以增程式电动汽车为研究对象,与热泵空调技术相结合,设计可利用发动机余热、电驱系统余热、PTC(positive temperature coefficient)、车外空气等多种热源的乘员舱制热方案。制定乘员舱多热源制热控制策略,搭建AMESim和Simulink联合仿真...以增程式电动汽车为研究对象,与热泵空调技术相结合,设计可利用发动机余热、电驱系统余热、PTC(positive temperature coefficient)、车外空气等多种热源的乘员舱制热方案。制定乘员舱多热源制热控制策略,搭建AMESim和Simulink联合仿真模型,对方案和策略进行仿真分析。仿真结果表明:在有余热利用的情况下,乘员舱制热优先选取发动机余热回收模式,其次选择电驱余热回收热泵模式;在无余热利用情况下,-10℃及以上温度选择空气源热泵制热,-10℃以下选择PTC进行制热。将多热源集成式制热策略与PTC单独制热、空气源热泵制热策略进行对比分析,结果表明:在不同环境温度下多热源集成式制热策略总能耗均最低,在环境温度为-20℃时,集成式制热能耗比PTC制热能耗降低32.1%,比空气源热泵制热能耗降低50.7%。展开更多
准确估计锂离子电池的健康状态(state of health,SOH)对保证电池的安全使用具有十分重要的意义。为了提高SOH估计精度,提出了一种融合卷积神经网络(convolutional neural network,CNN)和Transformer的锂离子电池SOH估计方法。首先,分析...准确估计锂离子电池的健康状态(state of health,SOH)对保证电池的安全使用具有十分重要的意义。为了提高SOH估计精度,提出了一种融合卷积神经网络(convolutional neural network,CNN)和Transformer的锂离子电池SOH估计方法。首先,分析了牛津实验室测试得到的锂离子电池充放电循环数据,提取了部分等间隔电压对应的充电时间序列作为表征电池老化的健康特征,并利用Pearson相关系数法定量分析了健康特征与SOH直接的相关性。然后,将具有局部特征提取能力的CNN与具有自注意力全局特征提取能力的Transformer相结合进行SOH估计。为了进一步提高估算精度,采用贝叶斯优化算法对CNN-Transformer全局超参数进行寻优,得到最优模型参数组合,提高了模型计算速度和SOH估算精度。在8个电池中进行交叉验证,结果表明:所提出的方法可以保证SOH估算最大误差、均方根误差和平均绝对误差分别小于1.5%、0.75%、0.63%。并将提出的方法与4种传统深度学习算法进行比较分析,发现该方法具有更好的估算精度和泛化能力。展开更多
文摘以增程式电动汽车为研究对象,与热泵空调技术相结合,设计可利用发动机余热、电驱系统余热、PTC(positive temperature coefficient)、车外空气等多种热源的乘员舱制热方案。制定乘员舱多热源制热控制策略,搭建AMESim和Simulink联合仿真模型,对方案和策略进行仿真分析。仿真结果表明:在有余热利用的情况下,乘员舱制热优先选取发动机余热回收模式,其次选择电驱余热回收热泵模式;在无余热利用情况下,-10℃及以上温度选择空气源热泵制热,-10℃以下选择PTC进行制热。将多热源集成式制热策略与PTC单独制热、空气源热泵制热策略进行对比分析,结果表明:在不同环境温度下多热源集成式制热策略总能耗均最低,在环境温度为-20℃时,集成式制热能耗比PTC制热能耗降低32.1%,比空气源热泵制热能耗降低50.7%。
文摘准确估计锂离子电池的健康状态(state of health,SOH)对保证电池的安全使用具有十分重要的意义。为了提高SOH估计精度,提出了一种融合卷积神经网络(convolutional neural network,CNN)和Transformer的锂离子电池SOH估计方法。首先,分析了牛津实验室测试得到的锂离子电池充放电循环数据,提取了部分等间隔电压对应的充电时间序列作为表征电池老化的健康特征,并利用Pearson相关系数法定量分析了健康特征与SOH直接的相关性。然后,将具有局部特征提取能力的CNN与具有自注意力全局特征提取能力的Transformer相结合进行SOH估计。为了进一步提高估算精度,采用贝叶斯优化算法对CNN-Transformer全局超参数进行寻优,得到最优模型参数组合,提高了模型计算速度和SOH估算精度。在8个电池中进行交叉验证,结果表明:所提出的方法可以保证SOH估算最大误差、均方根误差和平均绝对误差分别小于1.5%、0.75%、0.63%。并将提出的方法与4种传统深度学习算法进行比较分析,发现该方法具有更好的估算精度和泛化能力。
