【摘 要】
：
动力电池作为新能源汽车的核心部件,长期在新能源汽车研究领域占据主导地位,对其有效监管和应用是该领域发展的关键技术问题。动力电池的荷电状态（State of Charge,SOC）与健康状态（State of Health,SOH）则是对其实施有效监管的重要依据。其中,SOC反映电池的剩余电量,SOH反映电池的老化程度,准确估计两者在保障动力电池的安全、稳定、经济运行等方面具有重要意义。本文从一般意
论文部分内容阅读
动力电池作为新能源汽车的核心部件,长期在新能源汽车研究领域占据主导地位,对其有效监管和应用是该领域发展的关键技术问题。动力电池的荷电状态（State of Charge,SOC）与健康状态（State of Health,SOH）则是对其实施有效监管的重要依据。其中,SOC反映电池的剩余电量,SOH反映电池的老化程度,准确估计两者在保障动力电池的安全、稳定、经济运行等方面具有重要意义。本文从一般意义上将动力电池SOC/SOH估计问题转化为序列到序列的学习问题,基于序列学习研究动力电池SOC/SOH的相关估计方法,其主要研究内容如下。（1）鉴于序列学习的数据驱动特点,以广泛应用的锂离子动力电池为研究对象,对本文研究所涉两类锂离子动力电池基准数据集进行专门的预处理,选取能有效表征电池状态的特性数据序列作为后续估计模型的输入。对用于SOC估计的数据集采用瑕疵数据剔除和标准化处理,对用于SOH估计的数据集除前述处理外另引入数据增强以及均值化处理。合理划分预处理后的基准数据集为训练集、验证集和测试集,并引入模型评估所涉指标。（2）针对估计动力电池SOC/SOH所涉相关电化学特性时间维度上的长距离依赖问题,引入双向学习策略,有效表征动力电池内部的动瞬态特性,构建基于双向循环神经网络的动力电池SOC/SOH估计模型。基于前述相关基准数据集对所建模型进行训练、验证与测试,并与现有估计模型中常用的单向循环神经网络模型对比。系列实验结果表明,所建模型的估计精度良好且响应速度较快,适用于大规模退役动力电池梯次利用中的快速筛选场景。（3）为进一步提升SOC/SOH估计精度,本文引入序列学习中新近发展出的Transformer模型,构建更高性能的动力电池SOC/SOH估计模型。首先对电池特性数据序列进行维度嵌入与位置编码,以此作为Transformer模型的有效输入;进而基于Transformer分别构建动力电池SOC/SOH估计模型。通过数据集间隔采样处理对估计模型进行训练、验证与测试,并与前文构建的双向循环神经网络模型对比。系列实证分析表明,Transformer估计模型性能更加优异,为高精度估计动力电池SOC/SOH提供了可行新途径,适用于现役动力电池的状态监测,避免动力电池退役误判而造成资源浪费。本文所建两类动力电池SOC/SOH估计模型相辅相成,估计性能良好而适用于不同应用场景。现研究主要基于数据驱动学习建模,与电池模型驱动相结合的双驱动模式具有进一步提升动力电池SOC/SOH估计性能的潜力,是未来具有重要价值的研究方向。
其他文献
随着工业化的发展和人民生活水平的提高,更多的人选择开车出行,与此同时也造成了堵车的现象,甚至还给道路和行人造成了很大的安全隐患,每年都因此造成大量的安全事故。车辆的检测识别测距作为车载系统中主要的辅助驾驶方式帮助驾驶员更好的驾驶车辆,同时有效的降低交通死亡事件发生的可能性。传统的车辆跟踪和测距系统大多使用了成本高昂的激光雷达等传感器设备,并且应对目标较小等不可控情况时表现不佳,本文针对以上场景实现
随着智能电网建设的大力发展,电力行业已经逐渐迈向数字化信息化。传统的智能电网云数据中心难以满足电力行业中的各项要求,不足以全面支撑智能电网行业的数字化转型。边缘计算（Edge Computing,EC）作为未来5G网络的关键技术,将业务逐渐下沉到网络边缘,极大的减少了处理任务产生的时延与能耗,并且边缘计算可为智能电网设备提供任务迁移平台,进行计算与存储服务。任务迁移技术在智能电网中可将终端设备收集
受中巴经济走廊（CPEC）的影响,巴基斯坦经济社会的快速发展,农村公路建设的快速发展,公路养护任务的比重越来越大,管理者对公路养护任务的重视程度越来越高。养护成本控制是在确定较好合理养护成本的前提下保证公路使用性能的最重要方面之一。本文主要以中国农村公路养护项目为例,研究如何实施中国模式来指导巴基斯坦农村公路日常养护成本管控措施。首先,巴基斯坦农村公路养护现状进行了调研分析;其次,研究了影响农村公
随着科学技术的发展,为了实现在输电线路带电的情况下完成检修工作,使用机械臂来完成相关的任务已屡见不鲜。机械臂系统是一类高度非线性、强耦合且具有明显时变性的典型动力学系统。关于机械臂系统的动力学精确建模非常困难,因此设计一种具有相当适应性且在机械臂轨迹跟踪问题上容易使用的控制算法,对于机械臂能否实现对期望轨迹的实时跟踪,具有非常重要的研究意义和实用价值。迭代学习控制在数学意义上,是一种可以严格定义的
基于大数据的复杂系统异常检测是电气工程领域的重点研究课题。目前,我国高速公路是全球最为繁忙的交通系统之一,2019年底完成全国大规模部署和联网的电子不停车收费（Electronic Toll Collection,ETC）系统是全球最大规模的物联网系统。海量的ETC交易数据记录了高速公路上几乎全部车辆的通行状态,通过ETC交易数据的挖掘分析实现高速公路拥堵检测,不仅对提高高速公路的管理水平和通行效
随着智能电网的不断升级,我国对配电网供电质量和供电可靠性提出了更高的要求,即:在配电网发生故障时,能够及时、准确地定位故障位置,从而减少经济损失。可见,高效可靠的故障定位技术在配电网安全运行中占有极为重要的地位。目前,基于FTU的配电网故障定位技术主要有直接法和间接法,其中采用智能优化算法的间接法以其通用、高容错、鲁棒性强等优点成为近年来解决该类问题的研究热点。然而由于这类方法中所采用的智能算法本
粒子群优化算法（Particle Swarm Optimization,PSO）是受鸟群觅食行为的启发,提出的一种群体优化算法。自粒子群算法提出以来,因其易于实现和计算效率高等优势,广泛应用于实际问题中。近年来,强化学习研究取得了进展,将强化学习融合到粒子群算法,成为一种新的思想方法,然而目前策略还是比较单一,其参数选择偏主观性。Q学习是强化学习的重要方法之一,本文研究一种融合Q学习的粒子群算法,
基于深度学习的情感分类方法首先是对文本进行特征提取,再利用深度学习模型分类。深度学习领域现有许多关键性模型,迁移学习模型是其中之一。现有迁移学习模型的训练方法为无监督学习,需依赖后续任务补全推理和决策环节来做判断,但其缺乏目标领域知识用于推理和决策。同时,目前深度学习模型鲁棒性不足,在文本被恶意添加扰动或修改等攻击手段时,会致使模型给出错误的判断,基于深度学习模型的对抗训练优化方法可以使模型抵御对
不同智能交通系统的数据具有多源、高度异构的特征,导致系统间的交互与共享受阻。而交通领域本体作为语义技术的核心,其提供了一种知识表示的方法,它通过形式化定义交通领域中的相关概念以及这些概念之间的关系来描述领域知识,为智能交通系统间的协作提供有效的数据和知识的表示、管理和共享技术手段。然而,不同交通领域本体也存在高度异质的问题,为了促进智能交通系统应用间的交互与协作,需要进行交通领域本体匹配过程来确定
近年来,电力行业发展迅速,电网规模越来越大,结构越来越复杂,进而导致系统中无功功率不足且分布不合理,引起有功网络损耗增大、电能质量下降等问题。因此,为保证电力系统的电压水平,降低线路及设备中的有功损耗,满足用户侧与输电侧的需求,对电力系统进行无功优化是重要的解决途径之一。然而,由于传统优化方法对数学模型依赖性较高,无法满足优化问题的需求,因此本研究使用群智能优化算法来解决无功优化问题,以保证电力系