-
公开(公告)号：CN113779493A
公开(公告)日：2021-12-10
申请号：CN202111096630.X
申请日：2021-09-16
Abstract: 本发明涉及一种多智能家庭的分布式智能.能量管理方法，属于智能电网技术领域，包括以下步骤：S1：建立智能家庭各部件的数学模型；建立社区中各智能家庭之间的拓扑结构，以实现其能量交易；制定各智能家庭之间的能量交易规则；S2：针对各智能家庭中的电动汽车建立相应的动力电池老化模型，包括循环老化模型和日历老化模型；S3：针对各智能家庭建立其日常电能成本最低的优化目标，设计各部件相应的约束；S4：对原优化问题转换成凸优化问题，保证所得解为全局最优；S5：设计各智能家庭之间能量交易的一致性辅助变量，利用Consensus ADMM算法对各智能家庭的优化问题进行分解协调至最优，使整个社区的电能成本最低。
-
公开(公告)号：CN112965001A
公开(公告)日：2021-06-15
申请号：CN202110180579.4
申请日：2021-02-09
Applicant: 重庆大学 , 重庆长安汽车股份有限公司
IPC: G01R31/396 , G01R31/385
Abstract: 本发明涉及一种基于实车数据的动力电池组故障诊断方法，属于故障诊断领域。该方法包括：S1：选取发生热失控的事故车，将事故车分为两类，获取事故车生命周期后期的所有电池单体的充放电电压数据，对预处理后的单体电压进行标准化；S2：确定时间窗口长度，获取每一个时间窗口内的单体电压，构建单体电压状态矩阵，计算相应的参数向量作为基准参数向量，相应的状态向量作为基准状态向量；S3：将除第一个时间窗口之外的其余所有时间窗口下的单体电压状态矩阵，与基准参数向量相乘得到各时间窗口下的各电池单体的状态向量；S4：基于SRM方法实现电压的故障诊断。本发明实现了电压故障提前预警，异常单体准确定位以及故障类型的准确判断。
-
公开(公告)号：CN112798960A
公开(公告)日：2021-05-14
申请号：CN202110048627.4
申请日：2021-01-14
Applicant: 重庆大学
IPC: G01R31/367 , G01R31/392 , G06F30/27 , G06N3/04 , G06N3/08 , G06N20/00 , G06F111/08
Abstract: 本发明涉及一种基于迁移深度学习的电池组剩余寿命预测方法，属于电池技术领域。该方法包括以下步骤：步骤S1：收集动力电池老化数据集，建立电池老化数据库；步骤S2：根据电池单体老化数据提取多个健康因子，并根据相关性分析和容量估计误差筛选健康因子；步骤S3：基于电池单体全寿命周期老化数据集训练得到健康因子的递推模型，以及基于健康因子的容量估计模型；步骤S4：建立基于电池单体健康因子集和电池组容量衰减的机器学习模型；步骤S5：基于单体容量估计模型预测未来各单体的容量，得到未来循环的电池组单体容量分布。利用迁移学习和深度学习相结合，能够有效的利用已有的完整信息，提高电池组剩余寿命预测精度。
-
公开(公告)号：CN112677769A
公开(公告)日：2021-04-20
申请号：CN202011583075.9
申请日：2020-12-28
Applicant: 重庆大学
Abstract: 本发明涉及一种基于多因素融合的电池系统功率限值估算方法，属于新能源电池领域。该方法包括以下步骤：S1：依据电池系统温度和SOC作为基础影响因子；S2：计算电池系统最高单体电压和最低单体电压对电池系统功率限值估算的影响，在计算出电池系统功率限值基础值，需要考虑在电芯一致性差时电压因素的影响，并对基础值进行修正；S3：时间修正因子计算。考虑电池系统温度、SOC、单体电压、故障状态以及时间的限制，准确估算动力电池在当前状态下的功率限值。避免负载端过渡使用导致电池系统过充、过放及高温故障，同时避免故障状态下的系统滥用，保护电池系统安全，延长电池系统寿命。
-
公开(公告)号：CN112083337A
公开(公告)日：2020-12-15
申请号：CN202011141793.0
申请日：2020-10-22
Applicant: 重庆大学
IPC: G01R31/367 , G01R31/392
Abstract: 本发明涉及一种面向预测性运维的动力电池健康预测方法，属于电池管理技术领域。改方法采用有用性评价体系对健康因子进行评估，利用贝叶斯优化方法对阈值进行优化，采用迁移学习将最相似衰减的电池模型训练信息传递给测试单体，并利用早期衰减数据进行模型的微调，最后利用训练好的模型进行健康预测，包括一步衰减预测和外推剩余容量预测，并利用在线提取的特征进行模型自校正。本发明避开传统的利用电池容量进行预测所面临的在线容量不可测问题，为电池的预测性运维提供退役点的预测，并且在使用过程中能够实时的进行自校正，提高预测的精度。
-
Patent Agency Ranking
公开(公告)号：CN111976707A
公开(公告)日：2020-11-24
申请号：CN202010930943.X
申请日：2020-09-07
Applicant: 重庆大学
Abstract: 本发明涉及一种基于凸优化考虑电机热状态的混合动力汽车能量管理方法，属于新能源汽车领域。该方法包含以下步骤：S1：根据汽车的参数，建立汽车的纵向动力学模型；S2：根据所选择的循环工况，计算汽车的需求转矩、需求功率；S3：建立各部件动力学模型，以及电机热状态模型S4：通过凸优化拟合方法，对动力系统各部件模型凸化处理；S5：对传动系统的各部件工作状态及电机热状态进行约束；S6：确定目标函数，建立凸优化框架；S7：利用凸优化工具箱，在保证约束条件有效情况下下，计算最佳功率分配。本发明弥补了现有混合动力能量管理方法忽略电机工作状态的缺点，同时本发明的优化算法计算时间快，结果准确。
-
公开(公告)号：CN111965560A
公开(公告)日：2020-11-20
申请号：CN202010859703.5
申请日：2020-08-24
Applicant: 重庆大学
IPC: G01R31/392 , G01R31/367 , G01R31/36 , G01R31/00
Abstract: 本发明涉及一种面向通用放电工况的电池健康状态估计(State of health,SOH)方法，属于电池技术领域，包括以下步骤：S1：对于恒流或脉冲工况，直接进行电压分段，获得电量差序列；对于动态电流工况，首先进行电压滤波，再进行电压分段，获得电量差序列；S2：提取健康因子：计算电量序列及电量差序列的标准差作为健康因子，分别表示为stdQ_VP和std△Q_VP；S3：采用皮尔逊相关系数来分析健康因子与电池容量的线性相关性；S4：使用数据驱动的方法估计电池的SOH。本发明可建立简单的线性回归模型在通用的放电工况下估计电池的SOH。
-
公开(公告)号：CN111444625A
公开(公告)日：2020-07-24
申请号：CN202010261042.6
申请日：2020-04-03
Applicant: 重庆大学
IPC: G06F30/20 , G06F17/13 , G06F111/10
Abstract: 本发明涉及一种面向控制的全固态电池物理降阶方法，属于电池领域，包括步骤：利用拉普拉斯变换得到偏微分方程的解析解，利用Padé近似法将超越传递函数转化为低阶分数传递函数。通过分析传递函数的频响，选择三阶近似传递函数。抛物线函数和三次函数分别用来近似正极和电解质中的浓度分布。利用近似的浓度分布，计算体积平均浓度、平衡电势、扩散过电势、电解质相过电势和电荷转移过电势，得到电池的端电压。本发明的有益之处在于提出一种全固态电池的机理简化模型，该模型能够实时有效地计算电池正极和电解质相的浓度分布、平衡电势、各种过电势、电池电压和SOC。该方法具有良好的性能，能在模型保真度和计算复杂度之间取得了较好的平衡。
-
公开(公告)号：CN110703113A
公开(公告)日：2020-01-17
申请号：CN201910974031.X
申请日：2019-10-14
Applicant: 重庆大学
IPC: G01R31/388 , G01R31/389 , G01R31/367
Abstract: 针对现有电池组SOC估计存在的精度差和计算量大的问题，本发明提供了一种基于特征参数选择和高斯过程回归(GPR)的电池组SOC在线估计方法。该方法包括以下步骤：动力电池组出厂前，对其进行充放电测试，采集充放电过程中的测量数据，利用安时积分法计算出电池组实际的SOC曲线；分别计算电流、总电压、单体电压、单体温度与SOC的相关系数，去掉相关系数低于一定阈值的数据，构建输入数据集；对输入数据集进行主成分分析，仅保留k个主要成分；选取指数平方函数作为核函数，利用得到的样本数据进行模型训练；动力电池系统使用过程中，将采集的数据导入训练好的GPR模型中进行电池组SOC估计。
-
公开(公告)号：CN110703112A
公开(公告)日：2020-01-17
申请号：CN201910973355.1
申请日：2019-10-14
Applicant: 重庆大学
IPC: G01R31/388 , G01R31/392 , G01R31/367
Abstract: 本发明涉及一种基于局部充电数据的电池组状态的在线估计方法，属于电池管理技术领域。该方法包括以下步骤：S1：选定待测串联电池组，收集整理该串联电池组的技术参数，并进行初始容量的标定；S2：进行多段变电流工况充电和恒电流放电的循环老化工况，并收据电压电流等数据，建立电池组老化数据库；S3：提取电池组局部充电曲线的多个健康因子HI作为输入，恒流放电容量对应的SOH作为输出，进行多输入单输出的GPR模型训练；S4：利用训练得到的GPR模型进行电池组SOH的在线估计。本发明运用局部充电数据特征，在较少训练集数据进行模型训练的情况下得到较好的估计效果。
-
-
-
-
-
-
-
-
-
Search Results
90
records
(took 0.019 seconds)
