-
公开(公告)号：CN114740357A
公开(公告)日：2022-07-12
申请号：CN202210278251.0
申请日：2022-03-21
Applicant: 哈尔滨工业大学(威海)
IPC: G01R31/367 , G01R31/396
Abstract: 本发明公开了一种并联电池组支路电流、荷电状态和功率状态的联合估计方法，该方法先获取并联电池组的支路电流，建立电池的等效电路模型，同时，将估计出的支路电流和端电压作为输入，利用带遗忘因子的递推最小二乘法辨识模型参数，在扩展卡尔曼滤波中加入可随残差变化的自适应遗忘因子来估计荷电状态，并进行荷电状态和端电压约束下的功率状态估计。本发明考虑到了锂离子电池单体间不一致性对支路电流的影响，可随残差变化的自适应遗忘因子也提高了扩展卡尔曼滤波的对不同环境的适应性，从而提高了支路电流、荷电状态和功率状态估计精度。
-
公开(公告)号：CN112114254B
公开(公告)日：2022-02-08
申请号：CN202010864946.8
申请日：2020-08-25
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
Abstract: 本发明提供一种锂离子动力电池开路电压模型融合方法，包括以下步骤：通过OCV实验获得电池全SOC区间的开路电压(OCV)‑荷电状态(SOC)实验曲线；以一定等SOC间隔选取实验曲线上的(SOC,OCV)数据点，通过合理选取不同OCV模型，将选取的数据点代入各OCV模型得到相应OCV‑SOC拟合曲线；在数据点所划分出的每个SOC间隔内，分别计算各OCV‑SOC拟合曲线与实验曲线之间的均方根误差，并据此为各SOC区间中每个OCV函数模型分配不同的权值，经加权融合后，最终获得整个SOC区间的OCV模型。该模型在全SOC区间均能获得高的拟合精度，具有很好的适应性，不再局限于现有技术中单一OCV模型只能在某一特定区间内具有较高的拟合精度，而牺牲其他区间的精确性的缺点。
-
公开(公告)号：CN113805066A
公开(公告)日：2021-12-17
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：CN112464571A
公开(公告)日：2021-03-09
申请号：CN202011446598.9
申请日：2020-12-11
Applicant: 哈尔滨工业大学(深圳) , 哈尔滨工业大学(威海)
IPC: G06F30/27 , G06N3/00 , G06F111/04
Abstract: 基于多约束条件粒子群优化算法的锂电池组参数辨识方法，涉及锂离子电池组电化学模型参数辨识领域。本发明是为了解决现有只能对电池单体的行为进行辨识，不能对电池组状态整体预测的问题。步骤1、建立锂离子单体电池电化学模型；步骤2、采用激励响应法对锂离子电池单体电化学模型进行辨识，得到该模型参数值；步骤3、根据步骤2得到的模型参数值，设定锂离子电池组电化学模型的参数值范围；步骤4、采用多约束条件粒子群优化算法从设定锂离子电池组电化学模型的参数值范围中，得到锂离子电池组的模型参数向量。它用于检测锂离子电池组的状态。
-
公开(公告)号：CN112114254A
公开(公告)日：2020-12-22
申请号：CN202010864946.8
申请日：2020-08-25
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
Abstract: 本发明提供一种锂离子动力电池开路电压模型融合方法，包括以下步骤：通过OCV实验获得电池全SOC区间的开路电压(OCV)‑荷电状态(SOC)实验曲线；以一定等SOC间隔选取实验曲线上的(SOC,OCV)数据点，通过合理选取不同OCV模型，将选取的数据点代入各OCV模型得到相应OCV‑SOC拟合曲线；在数据点所划分出的每个SOC间隔内，分别计算各OCV‑SOC拟合曲线与实验曲线之间的均方根误差，并据此为各SOC区间中每个OCV函数模型分配不同的权值，经加权融合后，最终获得整个SOC区间的OCV模型。该模型在全SOC区间均能获得高的拟合精度，具有很好的适应性，不再局限于现有技术中单一OCV模型只能在某一特定区间内具有较高的拟合精度，而牺牲其他区间的精确性的缺点。
-
Patent Agency Ranking
公开(公告)号：CN112083336A
公开(公告)日：2020-12-15
申请号：CN202011117166.3
申请日：2020-10-19
Applicant: 哈尔滨工业大学(威海)
IPC: G01R31/367 , G01R31/378
Abstract: 本发明提供了一种锂离子电池组电化学模型参数获取方法，其基于激励响应分析对不同个体电池在辨识工况下放电末端的电压曲线进行对比分析，估算出辨识工况下各单体电池所对应的放电容量，提取辨识工况中的搁置末端的端电压，从而辨识出不同单体电池的电化学模型基本工作过程相关参数，进而实施其他参数的获取，实现了电化学模型在电池组上的应用，同时为简化电化学模型在电池管理系统中的应用如荷电状态估计、健康状态评估等提供了技术支持。
-
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：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。
-
-
-
-
-
-
-
-
-
Search Results
67
records
(took 0.039 seconds)
