-
公开(公告)号：CN118560281A
公开(公告)日：2024-08-30
申请号：CN202410615242.5
申请日：2024-05-17
Applicant: 重庆理工大学
IPC: B60L3/00 , G01R31/367 , G01R31/385 , G01R31/396 , B60L58/10 , B60L58/12
Abstract: 本发明公开了一种基于云端数据的电池组故障多阶预警方法，包括：采集电池组的特征数据并划分为窗口数据；提取每个窗口数据的故障特征并对车辆进行风险初步筛查；若车辆为高风险车或低风险车，则提取车辆的故障特征并输入到训练好的机器学习模型中，输出整车级故障预警结果；若车辆为中风险车，则利用纵向离群均值法算法进行故障诊断，并进一步实现单体级故障定位；基于电压累计差分均值法进行故障类型划分。本发明通过风险初筛将车辆划分为高、中、低风险车，针对不同风险车辆采取相应的诊断方法并进一步挖掘故障信息，有效提高了电池组故障预警的检测精度和实用性能。经实际车辆运行数据验证，本发明的综合故障检测准确率在98％以上。
-
公开(公告)号：CN113868884B
公开(公告)日：2024-06-04
申请号：CN202111177546.0
申请日：2021-10-09
Applicant: 重庆理工大学
IPC: G06F30/20
Abstract: 本发明提供了一种基于证据理论的动力电池多模型容错融合建模方法，通过选用三种以上的等效电路分别对锂离子动力电池进行初步建模，相对现有的只采用单一模型的方法，在所需先验信息较少的前提下，使模型的融合效果和鲁棒性得到了显著提高，依托于适合的参数辨识方法对各模型分别完成参数辨识，并在城市道路工况下分析不同模型精度。最后，基于D–S证据理论融合多个电池模型端电压预测值与实测值之间的偏差和方差，分配基本可信度并确定各模型信度函数，进而确定各模型不同时刻的不同SOC区间段加权值进行融合计算，相对于现有技术大大提高了锂离子动力电池建模的准确度。
-
公开(公告)号：CN117148162A
公开(公告)日：2023-12-01
申请号：CN202311106779.0
申请日：2023-08-30
Applicant: 重庆理工大学 , 哈尔滨工业大学(威海)
IPC: G01R31/367 , G01R31/392 , G06F30/27 , G06N3/045
Abstract: 本发明具体涉及基于数据与模型融合的动力电池SOC和SOH估计方法，包括：构建动力电池的变阶次分数阶模型；基于变阶次分数阶模型估计动力电池的解析模型估计SOC；通过深度学习模型构建动力电池的SOC估计模型；基于SOC估计模型估计动力电池的数据驱动估计SOC；通过高斯融合原理对解析模型估计SOC和数据驱动估计SOC进行融合，得到融合SOC值；获取动力电池的容量先验估计值，通过融合SOC值修正容量先验估计值得到修正容量值；将融合估计SOC值和修正容量值作为SOC和SOH的估计结果。本发明能够将数据驱动模型和解析模型的SOC估计结果进行有效融合，并且能够利用准确估计的SOC来修正容量值(SOH)，从而提高电池SOC和SOH联合估计的准确性和鲁棒性。
-
公开(公告)号：CN116859259A
公开(公告)日：2023-10-10
申请号：CN202310898185.1
申请日：2023-07-20
Applicant: 重庆理工大学 , 哈尔滨工业大学(威海)
IPC: G01R31/367 , G01R31/392
Abstract: 本发明具体涉及基于集成学习和实车大数据的电池健康状态估计方法，包括：对获取的实车电池大数据进行数据切片，生成若干个充电片段数据；基于蒙特卡洛模拟对各个充电片段数据进行容量估计，得到SOH标签；提取各个充电片段数据的健康特征因子，进而结合对应的SOH标签构建训练数据集；构建用于预测电池SOH的Stacking集成学习模型，并通过训练数据集训练Stacking集成学习模型；对于待估计的目标车辆，提取目标车辆实车电池数据中的健康特征因子并输入训练后的Stacking集成学习模型，得到对应的电池SOH估计结果。本发明通过Stacking集成学习模型实现电池SOH预测，并且采用实车电池大数据来训练Stacking集成学习模型，从而提高电池健康状态估计的准确性和实际应用效果。
-
公开(公告)号：CN115219937A
公开(公告)日：2022-10-21
申请号：CN202210861733.9
申请日：2022-07-20
Applicant: 重庆理工大学
IPC: G01R31/392 , G01R31/367 , G06F30/27 , G06N3/04 , G06N3/08 , G06F119/04
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。
-
Patent Agency Ranking
公开(公告)号：CN114924192A
公开(公告)日：2022-08-19
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 , G06N3/04 , G06N3/08
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。
-
公开(公告)号：CN114859248B
公开(公告)日：2025-04-29
申请号：CN202210603673.0
申请日：2022-05-30
Applicant: 重庆理工大学 , 哈尔滨工业大学(威海)
IPC: G01R31/387 , G01R31/389 , G01R31/396 , B60L58/12 , G06T11/20 , G06F17/18
Abstract: 本发明涉及电动汽车动力电池管理技术领域，具体涉及用于电池组的温度‑OCV‑SOC响应面构建方法，包括：采集动力电池组中各个单体电池的电池特征数据，生成不同环境温度下各个单体电池的OCV‑SOC曲线；基于采集的电池特征数据对动力电池组中各个单体电池的欧姆内阻进行参数辨识；对动力电池组中各个单体电池进行不一致性分析，选择一致性最差的单体电池作为特征单体电池；基于不同环境温度下特征单体电池的OCV‑SOC曲线构建OCV‑SOC曲线簇；对OCV‑SOC曲线簇进行温度的二维插值，生成对应的温度‑OCV‑SOC三维响应面，以实现SOC估计。本发明能够准确的构建动力电池组的温度‑OCV‑SOC三维响应面，以便于基于动力电池组的温度‑OCV‑SOC三维响应面完成SOC估计。
-
公开(公告)号：CN115097313B
公开(公告)日：2025-02-11
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：CN119104900A
公开(公告)日：2024-12-10
申请号：CN202411102164.5
申请日：2024-08-12
Applicant: 重庆理工大学
IPC: G01R31/367 , G01R31/392 , G01R31/396 , G01R31/378 , G01R31/388 , G06F18/10 , G06N3/0455 , G06N3/0464 , G06N3/0985 , G06N7/01 , G06F18/213
Abstract: 本发明涉及锂离子电池健康状态估算技术领域，且公开了一种基于贝叶斯优化CNN‑Transformer的锂离子电池健康状态估算方法获取锂离子电池老化数据：电池充放电电压、电流、时间和容量数据，联合CNN和Transformer模型搭建CNN‑Transformer混合模型，并进行超参数优化，对CNN‑Transformer混合模型训练，输入等间隔电压充电时间量，输出电池健康状态。该方法通过分析电池充电电压曲线，将曲线进行区间划分，提取部分电压充电时间作为健康特征，利用CNN‑Transformer对SOH进行估算，并利用贝叶斯优化方法搜索最优CNN‑Transformer算法超参数，从而在更少的评估次数下高效探索超参数空间，相较于传统超参数优化方法能更智能的选择超参数，更快找到全局最优解。
-
公开(公告)号：CN118393361A
公开(公告)日：2024-07-26
申请号：CN202410502836.5
申请日：2024-04-25
Applicant: 重庆理工大学
IPC: G01R31/367 , G01R31/378 , G01R31/374 , G01R31/385 , G01R31/392 , G01R31/396
Abstract: 本发明涉及锂电池放电容量估算技术领域，且公开了一种无温度传感器的锂电池放电容量估算方法获取锂离子电池老化数据：对锂离子电池进行循环充放电测试，直到放电容量低于标称容量的80%，实时记录电池充放电过程中电压、电流、温度、荷电状态和放电容量数据，并对数据进行处理，依次经过TCN‑GRU模型和transformer模型，进行预测。该无温度传感器的锂电池放电容量估算方法通过在没有温度传感器的情况下利用TCN‑GRU模型预测电池温度，然后提取预测得到的温度值计算充电过程温度平均值和温度增量曲线的峰值作为输入，利用transformer估算电池容量，进而实现在没有温度传感器下得到较为精确的容量值，降低电池管理系统成本。
-
-
-
-
-
-
-
-
-
Search Results
35
records
(took 0.018 seconds)
