磷酸铁锂动力电池循环寿命预测方法

针对粒子滤波循环寿命预测算法对磷酸铁锂动力电池长期预测效果较差问题,通过神经网络对电池历史数据进行学习,将训练学习值作为观测值代入粒子滤波算法中,修正粒子状态值;针对磷酸铁锂电池动态方程中寿命没有直接与观测值建立联系的问题,推导了关于电池寿命与容量观测值的后验概率关系,得到蒙特卡洛方法下的后验概率密度关系,给出了电池寿命预测不确定性表达。实验结果表明以神经网络训练值,作为改进粒子滤波动态方程算法的观测值,方法有效,降低了预测误差。     

基于PF-ARIMA的锂离子电池剩余寿命预测

针对电池健康状态局部波动增加预测难度,采用粒子滤波和自回归整合移动平均模型分别预测由经验模态分解提取的健康状态趋势项和细节项,实现锂离子电池剩余寿命预测.提出的PF-ARIMA方法相对误差均值约4.0％,表明该方法能够较为准确地预测锂离子电池剩余寿命.     

基于联合模型的短期电力负荷预测方法

为了准确预测电力负荷并提高电力系统调节和调度的灵活性、准确性,提出了基于差分自回归滑动平均和长短期记忆神经网络的短期负荷联合模型预测方法,以避免单一预测模型可能难以满足预测准确需求的情况。首先,使用差分自回归滑动平均和长短期记忆神经网络单一模型对短期电力负荷开展预测;然后,使用改进的粒子群优化算法对联合模型权重进行寻优;最后,利用最优权重将单一模型预测结果进行合并得到最终的预测结果。验证结果表明,所建立的联合模型能够对短期电力负荷进行准确的预测,且联合模型的预测精度要优于差分自回归滑动平均、长短期记忆神经网络和BP神经网络等单一模型,具有一定的工程应用价值。     

基于RVM-PF融合算法的锂离子电池剩余使用寿命预测

针对传统PF(粒子滤波)算法在锂离子电池RUL(剩余使用寿命)预测中出现的估计精度低、过于依赖电池经验模型等问题,提出一种RVM(相关向量机)算法与PF算法相融合的锂离子电池RUL预测方法。通过RVM算法提取电池容量数据的相关向量,同时利用RVM的回归能力拟合同型号电池容量衰减轨迹,基于衰减轨迹构建PF算法中的状态空间模型,预测当前工况下电池容量衰减趋势。最后,将传统PF算法和RVM-PF融合算法的预测性能进行对比。结果表明,所提出的融合算法具有状态跟踪拟合度高、预测精度高、长期预测能力好等特点,且融合算法不依赖电池经验模型,具有较强的通用性。     

火电机组中部分信号的时序预测研究

火电机组在升降负荷过程中,受设备性能所限,锅炉主要控制参数存在大延迟、大惯性等特点,难以平衡机组负荷快速响应与主蒸汽压力稳定控制之间的矛盾。提出一种自回归滑动平均(autoregressive movingaverage,ARMA)模型与粒子滤波算法相结合的综合法用于火电机组中部分信号的时序预测,旨在对锅炉侧的主蒸汽压力等信号进行超前预测,一定程度上解决锅炉侧主要参数控制迟延。该方法首先结合历史数据进行ARMA模型建模,通过粒子滤波算法对模型参数进行校正,最后利用经校正的模型计算得出信号时序预测值。利用该方法对某机组的主蒸汽压力、锅炉总煤量、主蒸汽压力设定值数据在Matlab平台进行预测仿真,结果表明,本方法在预测精度方面较ARMA模型有明显的提升。     

基于BiLSTM-STW神经网络的锂电池剩余容量预测

针对锂电池剩余容量预测精度无法满足当前工程应用的问题，结合双向长短时记忆网络(bi-directional long short-term memory,BiLSTM)与滑动时间窗口(sliding time window,STW)算法的优点，提出一种电池剩余容量预测方法。首先分析BILSTM神经网络和STW算法原理，构建了BiLSTM-STW神经网络模型，采用自适应矩优化算法(adaptive moment estimation, Adam)对模型超参数进行优化，实现模型修正；然后选取美国国家航空航天局(National Aeronautics Space and Administration,NASA)埃姆斯研究中心锂电池数据，对数据进行处理并选取容量衰减特征数据作为神经网络的预测输入量；最后利用构建的神经网络对NASA锂电池数据集进行剩余容量预测实验。实验结果表明，所构建的神经网络模型能够精确预测锂电池的剩余容量，相比LSTM神经网络模型有更好的精确度。     

锂离子动力电池寿命预测的研究进展

近些年来,锂离子电池作为一种新型能源,其寿命研究成为了各个领域关注的重点问题.对锂离子电池寿命的影响因素、电池健康状态(SOH)估计进行了研究,总结了国内外近几年来电池寿命预测的方法,并对其中基于性能的研究方法(粒子滤波算法、基于粒子滤波算法的改进算法和多种模型相结合的融合算法等)进行了分析和比较,以此为基础,找出了电...     

基于改进粒子滤波的锂离子电池剩余寿命预测

针对锂离子电池剩余寿命预测精度低、泛化能力差等问题,提出基于改进粒子滤波的预测方案。首先,提出双高斯模型作为退化经验模型,拟合锂离子电池的容量退化过程。然后,通过先验知识设置退化模型的初始参数,并利用粒子滤波方法进行参数更新。针对预测过程中出现的粒子退化问题,提出高斯混合方法进行粒子重采样,拟合重采样过程中粒子复杂的非线性分布和长尾分布,保证预测结果的概率密度分布状况均匀且集中。最后在不同的数据集上进行了实验验证,结果表明所提出的改进粒子滤波方案具有较高的精度和较强的鲁棒性。     

基于TRNN和FA-PF融合的锂离子电池RUL预测

预测锂电池剩余使用寿命RUL（remaining useful life）可以提高电池供电系统的稳定性和安全性,从而明确故障的发生并及时做出响应。在预测过程中粒子滤波PF（particle filter）常用于在线辨识模型参数,但当PF在线辨识参数时易出现粒子贫化问题,需要大量粒子才能完成状态估计,这将会导致预测结果不准确。为了提高RUL预测的准确性,提出一种基于时间递归神经网络TRNN（time recurrent neural network）和萤火虫算法FA（firefly algorithm）优化PF融合的锂电池RUL预测方法。首先,由于TRNN的泛化能力优于经验模型,并且易于捕捉容量退化的长距离依赖问题,因此选用其模拟各种条件下的电池退化模型;其次,基于FA优化的PF技术对TRNN模型参数进行递归更新,使粒子群移动到高似然区域,从而减少PF的贫化;最后,选择不同条件下不同电池的实验数据进行验证和比较。结果表明,与传统方法相比,该方法具有更高的RUL预测精度。     

基于粒子群优化粒子滤波算法的 SOC 估算研究

准确的获得电池的荷电状态(SOC)有助于缓解汽车行驶过程中的里程焦虑。针对粒子滤波估算SOC中存在的粒子退化的问题,将粒子群算法与粒子滤波融合的改进粒子滤波算法(GPSO-PF)算法应用于SOC的估计。在迭代中不断优化粒子所处位置,从而解决了粒子贫化的问题,提高了SOC的估算精度。同时,针对SOC估算容易受到温度的影响,建立基于温度的等效电路模型,并将其应用于提出的SOC估算算法中。选取两节相同型号的磷酸铁锂电池,分别在不同工况下利用GPSO-PF算法估算SOC值,SOC的最大估算误差均低于0.72%。通过对比,与基于温度等效电路模型相结合后,GPSO-PF算法能够有效提高SOC的估算精度。     

基于MIV的BP神经网络磷酸铁锂电池寿命预测

针对锂离子电池循环寿命衰减问题,为了能更加准确地对锂离子电池的循环寿命进行预测,对磷酸铁锂电池全生命周期进行循环充放电测试,获得其相关性能参数,提出基于BP神经网络分析方法建立寿命预测模型。在预测模型基础上,运用平均影响值(MIV)算法筛选模型的输入参数。结果表明,所建立的电池循环寿命预测模型具有较高的精度,符合电池的实际运行特性,对解决电池寿命评估周期长和成本高等问题具有重要意义。     

基于数据融合方法的智能电能表运行剩余寿命预测

本文融合加速退化试验数据和外场检测退化数据对智能电能表进行在线运行的剩余寿命预测。首先,基于加速退化试验（ADT）数据建立非线性Wiener过程退化模型和温湿综合加速模型,利用贝叶斯理论估计模型参数。其次,利用外场检测的退化数据对退化模型中参数进行不断更新,采用粒子滤波算法实现这一更新过程。最终,给出智能电能表在外场状态检测时刻开始的剩余寿命预测结果。该方法解决了两个问题,一是解决了仅仅利用ADT数据对智能电表在线运行状态评估不准确的问题;二是解决了仅仅利用外场使用条件下的数据量建立预测模型不准确的问题。不仅如此,使用粒子滤波（PF）算法对参数更新的精确度也很高。因此,本文对于智能电能表数据融合方法的研究有着一定的参考价值。     

新陈代谢灰色粒子滤波实现电池剩余寿命预测

电池剩余寿命(RUL)预测是电池管理系统的核心技术之一。为了以较少的数据量准确地在线预测电池RUL,提出新陈代谢灰色粒子滤波(MGM-PF)算法。首先利用一阶RC模型在线估算电池容量;然后基于估算的容量数据,利用新陈代谢灰色模型动态更新的灰色发展系数作为模型参数,构建表征电池容量退化的动态状态空间模型;并融合粒子滤波跟踪电池容量退化,实现电池RUL预测并给出预测结果的不确定性表达。实验结果表明,所提出的基于在线容量估算的MGM-PF算法能准确预测电池RUL。     

基于EMD-ARMA的锂离子电池剩余寿命预测

针对锂离子电池剩余寿命难以预测以及预测结果不精确等问题,提出了采用电池循环剩余容量数据作为时间序列样本,基于经验模态分解对各分解出的子序列建立自回归移动平均(ARMA)预测模型,并经过Pearson相关系数验证各子序列的相关性,加权重构后实现电池剩余寿命(RUL)预测。实验采用NASA锂离子电池数据集,用均方根误差(RMSE)和平均绝对误差(MAE)作为评价标准,对所提模型(EMD-ARMA预测模型)、Elman神经网络模型和ARMA模型的预测结果进行对比分析。试验结果表明,在正常工况下,所提的EMD-ARMA预测模型计算的RMSE和MAE的值为三个模型中的最小值,预测误差小于1%;并且预测误差随预测起始点的后移会逐渐减小,证明所提预测算法在长期预测上有较稳定的收敛性,预测精度也有显著提高。     

基于K-means聚类粒子群算法的多点PV-DG日前分配计划

针对光伏分布式电源(PV-DG)将大量接入配电网的场景,提出了基于K-means聚类粒子群算法(PSO)的PV-DG日前出力优化算法。该算法通过K-means聚类法根据PV-DG依次接入不同配电网的节点每小时网损的分析对节点进行分类,结合设计的分配公式初始化并网节点的PV-DG出力,将此出力作为初始化粒子引入粒子群优化算中。将分时系数自回归滑动平均(ARMA)模型预测方法与常规ARMA预测方法进行了比较,仿真结果表明分时系数ARMA模型预测方法提高了预测精度;并将K-means聚类的粒子群算法与粒子群算法及模糊粒子群算法分别进行了比较,对比结果说明提出的优化方法进一步降低了网损。     

基于ARMA误差修正和自适应粒子群优化的SVM短期负荷预测

利用最小二乘支持向量机（LS-SVM）进行短期负荷预测的精度及其泛化性能很大程度上取决于其参数选择。对于支持向量机中的核参数σ和惩罚系数C采用基于适应度函数惯性权重自适应调整的粒子群优化算法进行选择。在对LS-SVM回归模型参数优化的基础上,建立自回归滑动平均（ARMA）误差预测模型来修正负荷预测结果从而提高预测精度。选择某地区夏季96点负荷数据作为训练样本和测试样本进行分析,并且选择SVM模型进行对比。实验结果表明,同标准的SVM回归模型相比,APSO-ARMA-SVM负荷预测模型能明显改善预测精度,能够推广到电价预测等其他预测领域。     

基于K-means聚类粒子群算法的多点PV-DG日前分配计划EI北大核心CSCD

针对光伏分布式电源(PV-DG)将大量接入配电网的场景,提出了基于K-means聚类粒子群算法(PSO)的PV-DG日前出力优化算法。该算法通过K-means聚类法根据PV-DG依次接入不同配电网的节点每小时网损的分析对节点进行分类,结合设计的分配公式初始化并网节点的PV-DG出力,将此出力作为初始化粒子引入粒子群优化算中。将分时系数自回归滑动平均(ARMA)模型预测方法与常规ARMA预测方法进行了比较,仿真结果表明分时系数ARMA模型预测方法提高了预测精度;并将K-means聚类的粒子群算法与粒子群算法及模糊粒子群算法分别进行了比较,对比结果说明提出的优化方法进一步降低了网损。     

金属化膜电容器寿命预测方法

为了提高金属化膜电容器寿命预测精度,保证脉冲功率系统安全稳定的运行,提出一种新的基于粒子滤波算法的电容器寿命预测方法。该方法不需要大量寿命数据,能通过历史数据不断更新模型参数,准确地预测单个电容器寿命。对54个金属化膜电容器进行3种工况下的寿命退化实验,可以得到,相比于传统Weibull分布模型方法和Birnbaum-Saunders分布模型方法,所提方法的预测精度更高,3种工况下的平均预测偏差都100次,验证了所提出方法的有效性。     

基于ARMA误差修正和自适应粒子群优化的SVM短期负荷预测

利用最小二乘支持向量机( LS-SVM)进行短期负荷预测的精度及其泛化性能很大程度上取决于其参数选择.对于支持向量机中的核参数和惩罚系数C采用基于适应度函数惯性权重自适应调整的粒子群优化算法进行选择.在对LS-SVM回归模型参数优化的基础上,建立自回归滑动平均(ARMA)误差预测模型来修正负荷预测结果从而提高预测精度.选择某地区夏季96点负荷数据作为训练样本和测试样本进行分析,并且选择SVM模型进行对比,实验结果表明,同标准的SVM回归模型相比,APSO-ARMA-SVM负荷预测模型能明显改善预测精度,能够推广到电价预测等其他预测领域.     

基于改进多种群遗传算法的锂电池参数辨识∗

使用一种改进多种群遗传算法对锂电池的等效电路模型参数进行辨识,该算法的特点是将DNA 编码方法与 粒子群遗传算法融入多种群遗传算法中,有效提高了算法的精度和局部搜索能力.结果表明,通过使用该算法得到的 锂电池参数,对锂电池电压进行预测,得到的预测电压和实测电压的平均绝对误差为４．３５×１０－４ V,精度比传统多种 群遗传算法有明显提高.该算法对准确辨识锂电池参数以及精确估计锂电池SOC等有重要意义.