锂离子电池剩余寿命间接预测方法

针对锂离子电池在线剩余寿命预测时容量难以直接测量以及预测表达的不确定性等问题,提出一种利用锂离子电池充放电监测参数构建剩余寿命预测健康因子的方法框架,实现了锂电池健康状态的表征,同时利用高斯过程回归(Gaussian process regression,GPR)方法给出剩余寿命预测的不确定性区间,从而构建了锂离子电池在线剩余寿命预测的方法体系。基于NASA锂离子电池数据集和卫星锂离子试验数据的剩余寿命预测验证和评估实验,表明本文提出的方法框架可以很好地支撑电池在线剩余寿命预测的应用,具备较好的电池剩余寿命预测精度和不确定性管理能力。     

锂离子电池剩余寿命间接预测方法简

针对锂离子电池在线剩余寿命预测时容量难以直接测量以及预测表达的不确定性等问题,提出一种利用锂离子电池充放电监测参数构建剩余寿命预测健康因子的方法框架,实现了锂电池健康状态的表征,同时利用高斯过程回归（Gaussian process regression,GPR）方法给出剩余寿命预测的不确定性区间,从而构建了锂离子电池在线剩余寿命预测的方法体系。基于NASA锂离子电池数据集和卫星锂离子试验数据的剩余寿命预测验证和评估实验,表明本文提出的方法框架可以很好地支撑电池在线剩余寿命预测的应用,具备较好的电池剩余寿命预测精度和不确定性管理能力。     

基于电化学模型的锂离子电池健康状态估算

针对电动汽车锂离子电池健康状态在线估算问题,提出了一种基于伪二维模型参数的估算方法. 该方法通过拆解同类估算目标电池,以扫描电镜测量电池结构参数,利用遗传算法辨识其他未知电化学模型参数,建立一种新的基于化学计量比的电池正极容量计算法则,估算电池健康状态. 同时考虑老化对电池正极化学计量比的影响,进一步提高健康状态估算精度. 采用电池老化数据集验证该方法的有效性,结果表明所提出的估算方法能在短时动态工况下实现电池健康状态的准确在线估算.      

锂离子电池的多状态模型剩余寿命预测方法

针对锂离子电池的容量恢复现象导致的剩余寿命预测精度不高的问题,提出了一种锂离子电池的多状态模型剩余寿命预测方法.首先通过分析锂电池的衰退数据将锂离子电池的退化过程分为正常退化、容量恢复和加速退化三种状态,然后分别对三种状态的退化过程进行建模并验证了模型的有效性,将3种状态的模型组合得到锂离子电池多状态容量衰退模型.然后基于建立的模型提出了粒子群优化粒子滤波算法,用于多状态容量衰退模型进行参数识别和状态更新.最后实现了锂离子电池的剩余寿命预测和预测结果的不确定性表达.与其他方法相比,实验结果表明:所提出方法精度更高,鲁棒性更强.     

基于证据推理规则CS-SVR模型的锂离子电池SOH估算

锂离子电池健康状态(SOH)的准确性影响电池的安全性和使用寿命.针对锂离子电池SOH估算问题,提出一种基于证据推理(ER)规则的布谷鸟搜索支持向量回归(CS-SVR)的SOH估算模型,并利用NASA Ames研究中心的锂离子电池数据集进行SOH估算试验.该方法以电池放电循环的平均放电电压和平均放电温度为模型输入,利用E...     

基于置信规则库和差分进化的设备寿命评估方法

介绍了置信规则库转换(BRB-transformation,BRB-T)模型以及运用置信规则库(belief rule base,BRB)推理进行寿命评估的过程.针对当前的置信规则库学习方法还存在依赖初始解、规则条数偏多、系统结构复杂的问题,结合装备贮存寿命评估的BRB-T模型,提出了基于差分进化算法(DE)对该模型的BRB参数进行学习的优化方法.最后,通过某航天设备的失效数据进行了验证.结果表明,该优化方法能够有效地对模型的BRB参数进行优化;并且优化后的模型可以准确地对产品的寿命进行评估.     

基于CNN-Transformer的锂离子电池健康状态估计

目的 健康状态是评估锂离子电池状态的关键参数,对锂离子电池的安全使用有着十分重要的意义,为了获得准确可靠的健康状态估计结果,建立基于卷积神经网络和Transformer的锂离子电池健康状态估计方法,利用不同模型的数据挖掘特性,将健康指标的深层信息和随循环周期增加的时序信息并行提取。方法 从锂离子电池放电过程中的部分电压和温度曲线中提取3个与健康状态相关性较强的健康指标作为模型输入,利用卷积神经网络强大的特征提取能力挖掘健康指标的局部特征,利用Transformer的顺序处理能力挖掘健康指标的时序特征,将健康指标的局部特征和时序特征进行特征融合,通过卷积和全局平均池化层输出健康状态估计值。结果 本研究使用MIT数据集进行实验验证,并与卷积神经网络和长短时记忆神经网络进行对比分析,所提出的方法的均方根误差和平均绝对误差是最低的,为0.11和0.08,最小相对误差为0.61%。结论 所提出的CNN-Transformer健康状态估计采用不同模型挖掘健康指标不同的特征信息,能够充分利用锂离子电池放电数据,且具有良好的估计效果。     

锂离子电池健康状态多因子在线估计方法

针对传统的锂离子电池健康状态估计方法仅用电池欧姆内阻作为单因子评估指标时存在较大误差的问题,提出了一种利用电池欧姆内阻、极化内阻与极化电容共3个模型参数构建的多因子评估模型。选用一阶RC等效电路模型作为基础电路模型,并通过仿真实验验证了所选择电路模型的准确性。对同一型号的多组三元锂离子电池进行循环老化实验,得到离线辨识的模型参数,发现等效电路模型中的欧姆内阻、极化内阻、极化电容与健康状态存在确定的关系。通过带约束的最小二乘算法求解对应模型参数的权重,并以卡尔曼滤波算法在线辨识模型参数,实时获得基于多因子模型的综合电池健康状态。将所提方法与仅用欧姆内阻评估的方法进行了对比,结果表明:所提方法评估锂离子电池真实健康状态的误差变化范围较小,基本在1%左右,精度更高。     

基于差分进化算法的置信规则库推理的分类方法

现有基于置信规则库参数学习的分类系统存在着一些问题,如分类准确度受模糊子区间划分数量约束,成非严格正相关关系;参数学习方法需人为给定规则数量;推理过程未体现特征与分类结果关联度等.为解决这些问题,提出基于差分进化算法的置信规则库推理的分类方法,该方法包括置信规则库分类系统构建及参数训练.首先引入置信规则库分类系统构建策略确定规则数;然后使用置信推理方法作为分类查询推理机;最后结合差分进化算法建立训练模型.在实验分析中,首先通过与现有分类方法进行对比,验证该方法的有效性;再通过对比不同区间划分数的置信规则库分类系统,说明参数训练的合理性.实验结果表明,该方法合理有效.     

析取置信规则库系统参数优化的深度神经网络模型

基于深度学习的置信规则库系统在参数优化方面存在可移植性差、应用效率低等问题,为此,将深度神经网络与析取置信规则库结合,有效减少模型的规则和参数的数量;引入梯度下降算法优化模型参数,提高模型构建和优化的效率. 通过非线性函数拟合、北京市空气质量污染预测和多个UCI公共分类数据集的实验,对提出的方法进行验证,并将实验结果与现有的置信规则库系统和传统的机器学习方法进行对比. 结果表明,所提出的方法比传统的方法具有更高的推理精度和更快的训练速度.     

析取置信规则库系统参数优化的深度神经网络模型

基于深度学习的置信规则库系统（BRB-DL）比传统的置信规则库系统（BRB）具有更好的推理精度和适用性。然而,现有的BRB-DL在参数优化方面存在可移植性不足、应用效率低等局限性。鉴于此,本文将深度神经网络与析取置信规则库结合,有效减少了模型的规则和参数的数量,并引入梯度下降算法优化模型参数,提高了模型构建和优化的效率。最后,通过非线性函数的拟合,北京市空气质量污染预测和多个UCI公共分类数据集的实验对本文提出的方法进行验证,并将实验结果与现有的置信规则库系统和传统的机器学习方法进行了对比。结果表明,本文提出的方法比传统的方法具有更高的推理精度和更快的训练速度。     

电动汽车锂离子电池管理系统的关键技术

 锂离子电池具有能量密度高、功率密度高、寿命长、环保等特点,已经在电动汽车中获得应用。但电动汽车锂离子电池组的容量大、串并联节数多、安全工作区域有限,需要电池管理系统对其进行有效控制与管理,以充分保证电池的安全性、耐久性和动力性。电池管理系统由各种传感器、执行器、控制器等构成,其关键技术包括:传感器的精度及传感器之间的同步技术、电池单体及电池组的状态(荷电状态、健康状态、功能状态、能量状态、安全状态等)估计技术、电池组一致性辨识与均衡技术、安全充电和故障诊断技术。为了研发先进的电池管理系统,首先要对锂离子电池性能进行测试研究,确定影响其性能的主要因素及变化规律;然后采用基于机理、半经验或经验的建模方法建立电池系统模型,设计基于模型的电池系统状态估计及性能优化管理算法,并进行系统集成和应用开发,以保证在电池安全可靠运行的前提下发挥出最佳的动力性能。     

改进灰狼优化最小二乘支持向量机的锂电池剩余寿命预测

针对锂电池剩余寿命预测的直接健康因子难以测量以及预测精度不高等问题，提出一种改进灰狼优化最小二乘支持向量机（improved gray wolf optimization least-squares support vector machine, IGWO-LSSVM）的锂电池剩余寿命间接预测方法。该方法从电池放电特性曲线中获取3种表征电池性能退化的间接健康因子，通过引入tent混沌映射、收敛因子非线性递减与莱维飞行策略对灰狼算法加以改进，并结合LS-SVM模型，形成了具有全局优化的改进灰狼优化最小二乘支持向量机的锂电池寿命预测模型。最后利用NASA数据集对文中提出的方法进行了验证，并将实验结果与GWO-LSSVM、PSO-ELM和BP神经网络算法进行了对比分析，试验结果表明文中所提出的改进算法具有更好的预测性能。     

车用锂离子电池荷电状态参数辨识的建模仿真

为得到较为准确的电池荷电状态（SOC）参数,以厦门理工学院纯电动赛车用锂离子电池作为研究案例,采用二阶RC等效电路模型对锂离子电池进行HPPC充放电试验;然后,将实验数据导入Matlab的参数估计模块后,对电池荷电状态性能参数进行辨识。在Matlab的Simscape模块中建立锂离子电池的仿真模型,将仿真结果与实验结果进行比较,利用拟合工具箱对比不同阶次下RC等效电路模型的拟合精度。结果表明,锂离子电池的电压在放电脉冲开始及结束阶段时偏差较大,静置阶段则趋于平稳,二阶RC等效电路模型能够较为简便地反应锂离子电池的工作特性,且具有较好的拟合精度。锂离子电池仿真模型与实验测试的误差在2%以内,验证了所建立的仿真模型的可行性。     

电动汽车锂离子电池组内散热特性数值模拟研究

锂离子电池组涉及数据规模庞大,传统方法无法有效实现对其散热特性的研究,为此,提出一种新的通过数值模拟方式研究电动汽车锂离子电池组内散热特性的方法。介绍了锂离子电池组工作原理,分析了锂离子电池的充放电过程。通过雷诺平均法进行雷诺时均处理,获取电动汽车锂离子电池组内散热控制方程和湍流方程。介绍了初始和边界条件,通过CFD实现控制方程的求解。依次进行了锂离子电池表面散热特性数值模拟、不同风孔大小下电池组散热特性数值模拟、不同倍率充放电后电池组散热特性数值模拟以及不同环境温度下电池散热特性数值模拟。实验结果表明,锂离子电池中心垂直截面和上下壁面的温度分布均为中心最高,壁面较低,壁面温度梯度大,热量散失速度快;在风孔大小和出口大小相近,充放电倍率为1C时,电动汽车锂离子电池组内散热性最佳;环境温度越低,电池温度升高幅度越大,散热性能越好。     

基于规则的数据校验在数据库应用系统中的实现

本文给出了一种规则库的概念来扩充数据库应用系统的校验的功能,使系统能够对规则进行动态读取和分析,并根据分析结果对输入数据进行动态校验.本文介绍了数据库报表系统中的校验模型,并运用一种规则库执行流图REBF描述了规则库图模型,之后论述了该系统中具体的规则库的建立及规则表结构,并通过对推理过程的不确定性的分析,证明了规则的有效性,最后给出了基于规则的动态分析及推理过程.     

锂离子电池工作的数学模型及特征概述

通过分析锂离子电池的数学模型,寻找变量之间的逻辑关系,总结出了锂离子电池的特性,实现了对锂离子电池系统规律的揭示与把握,有助于优化锂离子电池的生产与发展．     

智能终端续航技术发展趋势

 锂离子电池材料技术发展缓慢，导致商用化锂离子电池能量密度的提升难度较大。移动互联网时代的到来，使得智能终端设备的外形向超薄、超轻的便携式发展，为智能终端电池容量和设备续航带来了挑战。为了研究移动智能设备的续航能力，针对智能终端设备所广泛采用的锂离子电池技术，分析了锂离子电池中各个部分的技术情况；通过对智能手机设备的功耗分布和各硬件要素的技术迭代研究，分析了未来智能终端整机的功耗趋势和空间设计趋势。分析表明，智能终端设备显示屏的功耗占整机功耗的主要部分，采用像素渲染技术可以有效降低显示屏模组的逻辑功耗和背光功耗，同时整机印制电路板（PCB）上硬件元素的不断集成，PCB走线工艺能力越来越精细化为电池的体积留出更多的空间。智能终端产品中的多种硬件元素协同优化，可以有效实现可靠的续航能力。