基于DeepAR与特征选择的锂离子电池在线状态估计

电池健康状态SOH（state-of-health）和荷电状态SOC（state-of-charge）估计是电池管理系统的核心功能。目前,状态估计存在依赖大量历史数据以及单一状态估计适应性差的问题,因此提出一种基于DeepAR与特征选择的锂离子电池状态估计模型。首先,提取电池恒流充电过程中电压、温度及时间间隔数据,组成3组老化特征作为模型输入,用于估计SOH;然后,在估计SOC时考虑SOH估计值,消除了电池老化因素对SOC估算的负面影响;最后,在不同工况下的牛津电池数据集上进行实验验证,并与其他两种算法模型进行误差与收敛性对比。结果表明,所提模型在冷启动估计方面具有较强的优势,SOH和SOC估计精度较高。     

基于元图卷积的异质网络嵌入学习算法

异质网络嵌入是将异质网络中丰富的结构和语义信息嵌入到低维的节点表示中.图卷积网络是处理网络数据的一种有效方法,当前也被用于研究异质网络的多类型节点和多维关系的表示问题,现有的图卷积网络模型主要采用元路径来表示不同类型节点间的一种语义关系.然而,孤立的单条元路径无法准确地反映节点间的复杂语义,即不能充分利用节点间存在的多种高阶间接语义关系.针对上述问题,提出了一种基于元图卷积的异质网络嵌入学习算法MGCN(meta-graph convolutional network),包括基于元图的异构邻接矩阵计算以及学习节点的嵌入表示2个阶段,基于元图的异构邻接矩阵设计了融合多条元路径上的不同语义的计算方法,能够挖掘节点间的高阶间接关系,通过异构邻接矩阵的计算,能够聚合节点邻域特征为统一模式,此种卷积学习降低了图卷积方法的嵌入维数,从而减少了计算时间.在2个公开的异质网络数据集上进行社会计算基础研究任务的实验表明,MGCN在节点分类、聚类任务上比基线模型有更好的性能且需更少的训练时间.     

基于WOA-XGBoost的锂离子电池剩余使用寿命预测北大核心CSCD

使用早期数据准确预测电池剩余使用寿命(RUL)可以加速电池的改进和优化。然而电池退化过程是非线性的,且在早期阶段容量衰减可忽略不计,使得RUL预测具有挑战性。为解决这一问题,本工作使用电池早期循环数据,并构建WOA算法和XGBoost算法的混合预测模型预测RUL。文章首先对电池实验数据进行预处理,观察放电电压-容量退化曲线和容量增量曲线的变化,选取与实际容量状态相关性较高的潜在特征,并将其时间序列数据作为XGBoost预测模型的输入,然后采用WOA算法对模型进行参数优化。最后使用由丰田研究所提供的84个在多步充电和恒流放电条件下的锂离子电池数据进行验证,结果表明所提出模型仅使用前100个周期循环数据即可对整个电池寿命预测,测试误差低于4%。