基于深度学习的激光无线充电保护系统

为了提高智能家居远程激光无线充电系统使用的安全性,采用了一种基于深度学习的激光无线充电保护系统。针对贴附于智能家居表面的光伏电池属于小目标,具有不易识别的难点,改进得到了YOLOv7-NH网络模型,设立保护监测区,并融入帧间差分法用于实时监控充电区域;通过创设原理分析-算法框架搭建-环境调试等环节,编写了对充电目标所在区域进行图像监控的保护算法,并搭建了测试系统。结果表明,当激光发射端与充电目标距离在10 m以内,基于该算法搭建的保护系统的响应启动时间均低于1 ms,即当移动异物以低于常规速率1.5 m/s进入大小为40 mm×40 mm的保护监测区时,该保护系统能够在其运动到激光束所在光路前停止激光发射。这一结果对室内激光远程无线充电保护技术的发展是有帮助的。

移相全桥变换器拓扑研究

移相全桥变换器具有结构简单、开关器件电压应力小、功率密度高等特点,已被广泛应用于中大功率开关电源领域。但是传统移相全桥拓扑存在滞后桥臂软开关范围受限,占空比丢失,副边整流桥寄生振荡等问题。文章针对上述问题进行分析,介绍了四种改进方案,并对这四种拓扑工作原理进行了分析比较。

基于KCC-PF的锂离子电池剩余使用寿命预测

目的针对传统粒子滤波(PF)算法应用于锂电池剩余使用寿命(RUL)预测时准确性低的问题,将肯德尔秩次相关系数(KCC)引入传统PF的重采样过程,改善粒子匮乏问题,提出一种基于KCC-PF的锂电池RUL预测方法。方法首先建立电池容量衰减模型,验证模型的准确性和有效性,并确定模型初始参数,利用KCC-PF算法循环更新模型参数,逐步计算出容量的预测序列,然后根据失效阈值获得锂电池RUL的预测结果及其不确定性表达。利用NASA PCo E的电池老化试验数据,进行基于PF和KCC-PF的锂电池RUL预测试验。结果预测起点为第60次循环时,基于KCC-PF的锂电池RUL预测相对误差在10%以内。随着预测起点后移,相对误差可降低至3%以内。结论KCC-PF算法解决了传统PF粒子匮乏的问题,应用于锂电池RUL预测时,具有较高的预测准确性和鲁棒性。