发展大规模、分布式储能是实现“双碳”目标的重要途径。守住储能电池(battery energy storage,BES)的安全底线关乎人民生命安全和社会经济发展。现有储能电池安全预警方法还面临如下2个方面挑战:机理研究方法考虑的工况单一,难以推广应...发展大规模、分布式储能是实现“双碳”目标的重要途径。守住储能电池(battery energy storage,BES)的安全底线关乎人民生命安全和社会经济发展。现有储能电池安全预警方法还面临如下2个方面挑战:机理研究方法考虑的工况单一,难以推广应用;基于有监督学习的数据驱动方法难以有效应对小样本问题。对此,提出基于重构误差计算的数据驱动储能电池热失控预警方法。首先,基于无监督学习思想,建立数据驱动的储能电池热失控预警框架,利用重构误差构建电池间的差异程度,可有效应对小样本场景;利用集成学习思想量化电池热失控概率,可保障算法的稳定性。然后,为有效提取储能电池电压、温度、电流、荷电状态(stateof charge,SOC)等数据的时变特性,高效挖掘热失控前后的时变数据特征差异,进一步提出基于双向长短期记忆(bi-long short-term memory,Bi-LSTM)网络与注意力机制的储能电池数据特征挖掘方法,实现储能电池数据特征的精准学习。最后,通过电动汽车动力电池的真实运行数据,验证了所提方法的有效性。展开更多
【目的】为保证烘丝过程安全稳定运行,研究滚筒叶丝干燥过程异常工况检测具有重大价值。【方法】本文提出基于自动编码器(Auto encoder,AE)和支持向量数据描述(Support vector data description,SVDD)的AE-SVDD算法。首先,使用深度学习...【目的】为保证烘丝过程安全稳定运行,研究滚筒叶丝干燥过程异常工况检测具有重大价值。【方法】本文提出基于自动编码器(Auto encoder,AE)和支持向量数据描述(Support vector data description,SVDD)的AE-SVDD算法。首先,使用深度学习自动编码器提取数据深层特征,构建重构误差,利用重构误差训练SVDD分类模型得到超球体半径阈值,建立检测率指标。通过工业实际生产案例进行模型验证,并应用PCA、SVDD算法分别建立异常检测模型作对比实验。【结果】基于AE-SVDD的算法模型检测率可提高约63%,并能预测4~8min后即将发生的质量异常,明显优于其他算法模型。【结论】与传统方法相比,AE-SVDD异常工况检测方法不仅显著提高了检测率,而且具有良好的异常工况预警作用,有助于及时发现、控制滚筒叶丝干燥过程潜在异常工况,降低质量异常的产生几率。展开更多
文摘【目的】为保证烘丝过程安全稳定运行,研究滚筒叶丝干燥过程异常工况检测具有重大价值。【方法】本文提出基于自动编码器(Auto encoder,AE)和支持向量数据描述(Support vector data description,SVDD)的AE-SVDD算法。首先,使用深度学习自动编码器提取数据深层特征,构建重构误差,利用重构误差训练SVDD分类模型得到超球体半径阈值,建立检测率指标。通过工业实际生产案例进行模型验证,并应用PCA、SVDD算法分别建立异常检测模型作对比实验。【结果】基于AE-SVDD的算法模型检测率可提高约63%,并能预测4~8min后即将发生的质量异常,明显优于其他算法模型。【结论】与传统方法相比,AE-SVDD异常工况检测方法不仅显著提高了检测率,而且具有良好的异常工况预警作用,有助于及时发现、控制滚筒叶丝干燥过程潜在异常工况,降低质量异常的产生几率。
