基于蒙特卡洛和SH-AUKF算法的锂电池SOC估计

针对锂离子电池荷电状态(State of charge,SOC)估计精度低的问题,将Sage-Husa自适应算法与无迹卡尔曼滤波算法相结合,提出了一种可以对系统噪声进行不断更新和修正的自适应滤波新算法——SH-AUKF算法。在动态应力测试(Dynamic stress test,DST)工况下,采用无迹卡尔曼滤波(Unscented Kalman filter,UKF)、自适应无迹卡尔曼滤波(Adaptive unscented Kalman filter,AUKF)和SH-AUKF三种算法分别对SOC进行估计。结果表明,SH-AUKF算法估计SOC的误差最小,估计精度最高。与UKF相比,SH-AUKF算法的估计精度提高了45.4%;与AUKF相比,SH-AUKF算法的估计精度提高了14.3%。为了进一步降低噪声干扰的偶然性和突发性对SOC估计的影响,在估计过程中加入了蒙特卡洛采样方法。结果表明,融合了蒙特卡洛方法的SH-AUKF算法估计SOC时,估计误差区间仅为±1×10^-3,有效提高了估计精度。     

基于细胞响应模型的红外背景抑制

为检测复杂背景红外图像中的小目标,解决红外弱小目标检测易受复杂背景干扰的问题,提出基于非下采样Contourlet变换(NSCT)和细胞响应模型的红外图像背景抑制算法。首先采用非下采样Contourlet变换对图像进行多尺度、多方向分解,得到各子带系数;然后根据目标、背景的不同特点以及子带的方向性,选取细胞响应模型的参数对中频各个子带系数进行处理;最后对处理后的子带系数进行重构得到背景抑制图像。实验结果表明:本文算法取得了更好的背景抑制效果,提高了单帧红外图像的处理能力,降低了后续检测与跟踪的难度。     

序

<正>储能已经成为新能源电力系统及载运工具不可或缺的核心技术,也是实现“双碳”目标的有力抓手。随着储能系统应用规模的不断扩大,储能关键装备及系统的安全管理工作愈发重要。储能关键设备老化、保养不及时等问题会导致本体故障;在极端运行工况下,储能装备可靠性降低将导致系统整体失控。因此,如何结合大数据挖掘与人工智能方法,实现数字化与智能化科学管理,提高储能系统无线电传输控制方法、充放电优化策略、容量配置等关键技术水平,充分发挥数据核心价值,     

一种基于电感的改进双路交错并行架构均衡拓扑研究

电池均衡已成为新能源汽车领域研究的热点,其中主动均衡是目前主要的研究方向。为了加快电池组的均衡速度,在双路交错并行架构式均衡拓扑的基础上,通过对均衡单元进行分档控制,使均衡电流一直保持在较高的水平。在Simulink中搭建了8节电池的均衡模型并对其进行仿真,将SOC初值分别设定为三种不同情况,试验结果表明,在第一种SOC初值条件下,改进前的均衡拓扑用时992.57 s完成均衡,改进后的均衡拓扑用时655.01 s完成均衡,均衡时间减少了34%;在第二种SOC初值条件下,改进前的均衡拓扑用时226.52 s完成均衡,改进后的均衡拓扑用时121.54 s完成均衡,均衡时间减少了46%;在第三种SOC初值条件下,改进前的均衡拓扑用时197.24s完成均衡,改进后的均衡拓扑用时82.34s完成均衡,均衡时间减少了58%;表明改进后的均衡拓扑可以有效提高均衡速度。     

基于最大相关熵扩展卡尔曼滤波算法的锂离子电池荷电状态估计

针对在非高斯噪声干扰下,传统扩展卡尔曼滤波(EKF)算法估计锂离子电池荷电状态(SOC)时精度低的问题,该文提出一种基于最大相关熵的扩展卡尔曼滤波新算法(MCC-EKF),用于估计锂离子电池的荷电状态.首先对锂离子电池进行Thevenin等效电路建模,并对该模型中的参数进行辨识;然后在不同噪声类型干扰下,分别运用所提出新算法MCC-EKF和EKF算法对电池进行SOC估计.实验结果表明,与EKF算法相比,新算法在高斯噪声干扰下,运行时间增加0.282s,估计精度提高19％;在非高斯噪声干扰下,运行时间增加0.418s,估计精度提高51％;可见新算法的估计精度高于EKF算法,尤其是在非高斯噪声干扰下,新算法的估计精度有显著性提高.另外,新算法在给定错误初始SOC值的情况下,在电池开始工作后10s内就能够收敛到真实值,说明新算法具有较好的鲁棒性.故新算法在运行时间增加很小的情况下,估计精度高且鲁棒性好,是一种非常有效的SOC估计方法.     

基于改进LightGBM的电动汽车电池剩余使用寿命在线预测

为实现电池剩余使用寿命（RUL）在线预测和降低数据离群值对预测精度影响,提出基于改进轻量型梯度提升机（LightGBM）的RUL在线预测方法。首先,为实现RUL在线预测,通过等压降时间与容量衰减的关系,选取等压降时间为健康因子;然后,为降低数据离群值对预测精度的影响,构建基于LightGBM的预测模型,采用Bagging的学习方式,忽略离群值权重;接着,为进一步降低离群值影响,基于一种兼具自适应性和鲁棒性的损失函数（ARLF）对LightGBM进行改进,通过超参数α限制损失函数一阶导数幅值的饱和值,在残差增长时,限制离群值对梯度的影响;最后,通过行驶工况下电池全生命周期容量测试实验数据,对比基于不同损失函数的RUL在线预测效果,验证所构建健康因子和所提预测方法的有效性。     

基于驱动电流动态调节的低过冲低损耗SiC MOSFET有源门极驱动

与硅基功率器件相比,碳化硅(silicon carbide,SiC)MOSFET具有开关速度更快、导通损耗更低等优点,将越来越广泛的应用于高效高功率密度场合。但是,其开关特性对寄生参数非常敏感,在高速开关过程中极易产生瞬态电压电流尖峰和高频开关振荡,严重威胁Si C基变换器的可靠运行。针对这一问题,文中对SiC MOSFET的开关暂态过程进行深入分析,揭示门极驱动电流对开关过程电压电流过冲、振荡与开关损耗的影响机理。在此基础上,提出一种驱动电流分段动态调节的SiC MOSFET有源门极驱动电路,即根据开关过程不同阶段的状态反馈动态调整器件门极驱动电流。实验结果表明,所提出的方法能够在维持低开关损耗的同时,实现了对SiC MOSFET开关过程中电压电流过冲和高频振荡的有效抑制,提升SiC基电力电子装置的动态性能与运行可靠性。