CN113850016B - 一种间歇工作模式下仿真变电站蓄电池剩余寿命预测方法 - Google Patents
一种间歇工作模式下仿真变电站蓄电池剩余寿命预测方法 Download PDFInfo
- Publication number
- CN113850016B CN113850016B CN202110936376.3A CN202110936376A CN113850016B CN 113850016 B CN113850016 B CN 113850016B CN 202110936376 A CN202110936376 A CN 202110936376A CN 113850016 B CN113850016 B CN 113850016B
- Authority
- CN
- China
- Prior art keywords
- storage battery
- prediction
- bat
- capacity
- prediction model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000006731 degradation reaction Methods 0.000 claims abstract description 26
- 230000015556 catabolic process Effects 0.000 claims abstract description 25
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 12
- 239000002245 particle Substances 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 3
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 claims description 2
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 claims description 2
- 210000000299 nuclear matrix Anatomy 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 230000003121 nonmonotonic effect Effects 0.000 abstract 1
- 238000011156 evaluation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 241000288673 Chiroptera Species 0.000 description 1
- 208000032953 Device battery issue Diseases 0.000 description 1
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Power Engineering (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种间歇工作模式下仿真变电站蓄电池剩余寿命预测方法,具体步骤包括:1)采集蓄电池工作状态信号,并获取电池容量退化原始数据;2)对蓄电池容量退化数据进行变分模态分解,得到不同尺度的子序列;3)基于优化核极限学习机建立各子序列预测模型,并采用蝙蝠算法优化KELM模型的正则化参数和核参数,获取子序列预测值;4)叠加子序列预测值,最终获取容量预测值,结合失效阈值估计蓄电池剩余寿命。本发明针对间歇工作模式下仿真变电站直流电源系统蓄电池退化非平稳和非单调特性,对容量退化数据进行模态分解,有效降低信号复杂性,并利用Bat优化子序列预测模型参数,更好地捕捉容量退化局部时序特征,从而提高电池剩余寿命预测精度。
Description
技术领域
本发明涉及一种间歇工作模式下仿真变电站蓄电池剩余寿命预测方法,属于蓄电池健康管理技术领域。
背景技术
变电站担负着各地区供电任务,是电网的重要枢纽。仿真变电站直流电源系统为变电站继电保护装置、开关控制设备、仿真运行设备等供电,蓄电池是直流电源中的关键一环,其可作为备用电源在仿真变电站断电或故障时迅速替换,当站用交流电源发生异常或中断时,可有效切除故障回路,确保仿真变电站正常运行。蓄电池性能退化或失效会引发变电站供电不稳甚至造成安全事故。因此,需要研究蓄电池剩余寿命(Remaining UsefulLife,RUL)预测技术,从而为蓄电池智能维护和科学管理提供决策信息,并增强仿真变电站安全性及可靠性。
现有蓄电池RUL预测方法大致分为基于模型和数据驱动两种方法。基于模型方法利用电池失效机理模型或经验退化模型来预测电池剩余寿命,其预测精度依赖于所建模型准确度,然而由于电池工作原理及工作条件复杂性,通常难以建立精确普适的寿命模型。数据驱动方法基于各类传感监测数据,利用机器学习方法挖掘电池容量退化规律,并跟踪和预测电池退化趋势,从而估计电池剩余寿命,是一类较为实用的方法。仿真变电站蓄电池作为应急和替换电源,其工作模式具有间歇性,会导致容量在常规退化过程中存在再生现象,使得电池退化规律呈现随机性、复杂性和非平稳性,使用传统单一预测模型难以对其进行准确预测。因此,对间歇工作模式下仿真变电站蓄电池寿命进行准确预测是一个亟待解决的问题。
发明内容
本发明为解决现有技术中存在的问题,提出一种基于信号分解和预测重组的仿真变电站蓄电池剩余寿命预测方法。首先,利用变分模态分解(Variational ModeDecomposition,VMD)技术对对蓄电池容量退化数据进行信号分解;然后,构建基于核极限学习机(Kernel Extreme Learning Machine,KELM)的分量预测模型,并利用蝙蝠(Bat)算法优化KELM模型参数;最后对各分量预测值进行组合获取容量预测结果,结合失效阈值实现蓄电池剩余寿命预测。
本发明为实现上述目的,采用基于VMD和Bat优化KELM的仿真变电站蓄电池剩余寿命预测方法,包括如下步骤:
步骤1、实时采集蓄电池工作状态信号,并基于容量估计方法计算蓄电池在K个循环周期下的放电容量,从而获得蓄电池容量退化数据Q(1),Q(2),…,Q(K),Q(t)表示第t个循环周期下的放电容量,t=1,…,K;其中工作状态信号包括工作电流和端电压;
步骤2、对蓄电池容量退化数据进行变分模态分解VMD,获得N个不同模态的子序列{u1(1),u1(2),…,u1(K)},{u2(1),u2(2),…,u2(K)},…,{uN(1),uN(2),…,uN(K)};
步骤3、基于步骤2中的各子序列,分别构造训练集;
步骤4、基于核极限学习机KELM构建预测模型,基于步骤3中的训练集,采用蝙蝠Bat算法优化预测模型中的正则化参数和核参数,完成预测模型的训练,获得N个基于Bat-KELM的预测模型;
步骤5、将{un(K-τ+1),un(K-τ+2),…,un(K)}作为对应基于Bat-KELM的预测模型的输入,获得预测值un(K+1),再将{un(K-τ+2),un(K-τ+3),…,un(K+1)}作为对应基于Bat-KELM的预测模型的输入,重复进行P次预测,获得预测值un(K+P),P个预测值构成预测结果序列{un(K+1),un(K+2),…,un(K+P)};其中,τ为基于Bat-KELM的预测模型的输入节点数;
步骤6、将步骤5中各预测结果序列进行叠加,获得容量预测结果{Q(K+1),Q(K+2),…,Q(K+P)},结合预设的容量失效阈值Qthreshold对蓄电池进行剩余寿命预测。
本发明针对间歇工作条件下的仿真变电站蓄电池剩余寿命预测问题,利用VMD分解技术实现了电池整体退化分量、再生分量和随机分量的有效解耦,降低了容量退化信号的复杂性和非平稳性,并利用Bat优化的KELM构建分量预测模型(N个基于Bat-KELM的预测模型),提高了各分量预测精度,从而有效提高了蓄电池容量整体预测精度,以实现仿真变电站蓄电池准确剩余寿命预测。
附图说明
图1是仿真变电站直流电源系统蓄电池剩余寿命预测流程图;
图2是基于三种方法的蓄电池容量预测曲线对比图。
具体实施方式
下面结合附图对本发明的技术方案进行详细说明:
图1为仿真变电站直流电源系统蓄电池剩余寿命预测流程图,本发明采用基于VMD分解和Bat优化KELM组合预测的方法对蓄电池进行剩余寿命预测,具体实施方式如下:
步骤1、实时采集蓄电池工作状态信号,包括工作电流和端电压,并基于容量估计方法计算蓄电池在当前放电周期下的放电容量,从而获取不同循环周期下的容量退化数据Q(t)(t=1,…,K)。
步骤2、对蓄电池容量退化数据进行VMD分解,获取N个不同模态子序列{u1(1),u1(2),…,u1(K)},{u2(1),u2(2),…,u2(K)},…,{uN(1),uN(2),…,uN(K)}。
步骤2.1、将蓄电池容量退化数据Q(t)分解为N个模态函数un(t),假设每个模态的有限带宽具有中心频率ωn,使各模态估计带宽和最小,由此产生受约束变分问题为:
其中,表示对t求偏导数,δ(t)为冲击函数,/>为子序列预估中心频率,s.t.表示约束条件。
步骤2.2、通过引入拉格朗日乘子λ和二次惩罚因子C',得到增广拉格朗日函数为:
步骤2.3、利用乘法算子交替法求解迭代式(2),通过更新un(t)、ωn及λ,寻找增广拉格朗日函数的鞍点。然后利用傅里叶等距变换,转换迭代后的结果到频域上,当满足式(3)时得到模态子序列;否则继续更新un(t0、ωn及λ。
其中,和/>为分别为/>和/>的傅里叶变换,e为判别精度,k表示迭代次数。
步骤3、基于KELM建立预测模型,基于各子序列构造训练集,并利用Bat算法优化预测模型的正则化参数和核参数,获得N个基于Bat-KELM的预测模型。
步骤3.1、针对第n个子序列,构造包括J个训练样本的训练集,其中第j个训练样本的输入为第j个训练样本的输出为τ为预测模型的输入节点数。
步骤3.2、基于KELM构建第n个子序列的预测模型,模型表达式为:
其中,y(xn)为模型输出η为正则化参数;I为单位矩阵;为训练样本输出矩阵K(·)为核函数,选用径向基核函数/>γ为核参数;ΩELM为核矩阵,/>
步骤3.3、由步骤3.2的模型表达式可知正则化参数η和核参数γ需要预先设定,因此采用Bat方法模拟蝙蝠捕食行为自适应搜索寻优KELM模型参数,包括如下步骤:
(1)设定待优化参数矩阵为θ={γ,η},设计适应度函数为:
其中,为KELM模型预测输出。
(2)进行种群初始化,通过均匀分布随机采样I个粒子{θi(0),i=1,…,I}作为初始粒子群,对第i个粒子随机分配搜索脉冲频率fi=[fmin,fmax]、脉冲频度ri(0)和音强Ai(0),其中fmin为脉冲频率最小值,fmax为脉冲频率最大值。
(3)进行蝙蝠全局搜索,更新粒子脉冲频率、速度及位置。
fi=fmin+(fmax-fmin)β' (6)
vi(κ)=vi(κ-1)+(θi(κ-1)-θbest)fi (7)
θi(κ)=θi(κ-1)+vi(κ) (8)
其中,β'为[0,1]之间的随机数;vi(κ)为κ次迭代时第i个粒子速度;θi(κ)为κ次迭代时第i个粒子位置;θbest为粒子群全局最优位置。
(4)进行蝙蝠局部搜索,从均匀分布[0,1]中随机生成rand1,若rand1<ri(κ-1),则接受利用式(8)更新粒子位置;若rand1>ri(κ-1),则采用下式计算粒子位置:
θi(κ)=θbest+εA' (9)
其中,ε为[0,1]范围内的随机数,A'为粒子平均音强。
(5)从均匀分布[0,1]中随机生成rand2,若rand2<Ai(κ-1)且G(θi(κ))<G(θbest),则粒子位置为θi(κ),更新脉冲音强Ai(κ)和脉冲频度ri(κ),以调整粒子局部搜索能力。
Ai(κ)=δAi(κ-1) (10)
ri(κ)=ri(0)[1-exp(-ξκ)] (11)
其中,δ为衰减系数,ξ为增强系数。
(6)基于式(5)计算各粒子适应度函数值,并更新全局最优值θbest。
θbest=min{G(θ1(κ)),G(θ2(κ)),…,G(θI(κ))} (12)
(7)当算法达到最大迭代次数或精度阈值时,停止优化迭代,获取最优参数,并带入预测模型中,得到优化后的预测模型,否则转入步骤(3),继续迭代。
步骤4、将{un(K-τ+1),un(K-τ+2),…,un(K)}作为对应基于Bat-KELM的预测模型的输入,获得预测值un(K+1),再将{un(K-τ+2),un(K-τ+3),…,un(K+1)}作为对应基于Bat-KELM的预测模型的输入,重复进行P次预测,获得预测值un(K+P),P个预测值构成预测结果序列{un(K+1),un(K+2),…,un(K+P)}。
步骤5、将步骤4中的子序列预测结果进行叠加,获取容量预测结果为{Q(K+1),Q(K+2),…,Q(K+P)},并结合容量失效阈值对蓄电池进行剩余寿命预测,公式如下:
其中,RUL为剩余寿命预测值,Qthreshold为容量失效阈值。
为验证本发明所提方法的有效性,采用实测的蓄电池退化数据进行实例分析。分别采用KELM、VMD+KELM以及本发明所提VMD+Bat-KELM三种方法进行容量及剩余寿命预测。以蓄电池前70个循环周期的容量数据构建训练集,后续容量数据作为测试集,分别对三种方法进行模型训练及测试。每种方法均取10次运行结果的平均值进行性能分析。
表1为基于三种方法对蓄电池进行容量及剩余寿命预测的性能评价指标,包括容量预测均方根误差(Root Mean Square Error,RMSE)、平均绝对百分比误差(MeanAbsolute Percentage Error,MAPE)以及RUL预测绝对误差。图2给出了基于三种方法进行容量趋势预测的曲线对比图。由表1和图2可知,本发明所提方法可准确跟踪容量变化趋势,预测性能评价指标最小,剩余寿命预测结果最准确。这表明本发明方法可有效降低电池退化信号的复杂性和非平稳性,更好地捕捉分量特征变化规律,并利用Bat优化预测模型参数,进一步提升了模型对非线性退化规律的学习性能,从而提高了预测准确性。
表1基于三种方法的蓄电池预测性能评价指标
以上所述仅为本发明的具体实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种间歇工作模式下仿真变电站蓄电池剩余寿命预测方法,其特征在于该方法包括如下步骤:
步骤1、实时采集蓄电池工作状态信号,并基于容量估计方法计算蓄电池在K个循环周期下的放电容量,从而获得蓄电池容量退化数据Q(1),Q(2),…,Q(K),Q(t)表示第t个循环周期下的放电容量,t=1,…,K;其中工作状态信号包括工作电流和端电压;
步骤2、对蓄电池容量退化数据进行变分模态分解VMD,获得N个不同模态的子序列{u1(1),u1(2),…,u1(K)},{u2(1),u2(2),…,u2(K)},…,{uN(1),uN(2),…,uN(K)};
步骤3、基于步骤2中的各子序列,分别构造训练集;
步骤4、基于核极限学习机KELM构建预测模型,基于步骤3中的训练集,采用蝙蝠Bat算法优化预测模型中的正则化参数和核参数,完成预测模型的训练,获得N个基于Bat-KELM的预测模型;
步骤5、将{un(K-τ+1),un(K-τ+2),…,un(K)}作为对应基于Bat-KELM的预测模型的输入,获得预测值un(K+1),再将{un(K-τ+2),un(K-τ+3),…,un(K+1)}作为对应基于Bat-KELM的预测模型的输入,重复进行P次预测,获得预测值un(K+P),P个预测值构成预测结果序列{un(K+1),un(K+2),…,un(K+P)};其中,τ为基于Bat-KELM的预测模型的输入节点数,n=1,2,…,N;
步骤6、将步骤5中各预测结果序列进行叠加,获得容量预测结果{Q(K+1),Q(K+2),…,Q(K+P)},结合预设的容量失效阈值Qthreshold对蓄电池进行剩余寿命预测。
2.如权利要求1所述的一种间歇工作模式下仿真变电站蓄电池剩余寿命预测方法,其特征在于,所述步骤2中对蓄电池容量退化数据进行VMD分解的受约束变分模型为:
其中,表示对t求偏导数,δ(t)为冲击函数,/>为子序列预估中心频率,j为虚数单位,s.t.表示约束条件,ωn为第n个模态的有限带宽具有中心频率。
3.如权利要求1所述的一种间歇工作模式下仿真变电站蓄电池剩余寿命预测方法,其特征在于,所述步骤3中第n个子序列构造的训练集包括J个训练样本,第j个训练样本的输入为第j个训练样本的输出为/>其中j=1,2,…,J。
4.如权利要求3所述的一种间歇工作模式下仿真变电站蓄电池剩余寿命预测方法,其特征在于,所述步骤4中,基于KELM构建第n个子序列的预测模型为:
其中,为模型输出;η为正则化参数;I为单位矩阵;/> γ为核参数,j'=1,2,…,J;ΩELM为核矩阵,其第j行第j'列元素
5.如权利要求4所述的一种间歇工作模式下仿真变电站蓄电池剩余寿命预测方法,其特征在于,所述步骤4中采用蝙蝠Bat算法优化第n个子序列的预测模型中的正则化参数η和核参数γ的具体步骤为:
(1)设定待优化参数矩阵为θ={γ,η},设计适应度函数为:
其中,为第n个子序列的预测模型的预测输出;
(2)进行种群初始化,通过均匀分布随机采样I个粒子{θi(0),i=1,…,I}作为初始粒子群,对每个粒子随机分配搜索脉冲频率、脉冲频度和脉冲音强;
(3)进行蝙蝠全局搜索,更新粒子脉冲频率、速度及粒子位置;
(4)进行蝙蝠局部搜索,更新粒子位置;
(5)调整粒子局部搜索能力,更新脉冲音强和脉冲频度;
(6)计算各粒子目标函数值,并更新全局最优位置θbest:
θbest=min{G(θ1(κ)),G(θ2(κ)),…,G(θI(κ))}
其中,θi(κ)为κ次迭代时第i个粒子位置,i=1,…,I;
(7)当达到最大迭代次数或设定精度阈值时,停止迭代优化,获得最优正则化参数η和核参数γ,否则转入步骤(3),继续迭代。
6.如权利要求1所述的一种间歇工作模式下仿真变电站蓄电池剩余寿命预测方法,其特征在于,所述步骤6中
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110936376.3A CN113850016B (zh) | 2021-08-16 | 2021-08-16 | 一种间歇工作模式下仿真变电站蓄电池剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110936376.3A CN113850016B (zh) | 2021-08-16 | 2021-08-16 | 一种间歇工作模式下仿真变电站蓄电池剩余寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113850016A CN113850016A (zh) | 2021-12-28 |
CN113850016B true CN113850016B (zh) | 2024-04-05 |
Family
ID=78975518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110936376.3A Active CN113850016B (zh) | 2021-08-16 | 2021-08-16 | 一种间歇工作模式下仿真变电站蓄电池剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113850016B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815995A (zh) * | 2019-01-07 | 2019-05-28 | 浙江大学城市学院 | 一种缺失观测值条件下锂电池剩余寿命预测方法 |
CN111563826A (zh) * | 2020-03-27 | 2020-08-21 | 青岛理工大学 | 一种基于电动汽车用电行为的电池信息预测系统及方法 |
CN111563576A (zh) * | 2020-04-16 | 2020-08-21 | 浙江工业职业技术学院 | 一种基于蝙蝠探测-极限学习机的锂电池容量估计方法 |
CN112348185A (zh) * | 2020-11-04 | 2021-02-09 | 上海海事大学 | 一种基于变分模态分解与集成深度模型的锂电池剩余寿命预测方法 |
CN112487702A (zh) * | 2020-10-26 | 2021-03-12 | 湖州师范学院 | 一种锂离子电池剩余使用寿命预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100156357A1 (en) * | 2008-11-13 | 2010-06-24 | Ibrahim Abou Hamad | System and method for charging rechargeable batteries |
-
2021
- 2021-08-16 CN CN202110936376.3A patent/CN113850016B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815995A (zh) * | 2019-01-07 | 2019-05-28 | 浙江大学城市学院 | 一种缺失观测值条件下锂电池剩余寿命预测方法 |
CN111563826A (zh) * | 2020-03-27 | 2020-08-21 | 青岛理工大学 | 一种基于电动汽车用电行为的电池信息预测系统及方法 |
CN111563576A (zh) * | 2020-04-16 | 2020-08-21 | 浙江工业职业技术学院 | 一种基于蝙蝠探测-极限学习机的锂电池容量估计方法 |
CN112487702A (zh) * | 2020-10-26 | 2021-03-12 | 湖州师范学院 | 一种锂离子电池剩余使用寿命预测方法 |
CN112348185A (zh) * | 2020-11-04 | 2021-02-09 | 上海海事大学 | 一种基于变分模态分解与集成深度模型的锂电池剩余寿命预测方法 |
Non-Patent Citations (4)
Title |
---|
基于改进型极限学习机的锂离子电池健康状态预测;史永胜;洪元涛;丁恩松;施梦琢;欧阳;;电子器件;20200620;第43卷(第03期);579-584 * |
基于极限学习机的锂电池健康状态预测;陈婕;金馨;;软件;20180215(第02期);199-204 * |
基于核超限学习机和局部加权回归散点平滑法的PEMFC剩余使用寿命预测方法;刘嘉蔚;李奇;陈维荣;王筱彤;燕雨;;中国电机工程学报;20190516;第39卷(第24期);7272-7279 * |
改进灰狼优化算法医疗锂电池剩余寿命预测;何成;刘长春;武洋;吴涛;陈童;;重庆师范大学学报(自然科学版);20190509(第03期);23-33 * |
Also Published As
Publication number | Publication date |
---|---|
CN113850016A (zh) | 2021-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107832581B (zh) | 状态预测方法和装置 | |
CN111191897B (zh) | 基于双向gru神经网络的业务流程在线合规性预测方法及系统 | |
CN114114049B (zh) | 一种基于样本迁移的锂离子电池寿命预测方法 | |
CN111368403B (zh) | 一种自适应非线性退化剩余寿命预测方法 | |
CN111310387B (zh) | 一种燃料电池寿命预测方法 | |
CN112798960B (zh) | 一种基于迁移深度学习的电池组剩余寿命预测方法 | |
CN111680848A (zh) | 基于预测模型融合的电池寿命预测方法及存储介质 | |
CN109948237B (zh) | 一种用于预测单车排放量的方法 | |
CN109829136B (zh) | 一种带随机跳变的退化设备的剩余寿命预测方法及系统 | |
KR102297343B1 (ko) | 하이브리드 varma 및 lstm을 이용한 배터리의 출력 전압 응답 및 충전 상태 예측 방법 | |
KR102239464B1 (ko) | 심층 구조를 이용한 전력 수요 예측 방법 및 장치 | |
CN113837356A (zh) | 基于融合神经网络的污水处理智能预测方法 | |
CN110658462A (zh) | 一种基于数据融合与arima模型的锂电池在线寿命预测方法 | |
KR102246633B1 (ko) | 하이브리드 varma 및 lstm을 이용한 배터리의 출력 전압 응답 및 충전 상태 예측 최적화 방법 | |
KR102656115B1 (ko) | 연료전지 시스템의 잔여 수명 예측 방법 및 이를 수행하는 디지털 트윈 장치 | |
CN110929835B (zh) | 一种新型碳化硅基航空功率变换器故障诊断方法及系统 | |
CN115586444A (zh) | 一种基于vmd与bp神经网络的锂电池剩余寿命预测方法 | |
CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
CN112214911B (zh) | 一种电源的健康状态预测方法 | |
CN113850016B (zh) | 一种间歇工作模式下仿真变电站蓄电池剩余寿命预测方法 | |
CN114936682A (zh) | 基于变分模态分解的锂离子电池剩余使用寿命预测方法 | |
CN117494545B (zh) | 一种基于混合学习方法的断路器老化故障率预测方法 | |
CN117150677A (zh) | 一种电除尘器选型参数的确定方法及装置 | |
CN116720983A (zh) | 一种基于大数据分析的供电设备异常检测方法及系统 | |
CN116653608A (zh) | 电动汽车充电保护、控制方法、装置及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |