一种用于平抑风光功率波动的混合储能容量配置方法

风光发电功率具有强随机性和波动性,直接并网会引起电网频率不稳定,可利用混合储能系统有效平抑。文中以全钒液流电池和超级电容组成混合储能系统作为研究对象,提出一种混合储能容量配置方法。首先,采用自适应移动平均算法确定风光并网功率和储能系统功率;然后,利用鲸鱼优化的VMD分解储能系统功率,得到一系列模态分量和残差量,考虑残差量中可能包含的丰富信息,对其作相同的VMD分解,将两次分解产生的各模态分量分别作希尔伯特边际谱分析,确定分界频率,将所有低于分界频率的模态分量分配给全钒液流电池,其余由超级电容承担;最后,根据全钒液流电池和超级电容各自吸收、补偿功率情况,配置储能系统的额定功率和额定容量。算例分析表明,文中方法能够有效平抑风光输出功率波动,并实现混合储能系统额定功率、容量合理配置。     

基于ResNet-Bi-LSTM-Attention的锂离子电池剩余使用寿命预测北大核心CSCD

锂离子电池剩余使用寿命(RUL)预测是锂离子电池研究的一个重要方向,通过对RUL的准确预测,可以降低锂离子电池出现事故的概率。针对锂离子电池RUL的准确预测,该研究提出一种综合残差神经网络(ResNet)和双向长短期记忆网络(Bi-LSTM)的优势,并且加入注意力机制(Attention)的锂离子电池RUL预测模型。首先选取能够表现电池寿命的特征参数作为输入量,利用ResNet提取输入数据的隐含特征信息,然后利用Bi-LSTM对时间序列信息进行预测,并且结合注意力机制对预测结果进行权重分配,得到最终的锂离子电池的RUL预测结果。通过美国马里兰大学(CALCE)提供的开源数据集进行锂离子电池RUL预测试验,并与现有的预测模型进行对比试验,对比模型的预测结果,试验结果表明提出的ResNet-Bi-LSTM-Attention模型能够准确地进行锂离子电池RUL预测,各项误差都比较低,具有较好的精度和准确性。最后使用美国航空航天局(NASA)提供的锂离子电池开源数据集进行泛化性实验,证明了ResNet-Bi-LSTM-Attention模型在不同电池RUL预测中具有良好的准确性,可以被广泛使用。