公开(公告)号：CN117406110A

公开(公告)日：2024-01-16

申请号：CN202311529542.3

申请日：2023-11-16

Applicant: 北京工业大学

Inventor： 张彦琴 ,  杨紫东 ,  张宇辰

IPC: G01R31/385 ,  G01R31/392 ,  G01R31/367 ,  G01R31/36

Abstract: 本发明公开了基于寿命预诊断和迁移学习的锂离子电池SOH估计方法，提取电池寿命特征值，利用两个聚类中心电池的历史循环数据建立电池SOH的门控循环神经网络GRU预测模型，输入为电池1C倍率恒流充电时间和1C倍率恒流充电平均电压，输出为电池SOH。对待估计电池，要在早期循环数据中提取寿命特征，进行寿命类别判断，匹配相应的SOH预测模型；再利用早期循环数据对预测模型进行迁移学习，继而在迁移学习后的模型基础上，循环数据包括电池1C倍率恒流充电时间和1C倍率恒流充电平均电压作为输入，进行SOH估计。估计方法建立在既有模型基础上，不需要对每个电池进行数据模型建模，在保障估计精度的前提下节约了时间成本。

公开(公告)号：CN119294484A

公开(公告)日：2025-01-10

申请号：CN202411164406.3

申请日：2024-08-23

Applicant: 北京工业大学

Inventor： 张彦琴 ,  张宇辰

IPC: G06N5/01 ,  G06N20/20 ,  G06N3/0442 ,  G06N3/08

Abstract: 本发明公开了一种用于电池健康状态估计的健康因子选择方法，该方法通过应用随机森林算法对电池的健康因子进行筛选，其中决策树的数量确定为100棵。使用有放回的抽样方法从健康因子数据集中抽取袋内数据构建和训练决策树。应用袋外数据对健康因子进行决策树模型的原始数据误差和重排列误差计算，根据两种误差的差值对健康因子进行重要性评分，从而可为电池挑选出与健康状态最相关的5个健康因子。该算法不仅可以揭示电池健康状态与健康因子的非线性关系，将选择的健康因子作为输入，采用长短期记忆网络模型预测每块电池的健康状态值，还可得到更为准确的估计结果。本方法对于预测电池健康状态发展有重要意义。