随着新能源机车向高效率、智能化方向发展,精准监测动力电池的充放电状态(state of charge,SOC)和健康状态(state of health,SOH)对于保障机车运行安全尤为关键。针对传统独立估计方法在复杂工况下适应性差、难以捕捉时变耦合特性的问题...随着新能源机车向高效率、智能化方向发展,精准监测动力电池的充放电状态(state of charge,SOC)和健康状态(state of health,SOH)对于保障机车运行安全尤为关键。针对传统独立估计方法在复杂工况下适应性差、难以捕捉时变耦合特性的问题,提出一种基于自适应加权多通道长短期记忆网络(long short-term memory,LSTM)与Transformer融合的联合网络架构(MLTA-Net)。该方法构建了涵盖多层次特征的电池健康因子集合,引入等压升时间、最大容量增量电压等关键动态特征,从电化学机理层面强化了老化趋势的表征能力。MLTA-Net模型采用多通道并行架构,分离处理不同类型的电池数据特征,通过LSTM编码器捕获短期时序依赖关系,利用Transformer多头自注意力机制解析全局工况特征,并通过自适应加权融合层进行特征融合,实现电池状态高精度优化估计。实验方法基于磷酸铁锂电池循环老化数据集,在不同老化阶段下对SOH进行估计。研究结果表明,所提方法对电池最大容量衰减均方根误差稳定在0.06%以内,在预测误差、稳定性方面均优于传统方法。在脉冲工况和深度充放电条件下对电池SOC-SOH进行联合估计,预测精度相比单独估计有显著提升,尤其在SOC发生突变的关键时刻误差降低了84.2%,在电池老化阶段展现出更强的鲁棒性和泛化能力。本研究为复杂工况下的SOC-SOH联合估计提供了高效、精准的解决方案,为智能电池管理系统的优化提供了理论参考和技术支持。展开更多
为了准确判断电池可用容量,采用长短期记忆神经网络对电池容量进行估算。首先分析电池各参数全生命周期变化曲线,计算其与电池容量之间的皮尔逊相关系数,选择电池电压、内阻、等压降时间等参数作为健康因子构建电池容量估计模型。使用...为了准确判断电池可用容量,采用长短期记忆神经网络对电池容量进行估算。首先分析电池各参数全生命周期变化曲线,计算其与电池容量之间的皮尔逊相关系数,选择电池电压、内阻、等压降时间等参数作为健康因子构建电池容量估计模型。使用美国先进寿命周期工程中心CALCE(Center for Advanced Life Cycle Engineering)电池数据集进行模型训练并估算电池容量,估计模型的平均百分误差为1.19%。分析估算误差产生的原因,通过电池初始容量参数修正和电池老化参数修正进行模型优化。优化结果表明,使用电池电压、内阻、恒流充电时间和4.0~3.4 V等压降时间构建模型估计误差在0.55%左右。展开更多
随着光伏发电在全球能源体系中占比不断提升,超短期光伏发电量预测对电力系统调度与安全运行至关重要。然而,光伏发电量受多因素影响,具有显著随机性与波动性。为此,提出了一种基于TCN-BiLSTM-Attention模型的超短期光伏发电量预测方法...随着光伏发电在全球能源体系中占比不断提升,超短期光伏发电量预测对电力系统调度与安全运行至关重要。然而,光伏发电量受多因素影响,具有显著随机性与波动性。为此,提出了一种基于TCN-BiLSTM-Attention模型的超短期光伏发电量预测方法。首先通过皮尔逊相关分析筛选关键特征,并利用孤立森林算法检测异常值,结合线性插值法和标准化完成数据预处理。随后,通过时间卷积网络(Temporal Convolutional Network,TCN)提取时序特征,再利用双向长短期记忆网络(Bidirectional Long Short-Term Memory,BiLSTM)网络捕获前后向时间依赖关系,并在输出端引入注意力机制聚焦关键时间步特征。最后,在Desert Knowledge Australia Solar Centre(DKASC)数据集上的对比实验表明,与传统LSTM、BiLSTM模型相比,提出的TCN-BiLSTM-Attention模型在预测精度、稳定性等方面均表现出一定优势。展开更多
考虑储能调峰-调频复合场景有助于提高储能在新能源电网中经济性和应用效果。提出一种考虑调峰调频数据驱动建模的储能容量优化配置方法。首先,基于传统调峰与调频模型的数学描述,构建多时间尺度调峰调频场景下的端到端映射规则;然后,...考虑储能调峰-调频复合场景有助于提高储能在新能源电网中经济性和应用效果。提出一种考虑调峰调频数据驱动建模的储能容量优化配置方法。首先,基于传统调峰与调频模型的数学描述,构建多时间尺度调峰调频场景下的端到端映射规则;然后,利用深度学习端到端的特性及出色的非线性映射能力,运用长短期记忆网络(Long short term memory,LSTM)-Transformer模型挖掘调峰与调频场景的数据特征以保证潮流计算精度和加快频率计算速度;最后,基于历史数据和K-Medoids聚类选取典型日集合并将数据驱动模型嵌入到储能容量优化配置模型中,以储能配置经济性为目标函数,考虑系统内的运行约束建立储能配置-运行双层优化模型。算例表明,相较于单一场景,多场景储能配置下的经济性提升了34.7%,并且以数据驱动辅助储能优化模型可有效提高计算速度和精度。展开更多
文摘针对不同磁密幅值、频率、谐波组合等复杂激励工况下磁致伸缩建模面临的精准性问题,该文利用空间注意力机制(spatial attention mechanism,SAM)对传统的卷积神经网络(convolutional neural network,CNN)进行改进,将SAM嵌套入CNN网络中,建立SAMCNN改进型网络。再结合双向长短期记忆(bidirectional long short-term memory,BiLSTM)网络,提出电工钢片SAMCNN-BiLSTM磁致伸缩模型。首先,利用灰狼优化算法(grey wolf optimization,GWO)寻优神经网络结构的参数,实现复杂工况下磁致伸缩效应的准确表征;然后,建立中低频范围单频与叠加谐波激励等复杂工况下的磁致伸缩应变数据库,开展数据预处理与特征分析;最后,对SAMCNN-BiLSTM模型开展对比验证。对比叠加3次谐波激励下的磁致伸缩应变频谱主要分量,SAMCNN-BiLSTM模型计算值最大相对误差为3.70%,其比Jiles-Atherton-Sablik(J-A-S)、二次畴转等模型能更精确地表征电工钢片的磁致伸缩效应。
文摘随着新能源机车向高效率、智能化方向发展,精准监测动力电池的充放电状态(state of charge,SOC)和健康状态(state of health,SOH)对于保障机车运行安全尤为关键。针对传统独立估计方法在复杂工况下适应性差、难以捕捉时变耦合特性的问题,提出一种基于自适应加权多通道长短期记忆网络(long short-term memory,LSTM)与Transformer融合的联合网络架构(MLTA-Net)。该方法构建了涵盖多层次特征的电池健康因子集合,引入等压升时间、最大容量增量电压等关键动态特征,从电化学机理层面强化了老化趋势的表征能力。MLTA-Net模型采用多通道并行架构,分离处理不同类型的电池数据特征,通过LSTM编码器捕获短期时序依赖关系,利用Transformer多头自注意力机制解析全局工况特征,并通过自适应加权融合层进行特征融合,实现电池状态高精度优化估计。实验方法基于磷酸铁锂电池循环老化数据集,在不同老化阶段下对SOH进行估计。研究结果表明,所提方法对电池最大容量衰减均方根误差稳定在0.06%以内,在预测误差、稳定性方面均优于传统方法。在脉冲工况和深度充放电条件下对电池SOC-SOH进行联合估计,预测精度相比单独估计有显著提升,尤其在SOC发生突变的关键时刻误差降低了84.2%,在电池老化阶段展现出更强的鲁棒性和泛化能力。本研究为复杂工况下的SOC-SOH联合估计提供了高效、精准的解决方案,为智能电池管理系统的优化提供了理论参考和技术支持。
文摘为了准确判断电池可用容量,采用长短期记忆神经网络对电池容量进行估算。首先分析电池各参数全生命周期变化曲线,计算其与电池容量之间的皮尔逊相关系数,选择电池电压、内阻、等压降时间等参数作为健康因子构建电池容量估计模型。使用美国先进寿命周期工程中心CALCE(Center for Advanced Life Cycle Engineering)电池数据集进行模型训练并估算电池容量,估计模型的平均百分误差为1.19%。分析估算误差产生的原因,通过电池初始容量参数修正和电池老化参数修正进行模型优化。优化结果表明,使用电池电压、内阻、恒流充电时间和4.0~3.4 V等压降时间构建模型估计误差在0.55%左右。
文摘随着光伏发电在全球能源体系中占比不断提升,超短期光伏发电量预测对电力系统调度与安全运行至关重要。然而,光伏发电量受多因素影响,具有显著随机性与波动性。为此,提出了一种基于TCN-BiLSTM-Attention模型的超短期光伏发电量预测方法。首先通过皮尔逊相关分析筛选关键特征,并利用孤立森林算法检测异常值,结合线性插值法和标准化完成数据预处理。随后,通过时间卷积网络(Temporal Convolutional Network,TCN)提取时序特征,再利用双向长短期记忆网络(Bidirectional Long Short-Term Memory,BiLSTM)网络捕获前后向时间依赖关系,并在输出端引入注意力机制聚焦关键时间步特征。最后,在Desert Knowledge Australia Solar Centre(DKASC)数据集上的对比实验表明,与传统LSTM、BiLSTM模型相比,提出的TCN-BiLSTM-Attention模型在预测精度、稳定性等方面均表现出一定优势。
文摘考虑储能调峰-调频复合场景有助于提高储能在新能源电网中经济性和应用效果。提出一种考虑调峰调频数据驱动建模的储能容量优化配置方法。首先,基于传统调峰与调频模型的数学描述,构建多时间尺度调峰调频场景下的端到端映射规则;然后,利用深度学习端到端的特性及出色的非线性映射能力,运用长短期记忆网络(Long short term memory,LSTM)-Transformer模型挖掘调峰与调频场景的数据特征以保证潮流计算精度和加快频率计算速度;最后,基于历史数据和K-Medoids聚类选取典型日集合并将数据驱动模型嵌入到储能容量优化配置模型中,以储能配置经济性为目标函数,考虑系统内的运行约束建立储能配置-运行双层优化模型。算例表明,相较于单一场景,多场景储能配置下的经济性提升了34.7%,并且以数据驱动辅助储能优化模型可有效提高计算速度和精度。
