考虑锂电池磁场下充放电能量预测的一种深度学习方法
为了解决锂离子电池能量状态（SOE）的精度难题，提出了一种改进的深度学习模型，旨在复杂多变的环境下以及长短时序输入条件下能够实现对SOE的精确预测。在实验测试中，发现磁场对电池性能，特别是SOE的影响显著。为此，研究团队开发了结合改进的Informer网络和长短期记忆网络（LSTM）的深度学习模型，以提升SOE预测的准确性。改进后的解码器无需依赖标签历史信息进行解码，模型变得更加轻量化，泛化能力和普适性也得到了提升。此外，改进的Informer网络输出更高维度的隐藏特征，这些特征被输入到LSTM网络层以输出SOE预测值，从而弥补了原始Informer网络在序列整合能力差这一特点。该研究成果为电池管理系统的优化和电池能量状态的精准预测提供了重要的理论支持和应用价值。
相关成果2024年7月发表在在中科院一区Top期刊Energy（IF=9.0）上，我校为唯一完成一单位，作者顺序：阮观强（第一作者）、刘子熙（研究生）、程金润、胡星、陈松（研究生）、刘世文（研究生）、郭勇、杨阔（通讯作者）。Doi: https://doi.org/10.1016/j.energy.2024.132161
基于轻量级Mixer架构的真实电池充电状态预测方法
电池荷电状态（SOC）的准确预测对于动力电池的安全运行、使用寿命和维护效率至关重要。然而，传统模型在面对不同类型电池和复杂的实际使用场景时，通常面临泛化性不足、计算资源消耗大的挑战，尤其是近年来流行的注意力机制在处理稀疏标签数据时，不仅消耗大量算力，还显著增加了计算复杂度效果不佳。为解决这些问题，团队提出了一种轻量级的Trendflow-Mixer模型。该模型基于创新的轻量化架构，相较于主流的Transformer架构，参数量减少约70%，且在前向传播过程中无需时间戳信息，有效降低了与时间戳相关的计算负担。通过在公开验证数据集、跨品类电池以及真实车辆行驶数据的实验，验证了该模型在不同类型和生命周期阶段的电池上均能有效预测SOC变化趋势，展现出卓越的泛化性和鲁棒性。这一成果为动力电池智能管理提供了更高效、更轻量化的解决方案。
相关成果2024年10月发表在在中科院一区Top期刊Energy（IF=9.0）上，我校为第一完成一单位，作者顺序：刘子熙（我校研究生第一作者）、阮观强、田宇鹏（研究生）、胡星、严嵘（上海奥威科技发展有限公司）、杨阔（通讯作者）。Doi: https://doi.org/10.1016/j.energy.2024.133434
超级电容器箱体风冷散热结构设计与优化
针对超级电容器盒散热结构提出了一种有效的非线性优化方法。超级电容器因其充放电速度快、循环寿命长、绿色环保等特点在现代有轨电车中得到了广泛的应用，但运行过程中产生的大量热量难以散发，阻碍了其进一步推广应用。现有的研究主要集中在锂离子电池组散热结构的仿真，关于超级电容器模块散热结构的仿真文献相对较少。研究以某有轨电车超级电容器盒为研究对象，首先建立散热有限元模型，然后对其散热特性进行仿真，并对超级电容器模块沿x和y方向的间距进行优化。针对超级电容器模块发热的非线性特点，采用突变理论对散热结构进行优化，结果表明：进风口非对称、出风口对称时散热效果最好，峰值温度为310.15 K，降低了2.2 %，温差为1.73 K，降低了53.2 %。研究结果可为超级电容器箱体散热结构设计提供科学依据。
相关成果2024年10月发表在在中科院二区期刊Applied Thermal Engineering（IF=6.1）上，我校为唯一完成一单位，作者顺序：胡星、田宇鹏（研究生）、杨阔、阮观强（通讯作者）。Doi: https://doi.org/10.1016/j.applthermaleng.2024.123458
电机控制领域取得系列进展
为减少永磁同步电机（PMSM）非线性系统的角度，提出了一种观测误差阈值EKF（OET-EKF）算法。在传统EKF的基础上，对转速的估计观测值与实际观测值的误差设置阈值，并通过阈值对传统EKF算法进行修正，提高了算法的鲁棒性。通过MATLAB/Simulink仿真验证了OET-EKF算法的鲁棒性。组内研究生苏禹涵相关成果在2024年发表在Transactions of the Institute of Measurement and Control，DOI: https://doi.org/10.1177/01423312241273770
为了缩短永磁同步电机的转速跟踪响应时间，并提升抗转矩脉动扰动能力，团队研究了一种新型复合控制方法，该方法基于自适应高阶快速非奇异终端滑模控制（AHONFTSMC）和滑模扰动观测器。该方法旨在加速速度跟踪响应，并增强电机对扭矩脉动的抗扰动能力。首先，针对传统非奇异终端滑模控制（NFTSMC）在快速响应与抑制抖动之间的矛盾，提出了一种自适应参数技术，以提升系统的动态响应能力。AHONFTSMC确保了系统具有良好的跟踪性能，同时有效减少了控制输出中的抖动。其次，构建了非线性扰动观测器，以进一步提升系统的响应精度，能够监测系统中的扰动微分并为控制器提供前馈补偿。通过应用李雅普诺夫理论，证明了所设计复合控制器的稳定性与收敛性。实验结果显示，与滑模控制（SMC）和NFTSMC方法相比，采用AHONFTSMC控制的电动机在控制性能上显著改善。具体而言，达到额定速度所需时间分别减少了68.6%和15.6%；速度超调量分别减少了22%和3%。与非自适应HONFTSMC方法相比，达到额定速度的时间减少了7.3%。此外，AHONFTSMC确保电磁扭矩的稳定变化，有效减少了抖动现象。这些结果验证了所提出控制策略在提升系统控制精度和整体动态性能方面的显著效果。
相关成果组内研究生苏奕羽发表在于2024年发表在期刊Journal of Electrical Engineering & Technology上。DOI：https://doi.org/10.1007/s42835-024-01949-x。
（供稿：机械学院 阮观强）
