检索结果-南通市图书馆

作者：朱月凡南京邮电大学

学位级别：硕士

随着电动汽车的迅速发展,锂离子电池及其对应的电池管理系统(Battery Manage System,BMS)的相关技术越发受到研究者们的关注,精确的电池荷电状态(State of Charge,SOC)估计可以让电池管理系统对电池所处状态有着清晰的了解,从而对电池... 详细信息

随着电动汽车的迅速发展,锂离子电池及其对应的电池管理系统(Battery Manage System,BMS)的相关技术越发受到研究者们的关注,精确的电池荷电状态(State of Charge,SOC)估计可以让电池管理系统对电池所处状态有着清晰的了解,从而对电池系统进行合理的管理,防止电池过充过放带来的电池寿命减少问题,以及电池过热带来的安全问题。因此,本文针对目前电池荷电状态估计精度较低问题,基于双向长短时记忆网络(Bi-directional Long Short-Term Memory,Bi-LSTM)这一深度学习模型,从数据优化和模型优化角度来提升SOC估计的精度。(1)针对目前电池荷电状态估计精度较低问题,本文使用循环神经网络的变种Bi-LSTM模型来对SOC进行估计。为了使研究的结果具有现实意义,本文使用的数据集是在各种不同的工况,不同的温度下进行充放电实验得到的。首先搭建好Bi-LSTM模型,将处理好的电池数据划分为训练集、验证集和测试集后进行训练。通过与循环神经网络(Recurrent Neural Network,RNN)和长短时记忆网络(Long Short-Term Memory,LSTM)模型的对比,验证了Bi-LSTM模型拥有更好的SOC估计效果。其次本文又进一步研究了不同隐藏层神经元个数、隐藏层层数、学习率和输入数据序列长度对模型性能的影响,最后通过实验验证了该模型同样适用于其他固定环境温度以及可变环境温度下的SOC估计。(2)针对Bi-LSTM模型对原始数据挖掘不足以及原始数据量较少问题,本文提出两种数据优化的方法:特征选择和高斯数据增强。首先对原始数据进行特征工程,共制作出14个特征,其次使用排列重要性方法(Permutaion Importance,PI)选择了7个重要特征,Bi-LSTM模型使用这7个特征进行训练时,SOC的估计精度有了较大提升,这证明了PI特征选择的有效性。最后,通过给原始数据添加高斯噪声获取了更多有效的数据来平滑输入空间,进一步提升了Bi-LSTM模型的SOC估计精度,证明了高斯数据增强方法的有效性。(3)针对Bi-LSTM在电池荷电状态估计中无法发挥其能利用未来信息这一优势问题,本文提出一种基于时延二次估计(Time Delay Second Estimation,TDSE)的模型Bi-LSTM-TDSE,该模型可以利用过去时刻的SOC估计结果对当前时刻的SOC估计结果进行调整以获得更精确的SOC估计值。该方法也为时间序列估计问题提供了新的思路。综上,本文针对目前电池荷电状态估计精度较低问题,在基于Bi-LSTM模型的基础上,又结合了特征选择、高斯数据增强和时延二次估计方法,有效的提升了电池荷电状态的估计精度。这为电池管理系统实现精密化管理提供了算法基础,在未来的电动汽车领域有着广阔的应用前景。

关键词：电池荷电状态深度学习双向长短时记忆网络特征选择排列重要性高斯数据增强

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于VMD-Informer-LOF算法的变频器故障提前预警研究

引用

电力大数据 2023年第12期26卷 10-18页

作者：黄翔庚张新平王映晖朱铎铭赵薇宋美鲁东大学数学与统计科学学院山东烟台264000 鲁东大学信息与电气工程学院山东烟台264000

针对风电机组变频器故障时常伴随剧烈温度变化的特点,本文提出一种基于VMD-Informer-LOF算法的故障检测方法。方案综合考虑风机状态变量对变频器的影响,利用变分模态分解(variational mode decomposition,VMD)提取电流电压等电信号的平... 详细信息

针对风电机组变频器故障时常伴随剧烈温度变化的特点,本文提出一种基于VMD-Informer-LOF算法的故障检测方法。方案综合考虑风机状态变量对变频器的影响,利用变分模态分解(variational mode decomposition,VMD)提取电流电压等电信号的平稳变化分量与高频干扰噪声,并结合排列重要性(permutation importance,PI)筛选对温度具有高灵敏性的变量。同时,基于故障时温度呈现为过低温或过高温的特点,将Informer预测温度值和SCADA(supervisory control and data acquisition)系统实测值重组为二维序列,结合局部离群因子(local outlier factor,LOF)算法识别变频器不同状态下的温度模式,进而实现高效的异常识别。经实验验证,本文所提出的VMD-Informer模型的温度预测拟合优度能够达到0.9841,效果优于LSTM(long short term memory)、XGBoost(extreme gradient boosting)等时序预测方法;同时,结合滑动窗口划分数据,LOF算法能够有效地对窗口内异常数据进行识别,在故障率阈值为0.2的情况下,能够实现提前约14小时发现故障,显著提高了故障预警效果。

关键词：风电机组变频器故障检测排列重要性 Informer LOF异常检测

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：