【用户论文】祝贺我司用户武汉理工熊斌宇发表IEEEJESTIE:一种基于变分模态分解和集成神经网络的钒液流电池健康状态预测模型
第一作者:王少晋 通讯作者:熊斌宇 通讯单位:武汉理工大学 成果简介 全钒液流电池(VRB)在长期运行过程中面临着电解液体积失衡导致容量异常退化的挑战,因此准确预测电池的健康状态(SOH)对维持系统的稳定运行至关重要。在本文中,作者建立了VRB容量退化过程的模型,并提出将变分模式分解应用于SOH时间序列,作为解决电池老化过程中容量再生问题的一种手段。基于相关分析,重构了代表容量再生的波动函数F(t)和代表主要容量趋势的主趋势函数M(t)。利用长短期记忆和门控循环单元神经网络分别建立了两个函数性质的集成神经网络模型。通过计算概率分布来解决结果的不确定性问题。实验和仿真数据分别验证了该集成模型的可行性和有效性。结果表明,在多个时间尺度上,集成模型的预测均方根误差可保持在0.45%以内。与其他模型相比,该模型在精度和稳定性方面具有显著优势。 相关成果以“A Prediction Model of State of Health for Vanadium Redox Flow Batteries Based on Variational Mode Decomposition and Integrated Neural Network”为题发表在IEEE Journal of Emerging and Selected Topics in Industrial Electronics期刊上。 感谢武汉理工大学熊斌宇团队(第一作者:王少晋)供稿! 本文所用 液流电池单电池测试系统 由武汉之升新能源有限公司提供 研究背景 随着大数据和人工智能的广泛普及,宏观机制模型被提出。将整个电池堆或储液罐视为单个质量点,建立了电池参数与容量退化的关系,简化了计算的复杂性。过去的研究建立了VRB的SOC状态检测模型,该模型在监测容量不平衡状态方面非常有效。此外,还提出了一种数据驱动的方法,将流量集成到VRB建模中。通过设计不同电流和流量的循环实验,验证了模型的可行性、有效性和鲁棒性。结果表明,该模型在较宽的工作范围内表现良好,对终端电压的预测误差保持在0.023 V以下。随着时间的推移,由于各种反应的叠加,阴极和阳极电解液的体积变得不平衡。如果不解决这种不平衡,容量可能会变得不平衡和衰减,或者可能会耗尽。因此,绝大多数VRB系统需要定期维护,主要是通过混合或平衡电解液来恢复可用容量。因此,VRB的SOH预测不仅关系到VRB系统的长期稳定运行,而且对于保证VRB储能系统的稳定性和可靠性至关重要。 为解决这一问题,武汉理工大学熊斌宇团队提出了一种基于VMD的SOH估计模型,并从宏观机制上对容量再生现象提出了集成神经网络。对SOH时间序列进行VMD分解,并基于相关性重构,得到代表容量再生的波动函数F(t)和代表容量衰减的主趋势函数M(t)。通过实验验证了集成模型的有效性和可行性。通过MATLAB仿真建立了VRB的容量不平衡模型,验证了所提容量再生综合模型的优越性。该综合模型在多时间尺度上的性能也很好,表明该方法具有较强的稳定性。这有效地提高了模型的准确性和稳定性。与其他方法相比,性能同样最好。该方法能有效地应对长期运行过程中复杂多变的情况。这有可能为VRB储能领域的发展做出贡献。 核心内容 1.数学模型 变分模态分解(VMD)以其对模态混叠现象的优异处理能力被广泛应用于不同的领域。对于自适应信号处理方法,本文选择VMD,通过将SOH退化曲线分解来处理电池容量退化问题。图1给出了模态分量个数K为2、3和4的情况。通过分析分解后的本征模态函数及其频谱图,确定了K的最优值。分解后的分量及其对应的谱图如图1所示。图1(a)显示了K= 2时的两个分量。可以看出,IMF1和IMF2分别为代表动态的中频分量和代表静态的低频分量。然而,中低频部分没有出现,因此一些特征信息缺失。因此,不考虑这种情况。图1(d)为取K = 4时的分解图。虽然存在一个中低频动态分量和一个中频动态分量,但这增加了计算负荷,放大了后续计算中的误差。因此,确定K为3,并将ε设为10-7,以减少工作量并防止与太多预测相关的累积误差。通过相关性分析,将IMF三个分量重构为主趋势函数M(t)和波动函数F(t)。IMF的相关系数小于3个分量的平均系数,设为F(t)。将所有大于平均系数的IMF累加并加上残差RES(t),记为M(t)。这可以有效地从SOH时间序列中分离出局部再生引起的波动信号中和主要的变化趋势,显著提高SOH预测模型的预测性能。 图1:不同K值下电池VMD分解分量及频谱图(a)(b) K =2, (c)(d) K =3, […]
【用户论文】祝贺我司用户武汉理工熊斌宇发表IEEEJESTIE:一种基于变分模态分解和集成神经网络的钒液流电池健康状态预测模型 Read More »