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

    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

    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。

    一种动力电池开路电压模型融合方法

    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

    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。

    一种车载蓝牙定位系统及其定位方法

    公开(公告)号:CN111818636B

    公开(公告)日:2022-01-28

    申请号:CN202010492831.0

    申请日:2020-06-03

    Abstract: 一种车载蓝牙定位系统及其定位方法,涉及蓝牙定位领域,定位系统包括用户移动设备终端、车载蓝牙终端和车身上呈矩形设置4个蓝牙信标锚点;蓝牙信标锚点、车载蓝牙终端接入车载网络;定位方法如下:蓝牙信标锚点分别向外发送RSSI并采集其他的RSSI,发送给用户移动设备终端;用户移动设备终端采集蓝牙信标锚点的RSSI后,对RSSI数据滤波;计算出各锚点间及与用户移动设备终端间的计算距离,根据各锚点间的实际距离计算校正因子,校正计算距离;建立坐标系,用双重三角形质心定位算法进行定位,得到用户移动设备位置。本发明具有硬件拓扑结构简单、所需计算数据量小,实时性强,受外界环境影响小、定位准确等优点。

    一种车辆物联网云存储系统重复数据删除方法

    公开(公告)号:CN112115108A

    公开(公告)日:2020-12-22

    申请号:CN202010950313.9

    申请日:2020-09-11

    Abstract: 一种车辆物联网云存储系统重复数据删除方法,涉及信息存储领域,步骤如下:将固定窗口置于未分块的起始位置,滑动窗口寻找不小于极大值的字节作为分块点、生成块指纹Chunkfp;记录滑动窗口内极大值 和分块长度SizeChunk;重复a、b,直至分块完成;依次排列三元组数据、建立三元组列表,三元组数据为 SizeChunk+1为下一分块长度;当有新的数据流输入时,执行步骤a,在三元组列表中寻找具有相同块指纹的三元组数据,找到时,将三元组列表中自具有相同块指纹的三元组数据起向后的各三元组数据中的SizeChunk+1依次作为对新输入的数据流分块的字节长度,对新输入的数据流进行分块,直至分块完成;未找到时,更新三元组列表;本发明分块速度快,系统数据吞吐率高。

    一种动力电池开路电压模型融合方法

    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

    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。

    一种起重机桁架式承重梁

    公开(公告)号:CN108178064B

    公开(公告)日:2019-05-21

    申请号:CN201711499627.6

    申请日:2017-12-31

    Abstract: 一种起重机桁架式承重梁,涉及起重机承重梁结构,设有下前横梁杆、下后横梁杆、上前横梁杆和上后横梁杆,下前横梁杆和上前横梁杆之间以及下后横梁杆和上后横梁杆之间各设有至少五根上下支撑杆;由中央部至两端上下支撑杆间的距离逐渐变大;上前横梁杆中央部位与下前横梁杆的两端间以及上后横梁杆中央部位与下后横梁杆的两端间分别设有V字形斜撑V字形斜撑端部与相邻横梁杆间的设有斜梁支撑杆;前横梁杆与后横梁杆间设有前后连杆。本发明具有质量小,便于生产、安装,耗材少、成本低等优点。

Patent Agency Ranking