上海交通大学学报

Select

1. 基于反应状态原位测试的空冷型燃料电池运行参数分析

陈敏学, 邱殿凯, 彭林法

上海交通大学学报 2024, 58 (3): 253-262. DOI: 10.16183/j.cnki.jsjtu.2022.318

摘要（209）

HTML （22）

PDF（pc）（25048KB）（206）

空冷型质子交换膜燃料电池内部反应状态是影响电池输出性能和稳定性的关键因素.通过研制空冷燃料电池反应状态的原位测试装置,实现电池温度和电流密度的实时测量,揭示氢气出口脉排间隔、氢气入口气压和阴极风速对电池性能的影响机制.研究表明:空冷电池中温度和电流密度分布不均,平均电流密度为500 mA/cm²时,电池内温度极差达到20 ℃,电流密度极差达到400 mA/cm².氢气出口脉排间隔越短、入口气压越大,氢气出口区域性能越好,分布均匀性越好,电流密度波动也越小,输出稳定性提高.如果阴极风速过低,电池局部温度高,温度分布均匀性降低;风速过高则导致生成水被吹走,质子膜含水量下降,电流密度分布均匀性变差.

图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

2. 基于融合健康因子和集成极限学习机的锂离子电池SOH在线估计

屈克庆, 董浩, 毛玲, 赵晋斌, 杨建林, 李芬

上海交通大学学报 2024, 58 (3): 263-272. DOI: 10.16183/j.cnki.jsjtu.2022.306

摘要（46）

HTML （8）

PDF（pc）（3259KB）（28）

锂离子电池健康状态(SOH)的在线估计对电池管理系统的安全稳定运行至关重要.为克服传统基于数据驱动的锂离子电池SOH估计方法训练时间长、计算量大、调试过程复杂的问题,提出一种基于融合健康因子和集成极限学习机的锂离子电池SOH估计方法.该方法通过 dQ/dV 和dT/dV曲线分析,筛选出与电池SOH相关性较高的数据区间进行多维健康特征提取,并对其进行主成分分析降维处理得到间接健康因子;利用极限学习机的随机学习算法建立间接健康因子和SOH之间的非线性映射关系.在此基础上,针对单一模型输出不稳定的特点,提出一种集成极限学习机模型,通过对估计结果设置可信度评价规则剔除单一极限学习机不可靠的输出,从而提高锂离子电池SOH的估计精度.使用NASA和牛津大学的锂离子电池老化数据集对该方法进行验证,结果表明该方法的平均绝对百分比误差小于1%,具有较高的准确性和可靠性.

图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

Select

3. 考虑不同充电策略的锂电池健康状态区间估计

张孝远, 张金浩, 杨立新

上海交通大学学报 2024, 58 (3): 273-284. DOI: 10.16183/j.cnki.jsjtu.2022.347

摘要（120）

HTML （5）

PDF（pc）（3204KB）（131）

评估锂离子电池健康状态(SOH)对于电池使用、维护、管理和经济性评价都有十分重要的意义,但当前锂电池SOH估计方法多针对特定充电策略,采用确定性估计模型,无法反映电池退化过程中的随机性、模糊性等不确定性信息.为此,提出一种适用于不同充电策略的锂电池SOH区间估计方法.该方法针对不同充电策略的电池循环充放电数据提取多个特征参数,通过交叉验证自动选择针对特定充电策略的最优特征参数组合.另外,考虑到锂电池全生命期循环次数有限,属于小样本问题,提出集成支持向量回归与分位数回归优势的支持向量分位数回归模型(SVQR)进行锂电池SOH区间估计.选用放电程度较深的锂电池充放电循环数据作为训练集,对SVQR模型进行离线训练,训练好的模型用于不同充电策略下锂电池SOH在线估计.采用具有不同充电策略的数据集验证所提方法,实验结果表明:所提方法适用于不同充电策略,且估计结果优于分位数回归法、分位数回归神经网络法和高斯过程回归法.

图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）

推荐文章