电动汽车大功率充电过程动力电池充电策略与热管理技术综述

为实现"双碳"目标,电动汽车成为了交通工具转型的重要途径.但由于充电速度影响电动汽车用户体验,一定程度上制约了电动汽车的推广应用,为此,发展大功率充电是提升电动汽车市场渗入率的重要技术途径.然而,由于大功率充电带来的动力电池加速老化以及快速产热导致的动力电池组温度分布不一致性等问题,给电动汽车快速充电策略的制定和热管理系统的设计带来了新的挑战.本文从电动汽车大功率充电策略优化和电池组热管理系统设计两个角度,归纳了目前面向电动汽车大功率充电过程的管理技术研究现状.围绕大功率充电方式对动力电池性能的影响,评价了不同充电策略和热管理系统设计方法的优缺点.在此基础上,重点分析了电动汽车大功率充电策略及热管理技术发展中面临的挑战.     

就近语音唤醒及识别关键技术研究与空调应用

目前语音空调产品大都共用同一个唤醒词唤醒设备,因此,当多台语音空调被同时唤醒时,会产生"一呼百应"的现象,为解决这一现象,提出就近语音唤醒关键技术研究及空调应用.通过前端语音自适应降噪算法解决室内环境噪声以及空调内部混响,其次通过局域网语音就近唤醒组网选举得到master节点(主节点)和slave节点(子节点),最后根据声源发出声音的能量值或声源离语音空调距离值大小,经过master进行仲裁决策,最终让靠近用户最合适距离的空调被唤醒.     

复杂声学环境下语音空调语音降噪方法研究及应用

通过研究语音空调在复杂声学环境下的回声消除和混响消除方法,以此来解决远场语音空调识别率低及鲁棒性较差的问题.采用频域分块自适应滤波方法进行回声消除,对大混响环境优化收敛速度,设计基于时频掩码多通道线性预测方法来自适应降噪.首先使用深度学习技术来构建信号时频掩码模型,然后采用多通道线性预测自适应晚期混响抑制技术,结合掩码模型获取时频掩码信息,快速有效地抑制掉信号中混响成分,最后采用基于瞬态数据与特征值分解的空域滤波技术,结合掩码信息,准确估计多维空域信号导向矢量与噪声统计量,设计空域滤波器,有效抑制掉噪声干扰,提高识别鲁棒性.     

基于Buck电路的BLDCM调速系统设计

为了获得转速平稳、调节快速的无刷直流电机(BLDCM)输出,对BLDCM控制和驱动系统进行了设计。分析了BLDCM的运行原理和转矩波动原因,并采用Buck电路直接驱动解决了转矩波动的问题。针对传统PID调速慢、精度低以及参数调节困难等问题,采用了BP神经网络对PID进行参数调节。在MATLAB/Simulink仿真平台上搭建了系统的各个模块并进行仿真。结果表明,所设计的系统调节速度快,控制过程中超调小,转速平稳,转矩波动减小。     

基于博弈论准确性和差异性兼优的选择性集成建模方法及其应用

集成学习相较于单模型具有更好的预测精度和泛化能力,被广泛应用于工业过程的质量预测.基学习器之间的多样性和基学习器的准确性对集成的泛化能力影响极大.为了进一步提高集成模型的泛化能力,提出一种同时考虑准确性和差异性的选择性集成建模方法.以在线极限学习机作为基学习器,将基学习器的准确性和基学习器对集成模型多样性的贡献率作为博弈双方,利用博弈论原理求解得出使集成模型准确性和多样性都达到最优的选择方案,使集成模型的准确性和多样性兼优;模型预测完成后,综合当前误差和历史记录误差对基学习器的权重进行在线更新,实现在线测量阶段对建模对象特性的动态自适应.最后,使用公开数据集和实际工业数据验证了所提算法的合理性和有效性.     

电池储能参与电网一次调频的优化综合控制策略

为研究电池储能系统(Battery Energy Storage System,BESS)参与电网一次调频的高效性控制策略.本文在对电力系统调频需求进行分析与储能电池荷电状态(State Of Charge,SOC)考虑的基础上,提出一种兼顾电网调频需求与储能电池SOC状态的一次调频综合控制策略,给出不同荷电状态下的控制策略下垂系数自适应优化与均衡调节控制方法,实现了储能电池参与一次调频的自适应调整与状态均衡,并基于含储能电池的区域电网调频仿真模型,分别在阶跃扰动与连续扰动下对所提控制方法进行仿真分析.结果表明,所研究控制策略在电力系统频率调节与电池SOC保持方面均具有较佳的效果.     

边缘AI的霜雪识别系统设计与实现

为提高霜雪识别系统的识别率,开展了基于边缘AI的霜雪识别系统设计。综合海思嵌入式处理器Hi3559A高算力、低功耗特点,硬件部分采用模块复用的方法降低功耗和资源消耗,软件部分,从模型训练、模型量化、模型部署入手对MobileNetV2图像分类网络和ISP自适应处理算法进行改进,最终识别率99.7%,预处理时间0.3 s,图像分类时间0.8 s,模组平均功率2 W,鲁棒性好、性能稳定。由此可见Hi3559A智能相机模组可有效纠正雪深探测仪的疑误数据。     

基于自适应粒子群优化LSSVM的变压器油中溶解气体浓度预测

为了实现油浸式变压器油中溶解气体的预测,进而达到变压器状态预警、降低事故发生率的目的,本文将自适应粒子群优化算法(IDP SO)和最小二乘支持向量机(LSSVM)相结合,建立变压器油中溶解气体预测模型.利用IDP SO算法基于种群的并行搜索策略特点来自适应迭代搜索最优的目标函数值,寻找LSSVM模型中的参数ξ、C和σ的最优取值,克服了应用传统支持向量机算法进行预测时凭主观经验选择参数对模型泛化能力和预测性能的影响.利用国网陕西省电力公司某变电站采集变压器油色谱数据进行实例验证,结果表明基于IDP SO优化的LSSVM算法具有较好的模式跟踪性能,且能够有效提高变压器油中溶解气体预测的预测精度.