一种数据驱动的梯次电池RUL预测与分类方法

    公开(公告)号:CN111537889B

    公开(公告)日:2022-11-11

    申请号:CN202010387144.2

    申请日:2020-05-09

    IPC分类号: G01R31/367 G01R31/392

    摘要: 本发明公开了一种数据驱动的梯次电池RUL预测与分类方法,步骤S1:收集拟参与梯次利用电池的生产商数据及电池型号,对于每一种型号,取30个出厂的新电池,构成一组;步骤S2:对于不同生产商的不同型号的电池,测试每一组电池的时序数据,建立电池RUL的衰减数据库;步骤S3:根据步骤S2中测试的时序数据,建立数据驱动RUL预测模型,预测退役电池的RUL;步骤S4:基于K均值算法,对退役电池进行分类;步骤S5:将步骤S4中分得同类的电池,通过串并联结合组装成新的电池组,投入到能源互联网中进行梯次利用。本方法能够极大地缩短了退役电池的RUL评估时间,降低了对个体电池的RUL进行精准评估的成本。

    基于改进狼群算法的变压器混合极化模型参数辨识方法

    公开(公告)号:CN114218855A

    公开(公告)日:2022-03-22

    申请号:CN202111450623.5

    申请日:2021-12-01

    IPC分类号: G06F30/27 G06N3/00

    摘要: 本发明涉及一种基于改进狼群算法的变压器混合极化模型参数辨识方法,包括以下步骤:对狼群算法进行改进,引入自适应步长,狼群每次移动的步长由狼群当前位置和头狼位置决定;令改进的狼群算法中狼群位置为混合极化模型的模型参数辨识值,构建基于模型参数辨识值和实测值的狼群捕猎函数;进行狼群狩猎活动,初始化狼群位置,基于狼群捕猎函数产生头狼,并进行狼群的探寻行为、狼群的号召行为和狼群的捕猎行为;根据“强者为王”的机制更新头狼的位置,并根据“弱肉强食”的机制对狼群进行更新换代;重复上述狼群狩猎活动进行狼群的迭代更新,达到迭代终止条件后,输出当前头狼的位置为最优的混合极化模型的模型参数辨识值。

    一种基于adaboost的油纸绝缘水分含量综合评估方法

    公开(公告)号:CN114219016A

    公开(公告)日:2022-03-22

    申请号:CN202111451382.6

    申请日:2021-12-01

    IPC分类号: G06K9/62 G06F17/18

    摘要: 本发明涉及一种基于adaboost的油纸绝缘水分含量综合评估方法,包括以下步骤:制作不同水分含量的油纸绝缘试品,进行频域介电检测并提取表征油纸绝缘水分含量的多个特征参量;对提取出的各特征参量的数据进行归一化处理,作为训练样本;基于adaboost算法建立油纸绝缘水分含量综合评估模型,通过训练样本对油纸绝缘水分含量综合评估模型进行训练,并验证训练后的油纸绝缘水分含量综合评估模型的精确性;对目标变压器的油纸绝缘进行频域介电检测,获取对应的多个特征参量,将各特征参量输入至油纸绝缘水分含量综合评估模型,输出目标变压器的油纸绝缘水分含量评估值。

    一种数据驱动的梯次电池RUL预测与分类方法

    公开(公告)号:CN111537889A

    公开(公告)日:2020-08-14

    申请号:CN202010387144.2

    申请日:2020-05-09

    IPC分类号: G01R31/367 G01R31/392

    摘要: 本发明公开了一种数据驱动的梯次电池RUL预测与分类方法,步骤S1:收集拟参与梯次利用电池的生产商数据及电池型号,对于每一种型号,取30个出厂的新电池,构成一组;步骤S2:对于不同生产商的不同型号的电池,测试每一组电池的时序数据,建立电池RUL的衰减数据库;步骤S3:根据步骤S2中测试的时序数据,建立数据驱动RUL预测模型,预测退役电池的RUL;步骤S4:基于K均值算法,对退役电池进行分类;步骤S5:将步骤S4中分得同类的电池,通过串并联结合组装成新的电池组,投入到能源互联网中进行梯次利用。本方法能够极大地缩短了退役电池的RUL评估时间,降低了对个体电池的RUL进行精准评估的成本。

    基于混合蛙跳粒子群算法的扩展德拜模型参数辨识方法

    公开(公告)号:CN114239457A

    公开(公告)日:2022-03-25

    申请号:CN202111450600.4

    申请日:2021-12-01

    IPC分类号: G06F30/3323 G06N3/00

    摘要: 本发明涉及一种基于混合蛙跳粒子群算法的扩展德拜模型参数辨识方法,包括以下步骤:建立扩展德拜模型,建立待辨识参数的计算公式并确定目标函数;初始化粒子群,得到对应扩展德拜模型n维解向量的n个粒子,根据待辨识参数的计算公式和目标函数计算每个粒子的自身适应度;引入蛙跳算法的差异性分组,根据每个粒子的自身适应度大小将n个粒子划分为m个族群;对每个族群进行迭代和寻优,达到迭代终止条件后,输出全局最优值的粒子所在位置为扩展德拜模型的模型辨识参数,在传统粒子群算法中加入蛙跳算法的差异性分组,避免了粒子群过早集中于同一方向,也增加同族群内粒子相互学习能力。