAM容量损失机理模型。最终构建起多应力耦合条件下的电池全寿命容量损失模型,实验证明该模型在电池全生命周期内均具有良好的预测精度,预测误差小于5%。

灰色理论用于风力发电容量中长期预测的研究

采用灰色理论对风电场的年风力发电容量进行了预测。考虑到风力发电容量主要取决于风速,通过预装风电机组的发电容量并结合风速数据资料建立风速-功率函数。将从国家气象信息中心得到的日平均风速数据代入风速-功率函数,从而得到每天的发电容量数据。以年为周期进行积分,得到年风力发电计算容量。利用这些年风力发电计算容量建立灰色新陈代谢GM(1,1)模型,对富锦风力发电场某风力发电机组的发电计算容量进行了预测。以年为单位,对该风电机组48年风力发电计算容量进行单步预测的归一化平均绝对误差为7.8806%。该预测结果表明灰色理论用于风力发电容量中长期预测中具有可行性。

输电线路允许输送容量的混沌预测

为更准确预测输电线路未来允许的输送容量,提出利用动态提高输电线路输送容量(dynamic line rating,DLR)系统及混沌理论预测线路的输送容量。利用改进的C-C算法可靠性高、计算速度快的特点对容量时间序列进行相空间重构,并证实了线路允许输送容量具有混沌特性,可运用混沌理论预测线路输送的容量。然后采用基于奇异值分解的混沌时间序列Volterra方法对一条安装有DLR系统的110kV线路可输送的容量及线路可能发生的热过载故障进行预测。预测结果显示该方法能够反映容量序列未来变化的趋势及线路发生热过载故障的风险性,提高了预测的精度,是有效、可行的。

SVR优化算法及其在蓄电池容量预测中的应用

提出一种优化的支持向量机回归算法(SVR)并应用于阀控密封铅酸蓄电池(VRLA)的容量预测。选定径向基函数作为支持向量机回归算法的核函数,分别使用遗传算法和遗传退火算法对核参数进行寻优,在此基础上建立了蓄电池容量预测模型.比较了在遗传算法和遗传退火算法两种参数优化方法下支持向量机回归算法对VRLA容量预测的精准度。仿真结果表明,基于遗传退火算法寻优的支持向量机回归算法用于VRLA容量预测的性能优于单一的遗传寻优算法。

基于自回归滑动平均模型的风力发电容量预测

利用时间序列分析法对富锦风电场风电机组发电容量时间序列进行分析,通过长自回归模型法建立了基于这些数据的自回归模型(AR)和自回归滑动平均模型(ARMA)。在建模过程中,采用3种定阶方法分别建立了不同的ARMA模型,并在对比分析了不同模型的优缺点之后对其进行加权平均综合处理,最终得到较理想的预测模型,使风力发电容量短期预测的归一化平均绝对误差降到7%以内。

基于动态最近邻聚类算法的RBF神经网络及其在MH-Ni电池容量预测中的应用

基于RBF神经网络的设计难点提出了一种动态确定隐含层节点数及数据中心的新方法,即动态最近邻聚类算法,消除了现有算法中人为因素对数据中心的影响。所设计的神经网络具有最少的隐含层节点数,结构简单,提高了网络学习训练速度,基于动态RBF神经网络建立了MH-Ni电池容量预测模型,通过仿真,取得了理想的结果,为MH-Ni电池容量预测提供了新方法。

锂离子电池容量的预测建模及其仿真研究

锂离子电池因其优越性能在电动汽车领域和电网储能系统中有着广泛应用。准确预测电池容量变化,评估电池的健康状态(SoH)和荷电状态(SoC)对电池的安全使用、延长寿命及性能的充分发挥有关键的作用。锂电池容量变化主要由静态的存储容量衰减、动态的循环容量衰减和运行中的电流效应(电流倍率效应和恢复效应)三方面共同决定。从工程实用的角度、利用综合测辨的方法分别对上述三方面容量变化进行研究,建立容量预测模型,系统地提出了锂电池容量建模理论及实验方法,综合考虑了温度、电流倍率等因素的影响,通过实验辨识参数,从容量的角度给出锂电池SoH和SoC的计算方法。在Matlab/simulink建立模型,通过对比仿真验证了所建立的锂电池容量预测模型的准确度和工程实用性。

基于神经网络的MH/Ni电池剩余容量预测

为有效地对电动车电池剩余容量进行预测,在分析了MH/Ni电池充放电过程的反应机理的基础上,应用改进算法的BP神经网络,建立了MH/Ni电池的神经网络模型,用于预测MH/Ni电池放电过程中某一状态下的剩余容量.结果表明,通过该网络模型可以方便快速的得到电池剩余容量及荷电状态的预测值,所得结果满足要求,为电池管理系统提供了一种新的预测方法.

改进Elman网络在锂离子电池容量预测中的应用

为了准确估算锂离子电池的荷电状态(SOC),在分析影响锂离子电池剩余容量时变特性的基础上,综合国内外几种常用的预测锂离子电池方法,将改进Elman网络应用到锂离子电池的容量预测和模型建立中。实验结果表明:该网络不仅局部泛化能力好,而且有较好的动态性能和逼近能力,能够满足电池容量预测的误差要求。

基于ARIMA的输电线路容量分析及预测

在动态提高输电线路输送容量系统中,线路可传输容量进行短期的预测对制定电力系统调度计划有重要意义。为此,对线路容量时间序列进行分析,利用自相关函数ACF方法验证了线路容量为非平稳时间序列。采用ARIMA(auto-regressive integrated moving average)建模方法对输电线路容量数据先差分平稳化预处理,然后选择AIC准则进行模型识别和参数估计,最后应用ARIMA模型做出短期容量预测。实际系统中应用证明了该方法的适用性和准确性。