退役动力电池即将迎来回收高峰,二次利用可以有效避免电池退役造成的资源浪费和环境污染。健康状态(state of health,SOH)评估是退役电池二次使用场景的关键依据,但是传统的退役电池SOH估计方法存在耗时和耗能的缺点。在将退役电池放电...退役动力电池即将迎来回收高峰,二次利用可以有效避免电池退役造成的资源浪费和环境污染。健康状态(state of health,SOH)评估是退役电池二次使用场景的关键依据,但是传统的退役电池SOH估计方法存在耗时和耗能的缺点。在将退役电池放电至相同电压下限后,不同SOH电池的荷电状态(state of charge,SOC)将存在差异,导致不同SOH电池静置电压曲线变化趋势不同。提出基于静置电压曲线的退役电池SOH快速估计策略,从这种静置电压差异中分析健康特征,可实现退役电池SOH的快速估计。针对在退役电池数据采集时部分电池会由于采集误差形成离群点,进而会导致训练集无法正确训练回归算法模型的问题,分析了离群点数量对回归算法估计电池SOH精度的影响,并利用基于密度的聚类算法(density-based spatial clustering of applications with noise,DBSCAN)标识这些离群点,并在此基础上提出了离群点标识效果评估方法,可避免离群点影响SOH估计模型的准确性,有效提高了SOH估计精度。展开更多
针对分布式光伏电站缺少专业监测、难以准确定位异常站点的问题,借助临近分布式光伏场站出力的相似性及相关性,提出一种基于核主成分分析-密度聚类(kernel principal component analysis-ordering points to identify the clustering st...针对分布式光伏电站缺少专业监测、难以准确定位异常站点的问题,借助临近分布式光伏场站出力的相似性及相关性,提出一种基于核主成分分析-密度聚类(kernel principal component analysis-ordering points to identify the clustering structure,KPCA-OPTICS)集群划分的分布式光伏功率异常感知方法。首先,基于光伏电站的出力数据,采用OPTICS算法对多场站进行集群划分,进而利用KPCA对聚类数据进行降维操作,以降低高维数据对OPTICS算法聚类准确性的影响。然后,以所划分的集群为目标进行异常感知处理,对集群不同天气下的出力进行等权重的加权平均,获得可以表征集群整体出力状况的出力曲线,并利用分位数回归(quantile regression,QR)拟合集群的出力区间,作为分布式光伏(distributed photovoltaic,DPV)集群的异常感知依据。最后,采用中国南方某城市分布式光伏数据集作为实际验证数据进行了仿真实验。结果表明:该方法能够有效地感知分布式光伏系统的功率异常,具有较高的检出率、精确率和较低的误报率,在实际部署中具有良好的模型扩展性。展开更多
文摘退役动力电池即将迎来回收高峰,二次利用可以有效避免电池退役造成的资源浪费和环境污染。健康状态(state of health,SOH)评估是退役电池二次使用场景的关键依据,但是传统的退役电池SOH估计方法存在耗时和耗能的缺点。在将退役电池放电至相同电压下限后,不同SOH电池的荷电状态(state of charge,SOC)将存在差异,导致不同SOH电池静置电压曲线变化趋势不同。提出基于静置电压曲线的退役电池SOH快速估计策略,从这种静置电压差异中分析健康特征,可实现退役电池SOH的快速估计。针对在退役电池数据采集时部分电池会由于采集误差形成离群点,进而会导致训练集无法正确训练回归算法模型的问题,分析了离群点数量对回归算法估计电池SOH精度的影响,并利用基于密度的聚类算法(density-based spatial clustering of applications with noise,DBSCAN)标识这些离群点,并在此基础上提出了离群点标识效果评估方法,可避免离群点影响SOH估计模型的准确性,有效提高了SOH估计精度。
文摘针对分布式光伏电站缺少专业监测、难以准确定位异常站点的问题,借助临近分布式光伏场站出力的相似性及相关性,提出一种基于核主成分分析-密度聚类(kernel principal component analysis-ordering points to identify the clustering structure,KPCA-OPTICS)集群划分的分布式光伏功率异常感知方法。首先,基于光伏电站的出力数据,采用OPTICS算法对多场站进行集群划分,进而利用KPCA对聚类数据进行降维操作,以降低高维数据对OPTICS算法聚类准确性的影响。然后,以所划分的集群为目标进行异常感知处理,对集群不同天气下的出力进行等权重的加权平均,获得可以表征集群整体出力状况的出力曲线,并利用分位数回归(quantile regression,QR)拟合集群的出力区间,作为分布式光伏(distributed photovoltaic,DPV)集群的异常感知依据。最后,采用中国南方某城市分布式光伏数据集作为实际验证数据进行了仿真实验。结果表明:该方法能够有效地感知分布式光伏系统的功率异常,具有较高的检出率、精确率和较低的误报率,在实际部署中具有良好的模型扩展性。
