锂离子电池健康状态(state of health,SOH)估计对确保能量存储系统的可靠性和安全性至关重要。然而,现有SOH估计方法在单一特征提取和固定充放电条件依赖方面存在局限性,难以适应多变的实际工作环境。为解决这一问题,本工作提出了一种...锂离子电池健康状态(state of health,SOH)估计对确保能量存储系统的可靠性和安全性至关重要。然而,现有SOH估计方法在单一特征提取和固定充放电条件依赖方面存在局限性,难以适应多变的实际工作环境。为解决这一问题,本工作提出了一种基于弛豫电压的并行多尺度特征融合卷积模型(multi-scale feature fusion convolution model,MSFFCM)结合极端梯度提升树(XGBoost)的SOH估计方法。MSFFCM通过多层堆叠卷积模块提取弛豫电压数据的深层特征,同时利用并行多尺度注意力机制增强了多尺度特征的捕捉能力,并将这些特征与统计特征进行融合,以提升模型的特征提取和融合能力。针对XGBoost模型,本工作应用贝叶斯优化算法进行参数调优,从而在多源融合特征基础上实现高精度SOH估计。实验验证基于两种商用18650型号电池的多温度和多充放电策略数据集,结果表明该方法的均方根误差(RMSE)和平均绝对误差(MAE)均小于0.5%,明显优于传统方法。本工作为锂电池健康管理提供了一种不依赖特定充放电条件的有效估计工具,有望在复杂的实际应用中发挥重要作用。展开更多
因大量采用分布式、综合化、模块化方案,复杂电子系统极易出现共因故障和故障并发等新问题,传统测试性参数确定方法难以解决。针对这一问题,提出一种基于着色广义随机Petri网(colored generalized stochastic Petri nets,CGSPN)的复杂...因大量采用分布式、综合化、模块化方案,复杂电子系统极易出现共因故障和故障并发等新问题,传统测试性参数确定方法难以解决。针对这一问题,提出一种基于着色广义随机Petri网(colored generalized stochastic Petri nets,CGSPN)的复杂电子系统测试性参数确定新方法。首先,综合需求信息、约束边界和维修保障等要求,建立电子系统两层级CGSPN模型,引入着色,实现不同模块各种状态的实时追踪和故障并发处理,通过广义随机处理共因故障的随机不确定性;然后,利用着色和可用度探索一种带有冗余设计的测试性参数处理手段,丰富测试性体系;最后,构建一种不同模块、各种状态融合的并行分析技术,统一系统层和模块层之间的状态转移关系,避免分阶段串行处理和等效替换。以通信导航识别系统为例进行实例分析,所提方法比传统方法具有更好的可用性和有效性。展开更多
文摘因大量采用分布式、综合化、模块化方案,复杂电子系统极易出现共因故障和故障并发等新问题,传统测试性参数确定方法难以解决。针对这一问题,提出一种基于着色广义随机Petri网(colored generalized stochastic Petri nets,CGSPN)的复杂电子系统测试性参数确定新方法。首先,综合需求信息、约束边界和维修保障等要求,建立电子系统两层级CGSPN模型,引入着色,实现不同模块各种状态的实时追踪和故障并发处理,通过广义随机处理共因故障的随机不确定性;然后,利用着色和可用度探索一种带有冗余设计的测试性参数处理手段,丰富测试性体系;最后,构建一种不同模块、各种状态融合的并行分析技术,统一系统层和模块层之间的状态转移关系,避免分阶段串行处理和等效替换。以通信导航识别系统为例进行实例分析,所提方法比传统方法具有更好的可用性和有效性。
