文档名：基于深度学习的数据中心VRLA电池健康状态估计
摘要：健康状态(stateofhealth,SOH)是数据中心阀控式铅酸电池(valueregulatedleadacid,VRLA)容量及安全管理的关键指标,而常用的SOH测量方法因检测过程放电时间长、深度大无法满足运营需求,因此对数据中心VRLA电池的健康状态估计研究是非常必要的.针对SOH数据驱动建模存在的估计精度低的问题,提出一种基于时空注意力(spatio-temporalattention,STA)和长短期记忆(longshorttermmemory,LSTM)网络的STA-LSTM深度学习模型.该模型用时空注意力机制在输入数据的特征和时间步上分配注意力权重从而生成新的输入,使用LSTM网络对新的输入进行编码以及实现SOH估计输出.基于电池放电深度50％的数据建模应用结果表明,STA-LSTM模型取得最优估计精度,注意力机制的引入提升黑箱模型的收敛速度、估计精度及物理可解释性.
作者：陈志鹏 左信 宋东力 Author：CHENZhipeng ZUOXin SONGDongli
作者单位：中国石油大学(北京)信息科学与工程学院自动化系,北京102249长安通信科技有限责任公司,北京100029
刊名：电源技术 ISTICPKU
Journal：ChineseJournalofPowerSources
年，卷(期)：2023, 47(2)
分类号：TM912
关键词：时空注意力 长短时记忆 SOH估计 VRLA电池
机标分类号：TM912TN701TP391
在线出版日期：2023年3月30日
基金项目：基于深度学习的数据中心VRLA电池健康状态估计[
期刊论文] 电源技术--2023, 47(2)陈志鹏 左信 宋东力健康状态(stateofhealth,SOH)是数据中心阀控式铅酸电池(valueregulatedleadacid,VRLA)容量及安全管理的关键指标,而常用的SOH测量方法因检测过程放电时间长、深度大无法满足运营需求,因此对数据中心VRLA电池的健康...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于深度学习的数据中心VRLA电池健康状态估计 SOH estimation of VRLA battery in data center based on deep learning
基于深度学习的数据中心VRLA电池健康状态估计.pdf
- 文件大小:
- 3.12 MB
- 下载次数:
- 60
-
高速下载
|
|
