为探究煤液化柴油理化特性对整车实际道路排放特性和油耗的影响,选用石油基国六柴油(G6)、煤直接液化柴油(diesel of direct coal liquefaction,DDCL)以及煤直接液化和间接液化调和柴油(diesel of blend coal liquefaction,DBCL)三种油...为探究煤液化柴油理化特性对整车实际道路排放特性和油耗的影响,选用石油基国六柴油(G6)、煤直接液化柴油(diesel of direct coal liquefaction,DDCL)以及煤直接液化和间接液化调和柴油(diesel of blend coal liquefaction,DBCL)三种油品,在满足国Ⅵ排放法规的柴油车上依据GB 17691—2018,开展实际道路排放测量方法(PEMS)试验。结果表明:DDCL在三种油品中具有最低的硫含量、多环芳烃含量、运动黏度和t90/t95温度(燃料90%和95%回收温度),这些特性使其在燃油排放和油耗性能方面表现出色,因较低的硫与多环芳烃的含量可减少有害物生成,较低的运动黏度与t90/t95温度能提升雾化和燃烧效率,降低油耗并改善排放;在排放性能方面,与G6相比,DDCL和DBCL的NO_(x)排放分别下降了63.82%和39.11%,DDCL的PN(污染物的粒子数量)排放下降了40.54%,DDCL和DBCL的CO排放分别下降了97.24%和96.02%;在油耗方面,与G6相比,DDCL和DBCL燃油的百公里油耗分别下降了7.81%和2.34%。展开更多
实车动力电池的健康状态(state of health,SOH)评估存在数据质量差、工况不统一、数据利用率低等问题,本文面向阶梯倍率充电工况构建多源特征提取及SOH估计模型。首先,通过数据清洗、切割、填充,获取独立的充电片段;其次,基于不同电流...实车动力电池的健康状态(state of health,SOH)评估存在数据质量差、工况不统一、数据利用率低等问题,本文面向阶梯倍率充电工况构建多源特征提取及SOH估计模型。首先,通过数据清洗、切割、填充,获取独立的充电片段;其次,基于不同电流阶段计算容量,实现原始数据利用率达96.9%,并与单独限定SOC范围计算容量的方法相比,误差降低48.1%以上;然后,从当前工况、历史累积两个维度提取多个健康因子,对于当前工况特征值,通过灰色关联度及干扰性随机森林重要度分析双重筛选。对于历史累积特征值,利用Spearson相关性分析和核主成分分析方法(kernel principal component analysis,KPCA)降低信息冗余;最后,对门控循环单元网络模型(gated recurrent unit,GRU)引入注意力机制和龙格库塔优化算法(Runge Kutta optimizer,RUN),建立RUN-GRU-attention模型,基于实车运行数据集与现有5种模型进行对比,实验结果表明,无论是包含单阶段还是多阶段电流的测试样本,优化模型的估计精度更佳,误差不高于0.0086,并且随着充电循环次数增加表现出良好的误差收敛性,可有效预测SOH波动趋势。展开更多
文摘为探究煤液化柴油理化特性对整车实际道路排放特性和油耗的影响,选用石油基国六柴油(G6)、煤直接液化柴油(diesel of direct coal liquefaction,DDCL)以及煤直接液化和间接液化调和柴油(diesel of blend coal liquefaction,DBCL)三种油品,在满足国Ⅵ排放法规的柴油车上依据GB 17691—2018,开展实际道路排放测量方法(PEMS)试验。结果表明:DDCL在三种油品中具有最低的硫含量、多环芳烃含量、运动黏度和t90/t95温度(燃料90%和95%回收温度),这些特性使其在燃油排放和油耗性能方面表现出色,因较低的硫与多环芳烃的含量可减少有害物生成,较低的运动黏度与t90/t95温度能提升雾化和燃烧效率,降低油耗并改善排放;在排放性能方面,与G6相比,DDCL和DBCL的NO_(x)排放分别下降了63.82%和39.11%,DDCL的PN(污染物的粒子数量)排放下降了40.54%,DDCL和DBCL的CO排放分别下降了97.24%和96.02%;在油耗方面,与G6相比,DDCL和DBCL燃油的百公里油耗分别下降了7.81%和2.34%。
文摘实车动力电池的健康状态(state of health,SOH)评估存在数据质量差、工况不统一、数据利用率低等问题,本文面向阶梯倍率充电工况构建多源特征提取及SOH估计模型。首先,通过数据清洗、切割、填充,获取独立的充电片段;其次,基于不同电流阶段计算容量,实现原始数据利用率达96.9%,并与单独限定SOC范围计算容量的方法相比,误差降低48.1%以上;然后,从当前工况、历史累积两个维度提取多个健康因子,对于当前工况特征值,通过灰色关联度及干扰性随机森林重要度分析双重筛选。对于历史累积特征值,利用Spearson相关性分析和核主成分分析方法(kernel principal component analysis,KPCA)降低信息冗余;最后,对门控循环单元网络模型(gated recurrent unit,GRU)引入注意力机制和龙格库塔优化算法(Runge Kutta optimizer,RUN),建立RUN-GRU-attention模型,基于实车运行数据集与现有5种模型进行对比,实验结果表明,无论是包含单阶段还是多阶段电流的测试样本,优化模型的估计精度更佳,误差不高于0.0086,并且随着充电循环次数增加表现出良好的误差收敛性,可有效预测SOH波动趋势。
