排序方式: 共有6条查询结果,搜索用时 31 毫秒
1
1.
老化导致的电池组性能衰退与电池组电荷吞吐能力密切相关,对电池组性能衰退参数的快速精确辨识对提高电池组的服役寿命预测有效性至关重要。然而,既有的电池组性能衰退参数辨识方法仍然存在对大种群规模和高迭代次数的显著依赖,不利于提高电池组性能衰退模型的在线辨识更新适用性。针对此,本文提出了一种基于自适应协同引导的电池组性能衰退参数辨识方法。该方法首先基于自适应协同策略,综合考虑种群差异度和种群适应度的折中,实现种群个体对参数搜索空间的初期全局分布;在此基础上,基于精英引导策略,使种群中的个体在全局精英个体周围局部搜索,实现后期快速收敛至全局最优解。基于实测数据验证的统计结果表明,本文提出方法针对半经验容量衰退模型和内阻增量模型,在小种群规模下的参数辨识效率和精度均得到显著提升,分别在0.6 s和1.1 s内达到0.237%和0.37%的适应度终值,相对于蚁狮算法在辨识效率提高81.35%的同时适应度均值降低了3.8%,相对于灰狼算法在辨识效率提高17.14%的同时最终适应度均值降低了22.11%。 相似文献
2.
在使用神经网络方法估计锂电池荷电状态时,传统荷电状态适应度评价函数存在仅考虑均方误差等网络权值参数的缺点,忽略了拓扑参数对模型的影响.故本文提出在适应度评价函数设计中综合考虑输入/输出时序相关性、隐层神经元数量等模型拓扑参数和网络权值参数的加权影响,并将其引入带外部输入非线性自回归神经网络建模方法的锂电池荷电状态估计中,进而基于改进天牛须搜索算法实现了上述模型拓扑参数与网络权值参数的协同辨识优化.仿真结果表明,本文所提出方法能够提高多种复杂工况下的锂电池荷电状态估计精度,在DST标准工况和WLTC标准工况下锂电池荷电状态的均方根误差分别达到3.38×10?3和8.75×10?4,相比于未经改进的天牛须搜索算法优化NARX神经网络在均方根误差上估计精度分别提升了42.4%和20.5%. 相似文献
3.
4.
短路故障是储能电池组典型故障之一,尤其初期短路故障不易被检测。为避免初期短路故障对储能电池组运行安全的不利影响,提出一种基于交错量测拓扑的储能电池组初期短路故障检测和定位方法。首先,将基于滑动窗口采样所得数据集进行归一化处理,并通过对数据集进行统计分析得到基于特征分解的故障检测指标;然后,进一步理论推导故障检测阈值同故障可检测幅值之间的量化关联;最后通过评估异常特征贡献度确定故障位置。经电池组仿真和故障模拟验证,当单电池发生初期短路时,能够在6.4 s内完成对0.5 C等效短路电流下的初期短路故障的准确检测定位,表明了所提方法的有效性。 相似文献
5.
6.
张涛,1996年12月从江苏省金坛市河头镇入伍,2000年7月入党,2004年12月转为三级士官,2002年8月因工作需要从青田消防大队调到遂昌消防大队担任执勤车驾驶员,兼大队车管驾驶员,负责大队车辆的管理工作。在部队服役期间,张涛多次受到上级的表彰,先后荣立三等功2次;1998年被省消防总队评为“优秀团员”,被丽水市消防支队评为“优秀士兵”;1999年和2003年两次被评为“红旗车驾驶员”;2003年和2004年连续两次被评为“优秀共产党员”;2003年被总队评为“优秀士官”,2004年被支队评为“岗位练兵能手”。 相似文献
1