基于BO-GRU神经网络的锂离子电池剩余使用寿命预测

锂离子电池剩余使用寿命预测是锂离子电池健康管理的重要内容。针对锂离子电池剩余使用寿命预测困难、传统循环神经网络预测精度低的问题,提出一种基于贝叶斯优化(BO)-门控循环单元(GRU)神经网络的锂离子电池剩余使用寿命预测方法。这一方法提取循环数与对应的容量融合作为新特征,采用滑动窗口方法分割特征数据集,搭建门控循环单元神经网络,在网络中加入随机失活,并采用贝叶斯优化对门控循环单元神经网络参数进行优化。在不同来源数据上进行试验验证,这一方法的相对误差均小于3%,能够实现对锂离子电池剩余使用寿命的准确预测。     

基于BO-BiLSTM的超级电容器剩余寿命预测

为了提高超级电容器剩余使用寿命的预测精度，本文提出了一种贝叶斯优化与双向长短时记忆神经网络结合的预测模型(BO-BiLSTM),利用长滑动窗口处理容量数据来提高模型对容量衰退趋势的学习能力，达到对超级电容器剩余寿命精确预测的目的。通过对输入特征的研究和对比，选定了容量和循环数作为模型的输入，随后对滑窗大小、模型步长进行研究，发现长滑窗是模型成功的关键因素。实验模型的精度可以达到AEP=1.02%、RMSE=2.57%。在使用贝叶斯优化算法优化模型参数后，最终预测精度可以达到AEP=0.59%、RMSE=2.16%,具有较高的预测精度。     

新能源公交车电池荷电状态预测模型

为了优化充电策略，缓解里程焦虑，提出一种新能源公交车电池荷电状态预测模型。这一模型可以根据车辆内部因素和外部因素，预测下一趟新能源公交车的电池荷电状态消耗量。在实际工作中，新能源公交车电池荷电状态同时受到车辆内部因素和外部因素的影响。通过机器学习方法，对十辆新能源公交车1 a的数据进行分析，提取若干车辆内部因素作为特征，并通过对车辆行驶环境进行分析，提取若干外部因素作为特征。这一模型采用主动状态跟踪-长短时记忆神经网络，可以主动学习特征中的时间依赖性，筛选出有用信息。通过对模型结构的删减验证了模型的有效性，模型均方根误差为3.812%。