XiaoMi-AI文件搜索系统
World File Search System退化模型
混合动力发电厂的电池退化模型
摘要 — 混合动力发电厂 (HPP)，例如光伏 (PV) 和电池组合，在可再生能源渗透率高的电力系统中变得越来越重要，以解决光伏波动并确保电网稳定性。本文重点关注在考虑电池退化的同时对 HPP 中光伏和电池系统之间的协调进行建模的迫切需求。我们提出了一个发电调度模型，该模型明确将光伏电池混合纳入机组组合问题。此外，HPP 调度问题的成本函数内生地考虑了具有可调权重的电池退化，以在最小化生产成本和延长电池寿命之间取得平衡，特别是在提供能源套利和辅助服务时。使用真实的孤岛系统模拟，我们证明在调度问题中考虑电池退化可以显着延长电池寿命，而只需增加少量生产成本。索引术语 — 混合动力发电厂、光伏、电池退化、机组组合、优化
PyBaMM 电池建模会议
PyBaMM 辅助锂离子电池储层分析：电池设计策略和循环协议 13:30-13:45 Robert Timms 博士，Ionworks 锂离子电池快速充电的电化学和热建模，采用顺流和逆流极耳连接以及锂电镀的评估 13:45-14:00 Thomas Holland，Imperial 使用基于物理的 PyBaMM 退化模型对退化模式分析方法进行基准测试 14:00-14:15 Micha Philipp，德国航空航天中心
基于充电特性和反向传播神经网络的健康状态评估
等效电路模型 (ECM)、电化学模型和经验退化模型 (EDM) 是常用的 SOH 估算模型。基于 ECM 的方法不研究电池内部复杂的物理化学反应过程，而是基于电路模型，采用滤波算法进行参数辨识，并更新模型参数进行 SOH 估算。例如，余 [3] 采用递归最小二乘 (RLS) 法辨识 ECM 的参数，然后采用自适应 H∞ 滤波算法估计 SOH。徐 [4] 也采用 RLS 辨识参数，然后估算 SOH。基于模型的方法虽然简单、计算成本低，但自适应性较差，且估算结果更多地依赖于参数辨识和滤波算法的有效性。
ScienceDirect - Re.Public@polimi.it
摘要：本研究阐述了数字孪生概念验证，以支持运行至故障数据可用性低的机器预测。数字孪生是在米兰理工大学管理学院制造业组的工业 4.0 实验室范围内开发的，能够与钻机操作并行运行，因此，它能够预测最关键故障模式的演变，即钻轴的不平衡。钻机的实时监控是通过低成本和改造解决方案实现的，该解决方案提供了 Raspberry-Pi 加速度计的安装，能够增强现有的自动化程度。依靠实时监控和模拟的联合使用，数字孪生通过所谓的指数退化模型实现随机系数统计方法，最终证明随着监控数据的到来，预测精度会提高。数字孪生概念验证按照 MIMOSA OSA-CBM 标准，按照从数据采集到剩余使用寿命预测的整个过程进行描述。
耦合仿真和加速退化模型的可靠性评估：应用于电压调节器
本文根据低压差稳压器的行为，演示了如何使用数值模拟数据，基于加速退化测试数据进行可靠性性能评估。该稳压器采用 Cadence Virtuoso 软件和 180 nm AMS CMOS 技术设计，并通过模拟评估其输出电压随温度和输入电压的变化。输出电压退化数据是根据环境参数（输入电压和温度）约束生成的，这使得我们能够利用数值模拟模型和所提出的退化模型定义加速条件下的故障阈值。采用退化路径模型确定指定故障标准（5%）下的伪故障时间。然后，我们推导出加速度定律模型，通过执行最大似然估计法来估计可靠性模型参数，不仅可以分析，还可以预测不同电压和温度应力条件下稳压器的寿命数据分布。
用于稳固光伏电力的电池储能系统尺寸确定，包括老化分析
摘要：太阳辐射的变化对将太阳能光伏 (PV) 能源整合到电力系统中提出了重大挑战。结合电池存储技术可确保能源可靠性并促进可持续发展。在本研究中，通过迭代计算过程进行能量分析，确定安装规模和具有最佳恒定月功率的运行设定点，同时考虑各种运行设定点和系统参数。根据电池制造商提供的曲线集成退化模型，并使用雨流法计算充电放电循环，以确保对工厂进行可靠的分析。通过长期模拟中的大量数据分析，生成指标，允许建立系统的能量不可用性与 BESS 尺寸之间的关系。
考虑电池退化的光伏/电池微电网能源管理策略性能
摘要：针对为带有电动汽车的住宿建筑提供电力的光伏/电池系统，对几种复杂程度不断增加的能源管理策略在成本效益方面进行了比较。实施了有或没有生产预测的基于规则的控制方法，并将其与用作参考的线性规划策略进行了比较。最简单方法和参考方法之间的增益改进约为 27%。看来电池循环次数差别很大（高达 55%），导致或多或少快速老化。因此添加了电池退化模型，并在策略收益中引入了相应的成本。结果取决于初始电池成本，会受到显著影响，从而改变控制策略的相关性。15
用于分立功率器件状态监测和剩余使用寿命预测的复合故障前兆
摘要 — 为了防止电力电子系统中发生灾难性故障，已经确定了多种故障前兆来表征功率器件的退化。然而，在确定支持高精度剩余使用寿命 (RUL) 预测的合适故障前兆方面存在一些实际挑战。本文提出了一种充分利用潜在故障前兆来制定复合故障前兆 (CFP) 的方法，其中 CFP 直接根据退化模型进行优化以提高预测性能。明确推导了退化模型的 RUL 估计值，以方便前兆质量计算。对于 CFP 公式，采用遗传规划方法以非线性方式整合潜在故障前兆。结果，阐述了一个可以为给定的 RUL 预测模型制定出更好故障前兆的框架。通过 SiC MOSFET 的功率循环测试结果验证了所提出的方法。
ISO72x 系列数字隔离器的高压寿命
与 E 模型不同，竞争对手通常对其数据使用任意拟合，这种拟合不基于任何物理介电退化模型。图 4 中显示的功率拟合就是一个例子。这里绘制了图 3 中使用的相同数据，并使用功率曲线生成了最佳拟合趋势线，如图 4 所示。可以看出，使用这种方法可以预期显著延长使用寿命。包括已发布的电感耦合设备竞争对手数据（也是 10 ppm 级别）以供比较。竞争对手的数据是使用年为单位的时间尺度发布的；因此，在图 4 中，这些单位从年转换为秒以进行比较。TI 倾向于使用 TDDB E 模型，因为该模型比较保守，与任何其他模型或最佳数据拟合方法相比，该模型应该能够产生高置信度的预测。
使用预测和健康管理 (PHM) 预测起落架的剩余使用寿命
摘要：起落架是飞机的重要组成部分。然而，起落架的部件在其使用寿命内容易退化，这可能导致起飞和降落时出现摆振效应。为了减少意外航班中断并提高飞机的可用性，本研究研究了预测性维护 (PdM) 技术。本文介绍了一个案例研究，该研究基于当前在役飞机的预测和健康管理 (PHM) 框架实施剩余使用寿命 (RUL) 的健康评估和预测工作流程，这可能对机队运营商和飞机维护产生重大影响。机器学习用于使用数据驱动方法开发起落架的健康指标 (HI)，而时间序列分析 (TSA) 用于预测其退化。使用来自在役飞机的大量真实传感器数据评估退化模型。最后，概述了为下一代飞机实施内置 PHM 系统的挑战。