采用深度学习的全寿命周期锂电池荷电状态估计

针对锂离子电池的健康状态(SOH)随着充放电循环次数的增加而持续退化,导致在整个寿命周期内准确估计电池的荷电状态(SOC)难度较高的问题,提出了一种采用深度学习的全寿命周期内锂离子电池SOC估计模型。该模型采用被估计时刻及之前多个历史时刻的电流、电压和温度组成的序列数据作为模型的输入,先采用一维卷积神经网络(1D CNN)提取序列的特征,再用门控循环单元(GRU)建立特征与SOC之间的非线性关系,然后采用贝叶斯优化方法(BO)对网络超参数进行寻优以提升预测的精度。采用两个公开数据集对所提出的模型进行验证,实验结果表明:所提模型在较宽的SOH范围内实现了精确的SOC预测,且预测精度显著优于采用单个深度学习模型的预测精度;与CNN和BiLSTM模型相比,所提模型的均方根误差分别平均降低了15.16%和45.22%;当输入序列的长度为10、数据采样间隔时间为1 min时,在两个数据集上预测的均方根误差均低于2%。

一种基于多影响因素的锂离子电池放电内阻动态模型

直流内阻(DCR)是衡量电池健康状况的关键指标,在实际应用中对功率状态的估算以及热管理都具有重要意义。锂离子电池放电DCR与环境温度、电池荷电状态(SOC)以及放电倍率(C-rate)等因素有关,为了研究这些因素对电池内阻的影响,本文提出一种基于多影响因素的锂离子电池放电内阻动态模型,利用二元四次多项式对DCR与环境温度和电池SOC进行最小二乘拟合,再将所得二元四次多项式系数与放电倍率进行三次多项式拟合,最终建立DCR与放电倍率、环境温度和SOC之间关系的内阻模型。运用多倍率混合脉冲功率特性(HPPC)实验对锂离子电池进行充放电测试,并根据测试数据对所提出的模型进行验证,实验结果表明,所建立的动态内阻模型获得的DCR估算值与实验值的最大均方根误差为0.9758 mΩ,证明所提出的电池放电内阻模型是有效的。

不同栅压下Si-n型金属氧化物半导体场效应管总剂量效应的瞬态特性仿真

为了实现半导体器件在电离辐射环境中电学特性的动态退化过程,本文基于总剂量效应中陷阱对载流子的俘获/发射过程,建立了Si-n型金属氧化物半导体场效应管总剂量效应的瞬态特性数值模型.仿真了不同栅极偏压下,器件电学特性随累积总剂量的上升而造成的器件退化效应,并提取了Si/SiO_(2)界面和栅氧化层中陷阱电荷的变化.仿真发现,随着累计总剂量的上升,两个位置处陷阱电荷的数量都趋向于饱和.当辐照中栅极偏压为正时,器件阈值电压的退化幅度显著高于辐照偏压为负时的退化幅度.无论是辐照过程中栅极加正偏压还是反偏压,都表现出阈值电压的退化幅度随着偏压幅值上升先上升再下降的趋势.栅极偏压对器件辐照后的退火效应也有一定的影响,在退火过程中如果栅极偏压不为零,器件退火后的电学特性恢复幅度比零偏压下的要低一些.