碱性镍镉蓄电池是动车组辅助装置的核心能源,对其荷电状态(state of charge,SOC)进行精确估计,对于延长电池使用寿命及提高能量利用率具有显著意义。考虑现有的SOC估计方法在处理小样本电池循环数据时的局限性,文章提出了一种融合注意...碱性镍镉蓄电池是动车组辅助装置的核心能源,对其荷电状态(state of charge,SOC)进行精确估计,对于延长电池使用寿命及提高能量利用率具有显著意义。考虑现有的SOC估计方法在处理小样本电池循环数据时的局限性,文章提出了一种融合注意力机制的卷积-门控循环单元(CNN-GRU)电池SOC估算模型,并通过亚通达LPH140A型动车组镍镉蓄电池进行实验验证。模型通过卷积神经网络(CNN)提取电池循环数据中长序列的短时特征依赖关系,然后采用融合注意力机制的门控循环单元(GRU)对提取的特征数据进行长空间距离依赖关系的捕捉,从而达到更准确的电池SOC估算精度。同时为适应小样本电池循环数据SOC精准估算,文章将连续回归模型转化为分类问题,将电池SOC区间离散化,将最终预测结果转化为电池SOC区间离散值。实验结果表明,文章所提算法的预测结果与CNN-GRU算法的相比在均方根误差、平均绝对误差以及平均相对误差这3个关键指标上分别提升了18.90%、17.92%和19.78%。可见该模型在预测准确性和稳定性方面具有出色性能。展开更多
文摘碱性镍镉蓄电池是动车组辅助装置的核心能源,对其荷电状态(state of charge,SOC)进行精确估计,对于延长电池使用寿命及提高能量利用率具有显著意义。考虑现有的SOC估计方法在处理小样本电池循环数据时的局限性,文章提出了一种融合注意力机制的卷积-门控循环单元(CNN-GRU)电池SOC估算模型,并通过亚通达LPH140A型动车组镍镉蓄电池进行实验验证。模型通过卷积神经网络(CNN)提取电池循环数据中长序列的短时特征依赖关系,然后采用融合注意力机制的门控循环单元(GRU)对提取的特征数据进行长空间距离依赖关系的捕捉,从而达到更准确的电池SOC估算精度。同时为适应小样本电池循环数据SOC精准估算,文章将连续回归模型转化为分类问题,将电池SOC区间离散化,将最终预测结果转化为电池SOC区间离散值。实验结果表明,文章所提算法的预测结果与CNN-GRU算法的相比在均方根误差、平均绝对误差以及平均相对误差这3个关键指标上分别提升了18.90%、17.92%和19.78%。可见该模型在预测准确性和稳定性方面具有出色性能。
