-
公开(公告)号：CN119150025B
公开(公告)日：2025-01-28
申请号：CN202411595562.5
申请日：2024-11-11
Applicant: 吉林大学
IPC: G06F18/214 , G01R31/367 , G01R31/378 , G01R31/387 , G01R31/396 , G06F18/213 , G06F18/25 , G06N20/20 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及锂离子电池管理技术领域领域，公开了一种基于集成学习的锂离子电池荷电状态估计方法，通过融合CNN‑Transformer网络与卡尔曼滤波器，有效克服了现有技术中存在的多种问题，卡尔曼滤波器的引入，实时更新和校正SOC估计值，显著减少了安时积分法在长期运行中累积误差的影响，且其递归性质允许模型动态调整，降低对精确初始SOC值的依赖，从而提高长期估计的准确性；通过CNN‑Transformer架构，达到了处理实时数据流的效果，无需电池静置即可进行SOC估计，使之不受电池迟滞效应的影响，因依赖于实时数据而不是静态的开路电压测量，从而在实时应用中提供更准确的SOC估计。
-
公开(公告)号：CN119147982B
公开(公告)日：2025-03-25
申请号：CN202411638598.7
申请日：2024-11-18
Applicant: 吉林大学
IPC: G01R31/378 , G01R31/367 , G01R31/392
Abstract: 本发明适用于锂离子电池管理技术领域，提供了基于多模型融合的锂离子电池荷电和健康状态估计方法，包括以下步骤：数据采集及处理；基于等电压间隔放电时间的电池SOH估计；电池SOC估计模型的搭建与训练；基于容量修正的安时积分法：将步骤二所计算的SOH值应用于安时积分法中，以实时调整SOC的估算值；当前电池SOH下电池SOC的估计：将步骤三中应用神经网络输出的SOC和步骤四中应用安时积分法计算的SOC应用卡尔曼滤波器进行融合；评价指标设定。本发明显著提高了锂离子电池SOC和SOH的估计准确性，降低了误差，增强了BMS性能，提升了电池安全性和使用寿命，同时展现出强适应性和良好的抗噪声性能。
-
公开(公告)号：CN119150025A
公开(公告)日：2024-12-17
申请号：CN202411595562.5
申请日：2024-11-11
Applicant: 吉林大学
IPC: G06F18/214 , G01R31/367 , G01R31/378 , G01R31/387 , G01R31/396 , G06F18/213 , G06F18/25 , G06N20/20 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及锂离子电池管理技术领域领域，公开了一种基于集成学习的锂离子电池荷电状态估计方法，通过融合CNN‑Transformer网络与卡尔曼滤波器，有效克服了现有技术中存在的多种问题，卡尔曼滤波器的引入，实时更新和校正SOC估计值，显著减少了安时积分法在长期运行中累积误差的影响，且其递归性质允许模型动态调整，降低对精确初始SOC值的依赖，从而提高长期估计的准确性；通过CNN‑Transformer架构，达到了处理实时数据流的效果，无需电池静置即可进行SOC估计，使之不受电池迟滞效应的影响，因依赖于实时数据而不是静态的开路电压测量，从而在实时应用中提供更准确的SOC估计。
-
公开(公告)号：CN119147982A
公开(公告)日：2024-12-17
申请号：CN202411638598.7
申请日：2024-11-18
Applicant: 吉林大学
IPC: G01R31/378 , G01R31/367 , G01R31/392
Abstract: 本发明适用于锂离子电池管理技术领域，提供了基于多模型融合的锂离子电池荷电和健康状态估计方法，包括以下步骤：数据采集及处理；基于等电压间隔放电时间的电池SOH估计；电池SOC估计模型的搭建与训练；基于容量修正的安时积分法：将步骤二所计算的SOH值应用于安时积分法中，以实时调整SOC的估算值；当前电池SOH下电池SOC的估计：将步骤三中应用神经网络输出的SOC和步骤四中应用安时积分法计算的SOC应用卡尔曼滤波器进行融合；评价指标设定。本发明显著提高了锂离子电池SOC和SOH的估计准确性，降低了误差，增强了BMS性能，提升了电池安全性和使用寿命，同时展现出强适应性和良好的抗噪声性能。
-
-
-
Search Results
4
records
(took 0.012 seconds)
