基于多时间尺度建模自动特征提取和通道注意力机制的锂离子电池健康状态估计

准确估计锂离子电池(lithium-ion battery,LIB)的健康状态(state of health,SOH)对于确保储能电站的安全稳定运行至关重要。然而,现有的数据驱动方法通常依赖手工特征提取,并且特征的时间尺度比较单一,很难进行高效且精确的电池健康状态评估。为了解决这些问题,提出了一种基于多时间尺度建模自动特征提取和通道注意力机制的健康状态估计模型。该模型首先将充电过程信息输入多个并行的膨胀卷积模块(dilation convolution module,DCM),从不同时间尺度进行自动特征提取,获得丰富且全面的特征表示。随后,不同尺度的特征通过融合后结合门控循环单元(gated recurrent unit,GRU)提取时间序列的长期依赖关系。模型进一步融入通道注意力机制(efficient channel attention,ECA),对历史信息进行相关性动态权重分配,关注显著特征。最后,在两个公开数据集上验证了本方法的优越性,并与其他常用深度学习模型进行了比较。结果表明,本模型具有较高的SOH估计精度和良好的迁移性,两个数据集上的均方根误差分别仅为0.0110和0.0095,在跨数据集的迁移实验中均方误差仅为0.0092。

T/P91钢在450-1200℃区间各相元素的分配特征及相稳定性

利用Thermo-Calc软件计算了高Cr铁素体耐热钢T/P91在450-1200℃区间的平衡相成分及其含量,引入合金相元素分配量的概念,研究了钢中Cr,Mo,Fe,V,Nb,C和N等主要元素随着温度变化在各平衡相中的分配特征、相稳定性、化学组成及其演化规律.结果表明,利用相元素分配量随温度变化的特征,便于揭示不同温度区间M_(23)C_6及MX相的稳定性,合理确定不同MX相的亚类型及M和X的构成及演化规律.此外,有助于了解基体相含碳量的变化对M_(23)C_6和MX相的影响。