锂离子电池凭借清洁、稳定等独特优势已经被广泛应用于了各个领域,同时对锂电池的预测和健康管理也成为必要性工作。随着充放电过程的进行,锂离子电池的性能不断地退化,剩余使用寿命(Remaining Useful Life,RUL)不断缩短。因此,预测锂电池的RUL成为了评估健康状态的重要方法。目前已有的锂电池RUL的预测方法包括基于模型的方法和数据驱动的方法。基于模型的方法往往需要对锂电池的性能退化过程有详细的了解以建立退化模型,而建立的模型通常较为复杂且泛化性能有限。数据驱动的方法则通过历史数据来进行RUL预测,而不需要对具体退化过程有深入的了解。本文从数据驱动的预测方法出发,根据电池运行过程的历史数据通过以深度学习为核心的方法对锂电池的RUL预测进行研究,主要的研究工作如下:首先,提出了一种基于长短时记忆(Long-Short Term Memory,LSTM)结构的神经网络模型对锂电池的容量序列进行预测以实现RUL的预测。通过LSTM结构拟合锂电池容量的退化趋势,提取容量序列中体现的退化特性,对未来容量变化做出预测以确定RUL的终止周期。实验结果证明了预测模型在容量序列预测中的有效性,为之后研究内容提供了模型基础。其次,通过Dropout在神经网络结构中的应用建立了RUL预测的概率分布模型。介绍了Dropout通常意义上作为一种避免过拟合的手段加入到神经网络结构中之外,作为近似贝叶斯神经网络的方法描述模型不确定性的作用。并通过蒙特卡罗Dropout方法建立了RUL预测的近似概率分布模型。最后,在单序列容量预测基础上,提出了基于相似序列的多序列预测方法。由于同种电池的性能退化过程具有很高的相似性,在预测模型中加入了待测序列的相似序列辅助预测。实验表明,基于相似序列的预测提升了预测模型预测的稳定性和对突变现象的反应能力。
随着现实世界中不确定现象的频繁出现,不确定性问题已成为自然和社会科学研究的焦点。空间O-D流是一类具有起点(Origin,O)和终点(Destination,D)的空间相互作用现象的统称,包括有形的人口通勤流、商品流、资金流以及无形的信息流等。空间O-D流的影响因素复杂多样,既包括经济、社会、政治、文化等因素,也取决于自然生态环境的制约。不同变量的选择、不同空间结构的定义、不同模型结构的选择等,使得空间O-D流的建模过程存在着很多不确定性。融合不确定性和先验知识表达的贝叶斯统计学在地理学、区域科学以及其他自然和社会科学等领域受到了广泛青睐。贝叶斯模型平均方法(Bayesian Model Averaging,BMA)在贝叶斯理论的基础上,利用先验知识设定先验分布,然后根据观测数据不断地更新先验,最后计算模型后验概率作为模型平均的权重,为空间O-D模型的选择和优化奠定了理论基础。本文围绕空间O-D模型优化,以我国2010-2015年间省际人口迁移数据为研究对象,采用BMA和马尔可夫链-蒙特卡罗模型组合(Markov Chain Monte Carlo Model Composition,MCMCMC或MC3)方法,对空间O-D模型构建过程中关于空间结构定义、解释变量选择以及模型结构选择等方面可能存在的不确定性问题,分别进行了探讨并给出各自的优化策略,并在此基础上进行了综合优化。首先介绍了空间O-D模型的三种主要结构:空间自回归模型(Spatial Autoregressive Model,SAR)、空间误差模型(Spatial Error Model,SEM)和空间杜宾模型(Spatial Durbin Model,SDM),以及这些模型在不同约束条件下的表达形式,包括包含迁出地或目的地空间依赖的双约束模型、同时包含迁出地和目的地空间依赖的单约束模型、以及同时包含迁出地、目的地和迁移流空间依赖的无约束模型。然后利用贝叶斯模型平均方法分别给出了空间权重矩阵、解释变量或模型结构等方面各自的不确定性优化方案,并综合这三种不确定性因素设计了综合优化方法,最后从抽样结果、系数估计和效应估计等角度对2010-2015年间中国省际人口迁移空间O-D模型优化结果进行了比较分析。主要结论如下:(1)在不同约束条件下的空间O-D模型中,同时包含迁出地、目的地以及迁移流空间依赖的无约束模型的拟合效果更好。以SAR模型为例,比较双约束、单约束和无约束模型的对数似然值和R2,结果均表明无约束模型的拟合效果更好,其次是双约束模型,最后是单约束模型。(2)在空间权重矩阵的优化过程中,不同约束条件和模型结构的空间O-D模型对空间邻接结构的敏感程度不同。例如,对于仅包含目的地依赖的SAR模型,9-最近邻、7-最近邻和5-最近邻空间权重矩阵对应的模型后验概率较大;对于相同约束的SEM模型,8-最近邻空间权重矩阵对应的模型后验概率最大,并且占主导地位。(3)在空间O-D模型结构优化过程,不同约束条件下的模型后验概率相对大小不完全一致。总的来说,无论是双约束还是无约束模型,SDM模型的主导性地位比较突出。(4)不同方面的模型优化过程中,同一变量的效应估计在大小、符号、显著性和置信区间等方面存在差异。例如,在权重矩阵和模型结构优化中,人口的目的地效应是显著的,但在解释变量优化和综合优化中并不显著。城镇居民年平均工资的目的地效应在三个方面单独优化过程中均是正值,但在综合优化过程中是负值。相对其他情形下的优化,综合优化得到的效应估计的置信区间范围较小。(5)综合优化结果表明:目的地效应中,GDP的促进作用较为突出且数值最大,其次是在校大学生数、城镇居民年平均工资、农村家庭人均年收入;迁出地效应中,人口的促进作用最大,其次是城镇居民年平均工资和GDP;网络效应中,在校大学生数、农村家庭人均年收入、气温指数和城镇居民年平均工资的影响较大。总体效应的数值大小来看,人口的总体效应最大,其次是在校大学生数、气温指数、农村家庭人均年收入。
暂无评论