基于改进回声状态网络的锂离子电池剩余使用寿命预测

锂离子电池凭借其优越的性能被广泛用于纯电动汽车及大型电气系统。然而，随着锂离子电池循环充放电，电池性能大幅度衰退，会间接导致用电系统的性能衰退或发生故障。因此，准确预测锂离子电池剩余有效寿命(RUL),能够保障电池安全可靠运行。为了提高锂离子电池RUL的预测精度，提出了一种基于改进粒子群算法(IPSO)回声状态网络(ESN)的锂离子电池RUL预测方法，实现在线准确预测锂离子电池RUL。首先，通过遗传算法(GA)的交叉和变异操作优化PSO,提高粒子局部与全局寻优能力。然后通过GA-PSO对ESN网络参数进行优化，建立退化预测模型，利用NASA公开的锂离子电池实验数据进行仿真实验。结果表明，在相同数据集条件下，与改进粒子群算法和门控循环单元(IPSO-GRU)神经网络、遗传算法的极端学习机(GA-ELM)、非线性自回归(NARX)动态神经网络、改进蚁狮优化算法支持向量回归(IALO-SVR)、间接健康指标与ESN的预测方法相比，GA-PSO-ESN有更高的预测精度、稳定性和泛化能力，表明了该方法的有效性。     

基于LightGBM的电动汽车行驶工况下电池剩余使用寿命预测

行驶工况下电动汽车锂离子电池剩余使用寿命(RUL)衰退情况复杂,准确的RUL预测可为电池的定期维护和安全稳定运行提供指导,避免安全隐患.为此,该文提出一种适用于行驶工况下电动汽车电池的RUL预测方法.首先,针对行驶工况,提出一种基于轻量型梯度提升机(LightGBM)的RUL预测模型,利用元学习超参数优化方法对其进行超参数调优;其次,搭建行驶工况下电池全生命周期容量测试系统,模拟行驶工况下电池所受振动应力、充放电应力环境和测试电池容量衰退情况;然后,基于动态时间规整对容量衰退的相似性分析结果,使用生成对抗网络(GAN)生成新的容量序列;最后,通过实验数据验证所提模型和生成容量序列的有效性.     

基于融合注意力机制改进双向长短时记忆网络在电动汽车充电负荷中的预测研究

电动汽车的规模化发展以及充电设施的持续建设将给电网带来重要影响,严重威胁到了电力系统频率稳定性。结合电动汽车充电负荷数据特点,在深度学习方法的基础上提出基于融合注意力机制（attention mechanism,AM）改进的双向长短时记忆网络模型（long short-term memory network, LSTM）,实现对电动汽车的优化调度。通过使用实测电动汽车充电负荷数据,比较了所提方法与已有方法的性能。结果表明,在LSTM和（bidirectional long short-term memory network, BiLSTM）分别添加了注意力机制的（long short-term memory attention network,LSTMA）和（bidirectional long short-term memory attention network,BiLSTMA）模型相对于已有方法,在预测结果评价指标上都有明显的提升,证明了注意力机制在电动汽车充电负荷序列预测上的有效性。     

基于改进支持向量回归的锂电池剩余寿命预测

锂离子电池凭借其优越的性能广泛用于电动汽车及储能领域.然而,随着使用时间增加,锂离子电池性能大幅度衰退,会间接导致设备性能衰退或发生故障.因此,准确预测锂离子电池剩余有效寿命(RUL),能够对电池进行及时维护和更换,保障电池安全可靠运行.该文从充电过程中提取能够表征电池性能退化的间接健康因子,并利用Pearson和Spearman相关性分析法分析与容量之间的相关性;构建一种基于间接健康因子的改进蚁狮优化算法(IALO)支持向量回归(SVR)预测方法,实现在线准确预测锂离子电池RUL.利用NASA电池数据集对IALO-SVR方法进行验证,对比分析反向传播(BP)和SVR方法,实验结果表明,所构建的IALO-SVR方法能够更加准确地预测锂离子电池RUL.     

考虑风电时序特性的深度小波-时序卷积网络超短期风功率预测

超短期风电功率预测对于电力系统生产调度计划的制定具有重要意义，风电出力具有较强的随机性、波动性、不可控性。风电不确定性对风电时序关系的影响，给风电功率预测精度提出了挑战。针对上述问题，提出了基于离散小波变换(discrete wavelet transformation,DWT)、双深度Q网络(doubledepth Qnetwork,DDQN)、时序卷积网络(temporal convolutionalnetwork, TCN)和注意力机制(Attention)的DWT-DDQN-TCN-Attention(DWT-DTCNA)超短期风功率预测方法。首先，利用DWT将风电数据序列分解为不同频率的风电数据集，对不同频率的风电数据集做自相关函数分析，提取高自相关性的风功率训练子集作为预测模型的输入。其次，根据DWT分解后得到的不同频率风功率数据集分别训练相应的TCNA的风电超短期预测模型，深度挖掘风电功率时序关系，获得精度更高、更稳定的预测结果。为减少深度学习模型的参数对预测精度的影响，采用DDQN算法优化预测模型的参数。最后，利用DWT将不同频率超短期风功率预测结果进行重构，获得了预测...     

基于深度学习预测电动汽车的功率需求并优化功率分配*

电动汽车的发展过程中必须面对不同电子组件尤其是电动机的功耗问题,对此提出一种基于MRNN(改进型递归神经网络)的深度学习算法,根据车辆内部的不同数据和参数对系统进行建模,并通过MRNN深度学习算法对网络进行训练,预测功率需求并提供最佳功率,从而扩大行驶里程,更好地优化电机的电源功率分配。     

基于深度信念网络的光伏电站短期发电量预测

为了解决现有光伏电站短期发电量预测方法存在的预测模型复杂、预测误差较大、泛化能力较低的问题,提出一种基于深度信念网络的短期发电量预测方法。首先综合考虑影响光伏出力的环境因素和光伏板的运行参数以及光伏电站历史发电量数据,对深度信念网络进行训练和学习。在此基础上,采用重构误差的方法确定深度信念网络隐含层层数。最后针对某光伏电站短期发电量进行预测算例分析,验证了该预测模型能主动选择样本抽象特征、自动确定隐含层层数,对短期发电量预测精度较高。对比前馈反向传播(Back Propagation, BP)神经网络预测模型与长短期记忆网络(Long/Short Term Memory, LSTM)预测模型,结果表明所提方法运算量低、预测精度高,且增加神经网络的深度比改进神经网络神经元对预测效果更有效。     

基于深度信念网络的短期负荷预测方法

电力系统信息化的发展及配电网中分布式电源和电动汽车的大量接入,增加了用电模式的复杂性,对负荷预测的精确度和稳定性提出了更高的要求。提出了一种基于深度信念网络的短期负荷预测方法。该方法包括深度信念网络的构建、模型参数的逐层预训练和微调,以及模型的应用等步骤。在模型参数预训练过程中,采用高斯—伯努利受限玻尔兹曼机(GB-RBM)作为堆叠组成深度信念网络的第1个模块,使其能够更有效地处理对负荷有影响的多类型实值输入数据;并采用无监督训练和有监督训练相结合的部分有监督训练算法进行预训练;利用列文伯格—马夸尔特(LM)优化算法微调预训练阶段得到的网络参数,使其更快收敛于最优解。最后,以实际负荷数据进行算例分析,结果表明,在训练样本较大且负荷影响因素复杂的情况下,所提方法具有更高的预测精度。     

基于分层强化学习的电动汽车充电引导方法

为了有效解决电动汽车充电目的地优化和充电路径规划问题,以及充电引导的在线实时决策问题,建立了考虑多种不确定因素的电动汽车充电引导双层优化模型,提出了一种基于分层增强深度Q网络强化学习(HEDQN)的电动汽车充电引导方法。所提HEDQN算法采用基于Huber损失函数的双竞争型深度Q网络算法,并包含2层增强深度Q网络(eDQN)算法。上层eDQN用于对电动汽车充电目的地的优化;在此基础上,下层eDQN用于对电动汽车充电路径的实时优化。最后,在某城市交通网络中对所提HEDQN算法进行仿真验证,仿真结果表明相比基于Dijkstra最短路径的就近推荐算法、单层深度Q网络强化学习算法和传统的分层深度Q网络强化学习算法,所提HEDQN算法能够有效降低电动汽车充电费用,实现电动汽车在线实时的充电引导。此外还验证了所提HEDQN算法在仿真环境变化后的适应性。     

基于深度置信网络的配电网负荷预测

保证配电网负荷数据的完整性是后续数据统计和业务分析的数据基础。针对广州大学城配电网存在的电表年久失修或电表读数错误而导致的配电网负荷数据缺失问题，提出一种基于深度置信网络(Deep Belief Networks,DBN)的配电网负荷预测算法，通过时间序列预测的方法，对缺失的数据进行补齐，保证配电网数据的完整性。深度置信网络由一定数目的受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)叠加而成，通过无监督训练算法得到网络模型的初始值，最后通过自上而下的有监督学习得到预测训练模型。为了避免训练模型的局部最优问题，提高训练模型的全局搜索能力，使用粒子群优化算法对模型进行调优，以获得全局最优解。最后，通过比较多个预测训练模型的预测指标，验证了提出预测训练模型的准确性和有效性。     

基于知识蒸馏和半监督学习的非侵入式负荷分解

非侵入式负荷监测(non-intrusive load monitoring, NILM)中的负荷分解是一种将负荷总功率分解为各类负荷功率的技术;随着深度学习理论的发展,基于神经网络的负荷分解模型的误差逐渐降低,同时也带来了模型参数量大幅增加的问题。为了降低模型分解功率的误差,提出一种基于序列到序列(sequence to sequence, seq2seq)、双向门控循环单元(bi-directional gating recurrent unit, BiGRU)、自注意力机制和残差网络的负荷分解算法;为了减少神经网络的参数并充分利用无标签数据,提出一种基于知识蒸馏和半监督学习的训练框架;无标签数据经由预训练的教师网络处理,得到时序概率分布,用于指导学生网络的训练。在开源数据集REFIT上进行的模型性能测试结果表明,学生网络参数量仅为教师网络参数量的6.7%,平均绝对误差仅增加5.8%。     

基于注意力与长短期记忆网络的变压器代理模型

由于需要考虑换能效率、噪声、体积和质量等因素,电力变压器的设计参数和性能数据往往十分复杂,因此,如何建立变压器代理模型是亟需解决的问题.采用代理模型的优化算法(SBO)能有效解决数值模拟直接优化耗时长的问题.本文用深度学习建立变压器设计参数和性能数据的代理模型,实现变压器性能优化目标的高精度预测,有效降低变压器性能分析与优化所需时间.首先基于长短期记忆网络(LSTM)的深度学习模型,建立非晶合金变压器各个参数间的非线性映射,并加入注意力机制来增强模型的预测效果.最后,通过有限元仿真实验对提出的深度学习代理模型进行验证,并与其他常用的代理模型进行比较,证明了注意力机制与长短期记忆网络代理模型在预测精度方面的优越性.     

考虑电动汽车充放电集成的配电网短期负荷预测

未来电动汽车规模化应用将会改变原电网负荷的负荷特性,降低传统负荷预测技术的精度。针对电动汽车充放电集成(EVI)对配电网负荷预测的影响,引入EVI响应负荷的计算分析,提出了对配电网中原电网负荷和EVI响应负荷分别进行预测的组合预测方法。对于原电网负荷采取神经网络方法建立负荷预测模型,对于EVI响应负荷建立相关需求响应模型来确定电动汽车参与配电网调度的负荷量。实验结果表明,所提负荷预测模型性能良好,具有一定的实用性和有效性。     

基于模型无关优化策略的风电短时回归预测框架设计

目前，风电出力预测面临跨环境、跨传感器设备的多任务挑战，往往需要对不同的预测目标各自独立地展开针对性训练。鉴于此，首先提出了一种基于模型无关元学习策略 (model-agnostic meta-learning, MAML)的短期预测方法，并基于该方法能够实现对新任务样本快速适应的能力设计了新型回归训练框架。然后结合卷积神经网络–长短期记忆网络、有注意力机制的Seq2Seq、有自注意力机制的Transformer、Synthesizer等时序深度网络模型，将该框架应用于风力发电预测场景。实验结果表明相比常规的预训练–微调的深度网络训练方法，所提出的方法在GEFCom2012数据集上对各算例实现了均方根误差和均方误差等指标的提高，同时各模型在短时风电出力为案例的预测任务上的泛化性能获得了一定提升。该训练框架可便捷地将主流深度学习模型和数据集转换为适应MAML策略的匹配模式。     

基于生成对抗网络的电力设施图像去雾方法

电力设施监控可有效避免重大电力事故的发生,但在恶劣天气下大雾等自然现象的影响会使电力设施监控图像模糊不清,难以正常工作。针对该问题,提出了一种基于生成对抗网络(GAN)的电力设施图像去雾方法,其通过将监控彩色图像分解为RGB三通道来进行深度去雾。设计了新型联合损失函数以加强生成对抗网络的学习能力。在电力图像去雾数据集上的实验验证得出,与对比方法相比,所提出的方法的PSNR提升了1.1,SD提升了2.97,具备更好的图像去雾性能。     

基于分类识别深度置信网络的电力负荷预测算法

针对传统神经网络负荷预测方法收敛速度慢、预测误差大的问题,提出一种基于分类识别的深度置信网络的负荷预测算法。对输入的历史负荷数据进行归一化预处理,并对深度置信网络采用层次无监督贪婪预训练方法分层预训练,将得到的结果作为监督学习训练概率模型的初始值。其深度置信网络由多层受限玻尔兹曼机构成,并采用分类识别机制和对比散度的方法训练预权值,来改善分类识别深度置信网络的学习性能。仿真结果显示,在基于200次负荷训练和温度训练的基础上,该负荷预测算法比自组织模糊神经网络和BP神经网络的收敛速度更快,预测精度更高。     

基于局部电压幅值与云边协同的分散式充电桩充电协调方法

针对配电系统中大量充电桩集中充电带来的谐波、负荷峰谷差和网络损耗增加等问题，文章提出了一种基于局部电压幅值与云边协同的分散式充电桩充电协调方法。在“云边端”电力物联网架构下，首先使用每个端设备（即充电桩）的电压幅值历史信息，分析各充电桩最大消耗功率等信息；然后通过电力物联网中边缘节点（配变终端）的边缘计算能力，收集充电桩数据并结合用户偏好、能源成本和电动汽车的历史路线等信息，分析过去充电桩的充电负荷数据曲线；最后，在Hadoop云平台采用深度信念网络（deep belief network，DBN）算法训练和预测未来负荷数据，建立目标优化模型。此外，基于蒙特卡洛模拟分析所提出的方法在不同的场景下的性能，以及与集中式充电协调方法进行比较。实验结果表明，所提方法实现了大量分散式充电桩的协同有序充电，减少负荷波动，降低充电负荷对电网的影响。     

基于深度融合神经网络的轴承健康指标构建

基于深度学习方法构建轴承健康指标正成为机械故障诊断领域新的研究内容和应用热点。基于深度学习的指标构建容易受到前期人工特征提取和特征选择的影响,且缺乏对多通道传感器信息进行有效融合。针对上述问题,设计了一种基于深度融合神经网络(DFNN)的多通道信息融合健康指标构建方法。首先,提出一种多通道融合特征提取器(MFE)从传感器原始信号提取轴承退化特征,然后设计一种自适应特征选择器(AFS)进行特征选择,最后引入双向长短期记忆网络(BiLSTM)构建健康指标。所提出的方法在轴承全寿命数据集上进行实验验证,实验结果表明,相比现有基于深度学习的轴承健康指标构建方法,DFNN构建的健康指标趋势性指标高达98.4%,单调性指标增加44%,因而能够更准确的反映轴承实际性能退化趋势。     

基于结合混沌纵横交叉的PSO-DBN的短期光伏功率预测

为了提高短期光伏发电预测的准确性,文中采用深度置信网络(DBN)建立了各模型函数的预测模型。通过分析各模型函数的特征,建立了光伏发电模型的功率预测。传统的基于神经网络的功率预测难以训练多层网络,影响其预测精度。DBN采用无监督贪婪逐层训练算法构建了一个在回归预测分析中具有优异性能的多隐层网络结构,已成为深度学习领域的研究热点。DBN连接权重采用结合混沌纵横交叉的粒子群优化算法(CC-PSO)优化,避免出现由随机初始化导致的局部最优解现象,从而提高了DBN网络预测性能。最后,案例测试显示了所提出模型的有效性。     

基于格拉姆角场与改进CNN-ResNet的风电功率预测方法

风电输出功率的不确定性给电力系统的调度带来了较大的困难，因此准确地预测风电功率变化显得尤为重要。受近些年图像处理蓬勃发展的影响，若将时间序列编码为二维图像，能够让神经网络从“视觉上”对数据进行识别和学习，一定程度上能提高分类和计算方法的准确度。因此，提出了一种基于格拉姆角场(Gramian angular fields,GAF)与卷积神经网络–残差网络(convolutional neural network-residual neural network,CNN-Res Net)的预测风电功率的方法。首先，利用GAF将一维历史风电功率数据转换为二维图像，经过CNN提取时间序列的相关性和特征，再利用Res Net提取与风电功率相关的其他相关数据的特征，在增加网络深度的同时解决退化问题，以提高预测的准确度。然后，将两种网络融合，构建双输入网络结构。最后，将该方法应用在宁夏麻黄山第一风电场和西班牙加利西亚风电场数据集上，通过与Res Net、CNN-MLP(muti-layer perception)、门控循环单元、反向传播算法、长短期记忆网络和Bi LSTM(bi-directional...