Estimation Method for Residual Capacity Estimation Based on Characteristics Processing and Radial Net Net Neural Network

Авторы: Iflowpower –Портативті электр станциясының жеткізушісі

менің елімнің энергия сақтау желісі: Аннотация: Литий-иондық аккумуляторлардың қол жетімді сыйымдылығының тиімділігін дәлдік пен тиімділіктегі қиындықтар мәселесін шешу үшін бұл жұмыста радиалды жүйке желісінің қалдық сыйымдылығын бағалаудың ерекшеліктерін өңдеу және бағалау әдісі ұсынылады. Алдымен, батареяны зарядтау процесінің деректеріндегі қалған қол жетімді сыйымдылыққа байланысты мүмкіндік көлемін шығарып алыңыз, содан кейін функция көлеміндегі қалыптан тыс нүктені дәл тазалау, сипаттамалардағы тиімді ақпарат көлемін жақсарту және содан кейін жергілікті сызықтық ендіруді пайдаланыңыз. Алгоритм алынған мүмкіндіктердің векторлық тобын жобалауды орындайды, деректердің күрделілігін төмендетеді, соңында радиалды жүйке желісіндегі қалған сыйымдылықты бағалау моделін енгізеді.

Модель әртүрлі үлгідегі батареяларда қолданылады. Бағалау нәтижесінің максималды орташа абсолютті қателігі 0,06 құрайды.

Максималды түбірлік орташа квадрат қатесі 0,05 болып табылады, бұл модель литий-ионды батареяның қалған қол жетімді сыйымдылығын және күшті берік жынысты тиімді бағалай алатынын көрсетеді. Elman нейрондық желісі және BP нейрондық желі алгоритмімен салыстырғанда, әдіс жоғары дәлдікті қамтамасыз ете отырып, жылдамырақ бағалау тиімділігіне ие.

Түйінді сөздер: литий-ионды батарея; ерекшеліктерді өңдеу; радиалды жүйке торы; сыйымдылығы жоғары энергия тығыздығы, ұзақ айналым мерзімі, төмен құны, қоршаған ортаның ластануы және т.б. байланысты ең жақсы таңдау литий-ионды батарея. Практикалық қолданбаларда батареядағы литий иондарының белсенділігі біртіндеп төмендейтіндіктен, литий-иондық батареяның қол жетімді сыйымдылығы пайдалану кезінде жоғалып, оның қалған қызмет ету мерзіміне тікелей әсер етеді (Remaininguseful, RUL).

Сондықтан литий-ионды батареяларды тиімді пайдалану үшін ағымдағы литий-иондық батареялардың қалған қол жетімді сыйымдылығын бағалау тиімді, бұл өз кезегінде оның денсаулық жағдайын диагностикалайды (StateOfhealth, SOH) BatteryManagementSystem, BMS маңызды мүмкіндігі болып табылады. Қазіргі уақытта зерттеушілер қол жетімді сыйымдылықты алу үшін әртүрлі бағалау әдістерін ұсынды және Байес әдісін, сәйкес эмпирикалық әдістерді және деректерді жетек алгоритмдерін және т.б. бөлу маңызды. Байес әдісіне Кальман сүзгісі мен бөлшектерді сүзу және басқа да қатысты жақсартулар кіреді. алгоритмдер.

Әдебиеттерде модель параметрлері мен ағымдағы батарея күйін алу үшін қос кеңейтімді Калман сүзгілеу алгоритмі қолданылады, бірақ бұл әдіс батареяның қызмет ету мерзімінің соңғы кезеңінде нашар. Бұл мәселеге жауап ретінде әдебиеттер Кальманның адаптивті сүзгілеу алгоритмін қабылдайды. SOH және RUL көп сатылы болжамы шу ковариансының матрицасын жаңарту арқылы жүзеге асырылады және батареяның қызмет ету цикліндегі бағалау дәлдігі жақсарады.

Әдебиеттер литий-ионды аккумулятордың RUL мәнін бағалау үшін бөлшектерді сүзуді кем емес пайдаланады және нақты бағалаудың салыстырмалы қателігі 5%-дан аз. Жоғарыда келтірілген әдіс аккумулятор денсаулығының негізгі параметрлерін бағалау үшін жабық циклды сүзгілеу алгоритміне негізделген. Оның модельдеу қателеріне және өлшеу қателеріне беріктігі бар, бірақ модельдеу процесі күрделі және нақты бағалау процесі үлкен.

Әртүрлі сүзгі алгоритмдерін пайдаланудан басқа, литий-иондық батареяның күйін бағалауда сәйкес эмпирикалық сәйкестік әдісі де қолданылады. Әдебиеттерде литий-ионды аккумуляторды пайдалану уақыты, зарядтау және зарядсыздандыру коэффициенті және температурасы қарастырылады және бір типті аккумулятордың денсаулық жағдайының тиімді бағалауларына қол жеткізу үшін батареяның қызмет ету мерзімінің жалпыланған моделі белгіленеді. Литий-ионды аккумулятордың құлдырауымен біріктірілген құжат, белсенді заттың өсуі мен белсенді материалы белсенді заттың жоғалуы арқылы белгіленеді және минималды мультипликаторлық бағалау моделінің параметрлері пайдаланылады және нәтижелер әдіс нәтижесінің аз екенін көрсетеді. 1%-дан астам.

Байланысты тәжірибені орнату әдісі әдетте инженерлік тәжірибеге немесе электрохимиялық білімге, жоғары дәлдікке негізделген ескірген үлгілерді орнату арқылы белгіленеді, бірақ модель көптеген сынақ деректерімен жабдықталған. Сондай-ақ, белгілі бір модель көбінесе батареяның белгілі бір түрін немесе белгілі бір ескірген батарея күйін ғана тиімді бағалайды, икемділігі нашар. Бүгінгі таңда үлкен деректер мен жасанды интеллекттің қарқынды дамуымен аккумулятордың күйін бағалауда деректерге негізделген әдістер де кеңінен қолданылады.

Әдебиеттер априорлы нейрондық желіге және Марков тізбегіне негізделген SOH бағалау әдісін ұсынады. Нәтижелер белгісіз сыртқы жағдайларда да әдіс батареяның ішкі күйін әлі де тиімді бағалай алатынын көрсетеді. Әдебиетте аккумулятор сыйымдылығы, температура және құлау күйі (SOC) арасындағы картаны алу үшін Гаусс процесінің регрессиясы, GprocessRegression, GPR қолданылады және литий-ионды батареялардың бірнеше күйін бір уақытта бағалау жүзеге асырылады.

Әдебиеттер GPR моделінің құрылымын одан әрі оңтайландыру үшін ұзақ мерзімді жадының нейрондық желісін пайдаланады, нәтижесінде жоғары бағалау дәлдігі бар бағалау моделі алынады. Жоғарыда келтірілген деректерге негізделген тәсіл икемді интеллекттің артықшылықтарына ие қара жәшік моделі болып табылады, бірақ қара жәшік моделі оқу деректер жинағына аса сезімтал, аз деректер модельді оқытудың тиімділігін төмендетеді, көп деректер жиынтығы. модельдердің күрделі артықтығын тудыруы мүмкін және модельдің шамадан тыс кеңейтілуіне әкелуі мүмкін. Тиімді сипаттамалар жиынтығын алу қиын мәселесін шешу үшін бұл жұмыс литий-ионды батареялардың қалған сыйымдылығын сипаттамалық өңдеу және радиалды негіз Функция, RBF) нейрондық желі негізінде бағалауды жүзеге асырады және дәлдікті қамтамасыз ете отырып, бағалау тиімділігін арттырады. .

Біріншіден, зарядтау процесі кезінде алынған сыйымдылық сипаттамаларының көлемі оңтайландырылған және деректер жиынтығының деректер жиыны көбірек шоғырланған және деректер жиынтығы таңдалған және деректердің күрделілігін жақсарту үшін деректердің күрделілігі одан әрі таңдалады. бағалауды жақсарту үшін. Тиімділік, содан кейін қалған қол жетімді сыйымдылықты бағалау үлгісін құру үшін қысқа және тиімді радиалды жүйке желісін пайдаланыңыз және сайып келгенде, литий-иондық батареялардың қалған қол жетімді сыйымдылығын жылдам және дәл бағалауды жүзеге асырыңыз. 1 Литий-ионды батарея циклінің әрекет ету эксперименті Динамикалық литий-ионды аккумулятордың құлдырауынан кейін батареяның циклін пайдаланып батареяның өзгеруімен қол жетімді сыйымдылық.

Бұл қағаз бөлме температурасында екі спецификация жағдайында үздіксіз тұрақты ток заряды мен разрядын қамтамасыз етеді. Дөңгелек қартаю эксперименті, операциялық ағын 1-суретте көрсетілген, батареяға қатысты ақпарат 1-кестеде көрсетілген. Тәжірибелер ARBIN әзірлеген BT-5HC-5V-100A аккумуляторлық сынақ жүйесі арқылы жүргізілді.

1-сурет Батарея циклінің қартаюы Тәжірибелік процесс 1-кесте Батареяны сынау негізгі параметрі сыйымдылығының төмендеуі эксперименті Батарея ұяшығының толық қызмет ету циклінің сынақ деректерінің төрт жиынтығы аяқталғаннан кейін, сәйкесінше, батарея A-1, батарея B-2, батарея В-3, батарея В. -4, мұнда A-1 аккумуляторы A типті литий-ионды батарея, ал қалған 3 топ В үлгісіндегі литий-ионды батареялар болып табылады. Мысал ретінде А-1 аккумуляторын алсақ, сыйымдылықтың ыдырау циклі тәжірибелік кернеу мен токтың өзгеруі 2-суретте көрсетілгендей, әрбір сынақ циклі тұрақты ток зарядынан, тұрақты кернеуден зарядтаудан, сөреден, тұрақты ток разрядынан, сөреден және т.б. олар, А үлгісіндегі тұрақты ток зарядтау процесінің тогы 2А, В моделі 1.

275A, А үлгісінде тұрақты кернеуді зарядтау процесінің тоқтау тогы 80мА, В үлгісінде 51мА, А үлгісінде тұрақты ток разряд процесінің тогы 8А, В үлгісі 5.1а. 2-сурет Циклдік сынау процесінің кернеуі мен токтың өзгеруі 2 разряд қабілеттілігін бағалауды іске асыру әдісі 2.

1 Сыйымдылықтың ыдырау сипаттамалары 2.1.1 Мүмкіндіктер Нақты қолдану процесі кезінде литий-иондық аккумуляторды зарядтау процесі тұрақты ток тұрақты қысымды зарядтау режимі екенін ескере отырып, әртүрлі модельдердің аккумуляторы консистенциясы бар, ал разряд процесі нақты жағдайға байланысты әртүрлі айырмашылықтарға ие. пайдалану және тұрақты мүмкіндікті алу қиын.

Сондықтан, бұл қағаз эксперименттік деректерде литий-иондық батареялардың қалған қол жетімді сыйымдылығына қатысты жеті топтың 7 топтамасын шығарады және деректер көздеріне сәйкес екі санатқа бөлінеді. Бірінші санат сенсорға сәйкес деректерді тікелей жинаумен сипатталады. Сипаттама ретінде зарядтау уақыты CC-T, зарядтау сыйымдылығы CC-C және тұрақты кернеуді зарядтау фазасы, зарядтау уақыты CV-T, зарядтау сыйымдылығы CV-C.

Мысал ретінде A-1 аккумуляторын алайық, шығарылған функцияның бірінші түрі 3-суретте көрсетілген. 3-сурет A-1 аккумуляторының ерекшеліктері. Мүмкіндік сомасының екінші түрі датчиктің одан әрі қазу сипаттамалары тікелей деректерді жинайды. Олардың ішінде өсу сыйымдылығы (IC) қисығының шыңы литий-иондық аккумулятордың физикалық және химиялық сипаттамаларын сипаттау үшін тиімді, ал IC қисығы сыйымдылық пен кернеудің дифференциациясын білдіреді, ал VT өкілі Уақыт батареясының кернеуі.

Тұрақты токты зарядтау режимінде ток тұрақты шама болып табылады және өте аз уақыт аралығының суретін түсіргенде, формула (1) орнатылады, осылайша IC қисығын тез сызады. Сызбаның IC қисығы 4-суретте көрсетілген, сүзгіден кейін көрінетін қисықтар маңызды шыңның сипаттамасын береді. Әрбір цикл IC қисығының максималды мәні функцияның екінші түрі ретінде пайдаланылады, оны MAX-IC деп атайды.

Әрі қарай, зарядтау уақыты мен тиісті цикл тұрақты қысым фазасының қатынасы бөлек орындалады: CC-T / CV-T және тұрақты ток сатысы зарядтау сыйымдылығы қатынасы: CC-C / CV- C қатысты сипаттамалардың екінші түрі ретінде. A-1 аккумуляторының екінші түрі 5-суретте көрсетілген. 4IC суреті А-1 батареясының сипаттамаларынан бұрын қисық сүзгі Тәжірибелік деректерді алу кезінде аккумулятордың нақты сипаттамаларының деректері қателік кедергімен легирленген жағдай бар. деректер және 2-суретте көрсетілген екі санат.

3 және 5. Сипаттамаларда маңызды деректер ly бар және сынақ қатесі және батареяның өзіндік ыдырау сипаттамалары топтан тыс көріністі тудыруы мүмкін. Сондықтан, бұл жұмыста литий-ионды аккумулятордың құлдырауының шынайы физикалық және химиялық сипаттамаларында көрсетілген сипаттамаларды сақтай отырып, сынақ қатесінің сипаттамалар ережелеріне әсерін жою үшін жергілікті нормадан тыс фактор алгоритмі пайдаланылады, ақпараттың көлемін тиімді жақсарту. сипаттамаларын анықтайды және үлгіні оқытудың тиімділігін арттырады.

Жергілікті аномальды фактор алгоритмі (LOF) әр үлгінің локализацияланған ауданын есептеу арқылы дисперсия дәрежесін анықтау болып табылады, тығыздыққа негізделген кең нүктені анықтау әдісі. Белгіленген шекті дәл позициялау бойынша дисплей мәнін деректерді тарату дискриминациясына сәйкес тиімді деректерді қате тазалау мәселесін болдырмауға болады. Сынама алу нүктесінің жергілікті атырау нүктелерінің орташа саны Р нүктесінің сипаттамалық көлемдегі көршілес нүктесі және Р нүктесінің ішінара шектелген тығыздығы саны локализацияланған бөлу коэффициентінің бөлігі ретінде көрсетіледі, ал (2) формулада NK (P) көрсетеді. Р нүктесінен k қашықтығы, О нүктесі маңайдағы белгілі бір нүкте екенін; LRDK (P), LrDk (O) сәйкесінше P нүктесі мен О нүктесінің жергілікті қолжетімділік тығыздығын білдіреді.

Жартылай дислокация коэффициенті неғұрлым жақын болса, Р нүктесі және оның көршілес нүктелері әртүрлі болса, Р және көршілестіктердің ықтималдығы соғұрлым жоғары болады, бірақ өз кезегінде Р нүктесі нормадан тыс нүкте болуы мүмкін. 6-суретте CC-T локализацияланған күйдіру факторын қолданудың аномалиясы көрсетілген, бастапқы деректер 1 ~ 5, бұл анық көрінеді, мұнда 1 және 2 нүктелер сынақ ортасынан туындаған ауытқу мәніне байланысты, және 3-тен 5-ке дейінгі нүктелер санының өзгеруі CC-T сипаттамалық мөлшерінде аккумулятордың қол жетімді сыйымдылығын қалпына келтірудің көрінісі болып табылады, біркелкі өңдеуге болмайды, таңдалған сипаттамаларда Ол процесс барысында сақталуы керек. 6-сурет Аномальды жату тобына арналған кесте 2.

1.2 Корреляциялық тексеру – бұл сипаттамалық шаманың қол жетімді қуат мөлшері арасында тығыз байланыс бар-жоғын тексеру және бұл екеуін корреляциялау үшін сәйкес әдіс қолданылады. Сипаттамалар мен қол жетімді сыйымдылық арасындағы қатынас өте сызықты емес екенін ескере отырып, мүмкіндік деректерін таратуды қажет етпейтін талдау әдісін таңдау қажет.

Спирманранд корреляция коэффициенті «сынып айырмашылығы әдісі» ретінде де белгілі, мәні -1 мен +1 арасындағы, абсолютті мән 1-ге жақын болса, корреляцияны көрсетеді. Басқа күшейту корреляция коэффициенттерімен салыстырғанда, Спирман деңгейінің корреляция коэффициенті деректер қателеріне және экстремалды мәндерге сезімтал емес және тек екі айнымалыны жұптау немесе үздіксіз айнымалыларды бақылау деректерінен түрлендіру қажет. Рейтинг алыңыз.

Екі айнымалының жалпы таралуына қарамастан, таңдау сыйымдылығының өлшемі, Спирман деңгейі арасындағы айырмашылықты тиімді анықтауға болады. Спирман қатынасы (3) формуладағыдай берілген, ал Ri және Si - i бақылау мәнінің мәндік дәрежесі; R * және S * сәйкесінше х және у айнымалыларының орташа деңгейлері; Di = Ri-Si екі бағанды ​​көрсетеді Айнымалының сараланған режимдерінің саны; N – бақылаулардың жалпы саны. Тәжірибе нәтижесінде алынған төрт батарея жинағының айналмалы разрядтық сыйымдылығы арасындағы Sprim дәрежелі корреляция коэффициенті 2-кестеде көрсетілген, ал қалыпты емес оқшаулау нүктесінің ауытқуына дейінгі және одан кейінгі корреляция коэффициенттері келтірілген.

Нәтижелер өндірілген сипаттамалар мен сәйкес қалған қол жетімді қуат арасындағы корреляцияның 0,9 шамасында екенін көрсетеді, бұл күшті корреляцияны көрсетеді. Ал LOF алгоритмін өңдегеннен кейін корреляция коэффициенті жақсарды, сипаттамалық вектор мен сәйкес цикл сыйымдылығы арасындағы корреляция айтарлықтай жақсарды.

2-кесте Мүмкіндіктер және қол жетімді сыйымдылық Спирмен дәрежесінің корреляция коэффициенті 2.1.3 Мүмкіндіктер Нақты қолдану кезінде деректердің үлкен көлемін өңдеу автомобильді есептеу модульдерінің көп санын алады, бұл BMS жалпы өнімділігіне әсер етеді.

Бұл жұмыс деректер жиынының дизайнын азайту, жүйеге қажетті сақтау орнын азайту, есептеу жылдамдығын жылдамдату үшін жергілікті сызықтық кірістіру алгоритмін (LECALLINEAREMBEDDING, LLE) пайдаланады. LLLLLE - төмен өлшемді кеңістіктегі бастапқы жоғары өлшемді кеңістіктік үлгінің көршілестігі арасындағы сызықтық қатынасты сақтайтын жылжымалы зерттеу, деректердің геометриялық құрылымы мен қасиеттерін жақсырақ сақтай алады, жоғары сызықты емес деректер үшін таусылуға дейін өңдеуді жобалауға жарамды. Жоғары өлшемді деректерді төмен өлшемді шағылыстыруға арналған LLE алгоритмі келесі қадамдарға бөлінеді.

1-қадам: x = {x1, x2, ., xn} ℛℛD × n, xiℛℛd × 1, i = 1, 2, ., N, i = 1, 2, ., N деректер жиынына үлгі нүктесінің жергілікті көрші нүктелер жинағын таңдаңыз, еуропалық үлгі нүктесінен миль қашықтықта K (K
, Қ (Қ
Шектеулі шарт суреті салмақ матрицасындағы Ω 1-ге қосылған жолдардың әрқайсысын көрсетеді. 3-қадам: ω мәндік матрицаны алу арқылы X үлгі жинағының төменгі өлшемді кірістіруін алу арқылы барлық үлгі нүктелерін төменгі өлшемді кеңістікке ℛD салыстыру үшін. , D-өлшемді X векторының X векторы D-D-D-өлшеміне азайтылады, әрбір жоғары өлшемді xi векторы сәйкес келеді. Төмен өлшемді вектор yi, y = {Y1, Y2, ., YN} ℛℛD × n салыстыру шарттары картаның жоғалуын азайтады. функциялары, Y шешімін шешу үшін (5) формуланы қараңыз.

Белгілі бір шектеулердегі шешім Матрицаның сипаттамалық векторын, төмен өлшемді кеңістіктегі кескіндеу нәтижелерін Лагранж көбейткіш әдісімен алуға болады. 2.2 RBF нейрондық желісінің есептеуді аяқтау сипаттамаларына сүйене отырып, бұл жұмыс литий-ионды батарея сыйымдылығының рецессия моделін құру үшін RBF нейрондық желісін пайдаланады.

RBF нейрондық желісі функцияны жуықтау, деректерді іздеу және басқа қолданбалы сценарийлердің функциясы болып табылады. Ғаламтор. Оның құрылымы қарапайым, жергілікті жауап берудің негізгі оқыту желісі, жергілікті жуықтау, ғаламдық жауап BP нейрондық желісі сияқты алгоритмдермен салыстырғанда конвергенция жылдамдығының артықшылығы болып табылады және RBF нейрондық желісінің жасырын нейрондарын белсендіру функциясы емес. сызықтық функция.

Желіні кез келген сызықтық емес функцияға жақындатыңыз. Оның құрылымы кіріс қабаты сияқты көп кірісті көп шығысты беру нейрондық желіден тұрады, қабат пен шығыс қабатын білдіреді. Сурет 7RBF Нейрондық желі құрылымының моделі Деректер кіріс деңгейінің түйінінен жасырын деңгейге беріледі, ал жасырын деңгей түйіні әдетте радиалды негіз функциясынан құрастырылады, мұнда Гаусс радиалды негізі функциясы жақсырақ, ал шығыс түйіні сызықты емес. жасырын қабат Сызықтық операцияларға арналған сызықтық операциялардың соңғы нәтижесі.

Жасырын қабат түйінінде Гаусс радиалды функция функциясы (6) формулада көрсетілген, X - S өлшемді кіріс векторы; Ci - i-ші радиалды функцияның центрі; Δi - негізгі функцияның орталық енін анықтайтын i-ші нейрондық қабылдаудың ауқымы; M – жасырын қабат нейрондарының саны; || X-CI || X және Ci арасындағы еуропалық қашықтықты білдіреді. Y – желінің шығыс векторы. Кіріс қабаты X → FI (X) аралығындағы сызықты емес салыстыруды жүзеге асырады, ал шығыс қабаты FI (X) - Y дейін сызықтық салыстыруды жүзеге асырады, яғни Wi (7), Wi - шығыс қабаттарына арналған i-ші Габос радиалды негіз функциясы. Деректер салмағын беру; W0 - шығыс қабатынан ауытқу.

Суретте көрсетілгендей, желінің ішкі параметрлерін анықтау үшін қатені кері тарату алгоритмін пайдалану. 8, алдымен салмақ матрицасын инициализациялаңыз және мақсатты қате функциясын және желілік оқытудың қате мақсатын орнатыңыз, содан кейін қате мақсатын шешкенше, желілік жаттығуды аяқтағанша, осы уақыттағы салмақ матрицасын және әрбір нейрондық радиалды негіз функциясының параметрлері соңғы желінің құрылымдық параметрлері болып табылады. Сурет 8RBF нейрондық желіні оқыту процесі Литий-иондық батареяның сақталатын сыйымдылығын бағалау процесі 9-суретте көрсетілгендей, желіден тыс бағалау үлгілері үшін сыйымдылықты бағалауды орнату және онлайн режимінде бағалау маңызды.

Офлайн фазада, RBF нейрондық желісінің оқу деректер жинағы ретінде өлшенген литий-иондық аккумулятордың заряды және разряды туралы тәжірибелік деректерді алдын ала өңдеу. Зарядтау кезеңінің уақытынан, кернеуінен, токынан, сыйымдылығынан және IC қисығынан сипаттамалық векторлар сериясы алынады және сипаттамалық шудағы сипаттамалық шудың бұзылуын жояды және сипаттамалық шаманың кедергісін жою үшін Spil қолданылады. кейіпкердің ерекшеліктері. Манандық қатынастардың сипаттамалары мен сыйымдылығының сипаттамалары мен сыйымдылығы арасындағы корреляция.

Жергілікті сызықты енгізу әдісі арқылы көп өлшемді сипаттамалардың көлемін азайтыңыз, деректердің күрделілігін азайтыңыз және модельді оқыту тиімділігін арттырыңыз. Соңында, RBF желісіндегі ішкі параметрлер оқытылады және сыйымдылықты бағалау моделі анықталады. Желідегі бөлік үлгі енгізуі ретінде офлайн кезеңмен бірдей әдісті пайдаланады және жақсы дайындалған бағалау үлгісі тиімді және дәл сыйымдылық бағалауларын шығарады.

Сурет 9 Литий-ионды батареяның қол жетімді сыйымдылығын бағалау блок-схемасы 3 Бағалау нәтижелері және талқылау 3.1 Үлгі бағалаулар 3.1.

1 Оқыту жылдамдығын және желінің болжау дәлдігін арттырудағы нәтижелердің нәтижелеріне әртүрлі оқу көлемдерінің әсері, қажетті сипаттамалардың сипаттамаларын қалыпқа келтіру Өңдеуден кейін үлгі шығысы RBF нейронының кіріс мәні ретінде есептелген разрядтық сыйымдылық болып табылады. желі. Деректер драйвері әдісін жүзеге асыруда деректердің 60% оқыту модельдеріне, 40% сынақ үлгісіне пайдаланылады [7]. Белгіленген үлгінің тиімділігі мен беріктігін бағалау үшін бұл жұмыста деректердің әрбір тобының 50%, 60%, 70% оқу жинағы, ал қалғандары сынақ жинағы ретінде бөлінген.

Желілік модельге енгеннен кейін әртүрлі оқыту кезіндегі модельдің жаттығу сынақтарының нәтижелері 10-суретте көрсетілген, мұнда орташа квадраттық қате (MSE), RMSE қатесі (RMSE), орташа абсолютті қате (MAE) қолданылады. Модельді болжау бөлімінің әсері 3-кестеде көрсетілгендей талданады.

10-сурет Аккумулятор A-1, B-2, B-3 және B-4 жаттығу сынақтарының нәтижелері 3-кесте Батареяны бағалаудың әртүрлі қателері Деректердің 60%-ы үлгілерді үйрету үшін пайдаланылғанда, бағалау үлгісі қалған қол жетімді сыйымдылықты шығару үшін бағаланады. тәжірибелік батареялардың төрт тобы. Тұрақты және тиімді бағалау нәтижелері, сынақ диапазонының болжам нәтижелері іріктеудің нақты деректеріне өте жақын. 3-кестедегі қате мәні, максималды MAE B-4 батареясының болжау бөлігінде пайда болады, тек 0.

0494, MSE 0,0034, RMSE 0,0581, орнатылған RBF нейрондық желісін бағалау моделі a, b екі типті қуат литий-ионы екенін көрсетеді. Төмендеуден кейінгі сыйымдылықтың екеуі де дәлірек бағалау жасай алады.

10-суреттен көрініп тұрғандай, оқыту деректерінің көлемін 70%-ға дейін ұлғайтқанда, модельдің болжау дәлдігі жақсарды, максималды MAE 0,0381, максималды MSE 0,0022, максималды RMSE 0.

0472. Жаттығу деректерінің көлемі 50%-ға дейін азайған кезде модельдің бағалау дәлдігі шамалы ғана төмендейді, онда В-2 батареясының болжау қателігі үлкен, ең жоғары MAE 0,1067, ең жоғары MSE 0. .

0137, максималды RMSE 0,1171, максималды RMSE 0,1171, басқа батареяларды болжау дәлдігі 60% жаттығу деректерінен төмен болжам нәтижелері әртүрлі.

Бұл болжанған модельдің жақсы жалпылау қабілеті мен күшті беріктігі бар екенін көрсетеді, ол тербеліс жағдайында батареялардың әртүрлі түрлерінің қолжетімділігін тиімді бағалай алады. 3.1.

2 Әртүрлі бағалау әдістері ELMAN нейрондық желіні бағалау әдісінің, ELMAN нейрондық желіні бағалау әдісінің, Эльман нейрондық желіні бағалау әдісімен ұсынылған бағалау әдісінің, BP нейрондық желіні бағалау әдісінің және осы жұмыста ұсынылған болжалды модельдің артықшылықтарын салыстырыңыз. мүмкіндіктерді өңдеуге негізделген сипаттамалық өңдеу туралы Литий-иондық батареялардың толық өмірлік циклінің сыйымдылығының төмендеуін бағалауға арналған қолданба, сыйымдылықты бағалау, болжамды қателер және уақытты тұтыну 11-суретте, 4-кестеде және 5-кестеде көрсетілген. 11-сурет B-3 батареясы B-2 (a) батареясының нәтижесін және В-4 батареясының нәтижесін болжайды B-3 батареясының нәтижелерін болжайды (b) 4-кесте Бағалау қатесі және B-3 батареясының 5-ші болжамды батареясы B-2 батареясы B-4 тұтыну кестесі. B-3 батареясын болжау қатесі мен тұтыну уақытын бағалау 11-сурет (a) B-2 батареясының толық қызмет ету сыйымдылығын болжау нәтижелері, барлық үлгілер B-3 батареясынан алынған. 11 (b) суретте В-3 батареясының толық қызмет ету сыйымдылығын болжау нәтижесінің үш түрлі үлгісі көрсетілген, оқытудың барлық үлгілері B-4 батареясынан алынған.

Болжау нәтижелерінен бұл жұмыста ұсынылған болжамды модель B-2 батареясының сыйымдылығын болжау нәтижесіне қатысты 6% қоспағанда, ал қалғандары 6% -дан аз және қаншалықты дәрежеде екенін көруге болады. бұл болжамды мөлшер тек 0,057 құрайды. Дегенмен, B-3 батареясының сыйымдылығын болжау нәтижесінің салыстырмалы қателігі 6% шегінде, бұл жоғары бағалау дәлдігін көрсетеді.

Айналым құрылымы бар ELMAN нейрондық желісімен салыстырғанда, Elman нейрондық желісі В-2 батареясының және В-3 батареясының жалпы сыйымдылығына ие және максималды MAE 0,0847, максималды RMSE 0,0874 Болжаудағы салыстырмалы қателік. BP нейрондық желісі моделінің нәтижесі 6%-дан астам, максималды мае 0.

0723, максималды RMSE 0,0869, ал RBF нейрондық желісі моделінің екі батарея сыйымдылығын болжау нәтижелеріне ең жоғары MAE мәні 0,0612, ең үлкен RMSE 0.

0570, Болжаудың дәлдігі мен үлгі тұрақтылығы жақсы практикалық пайдалану артықшылықтарында көрінеді. Әрі қарай, 4-кестеден көріп отырғанымыздай, бірдей есептеуді өңдеу жағдайында, В-2 батареясының сыйымдылығы болжанған кезде, RBF нейрондық желісі бар болғаны 0,99 с жұмсайды, ал ELMAN нейрондық желісінің тұтынуы 3 құрайды.

5 с, BP нейрондық желінің өнімділігі. Ең нашар, тұтыну 8,5 с.

5-кестеге сәйкес, В-3 батареясының сыйымдылығы болжанған кезде, RBF нейрондық желісі 0,9 с, ал ELMAN нейрондық желісінің тұтынуы 3,5 с.

BP нейрондық желісі 9,4S дейін жоғары. Үш болжамды модельді салыстыра отырып, қалған қол жетімді сыйымдылықты бағалау әдісімен тұтынылатын уақыт шамамен ELMAN нейрондық желісі және BP нейрондық желісі, сәйкесінше үлкен тиімділік артықшылығын көрсететінін көруге болады.

3.2 Шығыс нүктелерді өңдеудің бағалау нәтижелеріне әсері Сыйымдылықты бағалау процесінде бұл құжат сипаттамалық вектордағы сипаттамалық векторды дәл тазалау үшін LOF алгоритмін пайдаланады. Қалыпты емес мәндерді өңдеудің әртүрлі әдістерін көрсету үшін модельді бағалау нәтижесінің әсері салыстырылады және болжау нәтижесінің үш өңдеу әдісі болжау нәтижесінің үш өңдеу әдісімен және HAMPEL сүзгісінің тегіс масштабтауын қолданумен салыстырылады. нүктесі және қолданбалы LOF алгоритмі.

Ал 13-суретте көрсетілген. Болжалды қалдық сыйымдылығы батареяның B-3 тәжірибесімен өлшенеді, ал A-1 батареясы мен В-4 батареясының эксперимент деректері оқу деректерінің жинақтары болып табылады. 12-сурет Әртүрлі қалыптан тыс мәнді өңдеу режимі 13-сурет Сыйымдылықты бағалау нәтижесінің қате нәтижелері өңделмеген мүмкіндіктің LLE алгоритмі төмендегеннен кейін RBF үлгісіне енгізілетінін көрсетеді және сыйымдылықты болжау нәтижесі нашар, максималды қате 1А · сағ жақын және нәтиженің таралуы көбірек дисперсия болып табылады, бұл әдеттен тыс мән өңделмегенін білдіреді, нейрондық желі моделі сипаттамалар мен мүмкіндіктер арасындағы карталық қатынасты тиімді меңгере алмайды және идеалды болжам нәтижелеріне қол жеткізе алмайды.

Hampel сүзгісін тегістегеннен кейін, кіріс үлгісінен кейін есептелген қалған қол жетімді сыйымдылықтың қатесі 0,2А · сағ-тан аз, бірақ батареяның кеш қызмет ету мерзімінде бағалау әсері нашар. LOF алгоритмінің сипаттамаларына сәйкес келетін сыйымдылықты бағалау қатесі 0 шегінде сақталады.

2А · сағ. Сыйымдылықтың қайталанатын құбылысының қолжетімді сыйымдылығын бағалау кезінде Гампель сүзгісіне сәйкес келетін бағалау нәтижесі LOF алгоритмі өңделгеннен кейін алынған бағалау нәтижесімен салыстырғанда үлкен саңылаумен салыстырылады, 113-ші тәжірибе циклінде, екі Абсолюттік қате сыйымдылығы 0,0253А · H және 0.

1003A · H, тиісінше, 0,0158A · H және 0,1821A · H, сәйкесінше, 143-ші тәжірибелік циклде.

LOF алгоритмінің сипаттамалары аккумулятордың нақты сыйымдылығының төмендеуі туралы егжей-тегжейлі ақпаратты қамтитынын көруге болады, бұл модельдерге литий-ионды батарея сыйымдылығының құлдырауы мен сипаттамалары арасындағы байланысты жақсырақ білуге ​​мүмкіндік береді және қалған қол жетімді Сыйымдылық мәнін дәлірек және сенімдірек шығаруға мүмкіндік береді. 4 Қорытынды Бұл құжат литий-иондық батареялардың қалған қол жетімді сыйымдылығын тиімді бағалау әдісін ұсынады. Зарядтау фазасының деректерінен қалдық сыйымдылыққа қатысты сипаттамалардың 7 жинағы шығарылады және көп өлшемді мүмкіндік шамасының тазалау және кіші өлшемді картасын дәл ажырату және мәнді жақсарту үшін LOF алгоритмі мен LLE алгоритмі пайдаланылады. сипаттамалық мәнде қамтылған тиімді ақпараттың.

Қажетті есептеу қажеттіліктерін бағалады, бағалау тиімділігін арттырады. Осының негізінде RBF нейрондық желісінің көмегімен сыйымдылықты бағалау моделі құрылады. Нәтижелер бағалау моделінің литий-ионды батареяның құлдырауынан кейін қалған қол жетімді сыйымдылықты тиімді бағалай алатынын көрсетеді, бұл ELMAN нейрондық желі моделімен және BP нейрондық желі моделімен салыстырғанда бағалау дәлдігі мен бағалау тиімділігінен үлкен артықшылыққа ие.

Бұл әдіс литий-ионды батареяның құлдырауынан кейін қол жетімді қуатты тиімді және дәл бағалауға қол жеткізе алады.聽聽 聽聽 聽聽 聽聽 聽聽 聽聽 聽聽 聽聽 聽聽 聽聽 聽聽 聽聽 聽聽 聽聽 聽聽 聽聽 聽聽 聽聽 聽聽 聽聽 聽聽 聽聽 聽聽 聽聽 聽聽 聽聽 聽聽 聽聽 聽聽 聽聽 聽聽 聽聽 聽聽 聽聽 聽聽 聽聽 聽聽 聽聽 聽聽 聽聽 聽聽 聽聽聽聽 聽聽 聽聽 聽聽 聽聽 聽聽 聽聽 聽聽 聽聽.(ЧЭНЧжэн, Л.И.Лейлей, ШУХинг, т.б.

ТодиғаМендингТақырыпҚақылуЖазбофайдонфайдондарЛибинг : chen@kust.

edu.cn Бірінші автор: Shenjiangwei, аға эксперимент, зерттеу бағыты динамикалық литий-иондық батареяның күйі, электрондық пошта:shenjiangwei6@163.com.

.