考虑线路阻抗和储能容量的孤岛直流微电网自适应SOC均衡

由于可再生能源的间歇性特点,储能单元广泛应用于孤岛直流微电网中。为保护储能单元,防止过度充放,需要对储能单元的荷电状态(state of charge,SOC)实行均衡控制,然而各储能单元线路阻抗及容量存在的差异将对SOC均衡造成影响。针对这一问题,提出了一种基于一致性算法及自适应下垂控制的储能单元SOC均衡控制策略。首先,通过定义电流比例系数,建立了各储能单元下垂系数与SOC之间的函数关系式,实现了储能单元自适应SOC均衡,并通过劳斯判据证明了系统的稳定性。其次,将所提控制策略与其他文献控制方法进行对比,并且考虑了4种不同工况对SOC均衡的影响。最后,通过Matlab/Simulink进行了仿真分析,验证了所提控制策略的有效性。

面向真实世界车辆LFP电池的深度学习SOC估计方法

电动汽车磷酸铁锂(LFP)电池的开路电压-荷电状态曲线在20%~95%荷电状态(SOC)范围内存在平台期,导致基于模型的方法难以准确估计SOC,而基于数据驱动的方法又存在真实世界准确的样本数据难以获取和实验环境无法完全模拟真实世界电池系统运行的问题。提出了一种面向真实世界车辆LFP电池的深度学习SOC估计方法,利用真实世界车辆LFP电池系统运行数据通过反向安时积分法为其自动标签准确的SOC,构建了CNNGRUM新模型预测SOC的方法,通过多层卷积神经网络结合多层门控循环单元,基于电流、电压、温度和充电过程安时量四个特征实现对LFP电池SOC的估计。通过在真实世界的20辆电动汽车LFP电池上进行模型训练和验证,实现了最大绝对误差为2.85%、均方根误差(RMSE)为0.61%、平均绝对误差(MAE)为0.42%的SOC准确估计。

基于目标优化和卡尔曼滤波的SOC估算方法

准确估计蓄电池荷电状态(state of charge,SOC)对于蓄电池的健康管理具有重要意义。现有SOC估算方法普遍存在复杂性高、自适应较弱的问题,更偏重于理论分析,难以满足实际在线监测的应用场景。为提高SOC估算过程的自适应性以及降低算法应用的复杂性,提出了一种适用于在线监测应用场景的基于蜣螂优化算法和自适应无迹卡尔曼滤波的SOC估计算法。将二阶Thevenin等效电路作为蓄电池的模型,利用蜣螂优化算法对该模型的关键参数进行自适应辨识,根据所辨识的参数,利用自适应无迹卡尔曼滤波算法对SOC进行估算。为了验证该算法的有效性,利用锂离子电池不同动态工况的实验数据进行了测试。实验结果表明,在初始参数设置模糊或不准确的情况下,该算法依然能够自适应地获取精度更高的SOC估计结果,具有更好的鲁棒性。

基于3DGRU-EKF的锂电池SOC估算

电池荷电状态(state of charge,SOC)的准确估计近年来成为新能源发展的重中之重,也是电池管理系统(BMS)中最核心的部分。针对改进卡尔曼滤波算法(EKF)与门控循环单元神经网络算法(GRU)的缺陷,提出了一种基于3DGRU?鄄EKF的改进SOC估算算法。首先使用二阶RC电池等效模型,利用复合脉冲功率特性测试(HPPC)进行电池参数辨识;随后对电池模型进行状态空间方程的建立,并利用EKF算法进行更新迭代来估算电池的SOC,可以得到卡尔曼增益与SOC估算误差;最后将2个量结合HPPC工况下的电压与电流作为3DGRU网络的输入,真实的SOC作为输出来训练神经网络。实验结果表明,提出的3DGRU?鄄EKF算法估算SOC的均方根误差(RMSE)与平均绝对误差(MAE)均小于0.5%,具有良好的效果。

Melon2K array:A versatile 2K liquid SNP chip for melon genetics and breeding

High-throughput genotyping tools can effectively promote molecular breeding in crops.In this study,genotyping by target sequencing(GBTS)system was utilized to develop a genome-wide liquid SNP chip for facilitating genetics and breeding in melon(Cucumis melo L.),a globally cultivated economically important horticultural crop.Based on over eight million SNPs derived from 823 representative melon accessions,16K,8K,4K,2K,1K,500,250 and 125 informative SNPs were screened and evaluated for their polymorphisms,conservation of flanking sequences,and distributions.The set of 2K SNPs was found to be optimal for representing the maximum diversity with the lowest number of SNPs,and it was selected to develop the liquid chip,named“Melon2K”.Using Melon2K,more than 1500 SNPs were detected across 17 samples of five melon cultivars,and the phylogenetic relationships were clearly constructed.Within the same cultivar,genetic differences were also assessed between different samples.We evaluated the performance of Melon2K in genetic background selection during the breeding process,obtaining the introgression lines of interested trait with more than 97%genetic background of elite variety by only two rounds of backcrossing.These results suggest that Melon2K provides a cost-effective,efficient and reliable platform for genetic analysis and molecular breeding in melon.

基于多新息最小二乘和多新息扩展卡尔曼滤波算法的锂电池SOC估计

针对现有SOC(荷电状态)估计方法中电池模型参数恒定,没有考虑电池模型参数的动态变化,导致SOC的估计不够精准的问题,文中提出了一种基于电池模型参数在线辨识与SOC估计联合的算法。在二阶RC等效电路模型基础上,采用多新息最小二乘(Multi Innovation Least Squares,MILS)算法对锂离子电池模型中的参数进行在线辨识,从而对电池模型进行实时修正;同时基于修正后的电池模型,采用多新息扩展卡尔曼滤波(Multi Innovation Extended Kalman Filter,MIEKF)算法对电池荷电状态进行估计。MILS算法可以解决在线参数辨识过程中的初始误差累积问题,能够实现模型参数的在线精准辨识,MIEKF算法融合了多新息理论和卡尔曼滤波理论,加入了遗忘因子以削弱历史数据并修正权重,解决了数据过饱和问题,具有较高的准确性和收敛性。实验结果表明,在对电池模型进行参数辨识时,MILS算法、RLS算法辨识的均方根误差分别为1.4、1.9 mV,MILS算法相比RLS算法的估计精度提高了26.3%;对于参数辨识后SOC的估计,MIEKF算法估计的均方根误差为0.0037,EKF算法、AEKF算法估计的均方根误差分别为0.0073、0.0052,MIEKF算法比EKF算法的估计精度提高了49.31%,比AEKF算法的估计精度提高了28.84%;并且在给定SOC初值错误的情况下,文中所提出算法在电池开始工作后30 s左右就能够收敛到真实值,是一种精度高而且鲁棒性好的有效估计方法。

考虑应力特征的锂离子电池SOC估算

准确估计荷电状态(SOC)是保证锂离子电池可靠运行的基础。提出基于多维特征特别是结合力信号的数据驱动的SOC估算方法,对锂离子电池应力特征进行Savitzky-Golay(S-G)滤波,形成优化重构后的应力信号。提出基于麻雀搜索算法(SSA)改进的反向传播(BP)神经网络,提高神经网络的全局寻优能力。用恒流(CC)、联邦城市驾驶工况(FUDS)进行评估。在BP神经网络中,相比于单纯使用电信号,考虑应力特征的SOC估算的均方根误差(RMSE)降低89.1%,平均绝对误差(MAE)降低88.8%,考虑应力特征的SSA-BP神经网络的SOC估算误差在0.3%以内,鲁棒性和精确性更高。

考虑时变线阻的多储能SOC稳定均衡控制策略

在直流微电网中,由于线路阻抗大小差异的复杂化,难以保证各储能单元之间达到荷电状态(state-of-charge,SOC)均衡。为此,提出一种考虑时变线阻的SOC均衡改进控制策略。首先,通过线路阻抗和SOC幂指数构造的平衡因子来修正控制系数,提高SOC的辨识度。同时,利用输出电流来约束平衡因子,提高系统的抗扰能力。在SOC均衡之后,SOC平衡因子G变为1,此时依赖线路阻抗信息但不受线路阻抗变化影响,可平稳地保持电流分配。并且结合输出电流构造的电压补偿环节有效地解决了母线电压质量和SOC均衡控制效果之间的矛盾。其次,针对基于SOC均衡的改进控制策略易受恒功率负载影响的问题,利用混合势函数理论进行建模,得到稳定性判据,有利于保障系统的稳定运行。最后,仿真结果表明,所提出的改进下垂控制能够有效地消除线路阻抗的影响,提高电流分配精度,实现SOC均衡,并验证了在各种突发扰动及极端情况下所提控制策略的有效性和正确性。

一种支持SoC数字电路老化及寿命的评估方法

使用Spice可靠性仿真技术和高温稳态寿命(HTOL)实验相结合的方法,研究不同的MOSFET器件组成的环振电路在持续翻转状态下,不同应力时间和应力电压对其寿命退化的影响。依据仿真结果和Power-Law模型建立数字电路的寿命预测理论模型。通过HTOL实验验证模型的准确性。结果表明,随着时间的增加,器件的寿命退化率逐渐增加,且随着时间的推移,寿命的变化率越来越小。随着应力电压的增加,器件的寿命退化率更快趋向于稳定。器件退化符合R-D模型,仿真结果与试验结果高度,进一步证实了本模型对SoC数字电路寿命预测的准确性。通过这种组合仿真和实验的方法,可以更加准确地评估数字电路的寿命,为芯片制造过程中的可靠性设计提供参考。

基于CSO-AUKF的锂电池SOC估算方法

电池荷电状态(SOC)估算是电池管理系统(BMS)的关键技术之一。针对锂电池提出了一种基于猫群(CSO)算法和自适应无迹卡尔曼滤波(AUKF)算法相结合的电池SOC估算方法;建立了基于二阶RC等效电路模型的锂电池状态方程,采用CSO算法提高电池辨识精度,联合AUKF算法对SOC进行估算;基于混合脉冲功率测试工况(HPPC)和间歇恒流放电工况下的数据对该方法有效性进行了验证。研究结果表明:基于CSO-AUKF估算,SOC最大误差小于1.64%,估算精度及稳定性均好于遗传算法。

锂电池自适应无迹H∞滤波SOC估计研究

荷电状态(state of charge,SOC)作为表征锂电池剩余电量的关键指标,其精确估计对于合理使用电池电量、保障电池安全具有重要意义。本文针对基于H∞滤波(H infinity filter,HIF)估计SOC时鲁棒性好但估计精度低的问题,提出一种自适应无迹H∞滤波(adaptive unscented H infinity filter,AU_HIF)SOC估计方法,以提高SOC估计精度。首先,选择能够在精度和复杂度间取得良好平衡的双极化(dual polarization,DP)等效电路模型进行新型估计算法的设计;其次,结合无迹卡尔曼滤波(unscented Kalman filter,UKF)算法相比于传统扩展卡尔曼滤波(extended Kalman filter,EKF)算法更适用于非线性系统状态估计的特点,文章基于先验误差协方差矩阵设计新型渐消因子,实现自适应无迹H∞滤波算法的设计,以减小陈旧测量值对估计结果的影响,提高滤波算法的跟踪能力及估计精度。最后,通过搭建自主实验平台获取实际模拟工况数据,验证了文章所提自适应无迹H∞滤波算法相比于传统H∞滤波算法、传统UKF算法和其他类型改进H∞滤波算法具有更高的估计精度及更好的鲁棒性。文章研究内容对提高新能源汽车、储能电站等电池系统的SOC估计精度具有重要意义。

CHIP相关基因与MPN患者心脑血管事件的风险分析

目的:分析骨髓增殖性肿瘤(MPN)患者不确定潜能的克隆性造血(CHIP)相关基因突变谱和临床特征,探讨CHIP相关基因与其心脑血管事件(CCE)的相关性及可能作用机制。方法:回顾性分析2019年8月-2022年7月首都医科大学附属北京安贞医院血液科收治的73例MPN患者的临床资料和二代测序结果,采用Logistic回归分析CHIP相关基因、炎症细胞因子对MPN患者CCE的影响。结果:55例(75.3%)MPN患者检出CHIP相关基因,原发性血小板增多症(ET)和真性红细胞增多症(PV)患者CHIP相关基因各突变频率差异无统计学意义。CHIP相关基因突变以单基因形式为主,检出率从高至低依次为JAK2V617F(63.0%,46/73)、ASXL1(16.4%,12/73)、TET2(11.0%,8/73)、DNMT3A(9.6%,7/73)、SRSF2(6.9%,5/73)、SF3B1(4.1%,3/73)、TP53(1.4%,1/73)和PPMID(1.4%,1/73)。年龄>60岁患者CHIP相关基因检出率明显高于≤60岁者[91.7%(33/36)vs 59.5%(22/37)]。27例(37.0%)MPN患者伴CCE(MPN/CCE),2次CCE者5例,均为动脉事件。CCE组患者年龄(62.8±12.8 vs 53.9±15.8岁,P=0.015)、IL-1β水平(17.7±26.0vs 4.3±8.6,P=0.012)、IL-8水平(360.7±598.6 vs 108.3±317.0,P=0.045)、血栓形成史(29.6%vs 2.2%,P=0.020)和CHIP相关基因检出率(88.9%vs 67.4%,P=0.040)高于无CCE组。多因素Logistic回归分析结果显示,年龄(OR=0.917,95%CI:0.843-0.999,P=0.047)、血栓形成史(OR=34.148,95%CI:2.392-487.535,P=0.009)、任何1个CHIP相关基因突变(OR=16.065,95%CI:1.217-212.024,P=0.035)和IL-1β水平升高(OR=0.929,95%CI:0.870-0.992,P=0.027)均是MPN/CCE的独立危险因素;CHIP相关单基因突变与MPN/CCE无关,但DNMT3A(OR=88.717,95%CI:2.690-292.482,P=0.012)、ASXL1(OR=7.941,95%CI:1.045-60.353,P=0.045)突变是PV/CCE的独立危险因素。结论:MPN患者CHIP相关基因突变率高,尤其是60岁以上患者;高龄、血栓形成史、CHIP相关基因突变和IL-1β水平升高是MPN发生CCE的独立危险因素。DNMT3A、ASXL1单基因突变是PV患者CCE的独立危险因素。CHIP相关基因突变及炎症细胞因子IL-1β升高是MPN新的CCE危险因素。

面向SoC系统的可扩展UVM自动化验证平台

得益于设计IP的成熟可靠性,目前SoC系统能够基于设计IP实现快速构建。在SoC系统构建过程中,往往需要考虑从IP模块到SoC系统的功能验证。为了能够减小SoC系统构建与功能验证之间的项目压力,提出了一种可快速构建、可扩展、可复用的自动化验证平台。该平台基于UVM、Python、Mako技术,同时具备SV、UVM、C的测试能力,可以快速部署验证平台,有利于验证环境,标准化测试指令规范了测试代码。在不同验证层次中投入试用,有效节省了96.9%的构建测试平台时间,减少了66.2%的测试框架代码,减少了66.4%的测试用例代码。该平台已作为独立EDA产品,参与到多个芯片研发。

基于深度学习的SOC预测模型比较研究

锂离子电池的荷电状态(SOC)所包含的物理性质和电化学性质十分复杂,通常很难直接测定其数值,利用大数据的机器学习模型来预测SOC成为一个重要技术方法。近年来,随着神经网络的深度学习算法发展,基于深度学习的SOC估计模型已取得突破成果。论文总结了锂离子电池荷电状态预测方法的深度学习方法,主要分析比较CNN、GRU、LSTM、CNN-LSTM和CNN-GRU的经典模型方法与特点,通过实验数据分析对比其各模型的效果。论文对比实验选取不同室温环境下的不同工况作为测试集,通过预测结果的误差评估发现卷积神经网络对于循环神经网络的预测结果优化有较大的提升,其中CNN-LSTM的效果尤为显著。

基于OCV模型优化的磷酸铁锂电池SOC估计

锂离子电池荷电状态(SOC)与开路电压(OCV)的关系曲线(OCV曲线)是影响其SOC估计精度的核心因素。针对小电流OCV(LO)测试耗时短但数据精度较低的问题,提出一种OCV模型及其优化方法。该方法基于LO测试的OCV数据,采用道格拉斯-普克算法和分段线性函数建立OCV模型。并将OCV曲线上的4个OCV点作为变量,建立了其他OCV点的随动模型,使曲线能够运用粒子群优化算法进行优化。基于优化后的OCV曲线,动态工况下的端电压估计绝对平均误差降低83.5%,采用自适应扩展卡尔曼滤波的SOC估计误差小于0.3%。该方法能够基于耗时短的LO测试获取准确OCV曲线,降低锂离子电池研究与应用的测试成本。

基于改进EKF算法的锂离子电池SOC在线估计

锂离子电池因其能量密度高、自放电率低、污染小等优势,已经在储能电站领域得到广泛应用。针对锂离子电池各项状态预测,首先搭建二阶RC等效电路模型,然后采用带遗忘因子的递推最小二乘法(FFRLS)对模型参数进行辨识,提出一种基于自适应扩展卡尔曼滤波(AEKF)算法的SOC-SOH联合估计方法。在不同电池工况下进行对比验证,结果表明,与扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)相比,所提方法预测SOC和SOH的精确度和计算效率均有所提高,具有一定的实用价值。

面向动力电池SOC估计的时间卷积优化网络

在电动汽车的实际驾驶场景中,由于复杂多变的运行条件和动力电池的非线性,对电池荷电状态(SOC)的准确估计存在较大的误差,从而造成车主的里程焦虑。针对上述问题,提出了一种时间卷积优化网络(TCON)方法,用于实时估计动力电池SOC。首先,建立无归一化的时间卷积网络(TCN)模型,通过并行计算提取时序信息,具有参数少、精度高的优点。其次,为了解决TCN输出波动性较强的问题,设计了时间优化模块(TOM),该模块通过生成时序优化权值,对TCN输出进行优化,有效抑制数据噪声,进一步提高了预测精度。最后,使用电动汽车实时运行数据集进行验证。实验结果表明:文中所提方法与TCN相比,在仅增加5.8%的参数量的前提下减少了18.3%的误差;SOC估计的平均绝对误差小于1%,均方根误差小于2%,为SOC提供了更准确的估计,在一定程度上缓解驾驶员的里程焦虑。

无功补偿与储能集成系统中H桥级联型功率变换器相内SoC快速均衡

无功补偿与储能集成系统应用于风、光电站具有经济性,其中H桥级联型功率变换器具有低功率因数运行特点,提升其相内SoC均衡速度有助于提升电池安全和储能系统容量利用率。在调制约束下,考虑相内SoC均衡中电压无功分量的叠加,分析不同功率因数时功率单元的SoC均衡能力。基于分析,提出相内SoC的快速均衡方法,设计均衡控制电压有功分量叠加方法,充分利用功率单元的SoC均衡能力。基于各功率单元叠加的电压有功分量设计相应单元的无功分量叠加方法,提升功率单元的SoC均衡能力。仿真分析验证了相内SoC快速均衡控制的有效性。

基于电热耦合模型的宽温域锂离子电池SOC/SOP联合估计

准确的状态估计对于锂离子电池安全可靠运行具有重要意义,但由于非线性强,多参数耦合,实现宽温域多参数联合在线估计难度较大。考虑到温度影响,建立电热耦合模型,采用扩展卡尔曼滤波算法(EKF)在线辨识电池参数,通过电压及温度仿真验证了模型的准确性;然后针对无迹卡尔曼滤波算法(UKF)历史数据利用率低的问题,引入多新息理论(MI)改进UKF,改进后的算法在非电压平台区荷电状态(SOC)估计均方根误差不超过1.2%,相较于改进前误差降低了30%以上,并结合安时积分法设计切换算法,解决了MIUKF算法在磷酸铁锂电池电压平台区无法通过电压反馈修正SOC估计误差的问题,实现了宽温域复杂工况下全区间SOC的准确估计,在不同SOC初始值条件下验证了结合算法的准确性,均方根误差不超过3%,为峰值功率(SOP)估计提供了可靠的SOC值;最后将温度约束引入到SOP估计中,提出多约束条件下的SOP估计方法,结果表明在高温条件下,温度起到关键限制作用,可以防止电池温升过大,减少安全隐患。

温度自适应SMO算法估计锂离子电池的SOC

现有对锂离子电池荷电状态(SOC)的估计,没有考虑温度变化导致的SOC估计准确度降低。提出一种考虑温度的滑模观测(SMO)法进行SOC估计。基于混合脉冲功率测试(HPPC)实验的数据,得到18650型LiFePO4锂离子电池的SOC与温度、参数之间的拟合式,通过台风(Typhoon)系统进行半实物实验分析。温度自适应SMO算法在低温或常温工况下的平均误差较传统SMO算法降低0.3~0.5个百分点,直接通过拟合式所快速估计的SOC较温度自适应SMO算法平均误差在2%左右,常温25℃工况下误差低于1%,能够实现较高的估计精准度,为快速估计SOC提供了较好的算法参考。