基于分解与集成的空气质量指数预测

为了能够准确地预测空气质量指数（AQI），建立了基于集合经验模态分解（EEMD）-样本熵（SE）的极限学习机（ELM）和门控循环单元（GRU）组合的AQI预测模型。首先利用EEMD算法对AQI数据进行分解，得到一组不同尺度的本征模态函数分量和残余分量；其次计算各分量SE值，根据各分量SE值将各分量重新组合成新的序列，并将新序列按其复杂程度经过GRU模型或ELM模型进行预测；最后将所有结果叠加得到AQI预测值。实验结果表明，与反向传播（Back Propagation,BP）神经网络模型、长短期记忆网络（Long Short-term Memory,LSTM）模型、ELM模型、GRU模型、EEMD-SE-ELM模型、EEMD-SE-GRU模型和EMD（经验模态分解）-SE-ELM-GRU模型相比，基于EEMD-SE-ELM-GRU的组合预测模型其预测误差最小，预测精度最高。     

基于改进门控循环单元神经网络的锂电池组荷电状态预测

准确预测锂电池组的荷电状态（state of charge，SOC）能够有效防止电池过度充电或者放电，是储能设备安全运行的重要保障。为了解决SOC无法通过测量直接获得的问题，提出了一种基于猎人猎物优化算法（hunter prey optimization，HPO）优化门控循环单元（gated recurrent unit，GRU）神经网络的预测模型。在GRU的基础上添加Dropout机制，来增强模型的泛化能力，并通过HPO算法优化GRU的超参数，使锂电池的数据特征与网络拓扑相匹配。为了验证HPO-GRU模型的有效性，以某储能公司现场采集的储能锂电池组历史数据进行仿真实验，并与反向传播神经网络（back propagation，BP）、长短期记忆网络（long short term memory，LSTM）和GRU三种预测模型的预测结果进行对比分析。可得HPO-GRU模型预测值与真实值的误差最小，在5%以内。可见HPO-GRU模型的预测精度最高，具有良好的鲁棒性以及较强的泛化能力。     

锂离子动力电池荷电状态联合估计应用

为了进一步提高锂离子动力电池荷电状态(SOC)的估计精度问题,在分析了电池电压、温度、电流和放电电量对电池SOC值的影响后,提出了一种新颖的混沌萤火虫算法(chaos firefly algorithm,CAF)和小波神经网络(WNN)相结合的锂离子动力电池SOC联合估计方法,该方法首次利用于电池SOC值估计中,通过新颖的混沌萤火虫算法优化小波神经网络,加入动量项优化网络的权值和调整修正参数,提高了网络的学习效率和SOC估计精度。克服神经网络进化缓慢并且容易陷入局部最小的缺陷,通过仿真和电池实际工况下实验,结果表明与WNN算法相比,所提出的方法具有更高的预测精度,均方根误差小于2%,验证了这一算法的可行性和有效性。     

锂离子动力电池荷电状态联合估计

为了进一步提高锂离子动力电池荷电状态(SOC)的估计精度问题,在分析了电池电压、温度、电流和放电电量对电池SOC值的影响后,提出了一种新颖的混沌萤火虫算法(chaos firefly algorithm,CAF)和小波神经网络(WNN)相结合的锂离子动力电池SOC联合估计方法,该方法首次利用于电池SOC值估计中,通过新颖的混沌萤火虫算法优化小波神经网络,加入动量项优化网络的权值和调整修正参数,提高了网络的学习效率和SOC估计精度。克服神经网络进化缓慢并且容易陷入局部最小的缺陷,通过仿真和电池实际工况下实验,结果表明与WNN算法相比,所提出的方法具有更高的预测精度,均方根误差小于2%,验证了这一算法的可行性和有效性。     

基于DTW-KiBaM模型的锂电池SOC估计

锂离子电池工作温度及老化程度是影响其荷电状态（State of Charge， SOC）估计算法准确性的关键因素.在二阶RC等效电路模型的基础上，提出了一种由动态时间规整算法（Dynamic Time Warping， DTW）与KiBaM模型（Kinetic Battery Model， KiBaM）相结合的混合模型.利用DTW算法基于充电电压数据确定电池老化状态，通过KiBaM模型计算电池由于电流效应导致的不可用容量，结合二阶RC等效电路模型推导新的SOC计算矩阵，采用无迹卡尔曼滤波算法（Unscented Kalman Filter， UKF）实现SOC估计.基于城市道路循环工况（Urban Dynamometer Driving Schedule， UDDS）验证了混合模型的准确性，实验结果表明，在10 ℃低温环境或经过200次循环老化后工作的锂离子电池，模型估计SOC的最大误差小于2%.     

基于IVMD-CS-LSTM的超短期风电功率预测算法设计

功率预测对提高风电电能质量、减少风电并网时对电网的冲击起着重要作用.针对风电功率数据特征，提出一种基于改进变分模态分解（Improved Variational Mode Decomposition,IVMD）的长短期记忆神经网络（Long-Short Term Memory Network,LSTM）的风电功率预测算法，并利用布谷鸟（Cuckoo Search,CS）算法对LSTM进行超参数寻优.首先，通过相关性分析，对风电场10类数据进行特征筛选，确定与功率相关性最大的两类数据作为模型的输入数据.接着，利用IVMD计算最大包络线峰度，确定变分模态分解的最佳分解参数，将原始风速序列进行分解，得到时间尺度各异的本征模态分量（Intrinsic Mode Functions,IMF）.最后，针对LSTM神经网络模型的超参数优化困难、难以得到最优解等问题，提出采用CS算法对关键超参数进行寻优，建立了IVMD-CS-LSTM预测模型，得到了风电功率短期预测结果.采用实际风电场数据对算法进行测试，与常用预测算法比较，预测结果有更高的精度.     

基于模型误差EKF-HIF算法的锂动力电池SOC联合估计

针对锂动力电池荷电状态(State of Charge,SOC)估计策略,提出了一种基于模型误差EKF-HIF算法的SOC联合估计方法。首先,通过建立电池等效电路模型,利用BP神经网络(Back Propagation Neural Network,BPNN)预测该电池模型误差。其次,推导扩展卡尔曼滤波(EKF)和H∞滤波(H Infinity Filter,HIF)算法流程,根据模型误差选择不同算法进行SOC状态估计。最后,通过仿真验证了该联合估计算法的有效性和可行性。     

基于DAEKF算法的锂离子电池主要状态在线联合估计

为实现三元锂离子电池荷电状态（SOC）、能量状态（SOE）和健康状态（SOH）这3种主要状态的在线联合估计，并应对电动汽车实际使用工况中各种噪声干扰带来的开环累积误差问题，提高锂离子电池在线估计的稳定性，提出了一种基于双自适应扩展卡尔曼滤波（DAEKF）算法的三元锂离子电池多时间尺度主要状态在线联合估计方法。在二阶RC模型基础上推导DAEKF算法的状态空间方程，用带遗忘因子的递推最小二乘法（FFRLS）进行在线参数辨识，以微观时间尺度进行锂离子电池SOC和SOE的在线估计，以宏观时间尺度进行锂离子电池SOH的在线估计，从而实现锂离子电池3种主要状态的在线联合估计。最后，以NVR18650B型三元锂离子电池的不同运行工况对所提出的方法进行实验验证。实验结果表明：在两种验证工况下，文中方法都能够快速收敛辨识模型参数，微观时间尺度中SOC和SOE的估计误差均稳定保持在1%以内，宏观时间尺度中SOH的估计误差稳定保持在1.6%以内；与EKF算法相比，文中所提出的方法具有更高的估算精度以及更好的估计收敛性和稳定性。     

改进的AUKF锂电池SOC估算算法研究

为了能够精确地估计锂电池的电池荷电状态(SOC),考虑了影响电池SOC估计精度的主要因素及传统电池SOC估计的优缺点,在自适应无迹卡尔曼滤波(AUKF)的基础上,提出了一种改进的AUKF算法,并且对影响SOC估计的主要因素在算法上进行了参数校正。该算法基于电池的二阶RC等效电路模型,把每次测量的输出偏差协方差作为噪声协方差,得到改进的AUKF算法,使得噪声的协方差能够随着时间进行更新,解决了噪声的协方差为常量带来误差的问题。实验结果表明,利用改进后的AUKF算法可以精确地估算出电池SOC值。     

基于DSP的电动汽车电池管理系统的设计

在大量充放电模拟试验和随车试验数据采集的基础上,构建了基于数据信号处理器（DSP）芯片TMS320C2812的电池管理系统,实现了数据监测、荷电状态（SOC）估计、控制局域网（CAN）通信及USB存储等功能．在SOC估计算法上,根据电池所处状态进行了分类分析,并对估算难度最大的电池动态放电状态的算法进行了仿真实验．实验结果表明,该算法对镍氢电池的SOC能进行准确预测,并具有较高的精度．