-
公开(公告)号：CN119557778A
公开(公告)日：2025-03-04
申请号：CN202411775867.4
申请日：2024-12-05
Applicant: 哈尔滨工业大学
IPC: G06F18/243 , G06F18/2413 , G06F18/2411 , G06F18/214 , G06F18/22 , G06N3/0985 , G06N3/006 , G06N3/126
Abstract: 一种基于机器学习分类器和启发式算法的锂电池电化学模型的参数辨识方法，它涉及锂电池电化学模型的参数辨识方法，它是要解决现有的锂电池电化学模型参数辨识方法辨识效率低的技术问题，本方法：对电化学模型的参数进行敏感性分析并将其分类，选取高敏感参数作为辨识对象；初始化启发式算法，采集用于分类器训练的参数集数据和对应的收敛性的标签，计算参数集中各个参数与电化学模型收敛性的相关性；构建基于机器学习算法的分类器，先用相关性高的参数集数据训练分类器，然后用相关性较低的参数集数据对分类器进行微调；重新初始化启发式算法，迭代至设定次数或精度满足条件，完成参数的精确辨识。可用于电化学领域。
-
公开(公告)号：CN110442901B
公开(公告)日：2023-09-12
申请号：CN201910556608.5
申请日：2019-06-25
Applicant: 哈尔滨工业大学(威海)
IPC: G06F30/20 , G01R31/367 , G01R31/385
Abstract: 一种锂离子电池电化学简化模型及其参数的获取方法，涉及锂离子电池的机理模型，锂离子电池电化学简化模型为：#imgabs0#其中，Uapp为锂离子电池的端电压；Up、Un为正负极开路电势；t为时间、t+为阳离子迁移数；ysurf和xsurf为正负极固相表面锂离子浓度；R为理想气体常数；F为法拉第常数；T为锂离子电池的工作温度；c0为电解液中的初始锂离子浓度；mp和mn为中间变量，无具体的物理意义；△c1和△c2是正、负极集流体处的锂离子浓度相对于电解液中的初始锂离子浓度c0的改变量；Rohm为锂离子电池等效的欧姆内阻；I为外电流，规定放电为正，充电为负。本发明能够实现不同钴酸锂材料电池在4C倍率及以下端电压的精确仿真。
-
公开(公告)号：CN114624603A
公开(公告)日：2022-06-14
申请号：CN202210254508.9
申请日：2022-03-15
Applicant: 哈尔滨工业大学(威海) , 北京空间飞行器总体设计部
IPC: G01R31/367 , G01R31/388 , G01R31/396
Abstract: 本发明公开了一种基于机器学习的电池系统支路电流估计方法，包括以下步骤：包括进行DST，FUDS，UDDS，HPPC四个工况下的离线测试，将整合的数据集进行归一化，设置BP神经网络的参数，对BP神经网络进行训练，得到训练好的BP神经网络，得到支路电流估计值。对比现有技术，本发明的有益效果在于：使用BP神经网络进行支路电流估计，BP神经网络算法比深度学习算法结构简单、训练学习快，占用内存小，更适合移动载运装备。
-
公开(公告)号：CN112285569B
公开(公告)日：2022-02-01
申请号：CN202011181863.5
申请日：2020-10-29
Applicant: 哈尔滨工业大学(威海) , 北京空间飞行器总体设计部
IPC: G01R31/367 , G01R31/392
Abstract: 本发明提供一种基于动态阈值模型的电动汽车故障诊断方法，该方法用于电动汽车中电池系统故障诊断，在阈值模型建立和参数辨识算法两方面进行了改进，在不同温度下进行电路基础特性测试实验，得到等效电路模型参数；建立OCV‑SOC‑Q三维响应面模型；采用带遗忘因子的递推最小二乘法进行模型参数辨识，建立关于R0和τ的动态阈值模型。在实际故障诊断过程当中，利用双扩展卡尔曼滤波算法辨识参数和状态，得到电池R0和τ、容量及SOC；采用温度插值的方法确定参数参考值；确定参数阈值；生成残差；通过对比残差与阈值来判断电池是否发生故障。该方法不仅故障诊断率高，还能避免检测不及时、误警和漏警问题。
-
公开(公告)号：CN112009252A
公开(公告)日：2020-12-01
申请号：CN202011072539.X
申请日：2020-10-09
Applicant: 哈尔滨工业大学(威海)
Abstract: 本发明提供了一种动力电池系统故障诊断及容错控制方法，采用了以端电压为输入、电流为输出的包含电流传感器故障值在内的增广状态空间方程，通过算法实时估计出电流传感器故障值，当故障值的绝对值超过阈值即可判断传感器发生故障，然后对模型参数辨识和SOC估计进行容错控制。因该方法以电流为输出，故更适合检测电流传感器故障。此外，增广状态空间方程包含传感器故障值有助于后续参数辨识和状态估计的容错控制，提高了系统的可靠性。
-
Patent Agency Ranking
公开(公告)号：CN105932349A
公开(公告)日：2016-09-07
申请号：CN201610398328.2
申请日：2016-06-07
Applicant: 哈尔滨工业大学
IPC: H01M10/44
CPC classification number: H01M10/44
Abstract: 一种锂离子电池长寿命快速充电方法，涉及新能源研究领域。本发明是为了解决传统锂离子电池充电效率低、充电过程中对电池损害大的问题。本发明对锂离子电池建立改进的单粒子模型；利用激励响应分析的方法获取改进的单粒子模型中的电池的机理参数；根据电池的机理参数，获得电池负极活性物质表面嵌锂率；比较负极活性物质表面嵌锂率与设定阈值的大小关系，根据大小关系控制电池充电电流大小与充电时间实现锂离子电池的快速充电。它用于对锂离子长寿命快速充电。
-
公开(公告)号：CN119783511A
公开(公告)日：2025-04-08
申请号：CN202411835307.3
申请日：2024-12-13
Applicant: 哈尔滨工业大学
IPC: G06F30/27 , G01R31/392 , G01R31/36 , G01R31/378 , G01R31/367 , G06F30/15 , G06N3/006 , G06N3/0499 , G06N3/084 , G06F17/15 , G06F119/04
Abstract: 基于模型‑数据混合驱动的锂离子电池变工况SOH评估方法，它涉及锂离子电池健康状态评估方法，它是要解决现有电池的定工况SOH估计法适用性差、精度低的问题。本方法：一、电池在工况一、二下加速老化采集信息；二、针对电池在工况一下的恒流放电曲线，用粒子群优化算法进行SP+模型参数辨识，得到模型参数在电池健康度为100％～80％内的退化轨迹；三、选出与电池SOH相关度高的模型参数作为健康特征输入BP神经网络算法估计电池SOH，工况一、二数据分别为训练集和测试集；四、根据工况一数据训练得到的BPNN模型，在输入改为仿真得到的工况二SP+模型参数后，输出的工况二下的电池SOH，完成评估。可用于电池领域。
-
公开(公告)号：CN114740365B
公开(公告)日：2024-12-06
申请号：CN202210422955.0
申请日：2022-04-21
Applicant: 哈尔滨工业大学(威海)
IPC: G01R31/367
Abstract: 本发明公开了一种基于机器学习的动力电池并联支路电流估计和矫正方法，获取动态工况下的并联电池组的干路电路I，两条支路电流I1，I2以及支路电压V；利用安时积分法得到荷电状态SOCI；通过第一个BP神经网络对并联电池组支路电流进行估计，得到并联电池组支路电流估计值#imgabs0#和除目标工况外其余动态工况估计误差EOB1和EOB2；通过第二个BP神经网络得到目标工况下两条支路电流估计值的误差#imgabs1#和#imgabs2#将目标工况下的支路电流估计值减去估计误差即可得到矫正后的支路电流估计值。本发明的有益效果在于：本发明首次提出对估计误差进行训练学些，形成双神经网络模型进行估计及矫正，大幅降低复杂工况下的电流估计误差。
-
公开(公告)号：CN114624603B
公开(公告)日：2024-11-22
申请号：CN202210254508.9
申请日：2022-03-15
Applicant: 哈尔滨工业大学(威海) , 北京空间飞行器总体设计部
IPC: G01R31/367 , G01R31/388 , G01R31/396
Abstract: 本发明公开了一种基于机器学习的电池系统支路电流估计方法，包括以下步骤：包括进行DST，FUDS，UDDS，HPPC四个工况下的离线测试，将整合的数据集进行归一化，设置BP神经网络的参数，对BP神经网络进行训练，得到训练好的BP神经网络，得到支路电流估计值。对比现有技术，本发明的有益效果在于：使用BP神经网络进行支路电流估计，BP神经网络算法比深度学习算法结构简单、训练学习快，占用内存小，更适合移动载运装备。
-
公开(公告)号：CN118731751A
公开(公告)日：2024-10-01
申请号：CN202411056529.5
申请日：2024-08-02
Applicant: 哈尔滨工业大学(威海) , 中国电器科学研究院股份有限公司
IPC: G01R31/392 , G01R31/367
Abstract: 基于融合注意力机制和深度卷积的锂电池SOH估计方法，属于电化学、计算机等交叉技术领域。现有缺少同时兼顾精度和效率的锂电池SOH的估计方法的问题。采集锂电池在每次充放电循环下的电压数据、电流数据和当前可用最大容量，根据当前可用最大容量计算获得SOH；利用多种统计学方法对每次充放电循环下的电压和电流数据进行处理，得到多种衰退特征；获得同一种衰退特征与SOH的皮尔逊相关系数和与SOH的斯皮尔曼相关系数的平均值，作为对应衰退特征的相关系数；从多种衰退特征的相关系数中选出最大值所对应的衰退特征作为最优衰退特征；利用最优衰退特征和对应的SOH训练网络，得到训练完成的模型；利用训练完成的模型预测出该锂电池的SOH。用于预测锂电池SOH。
-
-
-
-
-
-
-
-
-
Search Results
43
records
(took 0.027 seconds)
