为提高锂离子电池在复杂工况下的预测能力和建模精度,提出一种基于滑动窗口和长短时记忆(long short term memory,LSTM)神经网络的锂离子电池建模方法。首先建立了基于神经网络的锂离子电池模型,确定了神经网络的基本结构,通过LSTM层、...为提高锂离子电池在复杂工况下的预测能力和建模精度,提出一种基于滑动窗口和长短时记忆(long short term memory,LSTM)神经网络的锂离子电池建模方法。首先建立了基于神经网络的锂离子电池模型,确定了神经网络的基本结构,通过LSTM层、向量拼接层和全连接层分别实现了时序特征提取、特征融合和回归预测。然后提出了滑动窗口的输入向量处理方法,滑动窗口每次向前推进一个时间点,通过限制时间窗口内所能处理的最大信元数对数据量进行限制,为多个LSTM层的并行计算和深隐层的拼接层和全连接层预留了计算量的裕度,实现了对模型中循环网络层深度的优化选择。为解决模型在多工况下运行的泛化问题,提出使用离线数据集的预训练和在线数据的参数修正的训练方法,通过大量离线数据集的反复训练,使模型学习电池的共性部分;再使用部分在线数据,对网络参数进行调整,将其应用于预测中。最后使用恒流/恒压、随机电流脉冲、大功率脉冲等多个工况的数据分别进行测试。结果表明,基于长短时记忆神经网络的建模方法能够准确预测电池输出电压和荷电状态。展开更多
城市公共自行车系统(PBS)服务点自行车数量的再平衡是解决"租还车难"问题的关键,对服务点租还需求量的短时预测则是PBS再平衡的基础;通过分析PBS租还需求的内外关联影响因素,提出基于深度学习理论的LSTM(Long-Short Term Memo...城市公共自行车系统(PBS)服务点自行车数量的再平衡是解决"租还车难"问题的关键,对服务点租还需求量的短时预测则是PBS再平衡的基础;通过分析PBS租还需求的内外关联影响因素,提出基于深度学习理论的LSTM(Long-Short Term Memory,长短时间记忆)单元的循环神经网络(Recurrent Neural Network,RNN)服务点租还需求量预测模型,并通过区域PBS平均出行OD,对预测模型的输入特征进行合理优化,实现PBS服务点租还需求量的短时预测;以杭州市下沙PBS服务区为实验对象,选取三组不同的输入时间步长对预测模型进行实践验证,结果显示:在选取的模型结构与输入特征下,采用循环神经网络对服务点租还需求量进行预测能够比传统前馈神经网络在结果上更加接近实际值,并且精度较为满意,表明了该预测方法可行有效。展开更多
针对电源车健康维护存在的问题,提出了一种基于长短时间记忆LSTM(Long Short Time Memory)网络与序贯概率比检验SPRT(Sequential Probability Ratio Test)融合的电源车故障诊断方法。该方法基于LSTM网络建立电源车的多变量时间序列模型...针对电源车健康维护存在的问题,提出了一种基于长短时间记忆LSTM(Long Short Time Memory)网络与序贯概率比检验SPRT(Sequential Probability Ratio Test)融合的电源车故障诊断方法。该方法基于LSTM网络建立电源车的多变量时间序列模型,并引入SPRT方法进行自适应多样本故障诊断。经在电源车仿真系统上进行对比实验,结果表明LSTM诊断模型有更强的学习和映射能力,LSTM-SPRT融合的故障诊断方法,显著提高了电源车故障诊断的准确率和可靠性。展开更多
文摘为提高锂离子电池在复杂工况下的预测能力和建模精度,提出一种基于滑动窗口和长短时记忆(long short term memory,LSTM)神经网络的锂离子电池建模方法。首先建立了基于神经网络的锂离子电池模型,确定了神经网络的基本结构,通过LSTM层、向量拼接层和全连接层分别实现了时序特征提取、特征融合和回归预测。然后提出了滑动窗口的输入向量处理方法,滑动窗口每次向前推进一个时间点,通过限制时间窗口内所能处理的最大信元数对数据量进行限制,为多个LSTM层的并行计算和深隐层的拼接层和全连接层预留了计算量的裕度,实现了对模型中循环网络层深度的优化选择。为解决模型在多工况下运行的泛化问题,提出使用离线数据集的预训练和在线数据的参数修正的训练方法,通过大量离线数据集的反复训练,使模型学习电池的共性部分;再使用部分在线数据,对网络参数进行调整,将其应用于预测中。最后使用恒流/恒压、随机电流脉冲、大功率脉冲等多个工况的数据分别进行测试。结果表明,基于长短时记忆神经网络的建模方法能够准确预测电池输出电压和荷电状态。
文摘城市公共自行车系统(PBS)服务点自行车数量的再平衡是解决"租还车难"问题的关键,对服务点租还需求量的短时预测则是PBS再平衡的基础;通过分析PBS租还需求的内外关联影响因素,提出基于深度学习理论的LSTM(Long-Short Term Memory,长短时间记忆)单元的循环神经网络(Recurrent Neural Network,RNN)服务点租还需求量预测模型,并通过区域PBS平均出行OD,对预测模型的输入特征进行合理优化,实现PBS服务点租还需求量的短时预测;以杭州市下沙PBS服务区为实验对象,选取三组不同的输入时间步长对预测模型进行实践验证,结果显示:在选取的模型结构与输入特征下,采用循环神经网络对服务点租还需求量进行预测能够比传统前馈神经网络在结果上更加接近实际值,并且精度较为满意,表明了该预测方法可行有效。
文摘针对电源车健康维护存在的问题,提出了一种基于长短时间记忆LSTM(Long Short Time Memory)网络与序贯概率比检验SPRT(Sequential Probability Ratio Test)融合的电源车故障诊断方法。该方法基于LSTM网络建立电源车的多变量时间序列模型,并引入SPRT方法进行自适应多样本故障诊断。经在电源车仿真系统上进行对比实验,结果表明LSTM诊断模型有更强的学习和映射能力,LSTM-SPRT融合的故障诊断方法,显著提高了电源车故障诊断的准确率和可靠性。
