基于非线性降维IC特征的实车电池SOH估计EI北大核心CSCD

基于实车电池复杂的运行数据,本文使用增量容量分析方法提取IC峰特征作为电池充电片段的有效特征,使用t-SNE非线性降维方法处理IC峰特征,消除多维特征冗余性,以解决实车数据难以提取可靠特征的问题。另外构建支持向量回归模型,实现对电池健康状态的估计。结果表明,本文使用的增量容量曲线峰特征能有效表征电池健康状态衰退变化;对实车数据的平滑、降噪方法可以较好地提升训练数据质量;基于t-SNE降维特征的SVR模型提升了对电池健康状态的估计精度,保证了有限样本数据集上实现准确估计。     

电动汽车动力锂电池状态估计综述

电池状态估计是电池管理系统的核心技术，对保证电池安全可靠的使用、充分发挥电池的能力、延长使用寿命起着至关重要的作用。电池模型是状态估计技术的基础，极大地影响着状态估计的精度和时效。为此，对最常用的电池建模和状态估计方法进行了梳理和总结。首先，对电池模型及其建模方法进行系统概述，主要包括电学特性模型、热模型、电热耦合模型以及老化模型。然后通过对文献的归纳分析，从剩余容量、功能估计、功率预测、健康评估、温度监测和安全保障等角度，对电池荷电状态、健康状态、能量状态、功能状态、功率状态、温度状态和安全状态等估计方法进行了较为全面的阐述。最后，对未来电池状态估计的研究方向和趋势进行展望。研究结果可为电动汽车动力锂电池状态估计朝着先进化、智能化发展提供参考。     

上海市居民共享自动驾驶汽车使用意愿研究

作为极具潜力的新型出行方式，共享自动驾驶汽车的出现必将引起居民出行行为的转变。为了研究上海市居民共享自动驾驶汽车的使用意愿及影响因素，本文利用网络问卷调查的RP与SP数据，结合百度地图API数据，构建基于解析逼近估计方法的多项Probit模型。结果显示：共享自动驾驶汽车通勤和非通勤出行中时间价值分别为64.34元/小时和81.55元/小时，弹性分析结果显示居民对于等候时间的敏感性显著高于费用；男性、已婚、高收入、高学历、自由职业者、合乘通勤者、年龄小于18岁的人群，以及家庭有未成年儿童、拥有沪C牌照小汽车的居民使用意愿较强。居民对于共享自动驾驶汽车越了解，使用意愿越强烈，而体验过自动驾驶服务的居民使用意愿更为强烈。     

一种基于扩展状态观测器的智能船舶Nomoto模型参数辨识方法北大核心CSCD

[目的]为了支持制导、导航、控制等船舶智能化技术的测试验证平台的搭建,利用系统辨识技术得到高精度的智能船舶野本(Nomoto)运动模型参数。[方法]充分结合扩展状态观测器(ESO)以及鲁棒加权最小二乘支持向量回归(RW-LSSVR)算法的优势,提出一种高效低成本的混合参数辨识方法。为解决模型参数辨识中无法直接有效获取某些状态量的问题,构建了基于ESO的状态估计方法。基于估计方法与直接测量的船舶运动状态量,采用具有较强抗异常值干扰的RW-LSSVR对智能船舶二阶线性Nomoto运动模型参数进行辨识。以已知模型的两艘船舶为测验对象,对所提参数估计与辨识方法进行综合测验。[结果]在利用较少传感器的情况下,通过ESO可较精确地估计出非直接测量的船舶运动状态量,并且利用RW-LSSVR辨识得到的参数值十分接近标准值。[结论]利用所提方法获得的估计状态可用于参数辨识,并且辨识模型具有较好的泛化性。     

考虑环境温度影响的超级电容SOC加权融合估计方法

超级电容荷电状态（SOC）的准确估计，直接决定了电动汽车的起动、爬升和加速性能，是电动汽车混合储能系统最重要的任务之一。为此，本文中提出了一种基于模糊熵加权融合的超级电容SOC估计方法。首先，利用粒子群算法辨识了-10、10、25和40℃下的戴维南模型参数，并且采用最近邻点法建立了其与温度之间的映射关系。然后，利用模糊熵设计了基于3种典型卡尔曼滤波的SOC加权融合估计方法。最后，选择自适应加权平均以及残差归一化加权融合的SOC估计方法用于进一步评估该方法的性能表征。结果表明，基于模糊熵加权融合的超级电容SOC估计方法能够提高超级电容SOC估计精度，尤其在高温环境（40℃）下提升效果更为显著。     

动态条件下基于深度学习的锂电池容量估计

锂离子电池在老化过程中，其内部呈现非线性的复杂变化，因此直接使用动态条件下的锂离子电池运行时段的数据（电流、电压和温度）进行电池健康状态的实时估计是一个具有挑战性的问题。本文中选取锂离子电池随机充放电数据，对动态数据的部分片段进行时频特征提取，组成时频特征矩阵作为输入，构建级联式卷积神经网络和门控循环单元容量估计模型，对输入数据进行内在特征提取，并进一步挖掘各时间序列中的相关特征，实现锂离子电池动态条件下的容量估计。利用美国航空航天局锂离子电池随机使用数据集进行实验验证的结果表明，该方法能在仅已知电池的额定容量的情况下，准确完成锂离子电池容量估计。最后，本文还分析了模型超参数设置、原始数据时序长度、网络输入和模型结构对容量估计精度的影响。     

基于轨迹数据的过饱和信号路口排队长度分析

针对交通过饱和情况，利用网联车轨迹数据提供的车辆到达和停车位置等信息，提出一种基于交通冲击波的周期初始队列长度和最大排队长度的估计方法。基于网联车车辆轨迹确定车辆到达时刻、排队时刻、启动时刻及驶离时刻4个临界点的时空数据，并根据时空信息建立到达率估计模型，运用冲击波理论对每个周期初始队列长度及最大排队长度进行估计，应用微观交通仿真软件SUMO对模型进行仿真验证。实验结果表明：在网联车渗透率不低于20%的情况下，当v/c=1.0(v为实际交通流量，c为道路通行能力)时，初始队列长度MAE值小于6.5 m,MAPE值小于10%，最大排队长度的MAE值小于16.0 m,MAPE值小于11%，说明基于车辆轨迹的交叉口排队长度估计模型能够较为有效地估计过饱和交叉口的最大排队长度和初始队列长度。     

基于RMPC的自动驾驶货车路径跟踪控制

针对自动驾驶货车相较于普通乘用车具有较大模型不确定性、执行器偏差以及存在曲率扰动等外部影响因素导致路径跟踪精度不足问题，本文提出一种基于鲁棒模型预测控制（robust model predictive control,RMPC）的分层式控制方法。首先，在转角增量式控制误差模型的基础上，根据实际车辆系统与标称模型之间的偏差，设计鲁棒控制律并构建上层多目标约束RMPC控制器，提高跟踪精度。然后，针对自动驾驶货车不足转向以及定位误差问题，设计下层转角补偿器和基于中值滤波的状态估计器，改善执行响应，提升车辆稳定性。最后，通过TruckSim/Simulink联合仿真和实车试验验证，结果表明：所提出的控制方法能够有效处理模型失配和不确定性扰动，具备良好的鲁棒性和适应性。     

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。     

一种基于试验数据的断路器寿命评估方法

本文依据收集的断路器寿命试验数据，通过拟合优先度检验确定了断路器寿命分布符合威布尔分布模型，利用极大似然估计估算出双参数威布尔分布的参数值，从而得到该型断路器寿命的累积失效分布函数、失效密度函数和可靠度函数，求得断路器的平均故障间隔时间，为断路器的寿命评估提供了依据。