2016年国赛高教杯数学建模C题电池剩余放电时间预测解题全过程文档及程序

news2024/11/15 5:23:34

2016年国赛高教杯数学建模

C题 电池剩余放电时间预测

  铅酸电池作为电源被广泛用于工业、军事、日常生活中。在铅酸电池以恒定电流强度放电过程中,电压随放电时间单调下降,直到额定的最低保护电压(Um,本题中为9V)。从充满电开始放电,电压随时间变化的关系称为放电曲线。电池在当前负荷下还能供电多长时间(即以当前电流强度放电到Um的剩余放电时间)是使用中必须回答的问题。电池通过较长时间使用或放置,充满电后的荷电状态会发生衰减。
  问题1 附件1是同一生产批次电池出厂时以不同电流强度放电测试的完整放电曲线的采样数据。请根据附件1用初等函数表示各放电曲线,并分别给出各放电曲线的平均相对误差(MRE,定义见附件1)。如果在新电池使用中,分别以30A、40A、50A、60A和70A电流强度放电,测得电压都为9.8伏时,根据你获得的模型,电池的剩余放电时间分别是多少?
  问题2 试建立以20A到100A之间任一恒定电流强度放电时的放电曲线的数学模型,并用MRE评估模型的精度。用表格和图形给出电流强度为55A时的放电曲线。
  问题3 附件2是同一电池在不同衰减状态下以同一电流强度从充满电开始放电的记录数据。试预测附件2中电池衰减状态3的剩余放电时间。

整体求解过程概述(摘要)

  本文针对铅酸电池在9个不同电流强度下的放电数据,以MATLAB数据拟合为突破口,得到了放电曲线的指数函数模型,并利用模型反函数降低了模型求解难度,通过调整坐标系、模型因变量与自变量对应关系计算出9.8伏降至Um的时间,并在此方法上拓展延伸建立了任意电流对应的放电分段函数模型,通过MRE检验了所建立模型的合理性.
  针对问题一:首先根据9组采样数据,对各个电流下的放电曲线使用指数函数进行拟合,得到相应的模型,该模型拟合效果好但是不利于计算,于是对放电曲线关于y=x对称的图像进行拟合,得到了放电曲线反函数的多项式函数模型,将解方程转化为计算函数值,降低了模型计算难度,并计算出9条放电曲线的MRE(见表5),在进一步分析放电曲线的过程中发现9条放电曲线前期均呈现初期上下波动,后期趋于平缓的走势,针对这种情况,本文将函数进行数据处理,利用图像的拐点将前段波动较大的奇异点剔除,拟合出了更为平滑的放电曲线模型,并利用倒叙法求解,即将时间值进行前后颠倒,将电压与放电时间的关系转化为电压与剩余放电时间的关系,并用MRE进行了评价,根据该优化后的模型计算出了30A、40A、50A、60A和70A电流强度下电压由9.8伏降至Um需要的时间依次为592.7240分、415.6200分、322.4720分、284.8840分、254.2160分.
  针对问题二:由于附录一只给出了九组离散数据,而第二问是一个连续性的问题,所以使用插值的方法,对问题一中建立的指数函数模型的参数进行插值处理,由于放电曲线在初始阶段波动较大,用函数整体拟合效果不佳,所以本文采取了分段建模的方法, 利用拐点将放电曲线分割为波动阶段和稳定阶段.稳定阶段采用模型参数插值法得到任意电流的稳定阶段模型,初始波动阶段利用单调性、凹凸性、极值点、拐点等数据进行拟合得到相应的模型.并利用该分段模型,计算出20A时的MRE为2.0153%与第一问的结果相近,最后将55A的放电曲线用表格和图形给出(详见表13、图8). ,
  针对问题三:电压以0.005V为间隔给出相应的衰减时间,需要建立的模型应以电压为自变量,以时间为因变量,这与第一问中模型以时间为自变量,以电压为因变量恰好相反,于是在第一问模型的基础上去寻找放电曲线反函数模型来解决第三问,由于在第一问中已经使用模型的反函数模型进行求解,且对放电曲线反函数曲线拟合效果较好的是二次多项式函数,所以第三问本文用二次多项式来拟合衰减状态3,补全了时间(表14).
  本文使用凹凸性、拐点等高等数学知识建立的指数函数模型、分段函数模型拟合程度较好,适用的问题范围广,易于理解,在计算模型方面,采用了反函数、调整坐标系等方法简单有效.

模型假设:

  假设一:同一批次电池性能相同;
  假设二:同一电压值对应多个放电时间,取这些时间的平均值为该电压的放电时间;
  假设三:在100A数据中,可以将一个间隔电绝对压差值大于0.005V的数据拆分成两个间隔进行处理;
  假设四:低电压阶段放电趋于稳定;
  假设五:放电初始阶段波动点均可视为奇异点.

问题分析:

  问题的分析
  问题一:该题首先要求根据给定的9组采样数据,用初等函数表示各组在不同电流强度下的放电曲线,本文首先尝试对各个电流下的放电曲线使用指数函数进行MATLAB拟合,得到相应的模型,该模型拟合效果好但不利于求解,于是对放电曲线关于y=x对
称的反函数图像进行拟合,得到放电曲线的多项式函数模型,基于此模型计算出九条放电曲线的MRE,MRE越接近零,说明拟合效果较好,模型可以较为真实的刻画实际现象.在进一步分析放电曲线的过程中,发现9条放电曲线前期均呈现初期上下波动,后期趋于平缓的走势,针对这种情况,本文将函数进行数据处理,将前段波动较大的数据奇异点去除,利用余下数据拟合出更为平滑的放电曲线.由于放电过程中电压呈现先下降再上升再稳定下降的形态,与高等数学中的曲线单调性、凹凸性比较相似,于是文中利用拐点,对采样数据进行筛选,将奇异点排除,对处理后的数据进行MATLAB拟合,得到MRE误差更小的优化后的放电曲线模型,并使用该优化后的模型分计算出30A、40A、50A、60A和70A电流强度由9.8伏降至Um需要的时间.
  问题二:此问要建立20A到100A内任意恒定电流强度放电的放电曲线函数模型,由于附录一只给出了九组数据,这些数据是离散的,而第二问实际是一个连续性的问题,所以必然要使用差值的方法,对问题一中建立的模型进行分析,由于放电曲线在初始阶段波动较大,用函数整体拟合效果不佳,所以在第二问,本文采取了分段建模的方法,对放电曲线进行研究.
  由于问题一中已发现放电曲线由波动到稳定的分界点是其拐点,所以此处依然利用拐点将放电曲线进行分割,稳定阶段采用模型参数插值法得到任意电流的稳定阶段模型,前半段利用单调性、凹凸性、极值点、拐点等数据进行拟合得到相应的模型.并利用该分段模型,计算出20A时的MRE与第一问的结果进行比对来评估模型,最后将55A的放电曲线用表格和图形给出.
  问题三:通过对问题3的数据分析,发现这里电压以0.005V为间隔给出相应的衰减时间,需要建立的模型是以电压为自变量,以时间为因变量,这与第一问中模型以时间为自变量,以电压为因变量恰好相反,这也启发我们,在第一问模型的基础上去寻找放电曲线反函数模型来解决第三问,由于第一问的模型结构具有指数函数模型特点,即:U(t)=a1ea2x+a3ea4x,且在第一问中已经使用模型的反函数模型用于求解,并且对放电曲线反函数曲线拟合效果最好的是二次多项式函数,所以第三问本文就尝试用二次多项式来拟合衰减状态3,补全时间.

模型的建立与求解整体论文缩略图

在这里插入图片描述

全部论文请见下方“ 只会建模 QQ名片” 点击QQ名片即可

部分程序代码(未放全):

clc 
clear 
hold on 
x20=0:2:3764;                       
z20=load('shuju20.txt');          
plot(x20,z20,'y') 
x30=0:2:2454; 
z30=load('shuju30.txt'); 
plot(x30,z30,'m') 
x40=0:2:1724; 
z40=load('shuju40.txt'); 
plot(x40,z40,'c') 
x50=0:2:1308; 
z50=load('shuju50.txt'); 
plot(x50,z50,'r') 
x60=0:2:1044; 
z60=load('shuju60.txt'); 
plot(x60,z60,'g') 
x70=0:2:862; 
z70=load('shuju70.txt'); 
plot(x70,z70,'b') 
x80=0:2:730; 
z80=load('shuju80.txt'); 
plot(x80,z80,'r')
x90=0:2:620; 
z90=load('shuju90.txt'); 
plot(x90,z90,'k') 
x100=0:2:538; 
z100=load('shuju100.txt'); 
plot(x100,z100)         
x=0:2:581*2-1 
z1=load('A55.txt') 
z1=z1' 
plot(x,z1)
clc 
clear 
x20=0:2:3764;                
%时间作为因变量 
z20=load('shuju20.txt')';  %剩余电压作为自变量 
x30=0:2:2454; 
z30=load('shuju30.txt')'; 
x40=0:2:1724; 
z40=load('shuju40.txt')'; 
x50=0:2:1308; 
z50=load('shuju50.txt')'; 
x60=0:2:1044; 
z60=load('shuju60.txt')'; 
x70=0:2:862; 
z70=load('shuju70.txt')'; 
x80=0:2:730; 
z80=load('shuju80.txt')'; 
x90=0:2:620;                
z90=load('shuju90.txt')'; 
x100=0:2:538; 
z100=load('shuju100.txt')'; 
cftool 
全部论文请见下方“ 只会建模 QQ名片” 点击QQ名片即可

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2161686.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

TAPD多类别需求管理

本文档将介绍:什么是 TAPD 多类别需求管理,以及如何配置或创建新的需求类别。 一、概述 在研发管理过程中,团队经常会遇到规模扩张、不同特性团队间研发模式差异化大等问题。以上问题导致团队中的需求无法进行统一管理。为解决上述情况&…

54 螺旋矩阵

解题思路&#xff1a; \qquad 这道题可以直接用模拟解决&#xff0c;顺时针螺旋可以分解为依次沿“右-下-左-上”四个方向的移动&#xff0c;每次碰到“边界”时改变方向&#xff0c;边界是不可到达或已经到达过的地方&#xff0c;会随着指针移动不断收缩。 vector<int>…

Adobe Illustrator吸管工具提取的颜色与原色之间存在色差

问题原因&#xff1a; 被提取颜色的对象是外部链接图片&#xff0c;对其提取的颜色会与AI中看到的颜色不同 如下图所示&#xff0c;中间的矩形与外部矩形的内部颜色存在色差 解决办法&#xff1a; 方法一&#xff1a;将该外部图片利用屏幕截图的形式&#xff0c;粘贴到AI中。…

【Linux】fork入门级使用

目录 一、前置准备 1、进程的基本概念 2、进程标识符PID、PPID 1&#xff09;pid介绍 2&#xff09;获取pid和ppid 二、fork函数 1、fork的基本介绍 1&#xff09;fork&#xff08;&#xff09;&#xff1a; 创建子进程 2&#xff09;对于函数具体的描述 3&#xff09…

深入探索卷积神经网络(CNN)

深入探索卷积神经网络&#xff08;CNN&#xff09; 前言图像的数字表示灰度图像RGB图像 卷积神经网络&#xff08;CNN&#xff09;的架构基本组件卷积操作填充&#xff08;Padding&#xff09;步幅&#xff08;Strides&#xff09; 多通道图像的卷积池化层全连接层 CNN与全连接…

应急响应--来不来得及走流程...

免责声明&#xff1a;本文仅做分享&#xff01; 应急响应详解 概述 应急响应是现代信息安全管理中的重要一环。随着网络威胁的日益复杂化&#xff0c;企业和组织必须具备快速响应安全事件的能力&#xff0c;以最大限度地减少数据泄露、业务中断以及经济损失。本文将从应急响应…

华为全联接大会2024 | 一文回顾华为云开发者联盟重磅干货

目录 华为开发者空间预置更多工具资源&#xff0c;带来丰富场景案例 携手鲲鹏、鸿蒙、昇腾等根生态&#xff0c;使能开发者创新 学习体验、内容体系全面升级&#xff0c;助力开发者高效学习根技术 参与丰富线上体验活动&#xff0c;赢取精美礼品 在刚刚结束的华为全联接大会…

香港科技大学广州|金融科技学域博士招生宣讲会——武汉大学、华中科技大学

&#x1f514;&#x1f514;&#x1f514;明日宣讲&#x1f514;&#x1f514;&#x1f514; &#x1f490;香港科技大学广州&#xff5c;金融科技学域博士招生宣讲会 &#x1f4cd;武汉大学专场 &#x1f559;时间&#xff1a;2024年9月24日&#xff08;星期二&#xff09;1…

Vue3:provide-inject实现组件通信

目录 一.作用 1.跨层级通信 2.避免重复声明 3.封装通用服务 二.性质 1.非响应式 2.不可选项 3.高级用法 三.使用 1.爷组件 2.父组件 3.子组件 四.代码 1.爷组件代码 2.父组件代码 3.子组件代码 五.效果 Vue3中的provide-inject机制是用于在组件树中进行依赖注…

python异步处理

python中的异步处理属于比较高级的用法了&#xff0c;用来节省时间非常有用。传统的运行轨迹是阻塞的&#xff0c;就是一行代码必须完成了&#xff0c;然后才能运行下一行代码。异步运行就是我们现在有多个任务task1&#xff08;2s&#xff09;和task2&#xff08;3s&#xff0…

Linux快速安装ClickHouse

ClickHouse官方文档(有中文别忘了勾选) 什么是ClickHouse&#xff1f; | ClickHouse Docs 在线安装 1.安装yum-utils yum-utils是一个与 yum 集成的实用程序集合&#xff0c;可以通过多种方式扩展其本机功能 yum install -y yum-utils 2.增加ClickHouse官方镜像源 yum-c…

某易易盾验证码逆向

注意,本文只提供学习的思路,严禁违反法律以及破坏信息系统等行为,本文只提供思路 如有侵犯,请联系作者下架,本文网址如下,使用base64解码获得: aHR0cHM6Ly9kdW4uMTYzLmNvbS90cmlhbC9qaWdzYXc= ———————————————— 我们来看一下接口请求,这里关注的重点就…

力扣516-最长回文子序列(Java详细题解)

题目链接&#xff1a;力扣516-最长回文子序列 前情提要&#xff1a; 因为本人最近都来刷dp类的题目所以该题就默认用dp方法来做。 dp五部曲。 1.确定dp数组和i下标的含义。 2.确定递推公式。 3.dp初始化。 4.确定dp的遍历顺序。 5.如果没有ac打印dp数组 利于debug。 每…

后端开发工程师转行大模型领域:全面学习路线指南,非常详细收藏我这一篇就够了

随着人工智能技术的迅猛发展&#xff0c;特别是大模型&#xff08;如GPT-3、BERT等&#xff09;在自然语言处理、计算机视觉等多个领域的广泛应用&#xff0c;越来越多的技术人员开始考虑转型至这一充满挑战与机遇的新领域。对于已经在后端开发领域积累了丰富经验的工程师来说&…

如何解决软件企业文件传输难题?这款FTP替代工具一定适合你!

在信息技术飞速发展的今天&#xff0c;软件企业的数据传输需求不断攀升。传统的FTP&#xff08;文件传输协议&#xff09;虽然一度是企业数据交换的中坚力量&#xff0c;但其在多个方面的局限性逐渐成为企业发展的障碍。接下来&#xff0c;我们将探讨FTP的不足&#xff0c;并介…

值得入手的宠物空气净化器——希喂、352、IAM三款产品真实测评

在快节奏的现代生活中&#xff0c;养宠成为很多人的精神寄托&#xff0c;回到家中与猫咪玩耍是一天中最放松的时刻。但这美好的生活也存在着一些烦恼——宠物毛发清理与异味。宠物空气净化器作为一种新兴的清理工具&#xff0c;以其高效、全面的特点&#xff0c;受到了越来越多…

MySQL学习笔记(持续更新中)

1、Mysql概述 1.1 数据库相关概念 三个概念&#xff1a;数据库、数据库管理系统、SQL 名称全称简称数据库存储数据的仓库&#xff0c;数据是有组织的进行存储DataBase&#xff08;DB&#xff09;数据库管理系统操纵和管理数据库的大型软件DataBase Mangement System&#xf…

什么是动态数据脱敏?

原文地址 https://www.bytebase.com/blog/what-is-dynamic-data-masking/ 动态数据脱敏&#xff08;DDM&#xff09;动态更改返回给应用程序或用户的数据库记录&#xff0c;以此来实时保护敏感数据&#xff0c;且不会更改静态数据。 DDM 与静态数据脱敏&#xff08;SDM&#x…

OpenHarmony(鸿蒙南向)——平台驱动开发【MIPI DSI】

往期知识点记录&#xff1a; 鸿蒙&#xff08;HarmonyOS&#xff09;应用层开发&#xff08;北向&#xff09;知识点汇总 鸿蒙&#xff08;OpenHarmony&#xff09;南向开发保姆级知识点汇总~ 持续更新中…… 概述 功能简介 DSI&#xff08;Display Serial Interface&#x…

身为程序员,转行请慎重:考虑以下几点再决定是否转向大模型领域

在决定从程序员转型到大模型领域之前&#xff0c;有几个关键点需要认真考虑。这些因素将帮助你更全面地评估这一转变是否适合你的职业规划和个人情况。 个人兴趣与激情 自我反思&#xff1a;你对人工智能、深度学习和自然语言处理等领域是否有浓厚的兴趣&#xff1f;兴趣是最好…