检索结果-南通市图书馆

铁道科学与工程学报 2024年

作者：于天剑冯恩来伍珣张庆东中南大学交通运输工程学院

动车组镍镉电池容量表现出非线性特性和“记忆效应”等特征，严重影响传统动车组电池健康状态（State of Health,SOH）预测模型的准确性。为准确预测动车组的SOH并提高其蓄电池管理系统的效率和可靠性，研究提出了一种综合预测框架，该... 详细信息

动车组镍镉电池容量表现出非线性特性和“记忆效应”等特征，严重影响传统动车组电池健康状态（State of Health,SOH）预测模型的准确性。为准确预测动车组的SOH并提高其蓄电池管理系统的效率和可靠性，研究提出了一种综合预测框架，该框架基于变分模态分解（Variational Mode Decomposition,VMD）和改进的Transformer模型。首先，通过白鲸优化算法（Beluga Whale Optimization, BWO）对VMD的超参数进行优化，利用VMD分解重构准确捕捉电池在其整个生命周期中的容量退化特性，消除蓄电池记忆效应对SOH预测研究带来的不良影响。其次，在Transformer编码模块中嵌入了长短时记忆网络自编码模块（Long Short-Term Memory Network Autoencoder,LSTM Autoencoder），以有效提取电池健康退化的短期特征信息并压缩数据维度，从而降低模型复杂度。最后，将Transformer解码层替换为全连接神经网络，以降低模型复杂度和减少预测误差累积现象，从而提高模型的预测性能和运行效率。并且在验证方案中，以实际动车组蓄电池为研究对象，研究通过消融实验以及横向对比实验双向证明研究算法具有最高的预测精度，输出预测结果在均方根误差、平均绝对误差相较于其他模型平均降低了60.83%和62.14%，在决定系数上平均提升了6.73%，具有高度的准确性和鲁棒性。可以实现对电池SOH实现精确的预测，有效对电池健康状态进行监控，为电池检修工作提供数据支撑和方法支持。

关键词：镍镉蓄电池 SOH预测变分模态分解长短时记忆网络自编码器改进Transformer模型

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

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

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

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：