面向电动汽车一类宽温度,大幅值、宽频率随机电流应用场景,提出一种基于全新电热耦合模型的锂电池多状态在线联合估计方法。该模型由自回归等效电路模型与单态集总热模型耦合而成,以提高模型电气动态跟随性能。电热耦合模型参数采取“...面向电动汽车一类宽温度,大幅值、宽频率随机电流应用场景,提出一种基于全新电热耦合模型的锂电池多状态在线联合估计方法。该模型由自回归等效电路模型与单态集总热模型耦合而成,以提高模型电气动态跟随性能。电热耦合模型参数采取“先验信息初始化-在线修正”的方式确定,以避免电池一致性问题带来的误差,从而实现电热耦合关系在宽温度内的连续准确表达。基于所提出的ARST(autoregression-single state thermal model)耦合模型,该文采用双滤波算法实现锂电池多状态的在线联合估计,弥补目前电池3种及以上状态联合估计的稀缺问题。最后,在[0,50]℃,基于两个动态工况,将所提出的算法与两类基于模型的多状态联合估计算法进行比较。结果表明:ARST模型具有更好的电气跟随性能;所提出的模型参数在线辨识算法能够有效提高模型精度,从而提高多状态联合估计精度;在宽温度应用中,相较仅基于电模型的多状态联合估计算法,兼顾热状态估计的多状态联合估计算法能够有效提高电池状态的估计精度。展开更多
文摘目的比较深度森林联合模型、深度森林以及随机森林在医学影像数据分类中的预测性能。方法本研究提出深度森林联合模型,通过Sobol-MDA(Sobol-mean decrease accuracy)结合深度森林级联结构和随机森林的特征提取能力,对模拟实验和真实医学影像数据进行分析。模拟实验涵盖结局变量不均衡、变量间非线性关系、噪声变量、多重共线性及交互作用等场景。实例分析基于腮腺MRI数据,比较各模型在曲线下面积(area under curve,AUC)值等指标上的表现。结果在模拟实验以及实例分析中,深度森林联合模型表现优越,特别是在复杂交互作用场景下,其预测性能显著优于深度森林或随机森林模型。结论深度森林联合模型在应对复杂医学影像数据分类任务中具有显著优势,尤其在处理变量间存在高阶交互作用时,其预测性能优于深度森林。
文摘面向电动汽车一类宽温度,大幅值、宽频率随机电流应用场景,提出一种基于全新电热耦合模型的锂电池多状态在线联合估计方法。该模型由自回归等效电路模型与单态集总热模型耦合而成,以提高模型电气动态跟随性能。电热耦合模型参数采取“先验信息初始化-在线修正”的方式确定,以避免电池一致性问题带来的误差,从而实现电热耦合关系在宽温度内的连续准确表达。基于所提出的ARST(autoregression-single state thermal model)耦合模型,该文采用双滤波算法实现锂电池多状态的在线联合估计,弥补目前电池3种及以上状态联合估计的稀缺问题。最后,在[0,50]℃,基于两个动态工况,将所提出的算法与两类基于模型的多状态联合估计算法进行比较。结果表明:ARST模型具有更好的电气跟随性能;所提出的模型参数在线辨识算法能够有效提高模型精度,从而提高多状态联合估计精度;在宽温度应用中,相较仅基于电模型的多状态联合估计算法,兼顾热状态估计的多状态联合估计算法能够有效提高电池状态的估计精度。
