基于多参量的动力电池剩余使用价值定义与评价方法

锂离子电池广泛应用于电动汽车和储能等领域,准确的价值评估对于电动汽车及储能系统的长期稳定运行至关重要。传统基于单参量的价值评估方法未考虑参数间复杂的耦合关系,既不准确也不客观。为此,提出了一种基于多参量的动力电池剩余使用价值(Remaining useful value, RUV)定义与评价方法。所提方法考虑了影响电池性能的关键指标,如健康状态(State of health, SOH)、剩余寿命(Remaining useful life, RUL)、容量衰减率等,采用熵权法对各指标进行客观赋权。通过最大最小法计算各评价指标得分,从而综合定义并评估电池的剩余使用价值。通过在MIT数据集验证可知,所提方法能够合理有效地评估电池价值,计算方法简单,鲁棒性强。所提方法能够为电池剩余使用价值的综合评估提供新思路,有助于电池管理及合理回收利用。     

VLIW结构处理器执行部件的设计与实现

本文介绍了一种超长指令字（VLIW）结构的处理器执行部件（ALU）的结构和实现，并对其中一些优化设计的技术进行了讨论，这些技术主要包括共享端口减少模块的输入输出端口数，平均分配各级流水线负担以提高主频，相似操作集中以优化设计等等。     

一种水文序列变异诊断耦合模型及其应用

气候变化和人类活动的双重作用使得流域水文过程发生显著变化,水文序列变异诊断研究对防洪减灾、生态环境保护具有重要的科学意义和应用价值。传统水文变异诊断方法存在多点检测能力不足、主观性较强、精度较低等问题,本文建立了一种基于启发式分割算法和近似熵的水文变异诊断耦合模型,主要建模步骤如下：首先用近似熵刻画水文序列各点的动力学状态,基于数据滑动技术充分得到随着滑动窗口移动而变化的近似熵序列;其次,运用启发式分割算法依次对各点进行一分为二的迭代计算、对比,得到每个点的检验统计值序列和置信概率序列;最后,根据置信概率结果判断是否对近似熵序列进行水文动力学状态划分,确定突变点的数目和位置。利用耦合模型对窟野河温家川站1956~2018年的年径流序列进行变异诊断研究,结果表明窟野河年径流序列在1983年和1996年发生了变异,与实际情况基本吻合。通过大量模拟实验,证明耦合模型具有如下潜力：①对于强趋势突变检测性能优异,弱趋势突变时在特定滑动步长下具有良好表现。②当设置不同的参数时,耦合模型对于弱趋势动力学结构突变检测具有较好的性能,检测误差较小。③当样本量较高时,权重误差均较小,耦合模型检测到的突变区间中包含设置的理想变异点,且样本量越大,检测越精确;在样本量较低时,检测的突变区间与真实变异点较接近,检测效果可以接受。     

基于深度全连接神经网络的离港航班延误预测模型

针对提升离港航班延误预测精确度困难的问题,提出一种基于深度全连接神经网络（DFCNN）的离港航班延误预测模型。首先,在考虑航班信息、机场气象与航班延误历史的基础上,考虑航班网络结构对预测模型的影响;然后,从激活函数、输入数据项及延误时间阈值三个维度进行实验,以对模型抑制梯度弥散与提升学习表现能力的能力进行了优化与验证;最后,通过调控神经网络层数的纵向拓展方式与随机丢失层的Dropout参数,提升模型的泛化能力。实验结果表明：所提模型使用tanh、指数线性函数（ELU）,预测精确度比使用线性整流函数（ReLU）分别提升了1.26、1.28个百分点;考虑航班网络结构后,所提模型采用ELU函数计算时,预测精确度比未考虑航班网络结构时提升了3.12个百分点;在时间阈值为60 min时,通过调控Dropout参数,模型的损失值不断降低;在5层隐含层网络和Dropout参数为0.3时,所提模型可以取得92.39%的预测精确度。因此,所提模型能够对国内航班延误做出较为准确的判断。     

锂离子电池全寿命周期个性化退役与评价方法

锂离子电池(Lithium-ion batteries, LIBs)广泛应用于储能系统(Energy storage system, ESS)、电动汽车(Electric vehicles,EVs)等领域。然而,电池在运行过程中容量会逐渐下降直至退役。传统方法以80%健康状态(State of health, SOH)作为退役标准,未考虑电池实际衰退速率,不仅不能充分利用健康电池,而且难以有效保障非健康电池的安全性。同时,SOH相等但电池老化特性和衰退速度不一定相同。仅以SOH评价无法准确反映电池老化差异。为此,提出一种锂离子电池全寿命周期个性化退役标准和老化评价方法。以容量衰退梯度和SOH为特征,首次定义全新退役指标(Index of decommissioning,IoD),计算IoD在80%SOH下的分布,获取退役阈值,并以此阈值为标准定义电池退役时刻。提出一种全新的健康状态评价指标—电池容量跳水度(Terminal diving rate,TDR),评价电池在使用过程中出现的非线性老化现象。通过在MIT公开数据集上验证,所提方法计算简单、鲁棒性强,能够实现电池个性化退役,更有效...