基于GWO-LSTM-TCN混合模型的锂电池荷电状态估计研究

针对锂电池荷电状态(SOC)具有非线性、时变特性而无法直接测量的问题,提出了一种基于灰狼优化算法混合模型的锂电池SOC估计方法,利用长短期记忆网络(LSTM)和时序卷积网络(TCN)挖掘SOC特征信息,构建锂电池电压、电流与SOC的映射网络模型,引入灰狼优化算法(GWO)确定网络模型最佳超参数,采用马里兰大学公开的INR 18650-20R数据集对SOC混合模型进行实验验证。结果表明,GWO-LSTM-TCN网络模型对锂电池荷电状态的估计精度相较于GWO-LSTM网络以及GWO-TCN网络能更好拟合锂电池电压、电流与SOC之间的非线性映射关系,具有较好的模型准确性和泛化能力。

基于残差网络回归的直流断路器电寿命预测方法

针对直流电弧分断特性,提出一种预测直流断路器电寿命预测方法。根据GB/T 14048.2—2020进行测试,并获取分断过程中的电压波形。将断弧发生一段时间内的电压信号经过CEEMDAN滤波后,作为网络训练样本。采用触头质量表示电寿命状况,利用线性插值得到触头质量下降曲线,并将其作为网络训练标签。采用Pytorch框架搭建一种残差网络(ResNet)的一维卷积结构预测模型。实验结果表明,所提方法对于触头质量的预测误差<10%,证明了所提方法可以用于预测GB/T 14048.2—2020标准下的电寿命。