目前我國(guó)真正達(dá)到低碳節(jié)能標(biāo)準(zhǔn)意義的建筑不到10%，其他的90%都是耗能建筑，而且新建房屋建筑中95%以上仍為高能耗建筑，但我國(guó)資源占有量不到世界平均水平的20%，單位建筑面積能耗卻是氣候相近發(fā)達(dá)國(guó)家的3～5 倍。因此針對(duì)超低能耗、近零能耗建筑，開(kāi)發(fā)安全、高效、綠色、經(jīng)濟(jì)、耐久的保溫裝飾一體化板保溫系統(tǒng)具有極其重要的價(jià)值，而儲(chǔ)能電池是智能傳感應(yīng)用的關(guān)鍵?，F(xiàn)今，鋰離子電池(lithium-ion batteries，LIBs)已成為儲(chǔ)能系統(tǒng)電源的主要選擇

。為提高電池系統(tǒng)實(shí)際運(yùn)行的安全性、穩(wěn)定性和可靠性

，電池SOH估計(jì)成為至關(guān)重要的研究熱點(diǎn)

。SOH 通常根據(jù)容量衰減和內(nèi)阻變化來(lái)對(duì)電池老化程度進(jìn)行定量評(píng)估

。然而，目前無(wú)論是容量還是內(nèi)阻都不能用市售的傳感器直接測(cè)量

。因此，間接分析方法是開(kāi)發(fā)SOH 估計(jì)方法的一個(gè)重要方向。間接分析的關(guān)鍵在于如何能從低成本傳感器采集的數(shù)據(jù)中提取出間接健康特征參數(shù)來(lái)表征SOH。

從電壓、溫度曲線(xiàn)中提取間接健康特征的分析方法已經(jīng)獲得了廣泛的研究。ICA通過(guò)測(cè)量電池在不同循環(huán)周期中電壓與電池增量容量之間關(guān)系的變化趨勢(shì)，提取出電池的退化特征參數(shù)

。差分電壓分析(differential voltage analysis，DVA)通過(guò)分析電壓對(duì)容量的導(dǎo)數(shù)與電池循環(huán)退化過(guò)程中的峰谷變化，能夠檢測(cè)和量化退化機(jī)制

?？紤]到電池使用中電池溫度的變化，差熱伏安法(differential thermal voltammetry，DTV)通過(guò)電壓和溫度的差分比率計(jì)算參數(shù)，參數(shù)曲線(xiàn)的峰值變化反映了電池容量衰減信息

。

在對(duì)學(xué)校的創(chuàng)業(yè)教育對(duì)大學(xué)生是否重要這一測(cè)量項(xiàng)上，超過(guò)70%的學(xué)生認(rèn)為創(chuàng)業(yè)教育對(duì)學(xué)生重要，這說(shuō)明大學(xué)生對(duì)創(chuàng)業(yè)教育的重要性具有較高的認(rèn)知度?？傮w來(lái)看，目前高職院校學(xué)生期望更全面，更有效的創(chuàng)新創(chuàng)業(yè)教育，期望能有專(zhuān)業(yè)部門(mén)組織開(kāi)展創(chuàng)業(yè)教育與實(shí)踐。

曲線(xiàn)相似性分析是一種常用的聚類(lèi)分析方法，在大規(guī)模電池組故障分析研究中，通過(guò)對(duì)不同電池單體的電壓曲線(xiàn)聚類(lèi)，能夠分析出電池組的健康狀況

。對(duì)同一電池單體不同充放循環(huán)的電壓曲線(xiàn)進(jìn)行相似性分析可以估計(jì)出電池單體SOH。參考文獻(xiàn)[11]引入平均弗雷歇距離(average Fréchet distance，AFD)方法來(lái)確定充放電曲線(xiàn)的相似性，實(shí)驗(yàn)表明AFD 是良好的SOH 估計(jì)參數(shù)。參考文獻(xiàn)[12]為解決不同長(zhǎng)度的循環(huán)曲線(xiàn)序列，使用動(dòng)態(tài)時(shí)間規(guī)整(dynamic time warping，DTW)算法和長(zhǎng)短期記憶網(wǎng)絡(luò)(long short term memory networks，LSTM)的組合模型估計(jì)電池的SOH。

基于曲線(xiàn)相似性分析思想，本研究提出了一種使用時(shí)間規(guī)整圖TWP提取間接健康特征參數(shù)，使用支持SVR模型估計(jì)SOH的方法。流程如圖1所示。

另外，北辰教堂作為盤(pán)龍區(qū)基督教三自愛(ài)國(guó)運(yùn)動(dòng)委員會(huì)的直屬堂，主動(dòng)擔(dān)負(fù)起對(duì)依法成立的盤(pán)龍區(qū)內(nèi)的14個(gè)堂、點(diǎn)教務(wù)指導(dǎo)的責(zé)任。考慮到有12處農(nóng)村教會(huì)處于多民族聚居區(qū)，其傳道人知識(shí)匱乏，圣經(jīng)知識(shí)掌握不扎實(shí)，因此，北辰教堂加強(qiáng)了對(duì)這些散落在山區(qū)的教會(huì)的管理。每年為這些教會(huì)的教牧人員和義工開(kāi)展兩到三次培訓(xùn)，除了圣經(jīng)內(nèi)容的解讀，還組織對(duì)抵制異端邪教的法律法規(guī)的學(xué)習(xí)。此外，北辰教堂會(huì)定期安排牧師前往各農(nóng)村教會(huì)進(jìn)行牧養(yǎng)，安排義工每月探訪(fǎng)，建立微信群，保持信息暢通。

首先，通過(guò)等間隔采樣獲取LIBs初始循環(huán)的放電電壓曲線(xiàn)作為參考序列，依次獲取不同循環(huán)的放電電壓曲線(xiàn)作為采樣序列。然后，使用DTW算法找出最優(yōu)規(guī)劃路徑，通過(guò)坐標(biāo)轉(zhuǎn)換獲得TWP并提取出4個(gè)間接健康特征。其次，對(duì)健康特征數(shù)據(jù)和容量數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，獲得標(biāo)準(zhǔn)化的訓(xùn)練數(shù)據(jù)集。接著，用處理后的數(shù)據(jù)集訓(xùn)練基于線(xiàn)性核的SVR模型。最后，通過(guò)對(duì)新循環(huán)的電壓曲線(xiàn)進(jìn)行采樣獲得間接健康特征，使用訓(xùn)練好的SVR模型估計(jì)SOH。

1 方 法

1.1 特征提取算法

對(duì)于數(shù)據(jù)集{(

,

),(

,

)…(

X

,

Y

)},考慮線(xiàn)性關(guān)系的時(shí)候，有回歸函數(shù)：

動(dòng)態(tài)時(shí)間規(guī)整是一種準(zhǔn)確率高、魯棒性強(qiáng)的時(shí)間序列相似性度量方法，能夠通過(guò)彎曲時(shí)間序列的時(shí)域?qū)r(shí)間序列的數(shù)據(jù)點(diǎn)進(jìn)行匹配，不僅能夠得到更好的形態(tài)度量效果，而且能夠度量?jī)蓷l非等長(zhǎng)的時(shí)間序列相似性

。

其中，

W

=(

,

)

表示規(guī)整路徑

在距離矩陣

中的位置。為了保證公式(2)的解唯一性，給出3條約束性要求：

其中初始條件

(1,1)=

11。

實(shí)驗(yàn)使用TWP 算法獲取間接健康特征，擬合模型選擇SVR 和GPR 作為比較?？紤]放電階段不同的截止電壓，使用(UL-PUR)開(kāi)源的鎳鈷鋁酸鋰(NCA) 電池容量衰減數(shù)據(jù)集。此數(shù)據(jù)集提供了10 個(gè)以1.7 A(0.5 C)恒流放電至2.7 V 的NCA 電池和11 個(gè)以1.7 A(0.5 C)恒流放電至2.9 V 的NCA 電池。本工作使用每個(gè)電池前15%循環(huán)中恒流放電階段的電壓曲線(xiàn)作為訓(xùn)練數(shù)據(jù)。

相對(duì)于歐氏距離，動(dòng)態(tài)時(shí)間規(guī)整距離通過(guò)時(shí)間規(guī)整，能夠較好地描述時(shí)間序列的相似性。但這主要是通過(guò)時(shí)間序列幅值的差異性表征的，忽視了時(shí)間序列中時(shí)域上的相位差異

。為解決這一問(wèn)題，參考文獻(xiàn)[15]基于DTW 算法獲得的最優(yōu)規(guī)整路徑，提出了一種基于坐標(biāo)變換的時(shí)間規(guī)整圖(time warp profile)方法估計(jì)不同時(shí)間序列之間相位變化的差異性。

首先，通過(guò)DTW算法獲得兩條時(shí)間序列的距離矩陣，將距離矩陣的對(duì)角線(xiàn)和反對(duì)角線(xiàn)作為相位參考系(

,

)，并將原點(diǎn)固定在(1，1)處，如圖3(a)中紅線(xiàn)坐標(biāo)所示。如圖3(a)所示將規(guī)整路徑上的每一點(diǎn)

W

都進(jìn)行坐標(biāo)變換。具體方法如以下公式(4)～(6)：

2.3 評(píng)估哮喘控制程度 1年后實(shí)驗(yàn)組患兒哮喘控制的比例與對(duì)照組對(duì)比明顯升高，未控制的人數(shù)大大減少(P＜0.05或0.01)。見(jiàn)表2。

其中

=0,1 ≤

≤

,?

W

=

W

-

W

=(?

,?

)。利用公式(4)～(6)將規(guī)整路徑

轉(zhuǎn)換成時(shí)間規(guī)整圖TWP 中的相位差異序列

(

)，如圖3(b)所示。在TWP 中

(

)序列值表示時(shí)間序列之間的局部滯后，也即是相位差異性，索引指數(shù)

對(duì)應(yīng)于兩個(gè)序列同采樣時(shí)刻的時(shí)間。

1.1.3 間接健康特征

目前，有多種使用間接健康特征估計(jì)SOH 的模型。神經(jīng)網(wǎng)絡(luò)模型有：LSTM

，門(mén)控循環(huán)單元(gated recurrent unit，GRU)

，注意力機(jī)制模型

和混合模型

。統(tǒng)計(jì)回歸模型有GPR 模型

。機(jī)器學(xué)習(xí)模型有支持向量機(jī)(support vector machine，SVM)模型

。本研究選擇SVR 模型作為SOH擬合模型。SVR原理如下：

其中，

反映了

(

)序列與0 值的偏差，

越大

(

)序列越遠(yuǎn)離0 值，表明

和

幅值相似性越低。

反映了

(

)序列變化率的大小，

越大

(

)隨著時(shí)間變化越陡峭，表明

和

相位差異性越大。

是

(

)序列平均值，

越大

(

)序列離0值越大，表明

和

幅值相似性越低。

反映了

(

)序列波動(dòng)性，

越大

(

)幅值變化越大，說(shuō)明

和

相位差異性越大。因此，利用以上4個(gè)統(tǒng)計(jì)特征，能夠反映出

和

的相似性。

在LIBs 循環(huán)老化實(shí)驗(yàn)中，考慮電池充放循環(huán)中放電時(shí)間較長(zhǎng)，且曲線(xiàn)長(zhǎng)度不一致。為了縮小模型規(guī)模和統(tǒng)一參數(shù)數(shù)目。選擇初始循環(huán)的放電電壓曲線(xiàn)作為參考序列

，選擇其余循環(huán)的放電電壓曲線(xiàn)作為采樣序列

S

，依次使用上述算法獲得采樣序列與參考序列的相位差異序列

(

)。利用以上4個(gè)特征參數(shù)計(jì)算初始循環(huán)充放電壓曲線(xiàn)和其余循環(huán)充放電壓曲線(xiàn)的相似性，利用不同循環(huán)電壓曲線(xiàn)的相似性間接表征LIBs的老化特征。

1.2 治療方案 38例患者中，12例既往接受過(guò)干擾素治療；另有18例行原發(fā)腫瘤切除術(shù)。治療方案為索拉非尼口服400 mg，2次/d，間隔12 h。給藥前后2 h禁止患者食用高脂食物。根據(jù)藥物不良反應(yīng)等級(jí)調(diào)整劑量，必要時(shí)劑量減少到400 mg/d，然后降至每隔400 mg/2d(隔日)，直至停藥。如出現(xiàn)疾病進(jìn)展，劑量則增至每次600 mg，2次/d。

1.2 SOH擬合模型

TWP將DTW中的二維的最佳規(guī)整路徑

壓縮成一維的相位差異序列

(

)，

(

)序列的統(tǒng)計(jì)性質(zhì)能反映出參考序列

和采樣序列

的相似性，為了更方便地比較

和

的相似性，選取4 個(gè)

(

)序列的統(tǒng)計(jì)指標(biāo)。

1.1.1 動(dòng)態(tài)時(shí)間規(guī)整

(

)=

W X

+

(8)

其中

和

是模型的權(quán)重參數(shù)和偏置參數(shù)。支持向量機(jī)回歸SVR 將擬合公式(8)轉(zhuǎn)換為求解凸二次優(yōu)化問(wèn)題，SVR引入不敏感損失參數(shù)

和松弛變量

，求解問(wèn)題轉(zhuǎn)變?yōu)椋?/p>

其中，

為懲罰參數(shù)，用于控制對(duì)位于

邊界之外的觀(guān)測(cè)值施加的懲罰，這有助于防止過(guò)度擬合。松弛變量

和

用于描述樣本不滿(mǎn)足約束的程度。引入拉格朗日乘子算子求解公式(9)的對(duì)偶問(wèn)題：

1.3 評(píng)價(jià)指標(biāo)

為了評(píng)估選取的4個(gè)間接健康指標(biāo)能否反映電池容量衰減特性。選擇三個(gè)相關(guān)性指標(biāo)進(jìn)行評(píng)價(jià)：皮爾森(Pearson)系數(shù)、斯皮爾曼(Spearman)系數(shù)、肯德?tīng)?Kendall)系數(shù)。

其中，

F

表示第

次循環(huán)某一個(gè)間接健康特征；ˉ

表示多次循環(huán)的某一個(gè)間接健康特征值的平均值；

Q

表示第

次循環(huán)的電池容量；ˉ

表示多次循環(huán)的電池容量平均值；

d

表示排列在第

位的

和

的秩差；sgn是符號(hào)函數(shù)。三個(gè)相關(guān)系數(shù)可以說(shuō)明電池容量衰減曲線(xiàn)分別和4個(gè)間接健康特征的相關(guān)性，相關(guān)性系數(shù)絕對(duì)值越高，說(shuō)明兩個(gè)參數(shù)的相關(guān)性越大，可以評(píng)估4個(gè)間接健康特征是否反映出電池容量的衰減特性。

為了更全面地評(píng)估所提方法的準(zhǔn)確性，給出三個(gè)常用的評(píng)價(jià)指標(biāo)：RMSE、MAE、MAPE。

其中，

Y

表示真實(shí)值；

表示模型的預(yù)測(cè)值。RMSE、MAE 和MAPE 值越小說(shuō)明模型準(zhǔn)確性越高。

為了評(píng)估所提方法應(yīng)用于不同電池的穩(wěn)定性，使用不同電池實(shí)驗(yàn)的同類(lèi)型準(zhǔn)確性指標(biāo)的樣本標(biāo)準(zhǔn)差和四分位差兩個(gè)指標(biāo)說(shuō)明方法的穩(wěn)定性。

其中，

x

表示不同LIBs實(shí)驗(yàn)獲得的同類(lèi)型準(zhǔn)確性指標(biāo)，ˉ

表示所有電池實(shí)驗(yàn)的準(zhǔn)確性指標(biāo)平均值。SSD表示樣本標(biāo)準(zhǔn)差(sample standard deviation)，反映了對(duì)于不同的電池進(jìn)行實(shí)驗(yàn)，所提方法準(zhǔn)確性指標(biāo)的波動(dòng)性，SSD 越小說(shuō)明所提方法越穩(wěn)定。

3

表示準(zhǔn)確性指標(biāo)序列

x

的第75個(gè)百位數(shù)，也叫第3 個(gè)四分位數(shù)。

1

表示準(zhǔn)確性指標(biāo)序列

x

的第25個(gè)百位數(shù)，也叫第1個(gè)四分位數(shù)。IQR是準(zhǔn)確指標(biāo)序列

x

的四分位距(inter-quartile range)，IQR 越小說(shuō)明準(zhǔn)確性指標(biāo)分布越集中，波動(dòng)性越小，可以表明所提方法越穩(wěn)定。

2 實(shí)驗(yàn)驗(yàn)證與分析

2.1 數(shù)據(jù)描述與實(shí)驗(yàn)過(guò)程

為了驗(yàn)證所提出方法估計(jì)SOH的準(zhǔn)確性及其適用性，本工作使用了2個(gè)開(kāi)源數(shù)據(jù)和實(shí)際儲(chǔ)能電站運(yùn)行數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，數(shù)據(jù)集的相關(guān)信息見(jiàn)表1。本工作所有的實(shí)驗(yàn)在CPU 型號(hào)為i7-6500U@2.50 GHz，RAM 內(nèi)存為12 G 的設(shè)備上使用Matlab R2021a 軟件進(jìn)行分析。所提算法由特征提取和擬合模型兩部分組成。實(shí)驗(yàn)使用NASA 數(shù)據(jù)集，首先，根據(jù)相關(guān)系數(shù)驗(yàn)證TWP 算法提取出的4 個(gè)間接健康特征能否反映電池容量衰減特性。然后，評(píng)估TWP類(lèi)型的特征提取算法分別接入SVR模型和GPR 模型后的準(zhǔn)確性。使用UL-PUR 數(shù)據(jù)集驗(yàn)證TWP-SVR 和TWP-GPR 兩種方法的準(zhǔn)確性和穩(wěn)定性，最后使用儲(chǔ)能電站的數(shù)據(jù)驗(yàn)證所提TWP-SVR方法的準(zhǔn)確性和穩(wěn)定性。

2.2 特征提取算法的驗(yàn)證

為了驗(yàn)證TWP 提取4 個(gè)間接健康特征與電池容量衰減的相關(guān)性，本工作使用NASA數(shù)據(jù)集中5、6、7、18 號(hào)電池進(jìn)行分析。在每一次充放循環(huán)實(shí)驗(yàn)中，選取2 A(1 C)恒定電流(CC)放電階段的電壓曲線(xiàn)作為實(shí)驗(yàn)數(shù)據(jù)。注意到電壓數(shù)據(jù)是非等間隔采樣獲得，所以在提取特征之前先進(jìn)行等間隔插值處理。將第1 次循環(huán)的放電電壓曲線(xiàn)作為參考序列，不同循環(huán)的放電電壓曲線(xiàn)作為采樣序列，利用公式(7)從TWP 中提取4 個(gè)間接健康特征。使用公式(3)、(4)、(5)的相關(guān)系數(shù)評(píng)估本研究所提出的4個(gè)間接健康特征和電池衰減容量的相關(guān)性。從圖4可以看出，間接健康特征和衰減容量的相關(guān)系數(shù)均大于0.9，具有強(qiáng)相關(guān)性，因此所提的間接健康特征可以作為表征電池容量衰減和估計(jì)SOH 的參數(shù)。圖4 中相關(guān)性系數(shù)值是4 個(gè)電池的平均值，詳細(xì)的實(shí)驗(yàn)數(shù)據(jù)見(jiàn)表2。

顯然，關(guān)于教育的廣州新思維不過(guò)就是回歸被現(xiàn)代性誤導(dǎo)和走偏了的教育常識(shí)，但知易行難，要想從應(yīng)試教育的桎梏中突圍而出，還需要整個(gè)城市做出一系列的新動(dòng)作。

為了驗(yàn)證本工作所提特征提取算法的準(zhǔn)確性，本工作使用上文提到的NASA 開(kāi)源的4 個(gè)2000 mAh的電池?cái)?shù)據(jù)與2種算法進(jìn)行比較分析。這些算法是由特征提取和擬合模型組合的方法，算法詳細(xì)說(shuō)明見(jiàn)表3。

使用表3中的算法對(duì)4個(gè)電池使用前15%的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)進(jìn)行SOH 估計(jì)，實(shí)驗(yàn)結(jié)果表明TWP作為特征提取的算法具有較高的準(zhǔn)確性。圖5是使用兩種算法對(duì)4 個(gè)電池?cái)?shù)據(jù)進(jìn)行SOH 估計(jì)的結(jié)果，圖6 是準(zhǔn)確性指標(biāo)平均值統(tǒng)計(jì)圖。由圖6 可以看出，TWP類(lèi)型算法在小規(guī)模的訓(xùn)練數(shù)據(jù)的條件下具有較高的準(zhǔn)確性，在取前15%的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)的條件下，TWP-SVR 算法和TWP-GPR 算法的平均RMSE分別為0.031和0.018，平均MAE為0.027和0.015，平均MAPE為3.905和2.602。

2.3 擬合模型的選擇

1.1.2 時(shí)間規(guī)整圖

使用兩種模型對(duì)截止電壓分別為2.7 V和2.9 V的電池進(jìn)行實(shí)驗(yàn)。圖7 和圖8 展示了兩種模型在截止電壓為2.9 V 的N-2 和N-7 號(hào)電池的SOH 估計(jì)情況，圖9 和圖10 展示了兩種模型在截止電壓為2.7 V的R-2 和R-9 號(hào)電池的SOH 估計(jì)情況，兩種模型的SOH 估計(jì)值的絕對(duì)誤差分布如圖11 所示。由圖11(a)可以看出，當(dāng)截止電壓為2.7 V時(shí)，對(duì)于不同的電池，兩種模型的SOH 估計(jì)值的絕對(duì)誤差分布差異較大；對(duì)于同一電池，兩種模型的SOH估計(jì)值的絕對(duì)誤差分布較為接近。由圖11(b)可以看出，當(dāng)截止電壓為2.9 V時(shí)，對(duì)于大部分的電池，兩種模型的SOH估計(jì)值的絕對(duì)誤差分布差異較小，少部分電池的SOH 估計(jì)值的絕對(duì)誤差分布差異較大；對(duì)于同一電池，兩種模型的SOH 估計(jì)值的絕對(duì)誤差分布較為接近。

兩種模型的SOH 估計(jì)值的3 種評(píng)價(jià)指標(biāo)如圖12、13、14 所示。由圖12(a)、13(a)、14(a)可以看出，當(dāng)截止電壓為2.7 V時(shí)，對(duì)于不同的電池，兩種模型的SOH 估計(jì)值的RMSE、MAE、MAPE指標(biāo)波動(dòng)較大；對(duì)于同一電池，TWP-SVR 模型的RMSE、MAE 和MAPE 指標(biāo)要小于TWP-GPR 的RMSE 指標(biāo)。由圖12(b)、13(b)、14(b)可以看出，當(dāng)截止電壓為2.9 V時(shí)，對(duì)于大部分的電池，TWPSVR 模型的SOH 估計(jì)值的RMSE、MAE 和MAPE指標(biāo)小于TWP-GPR模型，個(gè)別電池例外。對(duì)于不同電池，TWP-SVR 模型的SOH 估計(jì)值的RMSE、MAE 和MAPE 指標(biāo)較為平穩(wěn)，少數(shù)電池例外；TWP-GPR 模型的SOH 估計(jì)值的RMSE、MAE 和MAPE指標(biāo)波動(dòng)較大。

基于不同截止電壓電池進(jìn)行實(shí)驗(yàn)，兩種模型評(píng)價(jià)指標(biāo)分布如圖15所示。由圖15可知，對(duì)于不同截止電壓，TWP-SVR 模型的RMSE、MAE、MAPE指標(biāo)分布范圍均小于TWP-GPR模型。當(dāng)截止電壓為2.7 V 時(shí)，TWP-SVR 模型的RMSE、MAE、MAPE 指標(biāo)的中位數(shù)水平分別為0.008、0.006 和0.7，均小于TWP-GPR 模型的RMSE、MAE、MAPE 指標(biāo)的中位數(shù)水平0.01、0.08 和0.99。當(dāng)截止電壓為2.9 V 時(shí)，TWP-SVR 模型的RMSE、MAE、MAPE 指標(biāo)的中位數(shù)水平分別為0.0024、0.0019和0.21，均小于TWP-GPR模型的RMSE、MAE、MAPE 指標(biāo)的中位數(shù)水平0.004、0.0023 和0.4。這說(shuō)明對(duì)于不同的截止電壓，TWP-SVR模型的準(zhǔn)確性?xún)?yōu)于TWP-GPR模型。

國(guó)際預(yù)科證書(shū)課程（International Baccalaureate Diploma Program，簡(jiǎn)稱(chēng)IB課程），是由國(guó)際文憑組織為高中生設(shè)計(jì)的為期兩年的課程，現(xiàn)在在國(guó)際上非常有影響力。那么，在當(dāng)前中國(guó)課程改革與教育改革的背景下，IB課程能夠?qū)嵤┫氯?？課程改革會(huì)有怎樣的走向？我們拭目以待。

像這位名師這樣忽視文體的現(xiàn)象普遍存在。有的學(xué)校甚至無(wú)視文體的存在，舉全校之力，犧牲教師休息時(shí)間，投入大量人力、物力、財(cái)力，聘請(qǐng)知名專(zhuān)家、學(xué)者入住學(xué)校，參與指導(dǎo)教學(xué)模式的研究，渴望研究出一種統(tǒng)一的教學(xué)模式，達(dá)到以不變應(yīng)萬(wàn)變的目的！

為評(píng)估兩種擬合模型的穩(wěn)定性，使用SSD 和IQR對(duì)3個(gè)準(zhǔn)確性指標(biāo)做穩(wěn)定性比較，21個(gè)電實(shí)驗(yàn)結(jié)果統(tǒng)計(jì)如表4 所示。針對(duì)RMSE 指標(biāo)，TWPSVR 模型的SSD 為0.0046，IQR 為0.0061 均低于TWP-GPR 模型，表明以RMSE 評(píng)價(jià)模型準(zhǔn)確性，在21 個(gè)電池實(shí)驗(yàn)中TWP-SVR 模型的準(zhǔn)確性指標(biāo)波動(dòng)不大，分布更集中，因此穩(wěn)定性更高。同理，對(duì)于MAE指標(biāo)，TWP-SVR模型的SSD為0.0044，IQR 為0.0054 均低于TWP-GPR 模型，表明以MAE評(píng)價(jià)模型準(zhǔn)確性，TWP-SVR模型穩(wěn)定性?xún)?yōu)于TWP-GPR 模型。對(duì)于MAPE 指標(biāo)，TWP-SVR 模型的SSD 為0.6886，略大于TWP-GPR 模型，IQR為0.8410小于TWP-GPR模型。TWP_SVR模型的SSD 大于TWP-GPR 模型的情況可能是由于個(gè)別電池實(shí)驗(yàn)的指標(biāo)異常引發(fā)的，IQR能更好地降低異常值的影響。因此IQR更能反映MAPE指標(biāo)的穩(wěn)定性。綜合考慮對(duì)3 個(gè)準(zhǔn)確性指標(biāo)進(jìn)行SSD 和IQR 評(píng)估，可以說(shuō)明，TWP-SVR 模型在不同電池的準(zhǔn)確性評(píng)估方面波動(dòng)小，比TWP-GPR模型更加穩(wěn)定。

為驗(yàn)證兩種擬合模型的準(zhǔn)確性和穩(wěn)定性，本工作是從不同截止電壓方面比較了兩種模型的絕對(duì)誤差分布和評(píng)價(jià)指標(biāo)。實(shí)驗(yàn)結(jié)果表明對(duì)于不同截止電壓的NCA電池，在準(zhǔn)確性和穩(wěn)定性上，TWP-SVR模型均優(yōu)于TWP-GPR 模型。綜合對(duì)比實(shí)驗(yàn)結(jié)果，本工作選擇TWP-SVR模型。

2.4 基于實(shí)際運(yùn)行數(shù)據(jù)的驗(yàn)證

為驗(yàn)證所提方法在實(shí)際應(yīng)用中的準(zhǔn)確性，本工作使用儲(chǔ)能電站實(shí)際運(yùn)行的電池循環(huán)充放數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，數(shù)據(jù)采集信息見(jiàn)表5。實(shí)驗(yàn)數(shù)據(jù)包括216個(gè)LFP電池組的160次循環(huán)充放的電壓和電流曲線(xiàn)。考慮電站充電階段電流相對(duì)放電階段更為平穩(wěn)，本工作選擇恒流充電階段的電壓曲線(xiàn)作為樣本數(shù)據(jù)，由于采樣周期小，數(shù)據(jù)量大，為了便于處理，只取前3000個(gè)數(shù)據(jù)。圖16展示了儲(chǔ)能電站在一個(gè)循環(huán)中充電階段216個(gè)電池組的電壓變化曲線(xiàn)；使用電站儲(chǔ)能管理系統(tǒng)提供的SOH 作為標(biāo)簽數(shù)據(jù)。實(shí)驗(yàn)取前15%(前24次的循環(huán))充放數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，圖17(a)展示了其中1 個(gè)電池組的SOH估計(jì)值和測(cè)量值，圖17(b)展示了SOH估計(jì)值和測(cè)量值之間的誤差。使用TWP-SVR 方法估計(jì)216個(gè)電池組的SOH，統(tǒng)計(jì)3種準(zhǔn)確性指標(biāo)，結(jié)果如圖17所示。

由圖18 可知，RMSE 主要分布在0.003 附近，MAE 主要分布在0.0026 附近，MAPE 主要分布在0.26 附近，3 種指標(biāo)數(shù)值較小，表明TWP-SVR 方法具有較高的準(zhǔn)確性。為評(píng)估TWP-SVR模型的穩(wěn)定性，對(duì)216個(gè)電池組的3個(gè)準(zhǔn)確性指標(biāo)用SSD和IQR進(jìn)行評(píng)估，統(tǒng)計(jì)結(jié)果如表6所示。由表6可知，RMSE、MAE 和MAPE 的SSD 分 別 為0.0014、0.0015 和0.0152；RMSE、MAE 和MAPE 的IQR分別為0.0020、0.0022 和0.0220?？梢钥闯鰧?duì)216個(gè)電池組使用TWP-SVR方法估計(jì)SOH值，模型的3 個(gè)準(zhǔn)確性指標(biāo)的樣本標(biāo)準(zhǔn)差和IQR 均很小，說(shuō)明TWP-SVR模型在不同電池中的準(zhǔn)確性波動(dòng)不大，模型具有較高的穩(wěn)定性。均小于GPR 模型，表明SVR 模型的穩(wěn)定性更高。儲(chǔ)能電站的真實(shí)運(yùn)行數(shù)據(jù)驗(yàn)證實(shí)驗(yàn)結(jié)果為T(mén)WPSVR 模型的RMSE、MAE 指標(biāo)的樣本標(biāo)準(zhǔn)差小于0.0015，四分位距小于0.0022，MAPE指標(biāo)的樣本標(biāo)準(zhǔn)差為0.0152，四分位距為0.0220，表明本工作所提出的TWP-SVR方法在保持較高準(zhǔn)確性的同時(shí)具有良好的穩(wěn)定性。

符號(hào)說(shuō)明

3 結(jié) 論

MAE —— mean absolute error，平均絕對(duì)誤差

AFD —— average Fréchet distance，平均弗雷歇距離

暴雨工況下，沿基巖層面不會(huì)產(chǎn)生滑動(dòng)，基覆分界面亦不會(huì)整體滑動(dòng)，滿(mǎn)足邊坡穩(wěn)定性的規(guī)范要求，暴雨工況下覆蓋層內(nèi)部圓弧滑動(dòng)所得安全系數(shù)更小，使邊坡局部破壞進(jìn)一步加劇。且邊坡上個(gè)變形開(kāi)裂部位控制工況均為暴雨工況，這與汛期邊坡變形加劇情況相吻合。

CC —— constant current，恒定電流

DOD —— depth of discharge，放電深度

DTV —— differential thermal voltammetry，差熱伏安法

從圖3的結(jié)果可以看出，3組處理肌原纖維小片化指數(shù)相差不大，B組

DTW —— dynamic time warping，動(dòng)態(tài)時(shí)間規(guī)整

LIBs —— lithium-ion batteries，鋰離子電池

GPR —— gaussian process regression，高斯過(guò)程回歸

GRU —— gated recurrent unit，門(mén)控循環(huán)單元

ICA —— incremental capacity analysis，增量容量分析

IQR —— inter-quartile range，四分位距

(2)礦區(qū)鉛鋅銻礦化帶產(chǎn)于NNW向張扭性斷裂構(gòu)造剪切帶內(nèi)，呈帶狀沿?cái)嗔褞Х植?。斷裂破碎帶受大量密集分布的、互相平行或斜交的張扭性、扭性?jié)理裂隙構(gòu)造控制。

LCO —— lithium cobalt oxide(LiCoO

)，鈷酸鋰

LFP —— lithium iron phosphate(LiFePO

)，磷酸鐵鋰

DVA —— differential voltage analysis，差分電壓分析

LSTM —— long short term memory networks，長(zhǎng)短期記憶網(wǎng)絡(luò)

本工作從充放電電壓曲線(xiàn)的相似性角度出發(fā)，提取間接健康特征估計(jì)LIBs 的衰減容量和健康狀態(tài)，所提出的TWP-SVR 方法是利用TWP 算法進(jìn)行特征選擇，SVR作為擬合模型的組合方法。其中TWP 算法克服了計(jì)算非等長(zhǎng)曲線(xiàn)相似性的困難，并且提取出了相關(guān)系數(shù)大于0.9 的間接健康特征。在NASA數(shù)據(jù)集的實(shí)驗(yàn)中，TWP類(lèi)型算法的RMSE小于0.031，MAE 小于0.027，MAPE 小于3.905，表明TWP 算法具有較高的準(zhǔn)確性。在UL-PUR 開(kāi)源數(shù)據(jù)集的實(shí)驗(yàn)中，SVR 模型的RMSE、MAE 和MAPE指標(biāo)的IQR分別為0.0061、0.0054和0.8410，

MAPE —— mean absolute percentage error，平均絕對(duì)百分比誤差

RMSE —— root mean square error，均方根誤差

NASA —— National Aeronautics and Space Administration，國(guó)家航空航天局(美國(guó))

NCA —— lithium nickel cobalt aluminium oxide(LiNiCoAlO

)，鎳鈷鋁酸鋰

NMC —— lithium nickel manganese cobalt oxide(LiNiMnCoO

)，鎳鈷錳酸鋰

RMSE —— root mean square error，均方根誤差

RUL —— remaining useful life，剩余使用壽命

SNL —— Sandia National Laboratories，桑迪亞國(guó)家實(shí)驗(yàn)室(美國(guó))

SOH —— state of health，健康狀態(tài)

SSD —— sample standard deviation，樣本標(biāo)準(zhǔn)差

從社區(qū)及其居民發(fā)展的角度來(lái)看，社區(qū)教育“可形成社區(qū)居民積極的價(jià)值觀(guān)、態(tài)度和道德；可提高全社區(qū)居民的素質(zhì)和文化水平，促進(jìn)社區(qū)的物質(zhì)文明建設(shè)和精神文明建設(shè)；可形成良好的社區(qū)文化，建設(shè)良好的社區(qū)環(huán)境；可以培養(yǎng)社區(qū)角色、社區(qū)意識(shí)和社區(qū)歸屬感”［5］。同樣，站在全面建成小康社會(huì)的宏觀(guān)視角，審視社區(qū)教育精準(zhǔn)推進(jìn)脫貧攻堅(jiān)的實(shí)踐過(guò)程，不難發(fā)現(xiàn)社區(qū)教育不斷釋放著其特有的效能：社區(qū)教育通過(guò)發(fā)揮其公民教育功能，探索培育貧困群眾的內(nèi)生動(dòng)力；發(fā)揮其資源整合功能，提升貧困群眾脫貧的核心素養(yǎng)；發(fā)揮其社會(huì)凝聚功能，構(gòu)建貧困地區(qū)發(fā)展的長(zhǎng)效機(jī)制。

SVM —— support vector machine，支持向量機(jī)

SVR —— support vector regression，支持向量回歸

我國(guó)的普惠金融迅速起步并在城鎮(zhèn)范圍內(nèi)快速發(fā)展起來(lái)，但是我國(guó)農(nóng)村金融的發(fā)展距離普惠金融的最低要求還有很大的差距,具體表現(xiàn)在農(nóng)村金融機(jī)構(gòu)的覆蓋面較低、農(nóng)村金融機(jī)構(gòu)的可持續(xù)發(fā)展較弱以及減少農(nóng)村貧困的效果有限等方面。因此，中國(guó)要想實(shí)現(xiàn)真正意義上的普惠金融還有很長(zhǎng)的路要走,亟需對(duì)法律法規(guī)及制度進(jìn)行完善,并加大對(duì)軟件、硬件基礎(chǔ)設(shè)施的投資力度,同時(shí)，不斷對(duì)農(nóng)村金融體系及服務(wù)產(chǎn)品進(jìn)行變革和創(chuàng)新,特別是對(duì)農(nóng)村來(lái)說(shuō)，其風(fēng)險(xiǎn)管理產(chǎn)品尤為重要，通過(guò)金融機(jī)構(gòu)的不斷努力，使客戶(hù)的金融能力大大提升，使其有更大的責(zé)任感，去履行社會(huì)責(zé)任,改進(jìn)激勵(lì)約束機(jī)制。

TWP —— time warp profile，時(shí)間扭曲剖面圖

秋·風(fēng)口之舞（雅先） .................................................................................................................................11-61

UL-PUR—— Underwriters Laboratories Inc.-Purdue University，美國(guó)保險(xiǎn)商實(shí)驗(yàn)室公司-普渡大學(xué)

[1] 楊杰,王婷,杜春雨,等.鋰離子電池模型研究綜述[J].儲(chǔ)能科學(xué)與技術(shù),2019,8(1):58-64.YANG J, WANG T, DU C Y, et al. Overview of the modeling of lithium-ion batteries[J]. Energy Storage Science and Technology,2019,8(1):58-64.

[2] 蘇偉,鐘國(guó)彬,沈佳妮,等.鋰離子電池故障診斷技術(shù)進(jìn)展[J].儲(chǔ)能科學(xué)與技術(shù),2019,8(2):225-236.SU W, ZHONG G B, SHEN J N, et al. The progress in fault diagnosis techniques for lithium-ion batteries[J]. Energy Storage Science and Technology,2019,8(2):225-236.

[3] 盧婷, 楊文強(qiáng). 鋰離子電池全生命周期內(nèi)評(píng)估參數(shù)及評(píng)估方法綜述[J].儲(chǔ)能科學(xué)與技術(shù),2020,9(3):657-669.LU T, YANG W Q. Review of evaluation parameters and methods of lithium batteries throughout its life cycle[J]. Energy Storage Science and Technology,2020,9(3):657-669.

[4] 徐超, 李立偉, 楊玉新, 等. 基于改進(jìn)粒子濾波的鋰電池SOH 預(yù)測(cè)[J].儲(chǔ)能科學(xué)與技術(shù),2020,9(6):1954-1960.XU C, LI L W, YANG Y X, et al. Lithium-ion battery SOH estimation based on improved particle filter[J]. Energy Storage Science and Technology,2020,9(6):1954-1960.

[5] ZHENG L F, ZHANG L, ZHU J G, et al. Co-estimation of state-ofcharge, capacity and resistance for lithium-ion batteries based on a high-fidelity electrochemical model[J]. Applied Energy, 2016,180:424-434.

[6] HU X S, FENG F, LIU K L, et al. State estimation for advanced battery management: Key challenges and future trends[J].Renewable and Sustainable Energy Reviews,2019,114:109334.

[7] WENG C H, CUI Y J, SUN J, et al. On-board state of health monitoring of lithium-ion batteries using incremental capacity analysis with support vector regression[J]. Journal of Power Sources,2013,235:36-44.

[8] BERECIBAR M, GARMENDIA M, GANDIAGA I, et al. State of health estimation algorithm of LiFePO

battery packs based on differential voltage curves for battery management system application[J].Energy,2016,103:784-796.

[9] MERLA Y, WU B, YUFIT V, et al. Novel application of differential thermal voltammetry as an in-depth state-of-health diagnosis method for lithium-ion batteries[J]. Journal of Power Sources,2016,307:308-319.

[10]HAIDER S N, ZHAO Q C, LI X L. Cluster-based prediction for batteries in data centers[J].Energies,2020,13(5):1085.

[11]ZHANG Q C, LI X Z, DU Z C, et al. Aging performance characterization and state-of-health assessment of retired lithiumion battery modules[J]. Journal of Energy Storage, 2021, 40: doi.org/10.1016/j.est.2021.102743.

[12]ZHOU K Q, QIN Y, LAU B P L, et al. Lithium-ion battery state of health estimation based on cycle synchronization using dynamic time warping[C]//IECON 2021-47th Annual Conference of the IEEE Industrial Electronics Society. October 13-16, 2021, Toronto,ON,Canada.IEEE,2021:1-6.

[13]李海林,梁葉,王少春.時(shí)間序列數(shù)據(jù)挖掘中的動(dòng)態(tài)時(shí)間彎曲研究綜述[J].控制與決策,2018,33(8):1345-1353.LI H L, LIANG Y, WANG S C. Review on dynamic time warping in time series data mining[J]. Control and Decision, 2018, 33(8):1345-1353.

[14]FOLGADO D, BARANDAS M, MATIAS R, et al. Time alignment measurement for time series[J]. Pattern Recognition, 2018, 81:268-279.

[15]SIOROS G, NYMOEN K.Accurate shape and phase averaging of time series through Dynamic Time Warping[EB/OL].https://arxiv.org/abs/2109.00978.

[16]CHEN Z, SONG X, XIAO R, et al. State of health estimation for lithium-ion battery based on long short term memory networks[J].DEStech Transactions on Environment Energy, 2019: doi:10.12783/dteees/iceee2018/27855.

[17]張少鳳, 張清勇, 楊葉森, 等. 基于滑動(dòng)窗口和LSTM 神經(jīng)網(wǎng)絡(luò)的鋰離子電池建模方法[J].儲(chǔ)能科學(xué)與技術(shù),2022,11(1):228-239.ZHANG S F, ZHANG Q Y, YANG Y S, et al. Lithium-ion battery model based on sliding window and long short term memory neural network[J]. Energy Storage Science and Technology, 2022,11(1):228-239.

[18]UNGUREAN L, MICEA M V, C?RSTOIU G. Online state of health prediction method for lithium-ion batteries, based on gated recurrent unit neural networks[J]. International Journal of Energy Research,2020,44(8):doi:10.1002/er.5413.

[19]QU J T, LIU F, MA Y X, et al.A neural-network-based method for RUL prediction and SOH monitoring of lithium-ion battery[J].IEEE Access,2019,7:87178-87191.

[20]王凡,史永勝,劉博親,等.基于注意力改進(jìn)BiGRU的鋰離子電池健康狀態(tài)估計(jì)[J].儲(chǔ)能科學(xué)與技術(shù),2021,10(6):2326-2333.WANG F, SHI Y S, LIU B Q, et al. Health state estimation of lithium-ion batteries based on attention augmented BiGRU[J].Energy Storage Science and Technology,2021,10(6):2326-2333.

[21]FAN Y X, XIAO F, LI C R, et al.A novel deep learning framework for state of health estimation of lithium-ion battery[J]. Journal of Energy Storage,2020,32:doi:10.1016/j.est.2020.101741.

[22]戴彥文, 于艾清. 基于健康特征參數(shù)的CNN-LSTM&GRU 組合鋰電池SOH估計(jì)[J].儲(chǔ)能科學(xué)與技術(shù),2022,11(5):1641-1649.DAI Y W, YU A Q. Combined CNN-LSTM and GRU based health feature parameters for lithium-ion batteries SOH estimation[J].Energy Storage Science and Technology,2022,11(5):1641-1649.

[23]FENG H L, SHI G L. SOH and RUL prediction of Li-ion batteries based on improved Gaussian process regression[J]. Journal of Power Electronics,2021,21(12):1845-1854.

[24]韓云飛, 謝佳, 蔡濤, 等. 結(jié)合高斯過(guò)程回歸與特征選擇的鋰離子電池容量估計(jì)方法[J].儲(chǔ)能科學(xué)與技術(shù),2021,10(4):1432-1438.HAN Y F, XIE J, CAI T, et al. Capacity estimation of lithium-ion batteries based on Gaussian process regression and feature selection[J]. Energy Storage Science and Technology, 2021, 10(4):1432-1438.

[25]LI R, LI W R, ZHANG H N, et al. On-line estimation method of lithium-ion battery health status based on PSO-SVM[J]. Frontiers in Energy Research,2021,9:doi:10.3389/fenrg.2021.693249.

[26]B S, K G. Prognostics center of excellence-data repository[EB/OL]. https://ti.arc.nasa.gov/tech/dash/groups/pcoe/prognostic-datarepository/#battery,2007/2022-01-29.

[27]JUAREZ-ROBLES D, JEEVARAJAN J A, MUKHERJEE P P.Degradation-safety analytics in lithium-ion cells: Part I. aging under charge/discharge cycling[J]. Journal of the Electrochemical Society,2020,167(16):doi:10.1149/1945-7111/abc8c0.