-
公开(公告)号：CN120009733A
公开(公告)日：2025-05-16
申请号：CN202510086085.8
申请日：2025-01-20
Applicant: 重庆理工大学
IPC: G01R31/367 , G01R31/392 , G01R31/396 , G01R31/387 , G16C20/70 , G06F18/2135 , G06F18/2411 , G06F18/25
Abstract: 本发明公开了一种基于电化学模型和机器学习的储能电池SOH估计方法，包括：S1：构建储能电池的电化学模型；S2：在初始老化循环下对电化学模型进行参数辨识；S3：基于参数辨识后的电化学模型提取与电池老化相关的模型特征；S4：基于实验数据提取与电池老化相关的数据特征；S5：对模型特征和数据特征进行相关性分析、特征降维和特征融合，得到融合特征；S6：将融合特征输入训练好的支持向量机模型中，输出对应的电池健康状态预测值。本发明从电化学模型和实验数据中提取与电池老化相关的特征，通过主成分分析法对特征进行降维处理得到融合特征，利用支持向量机建立电池老化模型实现SOH估计，从而有效提高储能电池SOH估计的准确性和泛化性。
-
公开(公告)号：CN115219937B
公开(公告)日：2025-04-22
申请号：CN202210861733.9
申请日：2022-07-20
Applicant: 重庆理工大学
IPC: G01R31/392 , G01R31/367 , G06N3/096 , G06N3/0442 , G06N3/0464
Abstract: 本发明具体涉及基于深度学习的不同老化路径储能电池健康状态估计方法，包括：获取储能电池不同工况下的电池充电电压数据，并输入电池健康估计模型中，输出对应工况下的电池健康状态估计值；电池健康估计模型基于深度神经网络构建并进行两次训练；第一次训练：通过某一工况下的电池老化实验数据训练电池健康估计模型；第二次训练：冻结预训练估计模型的核网络层参数并调用其模型参数；然后通过不同工况下的电池老化实验数据训练优化估计模型以调整其全连接输出层的参数，得到训练后的电池健康估计模型。本发明能够适用于多种工况下的电池健康状态估计且无需大规模的训练数据，进而能够降低估计模型的训练难度和成本、提高估计模型的适用范围。
-
公开(公告)号：CN115542724B
公开(公告)日：2024-11-22
申请号：CN202211313596.1
申请日：2022-10-25
Applicant: 重庆理工大学
IPC: G05B11/42
Abstract: 本发明具体涉及基于PEMFC供气系统的滑模与PID级联控制方法，其中，提高过氧比(OER)和净功率是研究的热点。由于PEMFC供气系统的阴极压强是一个不可测数据，因此本发明在PEMFC三阶模型的基础上，构建对应的扩张状态观测器，进一步利用扩展状态观测器快速重构OER，以最大功率为控制目标拟合得到对应的最佳OER曲线，采用一种滑模与PID级联控制的方式来调节PEMFC的OER，进而确定PEMFC供氧系统的阴极进气量，以实现PEMFC的空气供给控制。本发明能够准确估计符合实际情况的系统阴极压强，并且能够准确控制系统的阴极进气量。
-
公开(公告)号：CN115201679B
公开(公告)日：2024-09-17
申请号：CN202210783435.2
申请日：2022-06-27
Applicant: 重庆理工大学 , 哈尔滨工业大学(威海)
IPC: G01R31/36 , G01R31/367 , G01R31/387 , G01R31/396
Abstract: 本发明具体涉及一种计及不一致性的储能电池系统状态估算方法，包括：在电池组充放电过程中，采集电池特征数据；基于单体电池间的不一致性确定电池组每条支路的特征单体电池，建立等效电路模型；构建用于预测估计电池SOC的观测器，分别得到各条支路的电池SOC估计值；计算各条支路的支路电流与电池组的平均支路电流之间的电流偏差，进而计算各条支路的支路电流标准差；基于支路电流标准差为各条支路分配相应的加权值；基于各条支路的电池SOC估计值及对应的加权值进行加权计算，得到电池组的融合SOC估计值作为其状态估算结果。本发明能够基于单体电池的不一致性建立具有互补性的电池组SOC融合预测框架，进而实现储能电池系统SOC的准确估计。
-
公开(公告)号：CN114924192B
公开(公告)日：2024-09-06
申请号：CN202210556458.X
申请日：2022-05-20
Applicant: 重庆理工大学 , 哈尔滨工业大学(威海)
IPC: G01R31/367 , G01R31/396 , G01R31/385 , G06N3/0455 , G06N3/045 , G06N3/047
Abstract: 本发明具体涉及基于神经网络的并联电池组安全预警方法，包括：构建支路电流预测模型，包括具有稀疏概率多头自注意力层的编码器和解码器；稀疏概率多头自注意力层具有自注意力蒸馏机制；编码器和解码器的输入相互独立，且编码器的输出连接至解码器中；采集并联电池组的实测数据，构建支路电流预测模型的训练数据集；通过训练数据集训练支路电流预测模型；将待测并联电池组的电池组特征数据输入经过训练的支路电流预测模型中，输出两条支路的预测电流，基于两条支路的预测电流判断并联电池组是否存在安全风险。本发明能够在面对大量训练数据时提高预测模型的训练效率和预测准确性，从而能够提高并联电池组的安全预警效果。
-
Patent Agency Ranking
公开(公告)号：CN113935222B
公开(公告)日：2024-07-02
申请号：CN202111177852.4
申请日：2021-10-09
Applicant: 重庆理工大学
IPC: G06F30/25 , G06Q50/06 , G06F111/08 , G06F119/08 , G06F119/14
Abstract: 本发明提供了基于有序加权平均算子的动力电池多模型融合估计方法，其首先针对动力电池建立多种等效电路模型，对于每个等效电路模型，先采用容积卡尔曼滤波器进行初步的SOC估算，随后基于实值协方差矩阵确定所建立与各SOC估算结果对应的加权值，基于有序加权平均算子理论，利用该加权值将多个SOC估计结果进行加权融合，进而能够更可靠地得到高精度的电池SOC，在电池整个充放电区间均能保证SOC估计达到局最优。
-
公开(公告)号：CN116774047A
公开(公告)日：2023-09-19
申请号：CN202310742319.0
申请日：2023-06-21
Applicant: 重庆理工大学 , 哈尔滨工业大学(威海)
IPC: G01R31/367 , G01R31/392 , G01R31/396 , G06N3/0442 , G06N3/045 , G06N3/048 , G06N3/084
Abstract: 本发明涉及电池健康管理技术领域，具体涉及基于支路电流估计误差的并联电池组健康状态估计方法，包括：基于神经网络构建支路电流估计模型；将电池组特征数据输入支路电流估计模型，输出两条支路的估计电流；根据两条支路的估计电流和实际电流计算支路电流估计误差；分别计算两条支路的电流估计误差与电流倍率的斜率，并取平均值作为并联电池组的电流估计斜率；拟合电流估计斜率与健康状态之间的双指数经验模型关系，得到并联电池组的健康状态模型；基于支路电流估计模型和健康状态模型实现并联电池组的健康状态估计。本发明能够基于支路电流和电流倍率有效估计并联电池组的健康状态，并且能够通过神经网络模型实现支路电流的准确预测。
-
公开(公告)号：CN115097313A
公开(公告)日：2022-09-23
申请号：CN202210744779.2
申请日：2022-06-27
Applicant: 重庆理工大学 , 哈尔滨工业大学(威海)
IPC: G01R31/367 , G01R31/388
Abstract: 本发明具体涉及适用于多工况全电量区间的动力电池状态估算方法，包括：建立动力电池的等效电路模型，并对等效电路模型进行参数辨识；采集动力电池的开路电压特征数据并拟合动力电池的SOC‑OCV曲线；基于等效电路模型以及动态特征数据和SOC‑OCV曲线结合各种滤波算法生成对应的端电压预测值和SOC估计值；基于端电压预测值与对应实测值之间的电压残差，结合OWA算子为各种滤波算法的SOC估计值分配对应的加权值；基于各种滤波算法的SOC估计值及对应的加权值进行加权计算，得到动力电池的融合SOC估计值作为其状态估算结果。本发明能够有效融合多种滤波算法的SOC估计结果并实现多种滤波算法的互补，进而能够实现动力电池多工况全电量区间的SOC估计全局最优。
-
公开(公告)号：CN119716555A
公开(公告)日：2025-03-28
申请号：CN202411644339.5
申请日：2024-11-18
Applicant: 重庆理工大学
IPC: G01R31/367 , G01R31/388 , G06N3/0442 , G06N3/0464 , G06N3/045 , G06N3/096
Abstract: 本申请公开了一种基于TCN‑GRU神经网络模型和迁移学习的锂离子电池SOC估计方法，可以有效地缩短电池测试周期，降低BMS成本，特别是当目标电池的训练数据不足和在BMS开发的早期阶段。该方法包括：获取源电池在不同放电条件和环境条件下的测量数据作为源域数据集；针对源域中的电池行为，采用TCN‑GRU框架将电池的电流、SOC和温度作为模型输入，电池的电压作为模型输出构建CN‑GRU神经网络模型，并使用源域数据集中的数据对构建好的TCN‑GRU神经网络模型进行预训练；针对目标域的电池行为，采用迁移学习技术对TCN‑GRU神经网络模型进行扩展，对来自目标域的数据进行微调，以适应目标电池的特定特性，得到扩展后的TCN‑GRU神经网络模型；构造平方根容积卡尔曼滤波SRCKF算法估计SOC。
-
公开(公告)号：CN114723105B
公开(公告)日：2024-12-03
申请号：CN202210242862.X
申请日：2022-03-11
Applicant: 重庆理工大学 , 哈尔滨工业大学(威海)
IPC: G06Q10/04 , G06Q10/0631 , G06Q10/101 , G06Q50/04
Abstract: 本发明公开了一种基于0‑1规划的汽车零配件喷色生产排程方法，包括：获取喷色设备及喷色颜色数据，对所获取数据预处理；建立决策变量和中间变量；建立约束条件；建立目标函数及单目标优化模型；求解单目标优化模型。该方法通过选择事件发生的最基本情况为决策变量，为满足各条件建立合适的中间变量。决策变量和中间变量作为模型的基础，按照实际需求建立目标函数，根据条件限制建立约束方程，建立一个基于0‑1规划的单目标优化模型，该模型能够求出最优解且模型精度较高。
-
-
-
-
-
-
-
-
-
Search Results
35
records
(took 0.022 seconds)
