基于贝叶斯次优解的锂电池SOC初值追踪研究

在使用循环算法的剩余电量(state of charge,SOC)估算的理论研究中,通常都是设定已知的初始值,无法完全论证算法的各项性能指标.在研究剩余电量估算问题时,则重点针对不确定的初始赋值,使用一种贝叶斯次优解法——粒子滤波(PF),基于SOC动态观测模型,研究其收敛到真值的情况,并辅以MATLAB仿真实验.结果显示在非平台期PF可快速追踪初值,而在平台区由于自身算法的缺陷,无法追踪初值,应根据此区域的电压特性,更换为另一种次优解算法.论证了在解决锂电池初值追踪问题上,两种次优解算法的结合使用可以得到理想结果.     

EDA技术的发展

介绍了在现代电子技术领域中倍受国内外学者关注的主流技术———EDA技术,重点概括了EDA技术的发展、EDA技术的应用范畴、EDA技术的方法学,并对国内EDA技术面临的问题及发展方向作了分析探讨.     

一种新型快速全数字锁相环的研究

提出了一种具有自动变模控制的快速全数字锁相环。该系统利用鉴相器的输出信号进行快捕区、慢捕区和锁定区的切换，并通过对数字环路滤波器的模数进行自动调节，来实现对环路带宽的实时控制。它能够有效地克服环路捕捉时间与抗噪声性能的矛盾。具有同步建立时间短、抗干扰能力强、静态相差小和易于集成等特点。该文介绍了该锁相环的原理和实现，并对其性能进行了分析和计算机仿真。     

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．     

EIS过程阻力与铅酸电池荷电量

电化学阻抗谱是研究电池的重要技术之一,但被解谱模型不一致限制了独立应用．研究表明：可以用传输线模型中串联电阻和电容的比值（Ri/Ci）表征过程阻力特征,并与电池荷电量（SOC％）有单调关系．借助文献中铅酸电池EIS数据进行了验证,表明尺忍的对数与SOC％有直线关系,且当SOC％从0变化到100时,Ri/Ci变化5-100倍,具有较高的灵敏度．最后探讨了溶液电阻在电池过程阻力中的重要作用．     

遗传径向基函数神经网络估计纯电动汽车锂电池的荷电状态

考虑到串联的锂电池是复杂的非线性系统,并且径向基函数神经网络(RBF NN)对于解决非线性问题有较好的特性,建立了锂电池SOC估计的RBF NN模型,并提出了一种基于遗传RBF NN的电动汽车锂电池SOC估计的方法. 利用在2010年上海世博园区中运营的纯电动汽车锂电池数据对遗传RBF NN进行训练和SOC估计的实验. 实验结果表明,SOC估计的均方根误差为0.0024,提高了估计的精度.     

基于偏最小二乘法的土壤有机碳高光谱预测研究

对86个土壤样品高光谱数据进行平滑去噪、一阶微分变换以及多元散射校正处理,在此基础上,建立土壤有机碳含量的偏最小二乘法(PLS)反演模型.结果表明,获得的五种PLS模型均具有较高的模型精度.其中,主成份个数为10时,R+MSC的PLS模型效果最好.校正模型的决定系数R2=0.95,校正均方根误差RMSEC=0.95.验证模型的决定系数R2=0.78,预测均方根误差RMSEP=2.03.利用PLS模型对预测集进行预测,实测值与预测值的决定系数R2=0.83,预测均方根误差RMSEP=1.71,预测标准差SEP=1.73.PLS模型可以对土壤有机碳含量进行预测.     

基于遗传算法的分割可测试设计

基于遗传算法,建立了片上系统芯片(SOC)的图模型,对逻辑级的SOC结构进行精确量化;然后,对模型应用遗传算法进行分析,得到了电路的理想分割结果;最后,基于分割结果,实现一颗SOC的可测试设计(DFT).实验结果表明,在分割的均匀度与附加电路代价方面,该方法相比原有的DFT方法有显著的改进.     

锂离子电池荷电状态的在线融合估计方法

为提高安时积分法对荷电状态估计的精度,解决其估计误差随时间不断增大的问题,采用极限学习机算法建立了安时积分法的误差预测模型,该模型以电池工作电流作为输入,对应的安时积分法荷电状态估计误差作为输出,将误差预测模型与安时积分法进行融合,对安时积分法的荷电状态估计值进行校正,形成了安时积分法和极限学习机方法融合的锂离子电池荷电状态在线估计方法.仿真分析结果表明,相比安时积分法,融合方法可有效减小荷电状态估计误差,克服安时积分法估计误差随时间不断增大的问题.     

基于采样数据的大规模储能系统一致性控制

针对大规模储能系统中储能电池的荷电状态(SOC)不一致问题,提出了一种储能多智能体系统一致性控制方法,实现了SOC和输出功率的一致性.该方法应用简化的大规模储能系统模型,基于采样数据进行了一致性控制协议设计,并进行了收敛性分析.从而使本地储能单元智能体仅在特定采样时间点接收邻接储能单元智能体的状态信息,就能够产生本地储能单元控制信号,解决了大规模储能多智能体系统因通讯复杂而带来的计算量过大的问题.考虑了采样数据和系统需求,进行了系统控制参数设计.同时,对瞬时功率过大的问题,进行了带功率限制的一致性控制改进.最后,在满足定理条件、不满足定理条件和功率限制等三种场景下进行了仿真,验证了该方法的有效性.