更多

武汉大学学报（理学版）

武汉大学学报（理学版） 武汉大学学报（理学版）

主编：邓子新

影响因子：1.821(CNKI)

ISSN:1671-8836

CN:42-1674/N

主办单位：武汉大学

出版周期：双月刊

电话：027-68756952

邮箱：whdz@whu.edu.cn

地址：湖北省武汉市武昌区武汉大学文理学部本科生院楼北楼504

  • 最新文章
  • 优先出版
  • 过刊浏览
  • 视频速递
  • 理学人物
更多
Volume 71 期 6，2025 2025年第71卷第6期

  • 新型储能格局与多物理场建模

    “在人工智能领域，专家建立了深度学习体系，为智能技术发展提供新方向。”

    王顺利

    DOI：10.14188/j.1671-8836.2025.0180
      
    58
    |
    43
    |
    0
    <HTML>
    <网络PDF>
    <引用本文> <批量引用> 134360620 false
    更新时间：2026-01-13
    “在新型储能技术领域，我国研究聚焦工程实践和政策导向，国际研究注重材料机理与理论创新，电池储能研究热度最高，我国正迈向系统协同与智能化发展阶段。”

    王顺利, 程亮玮, 周磊, 张丽亚, 霍宇辰

    DOI：10.14188/j.1671-8836.2025.0142
    摘要：为揭示我国典型新型储能技术的研究格局与发展趋势，以电池储能、熔盐储能、压缩空气储能、飞轮储能和氢储能为研究对象，基于2015—2025年间CNKI与WOS数据库的核心文献开展文献计量学分析。结果表明：国内研究以工程实践和政策导向为特征，国际研究更注重材料机理与理论创新，体现出研究路径的差异化发展特征。其中，电池储能研究热度最高，国内聚焦荷电状态（SOC）估算、安全防控与系统调度，国际侧重固态电解质与后锂体系材料创新；熔盐储能由光热发电耦合向多温区热化学储能拓展，关注导热性能与耐腐蚀机制；压缩空气储能研究集中于地质-热-力多场建模与热回收优化，具备长时调峰潜力；飞轮储能由结构与控制优化转向系统集成与惯量支撑；氢储能则体现风-光-氢多能耦合与制氢效率提升趋势。总体上，我国新型储能研究正由单一技术突破迈向系统协同与智能化发展阶段，短时功率型与长时容量型储能技术的互补格局逐渐形成，未来将向高安全、低成本、长寿命与多能融合方向演进，为新型电力系统的构建提供关键支撑。  
    关键词：新型储能;电池储能;熔盐储能;压缩空气储能;飞轮储能;氢储能;文献计量学   
    221
    |
    84
    |
    0
    <HTML>
    <网络PDF>
    <引用本文> <批量引用> 129898390 false
    更新时间：2026-01-13

  • 电池状态感知与运行优化

    “最新研究提出一种结合物理模型和深度学习的锂离子电池荷电状态估计方法，有效提升模型在复杂工况下的建模能力，实验结果表明具有高预测精度和鲁棒性。”

    陈媛, 李佳乐, 刘炎忠, 何怡刚

    DOI：10.14188/j.1671-8836.2025.0143
    摘要：准确估计荷电状态（State of Charge，SOC）是确保锂离子电池可靠运行的基础。针对现有深度学习方法输入特征不足的问题，提出一种基于物理模型和深度学习算法的SOC估计方法。该方法结合卷积神经网络（Convolutional Neural Network，CNN）的局部特征提取能力和双向门控循环单元（Bi-directional Gated Recurrent Unit，BiGRU）的时序序列处理能力，通过引入一阶电阻-电容（Resistor-Capacitor，RC）模型输出的端电压作为输入特征， 与实测电压、电流共同构成神经网络输入，从而提升CNN-BiGRU对复杂动态工况的建模能力。实验结果表明，CNN-BiGRU模型的SOC估计效果良好，对于马里兰大学高级生命工程中心（Center for Advanced Life Cycle Engineering，CALCE）数据集，常温（25 ℃）下其均方根误差为0.16%、平均绝对值误差为0.12%。该模型对不同环境温度和不同老化程度的锂电池均具有较高的预测精度和鲁棒性。  
    关键词：锂离子电池;SOC估计;物理模型;CNN-BiGRU模型   
    63
    |
    32
    |
    0
    <HTML>
    <网络PDF>
    <引用本文> <批量引用> 131547241 false
    更新时间：2026-01-13
    “在电池管理领域，研究人员提出了一种基于CL-NARX神经网络的SOC估计模型，有效提高了估计精度和鲁棒性，为锂离子电池安全运行提供技术支持。”

    王顺利, 王俊凯, 张丽亚, 李欢

    DOI：10.14188/j.1671-8836.2025.0123
    摘要：针对传统SOC估计模型在实际工况中存在的估计精度不足、误差累积以及鲁棒性差等问题，提出一种基于闭环非线性自回归（Closed-Loop Nonlinear Autoregressive eXogenous， CL-NARX）神经网络的SOC估计模型。该模型通过引入闭环反馈机制，增强了对复杂电池过程的拟合能力，有效抑制了误差累积，通过优化关键超参数增强了鲁棒性。实验结果显示，当训练迭代次数为150次、隐藏层神经元个数为10、输入延迟层数为5、输出延迟层数为2时，模型具有最优性能，估计误差明显优于其他神经网络模型，其最大误差、RMSE、MAE与MAPE分别降低至2.58%、1.41%、1.36%和4.57%。该模型具有较高的精度、有效抑制误差的能力和良好的鲁棒性，可望为锂离子电池安全运行提供可靠的技术支持。  
    关键词：锂离子电池;荷电状态;闭环非线性自回归;BP神经网络   
    52
    |
    45
    |
    0
    <HTML>
    <网络PDF>
    <引用本文> <批量引用> 126591167 false
    更新时间：2026-01-13
查看更多

快捷入口

  • 作者投稿
  • 专家审稿
  • 编辑办公

精选专辑

更多
YOLO及其应用

YOLO及其应用

大语言模型

大语言模型

杂交水稻

杂交水稻

机器学习

机器学习

区块链

区块链

图染色和图标号理论及算法

图染色和图标号理论及算法

分析化学

分析化学

环境科学

环境科学

查看更多
批量引用
0