锂离子电池的健康状态(state of health,SOH)准确估计对于储能电站的稳定高效运行至关重要。为了进一步提高数据驱动方法对SOH估计的精度,本团队提出了一种利用交叉验证训练的线性回归加权融合模型的方法。首先,从放电电压曲线、充电和放电温度曲线中提取了健康特征,并使用Pearson相关系数对所选特征进行了相关性分析,确定了网络模型输入的健康因子参数。随后,通过在LSTM与GRU中加入注意力机制,建立了LSTM-Attention与GRU-Attention模型,分别以NASA电池老化数据集B0005、B0006、B0007和B0018电池的前50%作为模型训练集,用剩余数据对模型进行验证,分别得到了模型对应的ŷ_(L-A)与ŷ_(G-A)估计值,然后使用所提融合模型方法对两个估计值进行线性回归加权,结果显示该方法的最大均方根误差和平均绝对误差分别为0.00291和0.00200。最后,为验证所提模型的抗干扰能力,在输入模型的健康因子中加入不同比例的高斯白噪声,实验结果显示融合模型的抗干扰能力较强,最大均方根误差和平均绝对误差仅为0.03562和0.02889。
在表面形貌控制增强铁基载氧体Fe_2O_3(104)化学链燃烧反应活性研究的基础上,进一步研究了TiO_2,ZrO_2载体协同作用下Fe_2O_3(104)与CO化学链燃烧的反应特性.采用X射线衍射(XRD),扫描电子显微镜(SEM)和比表面积(BET)等方法对所制备的载氧体Fe_2O_3(104)/TiO_2和Fe_2O_3(104)/ZrO_2进行表征.研究了700,800和900℃下载氧体与CO化学链燃烧反应特性.结果表明,不同载体对Fe_2O_3(104)与CO发生化学链燃烧反应活性的影响程度不同,ZrO_2作为载体明显促进Fe_2O_3(104)与CO的反应速率.动力学分析结果显示,Fe_2O_3(104)/TiO_2与CO反应模型属于一级反应,反应活化能为153.6 k J/mol;Fe_2O_3(104)/ZrO_2与CO反应模型属于抽缩球体模型,反应活化能为118.9 k J/mol.