基于数据驱动的锂离子电池RUL预测综述

剩余使用寿命预测技术对于锂离子电池的安全使用及维护具有重要意义。由于锂离子电池的长寿命特性以及复杂的非线性退化机制,目前剩余使用寿命预测仍是电池状态预测的难点问题。数据驱动方法不需要考虑电池内部电化学特性,而仅从数据角度出发,是目前主流的预测方法。通过实例介绍了剩余使用寿命概念,分类阐述了各种基于数据驱动的预测方法,并对其优缺点进行了分析。最后,针对现有方法的不足,提出未来需要改进的方向。     

基于SAM-BiGRU网络的锂电池RUL预测

针对现有锂电池剩余使用寿命(RUL)预测方法精度低等问题,提出一种基于自注意力机制(SAM)的双向门控循环单元(BiGRU)网络模型。将锂电池的容量数据作为该模型输入序列,通过自注意力机制捕捉到锂电池容量历史信息中的关键时间点,并为其分配权重,利用BiGRU模型学习其容量退化趋势,据此实现剩余寿命预测。所提方法应用于CALCE锂电池数据集的CS2系列35、36、37号锂电池,实验结果表明所提方法 35、36号锂电池上的预测误差均在1.5%以内,37号锂电池预测误差为2.22%。     

基于Elman神经网络的锂离子电池RUL间接预测研究

锂离子电池实际容量常采用安时积分法得到,存在测量精度差及累积误差的问题。提出了一种利用锂离子电池循环充放电监测参数(电压、时间、内阻、温度等)构建间接健康因子的方法,实现了电池健康状态的间接预测。选择等压降放电时间作为间接健康因子,通过灰色关联分析法验证了其与锂离子电池实际容量的强鲁棒性。构建基于Elman神经网络的剩余使用寿命(remaining useful life,RUL)预测模型。采用NASA公开的锂离子电池数据集进行测试,结果表明提出的方法框架可以有效地进行电池RUL的间接预测,得到精确的预测结果。     

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CNN-LSTM的锂电池剩余寿命(RUL)间接预测研究

为了实现对锂离子电池剩余使用寿命(RUL)的实时在线监测并改善预测精度,提出一种基于CNN-LSTM的锂电池RUL间接预测模型.通过灰色关联分析法选定等压降放电时间构建健康因子,用NASA公开的锂电池数据集中的B0005、B0006电池放电周期数据训练出电池容量退化模型和等压降放电时间预测模型,最后结合这两个CNN-L...     

基于改进域对抗网络的轴承故障迁移诊断方法

针对工业场景下复杂工况导致的轴承故障数据特征分布差异,以及难以获得大量有标签数据的问题,提出一种基于 Wasserstein 距离与局部最大平均偏差(LMMD)改进的一维卷积子域适应对抗迁移网络(SANN)。 该网络首先构建 CNN 特征提 取器进行预训练,学习领域特征表示,在对抗训练阶段,对抗层引入 Wasserstein 距离来度量源域与目标域的差异,实现边缘分 布的对齐,固化训练结果。 在特征提取层引入 LMMD 计算模块捕获每个类别的细粒度信息,实现条件分布的对齐。 通过两种 变工况下的轴承故障数据集对该模型性能进行验证。 实验结果表明,无监督的条件下,本文所提方法在目标数据集上相较于基 础域对抗网络分别提高了 5. 0% 和 6. 9% 的识别精度,性能优于现有的迁移算法。     

基于多健康特征融合的锂电池SOH和RUL预测

针对锂电池健康状态(SOH)和剩余使用寿命(RUL)预测精度较低的问题,提出一种基于多健康特征融合的锂电池SOH和RUL预测方法。首先从电池充电曲线中提取三个与容量退化有关的健康特征(HFs),提出多健康特征融合法得到间接健康特征(IHF)。再采用改进的引力搜索算法优化支持向量回归模型,将IHF作为模型输入,SOH作为输出。最后,建立多项式回归模型对IHF随电池循环次数增加的变化趋势进行预测,将更新后的IHF和当前SOH估计值输入到估算模型中实现电池RUL的预测。实验结果表明所提出的方法有较高的预测精度和较强鲁棒性,能够联合实现电池SOH和RUL长期稳定的预测。     

基于迁移学习与Wasserstein生成对抗网络的静态电压稳定临界样本生成方法

静态电压稳定临界点在研究极限状态电力系统的传统分析方法与数据驱动方法中都有重要意义.电网新形势下,多次调用逐点法获取极限数据不再现实.提出一种基于深度学习的生成模型,用于静态电压稳定临界样本生成.首先,注意到临界样本是一种特殊的潮流样本,以非联络节点的电压作为样本的特征参量,可以解决样本的潮流不收敛与联络节点注入功率非...     

基于深度强化学习的配电网负荷转供控制方法

随着城市规模的快速扩张以及电能替代的不断推进,配电网节点数大量增加,结构愈加复杂,发生故障后拓扑变化不确定性较大,传统负荷转供方法难以在短时间内给出高质量的解决方案。为此,提出基于深度强化学习的配电网负荷转供控制方法。将负荷转供过程视为一个马尔可夫决策过程,与配电网实时电气、拓扑数据进行交互,对联络开关与分段开关进行控制。为了提高算法的精度与泛化能力,针对算法动作策略加入了预模拟机制,调整了动作与学习的比例并采用自适应优化算法进行求解。算例分析表明,所提方法能够应对不同故障下配电网的拓扑变化,即时给出负荷恢复量、电网损耗、开关动作次数多方面最优的转供控制方案,这对于减小故障后的停电损失与提高用户满意度有着重要意义。     

基于深度迁移学习的大雾等级智能认知方法研究

已有雾气检测模型存在缺陷以及深层神经网络优化存在困难。模仿人类认知模式,借鉴迁移学习和闭环控制理论思想,探索了一种基于动态交错组卷积的雾气等级智能认知方法。首先,构建交错组卷积层以降低卷积运算的通道冗余;其次,构建可区分性测度指标和认知决策信息系统,获取雾气图像多层次差异化简约特征空间数据结构;再次,设计深层随机配置网络分类器,构建具有强泛化能力的分类准则;最后,基于广义误差和熵理论,仿人类反复推敲比对的认知模式实时评测雾气等级认知结果的可信度,基于迁移学习机制实现雾气图像多层次差异化特征空间及其分类准则的自寻优重构,对可信度低的雾气图像进行再认知。15 000幅大雾图像的平均识别率为95.98%,实验结果表明,所用方法与其他算法相比,增强了模型的泛化能力,提升了模型的认知精度。     

基于双阶段多尺度生成对抗网络的图像复原方法

针对人脸图像复原任务中对图像尺度信息利用不足和眼镜结构复原错误的问题,提出一种基于双阶段多尺度生成对 抗网络复原模型。该模型第1阶段引入改进损失的U-Net 粗重构网络,利用跳连接减少原始图像信息的丢失,融合3种不同 的损失函数提高生成器的重构能力,采用双判别器考虑全局信息和局部信息,并提出一种混合域注意力机制用于关注图像的 空间和通道信息。第2阶段的精修复网络构建了全新的特征增强模块,增强网络对细节信息的提取能力和对结构的表达能 力,引入相对判别器,用于关注生成样本与真实样本之间的相对真实性,提高了生成质量和训练稳定性。实验结果表明,该方 法能够复原各类图像缺失的情况,并能够有效复原佩戴眼镜的人脸图像,与其他方法相比,该方法的峰值信噪比、结构相似性 和感知相似度评估等指标分别提升了3.81%、2.65%和0.45%。     

基于协整和向量误差修正的轴承剩余寿命预测

针对传统机器学习出现“伪回归”问题,忽视非平稳序列间的长期依赖关系,提出协整理论和向量误差修正模型预测滚 动轴承的性能退化趋势,进而预测其剩余使用寿命(RUL)。 首先从振动信号中提取峭度值、峰峰值和均方根值,并分析其平稳 性。 然后检验 3 种时域特征的协整关系,根据检验结果来建立向量误差修正模型,并对模型进行残差分析,分析结果接近于高 斯白噪声分布,表明模型良好。 最后利用该模型预测轴承性能退化趋势和 RUL,并使用均方根误差(RMSE)、平均百分比误差 (MPE)、平均绝对百分比误差(MAPE)和 Theil 不等系数来定量评估预测结果。 实验结果表明,提出的向量误差修正模型相比 于差分平均移动自回归-卡尔曼滤波模型,具有更高的预测精度,并简化了建模过程。     

基于改进条件生成对抗网络的可控场景生成方法

可再生能源发电具有较强的随机性和波动性,为实现高效可靠的场景建模,提出一种基于改进条件生成对抗网络的可控场景生成方法。提出基于条件生成对抗网络的场景生成框架,结合Transformer的全局注意力机制以及常规卷积和深度可分离卷积的局部泛化机制,设计适用于提取可再生能源发电不同维度特征的网络结构;利用条件生成对抗网络模型建立低维气象特征隐空间和高维可再生能源发电数据之间的映射关系,提出一种可控场景生成方法,并建立随机场景生成、场景约减、极端场景生成和连续日场景生成4种生成策略。基于实际光伏、风电数据和气象数据的仿真结果表明,所提模型与方法能够有效学习可再生能源发电的随机性、时序性、波动性及空间相关性,实现对不同策略下场景的可控生成。     

基于对比学习生成对抗网络的无监督工业品表面异常检测

在工业品表面异常检测中,由于异常的未知性和无规则性,人工标注异常样本难度大、成本高,有监督的深度学习算法在工业品表面异常检测任务中存在局限性。针对上述问题,提出一种基于对比学习生成对抗网络(contrastive learning generative adversarial network, CLGAN)的无监督工业品表面异常检测算法。首先,建立基于无监督学习算法的CLGAN模型;其次,采用对比学习加强潜在特征空间正负例样本约束,使得输入与输出图像对应Patch之间的互信息最大化,增强正负样本特征向量区分度,使模型重构异常样本图像能力得到进一步提升;然后,在检测阶段,利用训练好的模型得到待测工业品的无异常重构图像,并计算得到待测样本与其对应重构图像之间的残差图像;最后,结合双阈值分割的后处理方法和数学形态学处理,实现工业品表面异常区域地快速检测和准确定位。通过在公共数据集MVTec AD上进行实验,与其他的无监督深度学习模型算法相比,所提算法具有更好的识别效果和更强的泛化能力。     

基于WDCNN-SVM深度迁移学习的燃气轮机转子故障诊断方法

针对在使用深度学习对燃气轮机转子故障诊断过程中,因振动信号样本中正常运行数据多、故障数据少而使得模型故障诊断准确率低的问题,提出了一种采用深度迁移学习对燃气轮机转子进行故障诊断的方法.首先,使用典型行业样本数据集预训练第一层宽卷积核深度卷积神经网络(WDCNN)模型,给予模型初始的权重.其次,在源域中,使用某型燃气轮机...