-
公开(公告)号：CN112068000B
公开(公告)日：2022-03-11
申请号：CN202011034157.8
申请日：2020-09-27
Applicant: 哈尔滨工业大学(威海)
IPC: G01R31/367 , G01R31/392
Abstract: 本发明提供了一种考虑动力电池耐久性影响的峰值功率预测方法，相对于现有技术除了以电池最高温度值作为约束外，还增加了电池温度的变化率约束和老化约束。由于电池的温升变化率在电池处于任意环境温度时均能很好的反应电池的健康变化情况，因此本发明能够更好的反应电池的健康状态变化情况，减少容量损失，提高耐久性。此外，考虑到电流倍率会对电池的容量衰退轨迹造成影响，本发明从容量损失模型入手推导出电流倍率与容量衰退约束的关系，以容量衰退限值为约束进行持续充放电峰值电流预测，进而实现电池持续充放电峰值功率预测，对于电池的耐久性具有重要意义。
-
公开(公告)号：CN112285569A
公开(公告)日：2021-01-29
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：CN112068000A
公开(公告)日：2020-12-11
申请号：CN202011034157.8
申请日：2020-09-27
Applicant: 哈尔滨工业大学(威海)
IPC: G01R31/367 , G01R31/392
Abstract: 本发明提供了一种考虑动力电池耐久性影响的峰值功率预测方法，相对于现有技术除了以电池最高温度值作为约束外，还增加了电池温度的变化率约束和老化约束。由于电池的温升变化率在电池处于任意环境温度时均能很好的反应电池的健康变化情况，因此本发明能够更好的反应电池的健康状态变化情况，减少容量损失，提高耐久性。此外，考虑到电流倍率会对电池的容量衰退轨迹造成影响，本发明从容量损失模型入手推导出电流倍率与容量衰退约束的关系，以容量衰退限值为约束进行持续充放电峰值电流预测，进而实现电池持续充放电峰值功率预测，对于电池的耐久性具有重要意义。
-
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。
-
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。
-
Patent Agency Ranking
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：CN113805066B
公开(公告)日：2023-08-18
申请号：CN202111102587.3
申请日：2021-09-20
Applicant: 哈尔滨工业大学(威海) , 威海天达汽车科技有限公司
IPC: G01R31/367 , G01R31/396
Abstract: 一种基于改进欧氏距离相似度的串联电池组多故障诊断方法,涉及新能源汽车动力电池系统领域，包括故障识别、定位、检测和隔离四部分。采用交错电压测量设计布置传感器位置，根据串联电路无故障时电压变化一致的原理，通过出现异常电压值的传感器的编号，识别出故障的类型并定位出故障发生的位置。基于改进欧氏距离相似度的检测方法，以测量电压数据集为输入，计算相邻编号传感器测量电压的改进欧氏距离相似度值，根据故障诊断策略可以判断出故障的类型。本发明无需复杂的计算，且不需要增加额外的硬件，就可以诊断出连接松脱故障、传感器故障、内短路和外短路故障；大大简化了故障诊断的难度。
-
公开(公告)号：CN115469226A
公开(公告)日：2022-12-13
申请号：CN202210913103.1
申请日：2022-08-01
Applicant: 哈尔滨工业大学(威海)
IPC: G01R31/367 , G01R31/389 , G01R31/396
Abstract: 本发明公开了一种基于运行大数据的电动汽车动力电池实时安全预警方法，包括以下步骤：S1、数据读取，读取动力电池过往历史数据的总电流、总SOC、以及单体电压；S2、数据清洗，针对缺失数据、重复值数据、错误数据进行清洗；S3、数据分析，提取不同充电时刻的电压值，建立OCV‑SOC曲线；S4、参数辨识，通过拟合得到的OCV‑SOC曲线，对实时采集数据利用Rint模型进行参数辨识，得到充电段的直流内阻和放电段的直流内阻；S5、安全预警，对充电片段内阻和放电片段内阻进行预警。本发明的有益效果在于：基于内阻信息提出的时间空间双维度安全预警方法即能有效诊断出发生故障的具体时间，还能诊断出现故障的具体电池单体，有效的实现电池系统安全精确预警。
-
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：CN114740365A
公开(公告)日：2022-07-12
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和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。
-
-
-
-
-
-
-
-
-
Search Results
67
records
(took 0.032 seconds)
