针对退役动力电池规模大、单体筛选复杂、重组后动态特性差异大以及寿命损耗加剧等问题,该文考虑电池模组的功能状态(state of function,SOF)特性,提出基于数字孪生技术的退役电池模组筛选方法。首先,通过电压、电流、荷电状态(state of...针对退役动力电池规模大、单体筛选复杂、重组后动态特性差异大以及寿命损耗加剧等问题,该文考虑电池模组的功能状态(state of function,SOF)特性,提出基于数字孪生技术的退役电池模组筛选方法。首先,通过电压、电流、荷电状态(state of charge,SOC)及健康状态(state of health,SOH)等参量表征SOF特性,估计梯次利用过程中SOF动态安全裕度;其次,搭建耦合物理模型、信息流及数字孪生映射体的电池模组筛选架构,提出基于生成对抗网络(generative adversarial networks,GAN)与长短期记忆网络(long short-term memory,LSTM)的电池数据缺失及偏移预测方法,优化退役动力电池模组表征SOF的多性能参量;最后,采用k-means算法对综合考虑SOH及SOF特性的退役电池模组进行聚类筛选。仿真结果表明:所提筛选方法可以提高退役动力电池动态一致性,并延长梯次利用过程中电池的运行寿命。展开更多
电离层延迟是精密单点定位、时间同步等相关领域的重要误差来源之一,精确预测电离层总电子含量是补偿电离层延迟的重要前提。采用长短时记忆(Long Short-Term Memory,LSTM)网络预测算法进行电离层总电子含量(Total Electron Content,TEC...电离层延迟是精密单点定位、时间同步等相关领域的重要误差来源之一,精确预测电离层总电子含量是补偿电离层延迟的重要前提。采用长短时记忆(Long Short-Term Memory,LSTM)网络预测算法进行电离层总电子含量(Total Electron Content,TEC)预测模型构建,验证不同隐藏层数、神经元个数、训练数据个数、训练次数、及数据是否预处理对电离层数据预测的影响,并最终得到电离层预测的最佳参数。结果表明,当隐藏层数为2层,第1、2层隐藏神经元个数分别为200个、300个,输入神经元168个,输出神经元12个,模型迭代次数400次时,能达到最好的预测效果,此时对18个单站点TEC预测结果的均方根误差为43.87,相比于BP神经网络算法的预测均方根误差下降了275.58,有效地提高了预测精度,可以对钟差进行有效补偿。展开更多
文摘针对退役动力电池规模大、单体筛选复杂、重组后动态特性差异大以及寿命损耗加剧等问题,该文考虑电池模组的功能状态(state of function,SOF)特性,提出基于数字孪生技术的退役电池模组筛选方法。首先,通过电压、电流、荷电状态(state of charge,SOC)及健康状态(state of health,SOH)等参量表征SOF特性,估计梯次利用过程中SOF动态安全裕度;其次,搭建耦合物理模型、信息流及数字孪生映射体的电池模组筛选架构,提出基于生成对抗网络(generative adversarial networks,GAN)与长短期记忆网络(long short-term memory,LSTM)的电池数据缺失及偏移预测方法,优化退役动力电池模组表征SOF的多性能参量;最后,采用k-means算法对综合考虑SOH及SOF特性的退役电池模组进行聚类筛选。仿真结果表明:所提筛选方法可以提高退役动力电池动态一致性,并延长梯次利用过程中电池的运行寿命。
文摘电离层延迟是精密单点定位、时间同步等相关领域的重要误差来源之一,精确预测电离层总电子含量是补偿电离层延迟的重要前提。采用长短时记忆(Long Short-Term Memory,LSTM)网络预测算法进行电离层总电子含量(Total Electron Content,TEC)预测模型构建,验证不同隐藏层数、神经元个数、训练数据个数、训练次数、及数据是否预处理对电离层数据预测的影响,并最终得到电离层预测的最佳参数。结果表明,当隐藏层数为2层,第1、2层隐藏神经元个数分别为200个、300个,输入神经元168个,输出神经元12个,模型迭代次数400次时,能达到最好的预测效果,此时对18个单站点TEC预测结果的均方根误差为43.87,相比于BP神经网络算法的预测均方根误差下降了275.58,有效地提高了预测精度,可以对钟差进行有效补偿。
