基于单通道脑电信号的疲劳检测系统

针对目前高强度劳动人群频繁猝死的情况,文中设计了一套基于单通道脑电信号(Electroencephalography,EEG)的疲劳检测系统,以实现对该类人群疲劳程度的准确判定,起到预警效果。系统利用TGAM(ThinkGearm AM)脑电模块采集原始EEG数据,通过蓝牙方式将数据传送至上位机,在上位机中提取EEG的4个基本节律成分(δ,θ,α,β),以节律信号的相对频带能量作为表征疲劳状态的脑电特征,并利用Fisher判别分析(Fisher Discriminant Analysis,FDA)和概率神经网络(Probabilistic Neural Network,PNN)两种方法对脑电特征进行分类,给出评估结果。实验结果表明,所设计的基于单通道EEG的疲劳检测系统能够实现准确率较高的疲劳状态检测。     

考虑多维性能衰减的储能电池系统运行可靠性评估方法

储能电池系统的发展是推进“双碳”目标的关键所在，伴随而来的却是储能电站的安全隐患，亟需对储能电池系统的可靠性进行准确评估。为此，提出考虑多维性能衰减的储能电池运行可靠性评估方法。首先，提出了基于高斯过程的储能电池性能衰减过程电压特征量分布计算方法，计算充放电循环过程中电压特征量的概率分布，为刻画电池性能衰减提供了重要维度。然后，提出了基于多维通用生成函数的储能电池系统运行可靠性评估方法，通过电压特征量和容量的概率分布计算储能电池单体的可靠性。进而定义可考虑储能电池拓扑连接情况的串并联关系函数，计算储能电池系统整体的可靠性。最后，基于NASA储能电池数据的算例仿真表明所提方法能够实现储能电池系统可靠性的精准评估。     

基于重构误差计算的数据驱动储能电池热失控预警方法EI北大核心CSCD

发展大规模、分布式储能是实现“双碳”目标的重要途径。守住储能电池(battery energy storage,BES)的安全底线关乎人民生命安全和社会经济发展。现有储能电池安全预警方法还面临如下2个方面挑战:机理研究方法考虑的工况单一,难以推广应用;基于有监督学习的数据驱动方法难以有效应对小样本问题。对此,提出基于重构误差计算的数据驱动储能电池热失控预警方法。首先,基于无监督学习思想,建立数据驱动的储能电池热失控预警框架,利用重构误差构建电池间的差异程度,可有效应对小样本场景;利用集成学习思想量化电池热失控概率,可保障算法的稳定性。然后,为有效提取储能电池电压、温度、电流、荷电状态(stateof charge,SOC)等数据的时变特性,高效挖掘热失控前后的时变数据特征差异,进一步提出基于双向长短期记忆(bi-long short-term memory,Bi-LSTM)网络与注意力机制的储能电池数据特征挖掘方法,实现储能电池数据特征的精准学习。最后,通过电动汽车动力电池的真实运行数据,验证了所提方法的有效性。