CN117374469B - 基于浸没式液冷储能系统的控制方法 - Google Patents
基于浸没式液冷储能系统的控制方法 Download PDFInfo
- Publication number
- CN117374469B CN117374469B CN202311667649.4A CN202311667649A CN117374469B CN 117374469 B CN117374469 B CN 117374469B CN 202311667649 A CN202311667649 A CN 202311667649A CN 117374469 B CN117374469 B CN 117374469B
- Authority
- CN
- China
- Prior art keywords
- convolution
- candidate solution
- data
- model
- gate
- 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 52
- 238000004146 energy storage Methods 0.000 title claims abstract description 31
- 238000001816 cooling Methods 0.000 title claims abstract description 29
- 239000007788 liquid Substances 0.000 title claims abstract description 29
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 24
- 238000011176 pooling Methods 0.000 claims description 33
- 230000036541 health Effects 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 11
- 125000004122 cyclic group Chemical group 0.000 claims description 9
- 238000007654 immersion Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000011217 control strategy Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 238000001453 impedance spectrum Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- MYVIATVLJGTBFV-UHFFFAOYSA-M thiamine(1+) chloride Chemical compound [Cl-].CC1=C(CCO)SC=[N+]1CC1=CN=C(C)N=C1N MYVIATVLJGTBFV-UHFFFAOYSA-M 0.000 claims description 3
- 230000007774 longterm Effects 0.000 abstract description 11
- 230000008859 change Effects 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000007599 discharging Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000017525 heat dissipation Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/60—Heating or cooling; Temperature control
- H01M10/61—Types of temperature control
- H01M10/613—Cooling or keeping cold
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/60—Heating or cooling; Temperature control
- H01M10/63—Control systems
- H01M10/633—Control systems characterised by algorithms, flow charts, software details or the like
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/60—Heating or cooling; Temperature control
- H01M10/65—Means for temperature control structurally associated with the cells
- H01M10/656—Means for temperature control structurally associated with the cells characterised by the type of heat-exchange fluid
- H01M10/6567—Liquids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Chemical & Material Sciences (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Chemical & Material Sciences (AREA)
- Manufacturing & Machinery (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Automation & Control Theory (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了基于浸没式液冷储能系统的控制方法,方法包括数据采集、数据预处理、特征提取、电池寿命预测和控制策略生成。本发明属于电池管理技术领域,具体是指基于浸没式液冷储能系统的控制方法,本方案采用基于深度卷积网络的特征提取器,可以更好地拟合复杂的电池非线性特性,将数据降维到更具有代表性的特征集合,有助于减少建模复杂度,进而提高模型预测的准确性;本方案采用正余弦改进算法优化双向门控循环网络模型,提高了模型的训练效率和收敛速度,有助于提高双向门控循环网络模型对电池长期状态变化的预测能力。
Description
技术领域
本发明属于电池管理技术领域,具体是指基于浸没式液冷储能系统的控制方法。
背景技术
浸没式液冷储能系统是一种利用液体冷却技术对储能设备进行积极冷却的系统,该系统通过将电池储能设备浸没在散热液体中,来实现高效的热管理和散热,从而有效地控制电池储能设备的温度,有助于提高电池储能设备的性能和寿命。但在现有的浸没式液冷储能系统控制方法中,存在由于电池充放电过程表现出非线性特性,增加了模型预测的难度,缺乏一种有效处理电池非线性特性的方法的技术问题;存在电池寿命预测涉及长期状态变化,使得电池寿命衰减充满不确定性和复杂性,导致模型预测准确性低,缺乏一种有效处理长期依赖关系的预测方法的技术问题。
发明内容
针对上述情况,为克服现有技术的缺陷,本发明提供了基于浸没式液冷储能系统的控制方法,针对在现有的浸没式液冷储能系统控制方法中,存在由于电池充放电过程表现出非线性特性,增加了模型预测的难度,缺乏一种有效处理电池非线性特性的方法的技术问题,本方案采用基于深度卷积网络的特征提取器,可以更好地拟合复杂的电池非线性特性,将数据降维到更具有代表性的特征集合,有助于减少建模复杂度,进而提高模型预测的准确性;针对在现有的浸没式液冷储能系统控制方法中,存在电池寿命预测涉及长期状态变化,使得电池寿命衰减充满不确定性和复杂性,导致模型预测准确性低,缺乏一种有效处理长期依赖关系的预测方法的技术问题,本方案采用正余弦改进算法优化双向门控循环网络模型,提高了模型的训练效率和收敛速度,有助于提高双向门控循环网络模型对电池长期状态变化的预测能力。
本发明采取的技术方案如下:本发明提供的基于浸没式液冷储能系统的控制方法,该方法包括以下步骤:
步骤S1:数据采集;
步骤S2:数据预处理;
步骤S3:特征提取,具体为通过构建卷积层和池化层,得到基于深度卷积网络的特征提取器,采用基于深度卷积网络的特征提取器对电池健康图像数据进行特征提取,得到电池健康特征;
步骤S4:电池寿命预测,具体为采用正余弦改进算法优化双向门控循环网络模型,通过构建更新门、重置门和输出门进行模型训练,得到电池寿命预测模型ModelBt,采用电池寿命预测模型ModelBt进行预测,得到电池寿命预测数据;
步骤S5:控制策略生成。
进一步地,在步骤S1中,所述数据采集,具体为通过传感器采集浸没式液冷储能系统的参数,得到电池健康数据,所述电池健康数据具体为电化学阻抗谱。
进一步地,在步骤S2中,所述数据预处理,用于对电池健康数据进行数据预处理,具体为通过格拉米安角场技术将电池健康数据转换为二维图像,得到电池健康图像数据。
进一步地,在步骤S3中,所述特征提取,具体为采用基于深度卷积网络的特征提取器进行特征提取,包括以下步骤:
步骤S31:构建基于深度卷积网络的特征提取器,包括以下步骤:
步骤S311:构建卷积层,用于对输入图像进行卷积操作,计算公式为:
;
式中,j是输出通道索引,所述输出通道的数量与卷积核数量一致,cLj是第j个卷积特征图,Ru()是非线性激活函数,y是卷积层输入,ckj是第j个卷积核,wi是卷积层偏置项;
步骤S312:构建池化层,具体为通过池化操作对卷积特征图进行下采样,来有效减少卷积特征图的维度,计算公式为:
;
式中,pLj是第j个池化特征图,α是下采样因子,d()是最大池化函数,wl是池化层偏置项;
步骤S313:通过构建卷积层和池化层,得到基于深度卷积网络的特征提取器,包括以下步骤:
步骤S3131:初始化卷积核数量,具体为将卷积层中的卷积核数量设置为64个;
步骤S3132:采用两个卷积层对输入图像进行两次卷积处理,得到卷积特征图;
步骤S3133:采用池化层对卷积特征图进行池化操作,得到池化特征图,将池化特征图作为输入图像输入卷积层;
步骤S3134:将卷积核数量增加一倍,重复执行步骤S3132及其后续操作3次,得到图像特征;
步骤S32:采用基于深度卷积网络的特征提取器对电池健康图像数据进行特征提取,得到电池健康特征。
进一步地,在步骤S4中,所述电池寿命预测,包括以下步骤:
步骤S41:构建电池寿命预测模型,具体为基于双向门控循环网络构建电池寿命预测模型,包括以下步骤:
步骤S411:构建更新门,用于控制输入数据对当前隐藏状态的影响程度,计算公式为:
;
式中,udt是更新门输出,t是时间步,Sig()是Sigmoid函数,ht-1是前一时间步的隐藏状态,maud是更新门权重,xt是作为输入数据的电池健康特征;
步骤S412:构建重置门,用于控制之前时间步隐藏状态的忽略程度,计算公式为:
;
式中,rgt是重置门输出,marg是重置门权重;
步骤S413:通过双曲正切函数,计算候选隐藏状态,计算公式为:
;
式中,是候选隐藏状态,μ()是双曲正切函数,ma1是计算候选隐藏状态的权重;
步骤S414:依据候选隐藏状态和更新门输出,计算当前隐藏状态,计算公式为:
;
式中,ht是当前隐藏状态;
步骤S415:构建输出门,用于控制当前隐藏状态作为模型最终输出的程度,计算公式为:
;
式中,odt是输出门输出,maod是输出门权重;
步骤S42:通过改进正余弦优化算法,得到正余弦改进算法,对双向门控循环网络模型进行优化,包括以下步骤:
步骤S421:初始化双向门控循环网络模型参数和正余弦改进算法的初始参数,所述正余弦改进算法的初始参数包括最大迭代次数,非线性学习因子的最小值和非线性学习因子的最大值;
步骤S422:将双向门控循环网络模型参数作为候选解集中的个体,依据双向门控循环网络模型参数的范围,生成一组候选解集,将候选解集中的第一个候选解作为当前最佳候选解;
步骤S423:计算非线性学习因子,用于更新候选解集,计算公式为:
;
式中,β是非线性学习因子,βmin是非线性学习因子的最小值,βmax是非线性学习因子的最大值,sin()是正弦函数,g是迭代次数,K是最大迭代次数;
步骤S424:依据非线性学习因子更新候选解集,计算公式为:
;
式中,I是候选解位置索引,J是候选解维度索引,是第I个候选解在第J维度在下一次迭代中的位置,/>是第I个候选解在第J维度在当前迭代的位置,pobest是当前最佳候选解的位置,s3是取值为[0,2π]的随机数,s4是取值为[0,2]的随机数,Vi2是搜索空间半径,所述搜索空间半径用于表示正余弦改进算法在寻找最佳候选解时的搜索范围,Va是位置更新阈值;
步骤S425:通过双向门控循环网络模型对更新后的候选解集进行评估,选择性能最优的候选解作为当前最佳候选解;
步骤S426:通过重复执行步骤S423及其后续操作K次,进行K轮迭代,得到最佳候选解,依据最佳候选解优化双向门控循环网络模型参数;
步骤S43:采用正余弦改进算法优化双向门控循环网络模型,通过构建更新门、重置门和输出门进行模型训练,得到电池寿命预测模型ModelBt;
步骤S44:采用电池寿命预测模型ModelBt进行预测,得到电池寿命预测数据。
进一步地,在步骤S5中,所述控制策略生成,具体为依据电池寿命预测数据生成控制策略,对浸没式液冷储能系统进行控制。
采用上述方案本发明取得的有益效果如下:
(1)针对在现有的浸没式液冷储能系统控制方法中,存在由于电池充放电过程表现出非线性特性,增加了模型预测的难度,缺乏一种有效处理电池非线性特性的方法的技术问题,本方案采用基于深度卷积网络的特征提取器,可以更好地拟合复杂的电池非线性特性,将数据降维到更具有代表性的特征集合,有助于减少建模复杂度,进而提高模型预测的准确性。
(2)针对在现有的浸没式液冷储能系统控制方法中,存在电池寿命预测涉及长期状态变化,使得电池寿命衰减充满不确定性和复杂性,导致模型预测准确性低,缺乏一种有效处理长期依赖关系的预测方法的技术问题,本方案采用正余弦改进算法优化双向门控循环网络模型,提高了模型的训练效率和收敛速度,有助于提高双向门控循环网络模型对电池长期状态变化的预测能力。
附图说明
图1为本发明提供的基于浸没式液冷储能系统的控制方法的流程示意图;
图2为步骤S3的流程示意图;
图3为步骤S4的流程示意图。
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例;基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
实施例一,参阅图1,本发明提供的基于浸没式液冷储能系统的控制方法,该方法包括以下步骤:
步骤S1:数据采集;
步骤S2:数据预处理;
步骤S3:特征提取,具体为通过构建卷积层和池化层,得到基于深度卷积网络的特征提取器,采用基于深度卷积网络的特征提取器对电池健康图像数据进行特征提取,得到电池健康特征;
步骤S4:电池寿命预测,具体为采用正余弦改进算法优化双向门控循环网络模型,通过构建更新门、重置门和输出门进行模型训练,得到电池寿命预测模型ModelBt,采用电池寿命预测模型ModelBt进行预测,得到电池寿命预测数据;
步骤S5:控制策略生成。
实施例二,参阅图1,在步骤S1中,所述数据采集,具体为通过传感器采集浸没式液冷储能系统的参数,得到电池健康数据,所述电池健康数据具体为电化学阻抗谱。
实施例三,参阅图1,该实施例基于上述实施例,在步骤S2中,所述数据预处理,用于对电池健康数据进行数据预处理,具体为通过格拉米安角场技术将电池健康数据转换为二维图像,得到电池健康图像数据。
实施例四,参阅图1和图2,该实施例基于上述实施例,在步骤S3中,所述特征提取,具体为采用基于深度卷积网络的特征提取器进行特征提取,包括以下步骤:
步骤S31:构建基于深度卷积网络的特征提取器,包括以下步骤:
步骤S311:构建卷积层,用于对输入图像进行卷积操作,计算公式为:
;
式中,j是输出通道索引,所述输出通道的数量与卷积核数量一致,cLj是第j个卷积特征图,Ru()是非线性激活函数,y是卷积层输入,ckj是第j个卷积核,wi是卷积层偏置项;
步骤S312:构建池化层,具体为通过池化操作对卷积特征图进行下采样,来有效减少卷积特征图的维度,计算公式为:
;
式中,pLj是第j个池化特征图,α是下采样因子,d()是最大池化函数,wl是池化层偏置项;
步骤S313:通过构建卷积层和池化层,得到基于深度卷积网络的特征提取器,包括以下步骤:
步骤S3131:初始化卷积核数量,具体为将卷积层中的卷积核数量设置为64个;
步骤S3132:采用两个卷积层对输入图像进行两次卷积处理,得到卷积特征图;
步骤S3133:采用池化层对卷积特征图进行池化操作,得到池化特征图,将池化特征图作为输入图像输入卷积层;
步骤S3134:将卷积核数量增加一倍,重复执行步骤S3132及其后续操作3次,得到图像特征;
步骤S32:采用基于深度卷积网络的特征提取器对电池健康图像数据进行特征提取,得到电池健康特征;
通过执行上述操作,针对在现有的浸没式液冷储能系统控制方法中,存在由于电池充放电过程表现出非线性特性,增加了模型预测的难度,缺乏一种有效处理电池非线性特性的方法的技术问题,本方案采用基于深度卷积网络的特征提取器,可以更好地拟合复杂的电池非线性特性,将数据降维到更具有代表性的特征集合,有助于减少建模复杂度,进而提高模型预测的准确性。
实施例五,参阅图1和图3,该实施例基于上述实施例,在步骤S4中,所述电池寿命预测,包括以下步骤:
步骤S41:构建电池寿命预测模型,具体为基于双向门控循环网络构建电池寿命预测模型,包括以下步骤:
步骤S411:构建更新门,用于控制输入数据对当前隐藏状态的影响程度,计算公式为:
;
式中,udt是更新门输出,t是时间步,Sig()是Sigmoid函数,ht-1是前一时间步的隐藏状态,maud是更新门权重,xt是作为输入数据的电池健康特征;
步骤S412:构建重置门,用于控制之前时间步隐藏状态的忽略程度,计算公式为:
;
式中,rgt是重置门输出,marg是重置门权重;
步骤S413:通过双曲正切函数,计算候选隐藏状态,计算公式为:
;
式中,是候选隐藏状态,μ()是双曲正切函数,ma1是计算候选隐藏状态的权重;
步骤S414:依据候选隐藏状态和更新门输出,计算当前隐藏状态,计算公式为:
;
式中,ht是当前隐藏状态;
步骤S415:构建输出门,用于控制当前隐藏状态作为模型最终输出的程度,计算公式为:
;
式中,odt是输出门输出,maod是输出门权重;
步骤S42:通过改进正余弦优化算法,得到正余弦改进算法,对双向门控循环网络模型进行优化,包括以下步骤:
步骤S421:初始化双向门控循环网络模型参数和正余弦改进算法的初始参数,所述正余弦改进算法的初始参数包括最大迭代次数,非线性学习因子的最小值和非线性学习因子的最大值;
步骤S422:将双向门控循环网络模型参数作为候选解集中的个体,依据双向门控循环网络模型参数的范围,生成一组候选解集,将候选解集中的第一个候选解作为当前最佳候选解;
步骤S423:计算非线性学习因子,用于更新候选解集,计算公式为:
;
式中,β是非线性学习因子,βmin是非线性学习因子的最小值,βmax是非线性学习因子的最大值,sin()是正弦函数,g是迭代次数,K是最大迭代次数数;
步骤S424:依据非线性学习因子更新候选解集,计算公式为:
;
式中,I是候选解位置索引,J是候选解维度索引,是第I个候选解在第J维度在下一次迭代中的位置,/>是第I个候选解在第J维度在当前迭代的位置,pobest是当前最佳候选解的位置,s3是取值为[0,2π]的随机数,s4是取值为[0,2]的随机数,Vi2是搜索空间半径,所述搜索空间半径用于表示正余弦改进算法在寻找最佳候选解时的搜索范围,Va是位置更新阈值;
步骤S425:通过双向门控循环网络模型对更新后的候选解集进行评估,选择性能最优的候选解作为当前最佳候选解;
步骤S426:通过重复执行步骤S423及其后续操作K次,进行K轮迭代,得到最佳候选解,依据最佳候选解优化双向门控循环网络模型参数;
步骤S43:采用正余弦改进算法优化双向门控循环网络模型,通过构建更新门、重置门和输出门进行模型训练,得到电池寿命预测模型ModelBt;
步骤S44:采用电池寿命预测模型ModelBt进行预测,得到电池寿命预测数据;
通过执行上述操作,针对在现有的浸没式液冷储能系统控制方法中,存在电池寿命预测涉及长期状态变化,使得电池寿命衰减充满不确定性和复杂性,导致模型预测准确性低,缺乏一种有效处理长期依赖关系的预测方法的技术问题,本方案采用正余弦改进算法优化双向门控循环网络模型,提高了模型的训练效率和收敛速度,有助于提高双向门控循环网络模型对电池长期状态变化的预测能力。
实施例五,参阅图1,该实施例基于上述实施例,在步骤S5中,所述控制策略生成,具体为依据电池寿命预测数据生成控制策略,对浸没式液冷储能系统进行控制。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述,这种描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (5)
1.基于浸没式液冷储能系统的控制方法,其特征在于:该方法包括以下步骤:
步骤S1:数据采集;
步骤S2:数据预处理;
步骤S3:特征提取,具体为通过构建卷积层和池化层,得到基于深度卷积网络的特征提取器,采用基于深度卷积网络的特征提取器对电池健康图像数据进行特征提取,得到电池健康特征;
步骤S4:电池寿命预测,具体为采用正余弦改进算法优化双向门控循环网络模型,通过构建更新门、重置门和输出门进行模型训练,得到电池寿命预测模型ModelBt,采用电池寿命预测模型ModelBt进行预测,得到电池寿命预测数据;
步骤S5:控制策略生成;
在步骤S3中,所述特征提取,具体为采用基于深度卷积网络的特征提取器进行特征提取,包括以下步骤:
步骤S31:构建基于深度卷积网络的特征提取器,包括以下步骤:
步骤S311:构建卷积层,用于对输入图像进行卷积操作,计算公式为:
;
式中,j是输出通道索引,所述输出通道的数量与卷积核数量一致,cLj是第j个卷积特征图,Ru()是非线性激活函数,y是卷积层输入,ckj是第j个卷积核,wi是卷积层偏置项;
步骤S312:构建池化层,具体为通过池化操作对卷积特征图进行下采样,来有效减少卷积特征图的维度,计算公式为:
;
式中,pLj是第j个池化特征图,α是下采样因子,d()是最大池化函数,wl是池化层偏置项;
步骤S313:通过构建卷积层和池化层,得到基于深度卷积网络的特征提取器,包括以下步骤:
步骤S3131:初始化卷积核数量,具体为将卷积层中的卷积核数量设置为64个;
步骤S3132:采用两个卷积层对输入图像进行两次卷积处理,得到卷积特征图;
步骤S3133:采用池化层对卷积特征图进行池化操作,得到池化特征图,将池化特征图作为输入图像输入卷积层;
步骤S3134:将卷积核数量增加一倍,重复执行步骤S3132及其后续操作3次,得到图像特征;
步骤S32:采用基于深度卷积网络的特征提取器对电池健康图像数据进行特征提取,得到电池健康特征;
在步骤S4中,所述电池寿命预测,包括以下步骤:
步骤S41:构建电池寿命预测模型,具体为基于双向门控循环网络构建电池寿命预测模型;
步骤S42:通过改进正余弦优化算法,得到正余弦改进算法,对双向门控循环网络模型进行优化,包括以下步骤:
步骤S421:初始化双向门控循环网络模型参数和正余弦改进算法的初始参数,所述正余弦改进算法的初始参数包括最大迭代次数,非线性学习因子的最小值和非线性学习因子的最大值;
步骤S422:将双向门控循环网络模型参数作为候选解集中的个体,依据双向门控循环网络模型参数的范围,生成一组候选解集,将候选解集中的第一个候选解作为当前最佳候选解;
步骤S423:计算非线性学习因子,用于更新候选解集,计算公式为:
;
式中,β是非线性学习因子,βmin是非线性学习因子的最小值,βmax是非线性学习因子的最大值,sin()是正弦函数,g是迭代次数,K是最大迭代次数;
步骤S424:依据非线性学习因子更新候选解集,计算公式为:
;
式中,I是候选解位置索引,J是候选解维度索引,是第I个候选解在第J维度在下一次迭代中的位置,/>是第I个候选解在第J维度在当前迭代的位置,pobest是当前最佳候选解的位置,s3是取值为[0,2π]的随机数,s4是取值为[0,2]的随机数,Vi2是搜索空间半径,所述搜索空间半径用于表示正余弦改进算法在寻找最佳候选解时的搜索范围,Va是位置更新阈值;
步骤S425:通过双向门控循环网络模型对更新后的候选解集进行评估,选择性能最优的候选解作为当前最佳候选解;
步骤S426:通过重复执行步骤S423及其后续操作K次,进行K轮迭代,得到最佳候选解,依据最佳候选解优化双向门控循环网络模型参数;
步骤S43:采用正余弦改进算法优化双向门控循环网络模型,通过构建更新门、重置门和输出门进行模型训练,得到电池寿命预测模型ModelBt;
步骤S44:采用电池寿命预测模型ModelBt进行预测,得到电池寿命预测数据。
2.根据权利要求1所述的基于浸没式液冷储能系统的控制方法,其特征在于:在步骤S41中,所述基于双向门控循环网络构建电池寿命预测模型,包括以下步骤:
步骤S411:构建更新门,用于控制输入数据对当前隐藏状态的影响程度,计算公式为:
;
式中,udt是更新门输出,t是时间步,Sig()是Sigmoid函数,ht-1是前一时间步的隐藏状态,maud是更新门权重,xt是作为输入数据的电池健康特征;
步骤S412:构建重置门,用于控制之前时间步隐藏状态的忽略程度,计算公式为:
;
式中,rgt是重置门输出,marg是重置门权重;
步骤S413:通过双曲正切函数,计算候选隐藏状态,计算公式为:
;
式中,是候选隐藏状态,μ()是双曲正切函数,ma1是计算候选隐藏状态的权重;
步骤S414:依据候选隐藏状态和更新门输出,计算当前隐藏状态,计算公式为:
;
式中,ht是当前隐藏状态;
步骤S415:构建输出门,用于控制当前隐藏状态作为模型最终输出的程度,计算公式为:
;
式中,odt是输出门输出,maod是输出门权重。
3.根据权利要求2所述的基于浸没式液冷储能系统的控制方法,其特征在于:在步骤S1中,所述数据采集,具体为通过传感器采集浸没式液冷储能系统的参数,得到电池健康数据,所述电池健康数据具体为电化学阻抗谱。
4.根据权利要求3所述的基于浸没式液冷储能系统的控制方法,其特征在于:在步骤S2中,所述数据预处理,用于对电池健康数据进行数据预处理,具体为通过格拉米安角场技术将电池健康数据转换为二维图像,得到电池健康图像数据。
5.根据权利要求4所述的基于浸没式液冷储能系统的控制方法,其特征在于:在步骤S5中,所述控制策略生成,具体为依据电池寿命预测数据生成控制策略,对浸没式液冷储能系统进行控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311667649.4A CN117374469B (zh) | 2023-12-07 | 2023-12-07 | 基于浸没式液冷储能系统的控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311667649.4A CN117374469B (zh) | 2023-12-07 | 2023-12-07 | 基于浸没式液冷储能系统的控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117374469A CN117374469A (zh) | 2024-01-09 |
CN117374469B true CN117374469B (zh) | 2024-02-09 |
Family
ID=89404501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311667649.4A Active CN117374469B (zh) | 2023-12-07 | 2023-12-07 | 基于浸没式液冷储能系统的控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117374469B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059377A (zh) * | 2019-04-02 | 2019-07-26 | 西南交通大学 | 一种基于深度卷积神经网络的燃料电池寿命预测方法 |
CN112986827A (zh) * | 2021-04-12 | 2021-06-18 | 山东凯格瑞森能源科技有限公司 | 一种基于深度学习的燃料电池剩余寿命预测方法 |
CN113095153A (zh) * | 2021-03-19 | 2021-07-09 | 南京理工大学 | 基于深度残差网络的移动终端人类情境识别方法 |
KR20210116801A (ko) * | 2020-03-16 | 2021-09-28 | 주식회사 로보볼트 | 신경망 기반의 배터리 잔존 수명 예측 방법 및 장치 |
CN113821875A (zh) * | 2021-09-26 | 2021-12-21 | 湖南大学 | 一个基于端云协同的智能车辆故障实时预测方法及系统 |
CN114791571A (zh) * | 2022-04-18 | 2022-07-26 | 东北电力大学 | 一种基于改进cso-lstm网络的锂离子电池寿命预测方法及装置 |
CN115508711A (zh) * | 2022-10-10 | 2022-12-23 | 南京工程学院 | 一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法 |
CN115963401A (zh) * | 2021-09-23 | 2023-04-14 | 山东浪潮科学研究院有限公司 | 基于微控制器设备和嵌入式稠密神经网络的电池循环性预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116529615A (zh) * | 2020-10-15 | 2023-08-01 | 株式会社力森诺科 | 锂离子电池的寿命予测方法、放电容量维持率予测方法、寿命予测程序、放电容量维持率予测程序及信息处理装置 |
-
2023
- 2023-12-07 CN CN202311667649.4A patent/CN117374469B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059377A (zh) * | 2019-04-02 | 2019-07-26 | 西南交通大学 | 一种基于深度卷积神经网络的燃料电池寿命预测方法 |
KR20210116801A (ko) * | 2020-03-16 | 2021-09-28 | 주식회사 로보볼트 | 신경망 기반의 배터리 잔존 수명 예측 방법 및 장치 |
CN113095153A (zh) * | 2021-03-19 | 2021-07-09 | 南京理工大学 | 基于深度残差网络的移动终端人类情境识别方法 |
CN112986827A (zh) * | 2021-04-12 | 2021-06-18 | 山东凯格瑞森能源科技有限公司 | 一种基于深度学习的燃料电池剩余寿命预测方法 |
CN115963401A (zh) * | 2021-09-23 | 2023-04-14 | 山东浪潮科学研究院有限公司 | 基于微控制器设备和嵌入式稠密神经网络的电池循环性预测方法 |
CN113821875A (zh) * | 2021-09-26 | 2021-12-21 | 湖南大学 | 一个基于端云协同的智能车辆故障实时预测方法及系统 |
CN114791571A (zh) * | 2022-04-18 | 2022-07-26 | 东北电力大学 | 一种基于改进cso-lstm网络的锂离子电池寿命预测方法及装置 |
CN115508711A (zh) * | 2022-10-10 | 2022-12-23 | 南京工程学院 | 一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117374469A (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108985515B (zh) | 一种基于独立循环神经网络的新能源出力预测方法及系统 | |
CN109271683B (zh) | 一种面向日照约束的建筑群自动排布算法 | |
CN110134774A (zh) | 一种基于注意力决策的图像视觉问答模型、方法和系统 | |
Yang et al. | Robust UWB indoor localization for NLOS scenes via learning spatial-temporal features | |
CN106951783A (zh) | 一种基于深度神经网络的伪装入侵检测方法及装置 | |
CN109960738B (zh) | 基于深度对抗哈希学习的大规模遥感影像内容检索方法 | |
CN113947009B (zh) | 基于柯西扰动麻雀优化的稀疏lstm滑坡动态预测方法 | |
CN109215344B (zh) | 用于城市道路短时交通流量预测的方法和系统 | |
CN112464005B (zh) | 一种深度强化图像聚类方法 | |
CN112614163B (zh) | 一种融合贝叶斯轨迹推理的目标跟踪方法及系统 | |
CN110334656A (zh) | 基于信源概率加权的多源遥感图像水体提取方法及装置 | |
CN115204035A (zh) | 基于多尺度时序数据融合模型的发电机组运行参数预测方法、装置及存储介质 | |
Li et al. | Evolutionary deep learning with extended Kalman filter for effective prediction modeling and efficient data assimilation | |
CN112784140A (zh) | 一种高能效神经网络架构的搜索方法 | |
CN117117859A (zh) | 基于神经网络的光伏发电功率预测方法及系统 | |
CN117374469B (zh) | 基于浸没式液冷储能系统的控制方法 | |
CN114161419B (zh) | 一种情景记忆引导的机器人操作技能高效学习方法 | |
CN111968156A (zh) | 一种自适应超特征融合的视觉跟踪方法 | |
CN117078312B (zh) | 一种基于人工智能的广告投放管理方法及系统 | |
CN117273237B (zh) | 一种基于人工智能的汽车零部件产能预测方法及系统 | |
CN117077671B (zh) | 一种交互数据生成方法及系统 | |
CN109492516A (zh) | 一种基于dgru神经网络的uuv集群行为识别方法 | |
CN113821025A (zh) | 一种神经网络优化启发函数的移动机器人路径规划方法 | |
CN116451859A (zh) | 一种基于贝叶斯优化的生成对抗网络股票预测方法 | |
CN116822742A (zh) | 一种基于动态分解-重构集成处理的电力负荷预测方法 |
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 |