文章提出了一种基于TCN-Transformer集成模型的锂离子电池健康状态(State of Health,SOH)预测方法。该方法结合时间卷积网络(Temporal Convolutional Network,TCN)捕捉时间序列局部特征和长期依赖的优势与Transformer自注意力机制建模...文章提出了一种基于TCN-Transformer集成模型的锂离子电池健康状态(State of Health,SOH)预测方法。该方法结合时间卷积网络(Temporal Convolutional Network,TCN)捕捉时间序列局部特征和长期依赖的优势与Transformer自注意力机制建模全局关系的能力,提高预测精度。文章通过电池循环老化实验,提取充放电过程中的电压和容量增量等特征,优化输入数据并构建TCN-Transformer模型进行预测。实验结果显示,该模型较传统单一模型性能更优,能准确反映电池健康状态变化趋势。展开更多
为准确估计锂离子电池的荷电状态(state of charge,SOC),在可重构电池模组的基础上考虑温度影响,结合图计算可实现对温度修正后可重构电池SOC的估计。首先,通过实验获取不同温度下电池的开路电压(open circuit voltage,OCV)和SOC的基准...为准确估计锂离子电池的荷电状态(state of charge,SOC),在可重构电池模组的基础上考虑温度影响,结合图计算可实现对温度修正后可重构电池SOC的估计。首先,通过实验获取不同温度下电池的开路电压(open circuit voltage,OCV)和SOC的基准关系,并且搭建重构电池组热模型,分析温度的影响;其次,建立可重构电池网络图模型,利用深度优先图遍历访问电池拓扑,并且寻找温度修正后的最优连接方式,利用开路电压法获取该连接方式下待估计单体电池的SOC。最后,通过仿真分析结果,证明经过温度修正,可以减小可重构电池拓扑中因温度产生的误差,提高可重构式储能系统的SOC估计精度。展开更多
文摘文章提出了一种基于TCN-Transformer集成模型的锂离子电池健康状态(State of Health,SOH)预测方法。该方法结合时间卷积网络(Temporal Convolutional Network,TCN)捕捉时间序列局部特征和长期依赖的优势与Transformer自注意力机制建模全局关系的能力,提高预测精度。文章通过电池循环老化实验,提取充放电过程中的电压和容量增量等特征,优化输入数据并构建TCN-Transformer模型进行预测。实验结果显示,该模型较传统单一模型性能更优,能准确反映电池健康状态变化趋势。
文摘为准确估计锂离子电池的荷电状态(state of charge,SOC),在可重构电池模组的基础上考虑温度影响,结合图计算可实现对温度修正后可重构电池SOC的估计。首先,通过实验获取不同温度下电池的开路电压(open circuit voltage,OCV)和SOC的基准关系,并且搭建重构电池组热模型,分析温度的影响;其次,建立可重构电池网络图模型,利用深度优先图遍历访问电池拓扑,并且寻找温度修正后的最优连接方式,利用开路电压法获取该连接方式下待估计单体电池的SOC。最后,通过仿真分析结果,证明经过温度修正,可以减小可重构电池拓扑中因温度产生的误差,提高可重构式储能系统的SOC估计精度。
