基于灰色GM-BP神经网络组合模型的中国镍原矿多情景需求预测

2016年我国颁布《全国矿产资源规划(2016—2020年)》,首次将镍列为战略性矿产资源。我国是全球最大的镍消费国,但镍资源储量少,对外依存度高,科学预测镍原矿需求量对保障镍矿产业链与供应链安全具有重要的现实意义。从需求侧出发,利用灰色关联度法选取中国不锈钢产量、人均GDP、电镀行业市场规模、城镇化率、产业结构、新能源汽车产量作为镍原矿需求情景预测的驱动变量,再在灰色GM(1,1)模型预测基础上,与BP神经网络算法相结合,构建基于残差优化的GM-BP组合模型,对2025—2035年中国镍原矿需求展开多情景预测。研究结果表明:组合模型实现了对小样本非线性时间序列数据的有效预测,且比GM(1,1)模型拟合误差更小,预测精度更高;根据组合模型,2025年、2030年、2035年我国镍原矿多情景需求均值分别为182.22万t、272.08万t、395.17万t,“十四五”“十五五”“十六五”期间需求年均增长4.26%、10.54%、9.78%。镍原矿需求呈稳定上升态势,镍矿供需矛盾将进一步加剧,我国必须提高镍供应能力,降低对进口镍的依赖程度。对此,提出如下政策建议:1)推进国内不锈钢产业的转型升级,优化生产工艺和产品结构,推广新型合金材料的应用;2)加大对镍矿勘探和开发的支持力度,如鼓励矿业企业技术创新,提高勘探效率和精度,同时积极推动国际合作,吸引国外先进技术、设备进入国内市场;3)促进进口多元化,与多个供应国建立合作关系,鼓励国内企业参与海外镍矿项目。

基于运行参数的电动汽车火灾原因判别模型

分析2018-2021年的电动汽车火灾事故信息,归纳起火电动汽车典型特点。利用Origin分析电动汽车火灾BMS运行参数数据,发现由电池包进水、动力电池故障(电芯热失控、电池包内线路故障)引发事故的运行参数典型特征(SOC、电压、温度、绝缘电阻等)。基于此利用神经网络方法构建了基于运行参数的电动汽车火灾原因判别模型,12项运行参数为输入信息,3类起火原因为输出信息。模型通过训练达到期望误差水平0.05,检验样本正确率达到了100%,证明了模型可靠性。结果表明,不同原因电动汽车火灾事故,其运行参数具有不同特征及规律,运用原因判别模型能够有效地辅助判别电动汽车起火原因。

电池管理系统的设计及荷电状态的估算

电池管理是汽车混合动力系统的关键技术之一。对混合动力汽车电池管理系统(BMS)的硬件和程序流程进行了设计,并采用径向基函数(RBF)神经网络对电池的荷电状态(SOC)进行估算。使用RBF神经网络算法估算SOC可避免对电池内部复杂的电化学反应建模的过程,并可达到较高的精度。

基于MIMO-FNN模型的弹道导弹目标时空序贯融合识别方法

针对传统弹道导弹(BM)目标时空序贯融合识别算法识别效率低、抗噪性能差的缺点,提出了一种基于多输入多输出模糊神经网络(MIMO-FNN)模型的BM目标时空序贯融合识别方法.该方法首先根据多层融合的思想,结合神经网络和模糊理论,提出了多传感器多特征MIMO-FNN模型;其次,在此基础上,将当前时刻的融合结果与下一时刻的融合结果再融合,得到此时刻时空序贯融合识别结果,并将其与识别门限比较,直到满足识别门限要求,时空序贯融合识别结束,并做出决策;最后通过实验验证了所提模型的有效性和良好的抗噪性.

基于隐马尔可夫模型的锂电池退化状态识别

针对电池容量在实际应用中难以测量的问题,从在线传感器直接观测的电压、电流、时间等参数中提取状态特征向量代替容量来表征电池的健康状况。使用隐马尔可夫模型(HMM)作为状态监测器,分别对不同的退化时期建立HMM,通过前向-后向算法对当前观测序列计算相似概率来判断当前电池的健康状况。使用马里兰大学先进寿命周期工程研究中心(CALCE)公开的数据集与BP神经网络进行了对比实验,实验结果表明HMMs对锂电池退化状态有很高的识别率。

基于温度变化率曲线的锂离子电池健康状态评估算法

锂离子电池技术的日益成熟为新能源发电和电动汽车等产业发展提供了重要支撑作用。锂离子电池采用有机电解液,发生故障后极易触发电池材料的放热副反应,导致电池热失控,最终可能演化成燃烧爆炸等重大事故。电池健康状态(State of health,SOH)是锂离子电池储能系统故障诊断和安全预警的重要参数,精确估计SOH是提升电池系统安全性的有效方法。提出一种基于温度变化率(DT)曲线的锂离子电池健康状态评估算法,充分提取反映电池健康状态的锂离子电池表面温度信息,以电池充电过程中的DT曲线的极大值点和两极值间的电压差作为电池SOH估计的特征量,进而搭建了基于反向传播(Back propagation,BP)神经网络的SOH估计模型。结合试验数据和仿真,测试结果最终表明,所提出的方法可有效提升锂离子电池SOH的估计精度。

采用Reichardt运动检测器和Boltzmann Machine神经网络的运动计算

建立了一个探讨灵长类视皮层从V1区到MT区的运动信息加工原理的计算模型.这个过程的突出特征是视觉运动信息经过了从局部检测进步到整体感知.模型的第一层由用于抽提运动模式的局部速度以及结构性质的Reichardt运动检测器组成.进一步的加工是通过Boltzmann Machine神经网络来实现的.这种网络的学习算法具有局部更新的显著性质.在学习阶段,网络不断地修改联结权重以形成对于记录在网络的显单元上的环境结构的内部表征.此处的结构是显示给网络的各个局部运动二雏矢量场与对应的模式运动真实方向的组合.网络的训练受到一些网络参数的影响:总体结果是,随着学习样本数的增加,该网络的正确判断率不断提高,从而表明,无论运动模式朝向如何,该网络都能够判断出它的真实运动方向.

基于云端计算的SOC估计策略

荷电状态(SOC)是锂电池的重要参数。现有的SOC估计方法并不能很好地反映锂电池健康状态随着时间变化而变化的特征。结合云计算技术和无线通信技术,针对车载SOC估计中计算量和存储量不足的问题,提出了一种基于云端计算的SOC估计架构,并通过仿真试验验证了这一方法的有效性。