基于数据驱动模型融合的锂离子电池多时间尺度状态联合估计方法

本文提出一种基于数据驱动法（data driven method,DDM）-等效电路模型（equivalent circuit model,ECM）融合的锂离子电池多时间尺度状态联合估计方法。首先提取内阻作为健康特征（health factor,HF），利用最小二乘支持向量机（least squares support vector machine,LSSVM）建立电池老化模型实现健康状态（state of health,SOH）估计；根据阻容参数辨识值和容量估计值建立电池状态空间方程，结合无迹卡尔曼滤波算法（unscented Kalman filter,UKF）进行荷电状态（state of charge,SOC）估计；用高斯过程回归（Gaussian process regression,GPR）对HF随循环次数的变化进行映射，预测HF的变化趋势，并结合LSSVM模型实现长期剩余使用使命（remaining useful life,RUL）预测。实验结果表明，所提方法具有较高精度和鲁棒性。     

车路协同网络中服务功能链可行时长优化映射算法

以车路协同网络为研究对象，针对物理链路间连通时长的差异性，本文提出优化可行时长的服务功能链映射算法。首先，建立车路协同的物理传输网络模型，并分别分析车车链路和车路链路的连通时长；其次，以映射可行时长为优化目标，以服务功能链的映射规则为约束，建立整数规划问题；最后，为求解该NP-hard问题，提出基于改进子图同构的映射算法，联合考虑车路协同环境中的节点属性、链路属性及链路间关联关系，设计剪枝策略，从而实现服务链路在物理链路上的组合优化映射。实验结果表明，通过考虑物理链路连通时长的差异性，并对其进行优化选择，提出算法在车间通信距离150m和最大车速60km·h-1 条件下，可将可行时长提升34.4%；同时，在车车通信范围、车辆数以及最大车辆速度这3项主要参数设置中均可验证发现，所提算法可有效提升映射可行时长。