基于深度神经网络的梯次利用电池健康状态评估

随着大量退役电池梯次利用,对退役动力电池健康状态的准确估计是保障电池梯次利用安全高效运行的前提。针对上述问题,提出基于深度神经网络学习的梯次利用电池健康状态评估方法。根据不同循环次数下梯次利用电池充放电性能的差异性,从梯次利用电池物理特性角度挖掘影响梯次利用电池老化特征的主要参数,利用皮尔逊法计算电池老化特征与梯次利用电池健康状态的相关系数,选取较高相关度特征作为深度神经网络的输入,建立基于深度神经网络学习的梯次利用电池健康状态评估模型。通过美国国家航空航天局Ames卓越预测中心的锂离子电池测试数据仿真实例验证了该文方法的有效性。仿真结果表明,与传统神经网络相比,深度神经网络学习可明显提高梯次利用电池健康状态的预测精度,为退役动力电池健康状态评估提供理论依据。     

基于云模型的电化学储能工况适应性综合评估

储能系统是随时间变化的复杂能量系统,需要多项指标来描述它的性能,而不同的应用场景对储能系统的要求亦不相同。针对上述问题,本文提出了基于云模型综合评价的电化学储能工况适应性评估方法。在储能参与电网调峰调频应用场景下,建立了适于电网调峰调频的储能系统综合评价指标域和标准域,利用熵权法计算待评估储能系统综合评价指标的权重矩阵,运用正向云发生器计算待评估储能系统综合决策指标的隶属度矩阵,给出待评估储能系统工况适应性的综合评分,选取评分最高者作为该应用场景下的最佳储能系统。通过对五种电化学储能系统工况适应性进行仿真分析,得到磷酸铁锂电池最高分为3.2837。仿真结果表明,在调峰调频场景下磷酸铁锂电池具有最佳工况适应性,与工程实际相符,验证了本文所提方法的有效性和正确性。     

5G智能化炼钢系统应用实践

为了提高炼钢工序生产效率和钢水质量,使炼钢工序向智能化精细化生产转型升级,进行了基于5G通信技术的智能化炼钢系统的建设,应用后提高了炼钢工序控制水平,钢水一次拉碳命中率由92.3%提高至96.5%,提高了烟气中一氧化碳回收率,降低了原材料损耗和生产能耗,减少有害废气废物的排放,取得较好的经济与环保效益。     

基于"互联网+"的河北省高校社会主义核心价值观教育创新

"互联网+高等教育"的深度融合带来了高等教育的大变革,社会主义核心价值观教育作为高校价值观教育的内核亦应顺应新趋向,增强教育实效。聚焦河北省高校社会主义核心价值观教育现状,分析了"互联网+"给高校社会主义核心价值观教育带来的机遇和挑战,提出基于"互联网+"时代推进高校社会主义核心价值观教育的创新途径和建议。