锂离子电池荷电状态(state of charge,SOC)的精确估计对储能系统及电动汽车能源管理至关重要。为解决现有单一神经网络架构在复杂工况下的SOC估计精度不足问题,提出一种基于卷积历史序列分解混合(convolutional past decomposable mixin...锂离子电池荷电状态(state of charge,SOC)的精确估计对储能系统及电动汽车能源管理至关重要。为解决现有单一神经网络架构在复杂工况下的SOC估计精度不足问题,提出一种基于卷积历史序列分解混合(convolutional past decomposable mixing,CPDM)-长短期记忆(long short-term memory,LSTM)网络的混合估计模型。首先,通过平均池化方法与一维卷积神经网络对电池数据构建并提取多尺度时序特征;其次,利用CPDM模块对序列进行跨尺度分解与混合,以增强信息互补;最后,将增强的多尺度序列并行输入LSTM网络进行预测,并通过等权相加各尺度预测值得到SOC估计结果。实验结果表明,CPDM-LSTM模型在公开数据集上的SOC估计性能良好。其在不同温度及工况下的平均均方根误差为0.0485,平均绝对误差为0.0371,验证了模型较强的鲁棒性和泛化能力。展开更多
针对高渗透率可再生能源并网与源荷出力不确定性导致配电网中长期规划偏离实际的问题,提出一种考虑时序特征分解的规划态源荷联合场景生成方法。首先,基于局部加权散点平滑法的季节和趋势分解(seasonal and trend decomposition using L...针对高渗透率可再生能源并网与源荷出力不确定性导致配电网中长期规划偏离实际的问题,提出一种考虑时序特征分解的规划态源荷联合场景生成方法。首先,基于局部加权散点平滑法的季节和趋势分解(seasonal and trend decomposition using LOESS, STL)将光荷时间序列数据分解为平滑且具有不同特征的周期分量、趋势分量和残差分量。其次,利用TimeMixer深度学习模型预测规划年份的周期分量和趋势分量,该模型可以捕捉不同尺度下的时域信息,进一步聚合微观周期和宏观趋势信息。同时,针对具有随机性和不确定性的残差分量,采用时序变化的Copula相关性建模方法表征历史光荷相关特性。然后,结合分量预测结果生成规划态光-荷联合场景,并利用多种聚类方法生成典型场景进行分析。最后,以比利时地区Elia电力运营商提供的光荷一体数据进行算例仿真,验证所提方法能生成考虑未来增长变化的规划场景,有效提升场景精度。展开更多
文摘锂离子电池荷电状态(state of charge,SOC)的精确估计对储能系统及电动汽车能源管理至关重要。为解决现有单一神经网络架构在复杂工况下的SOC估计精度不足问题,提出一种基于卷积历史序列分解混合(convolutional past decomposable mixing,CPDM)-长短期记忆(long short-term memory,LSTM)网络的混合估计模型。首先,通过平均池化方法与一维卷积神经网络对电池数据构建并提取多尺度时序特征;其次,利用CPDM模块对序列进行跨尺度分解与混合,以增强信息互补;最后,将增强的多尺度序列并行输入LSTM网络进行预测,并通过等权相加各尺度预测值得到SOC估计结果。实验结果表明,CPDM-LSTM模型在公开数据集上的SOC估计性能良好。其在不同温度及工况下的平均均方根误差为0.0485,平均绝对误差为0.0371,验证了模型较强的鲁棒性和泛化能力。
文摘针对高渗透率可再生能源并网与源荷出力不确定性导致配电网中长期规划偏离实际的问题,提出一种考虑时序特征分解的规划态源荷联合场景生成方法。首先,基于局部加权散点平滑法的季节和趋势分解(seasonal and trend decomposition using LOESS, STL)将光荷时间序列数据分解为平滑且具有不同特征的周期分量、趋势分量和残差分量。其次,利用TimeMixer深度学习模型预测规划年份的周期分量和趋势分量,该模型可以捕捉不同尺度下的时域信息,进一步聚合微观周期和宏观趋势信息。同时,针对具有随机性和不确定性的残差分量,采用时序变化的Copula相关性建模方法表征历史光荷相关特性。然后,结合分量预测结果生成规划态光-荷联合场景,并利用多种聚类方法生成典型场景进行分析。最后,以比利时地区Elia电力运营商提供的光荷一体数据进行算例仿真,验证所提方法能生成考虑未来增长变化的规划场景,有效提升场景精度。
