基于PF-LSTM的锂电池剩余使用寿命预测

针对锂电池剩余使用寿命(RUL)难以准确预测的问题，提出一种考虑多种寿命衰退特征与数据时序性的基于粒子滤波改进长短期记忆网络(PF-LSTM)的预测模型，并应用于锂电池的RUL预测。从电池历史充放电老化数据中提取与容量衰退密切相关的健康因子作为LSTM网络的输入，利用PF算法全局优化的能力寻优超参数，包括神经元个数、学习率、节点丢弃率、批尺寸大小、训练步数等6个参数，提高网络的预测能力；引入Dropout层，避免网络过拟合，提高模型的泛化能力。基于NASA PCoE电池数据集进行实验验证，对4块电池在不同预测起始点下的容量估计和寿命情况进行预测，并与经网格搜索的LSTM,SVR等算法进行比较。实验结果表明，PF-LSTM容量估计的RMSE与MAE均在2%以内，且寿命预测误差在3个循环以内，相比于其他算法精度最高。     

基于改进深度强化学习的HEV能量分配策略研究

以并联式混合动力汽车(HEV)为研究对象，建立整车需求功率及动力系统模型，提出一种基于改进深度强化学习(DRL)的能量分配策略。通过改进DRL中的双延迟深度确定性策略梯度(TD3)算法，引入双重回放缓冲区，提出DRB-TD3算法以提升原算法的采样效率。设计了基于规则的约束控制器并嵌入到DRL结构中，以消除不合理的转矩分配。在UDDS行驶工况下，以基于动态规划(DP)的能量分配策略性能作为基准进行仿真实验。实验结果表明，与深度确定性策略梯度(DDPG)算法以及传统TD3算法相比，DRB-TD3算法收敛性能最佳，收敛效率分别提高了61.2%和31.6%;所提出的能量分配策略相比于基于DDPG和基于TD3的能量分配策略，平均燃油消耗分别降低了3.3%和2.3%,燃油经济性达到基于DP的95.2%,效果最佳，且电池荷电状态(SOC)能够保持在一个较好的水平，有助于延长电池的使用寿命。