低功耗奶牛行为监测仪的设计

针对奶牛发情与健康检测在奶牛养殖业中的重要性,设计了一种低功耗奶牛行为监测仪。系统利用ATMEL公司的低功耗ATTiny2313V单片机作为控制核心,利用滚珠开关作为行为活动量的采集传感器,采用分立元器件设计了无线数据传输电路和激励触发电路。系统平时处于低功耗的休眠状态,行为活动量的采集和数据无线传输通过中断唤醒来完成。实验结果表明,该系统能够辅助饲养管理员对奶牛发情和健康状况做出及时有效的处理。     

荷负电中空纤维膜用于含聚丙烯酰胺污水的处理

以聚砜中空纤维超滤膜为基体,通过紫外辐射接枝2-丙烯酰胺基-2-甲基丙磺酸(AMPS)制备荷负电膜,并用于含聚丙烯酰胺(PAM)污水的处理.结果表明:荷电膜通量下降率小于原膜,稳定通量是原膜的1.4倍,对PAM的去除率大于原膜,达到82%;操作压力增大,荷电膜通量衰减加快,PAM的去除率降低;随着PAM初始浓度的增大,荷电膜通量下降率先增大后基本不变;过滤不同浓度的含PAM污水,荷电膜对PAM的去除率均大于80%,COD去除率均在70%以上.在25℃,0.10 MPa下反洗20 min后荷电膜通量恢复率比原膜提高20.17%,重复使用3次后,通量恢复率仍保持在92%以上.     

基于无迹H∞滤波的锂电池SOC估计研究

新能源汽车中锂电池的荷电状态(SOC)估计是电池管理系统的关键技术,对其准确估算有重要意义.所提的算法参考无迹卡尔曼滤波(UKF),将无迹变换(UT)融入到扩展H∞滤波中,用以估计锂电池系统状态均值和协方差,避免线性误差累积、增加算法的数值稳定性.在仿真实验中,在不同动态工况下分析了该算法的估计误差,证明算法在面对噪声干扰时具有较好的鲁棒性和准确性,是一种有效可行的算法.     

基于布谷鸟搜索优化神经网络的锂电池荷电状态预测

锂电池荷电状态(SOC)的预测是电动汽车锂电池管理系统中最为关键的技术之一;为实现对SOC的高精度的预测,提岀了一种基于布谷鸟搜索算法(CS)优化的误差反向传播(BP)神经网络的锂电池SOC预测方法,该方法的核心难点之一,在于优化BP神经网络的初始权值和阈值,从而可以改善易陷入局部最优的情况,减小算法对初始值的依赖;Matlab仿真结果表明,CS—BP神经网络算法的均方根误差值比BP算法的均方根误差值平均降低了0.010 6,CS—BP算法具有更高的预测精度和极强的泛化性能.     

跨学段地理研学活动案例分析——探究“荷韵园”农业发展

地理研学活动是培养学生核心素养的有效途径。通过地理研学活动,不仅可以锻炼学生的地理实践力,还可以培养学生的区域认知、综合思维能力以及树立正确的人地协调观。本文以探究重庆市巴南区云纂山“荷韵园”农业发展为案例进行分析。     

锂离子电池新型SOC安时积分实时估算方法

为了准确估算锂离子电池荷电状态SOC,结合传统安时积分法、开路电压法及负载电压法,综合考虑充放电效率、温度等因素的补偿措施,提出一种新型SOC安时积分实时估算方法。建立SOC实时估算仿真模型,并搭建锂离子电池充放电试验平台进行SOC实时估算方法验证。仿真与试验对比分析结果表明:SOC误差值的偏差在3%以内,说明新型安时积分实时估算法具有理论上的可行性,估算方法精确度较高,可为电池SOC实时估算和检测提供重要的参考。     

改进互联通信荷电状态下垂控制及功率均衡优化

作为直流微电网中不可或缺的组成部分,分布式直流储能系统起着平抑系统能量波动、维持系统功率平衡的重要作用.为了提高储能系统工作的可靠性,该文对互联通信荷电状态(SOC)下垂控制策略进行深入研究.首先,对传统互联通信SOC下垂控制的系统性能及存在的问题进行分析,为之后控制策略的改进奠定基础;其次,提出改进互联通信SOC下垂控制策略,即在传统互联通信SOC下垂控制基础上引入变化系数;再次,通过对改进互联通信SOC下垂控制系统性能的分析,得到变化系数参数设计方法,在提高系统功率收敛速度的同时,限制功率输出最大值,从而提高系统可靠性;最后,对由两台储能模块构成的储能系统进行仿真和实验,实验结果验证了改进策略的快速性及对输出功率的限制.     

计及源荷不确定性的独立型交直流混合微网多能源协调优化调度

传统独立型交直流混合微网的可再生能源供电比例高,但储能和其他可控电源容量有限,易出现切负荷或弃风弃光现象.首先,为提高系统的供能可靠性和可再生能源的消纳水平,设计出一种基于氢储系统实现交流、直流、氢气、热力与天然气能源系统深度耦合的能量枢纽结构;其次,为实现设计系统的多能源协调优化调度,构建出一种计及源荷不确定性的两阶段鲁棒优化模型,模型中第一阶段确定所有能源转换和存储设备的运行状态,第二阶段确定最恶劣场景及各设备出力方案,并且可利用不确定度参数灵活调整调度结果的保守性;然后,基于强对偶理论和大M法将优化模型转换为具有混合整数线性形式的主问题和子问题,并采用列与约束生成算法求解;最后,算例分析结果表明所建模型的合理性,求解算法的有效性以及调度结果的鲁棒性和经济性.     

基于深度学习的锂离子电池SOC和SOH联合估算

锂离子电池常被作为储能元件以实现电能的存储和转化,然而其荷电状态(state of charge,SOC)和健康状态(state of health,SOH)无法被直接测量。为了实现锂离子电池SOC和SOH联合估算,该文分析SOC和SOH之间的关联性,并提出一种基于深度学习的锂离子电池SOC和SOH联合估算方法。该方法能够基于门控循环单元循环神经网络(recurrent neural network with gated recurrent unit,GRU-RNN)和卷积神经网络(convolutional neural network,CNN),利用锂离子电池电压、电流、温度,实现锂离子电池全使用周期内SOC和SOH的同时估算,而且由于将锂离子电池的SOH估算值考虑到SOC估算中,能够消除锂离子电池老化因素对锂离子电池SOC估算造成的负面影响,从而提升SOC估算精度。两个锂离子电池测试数据集上的实验结果表明,提出的估算方法能够在不同温度和不同工况下实现锂离子电池全使用周期SOC和SOH联合估算,且获得较高的精度。