公开(公告)号：CN113740736A

公开(公告)日：2021-12-03

申请号：CN202111009944.1

申请日：2021-08-31

Applicant: 哈尔滨工业大学

Inventor： 郑文斌 ,  尹洪涛 ,  付平 ,  周欣雨 ,  董浩 ,  刘浪宇 ,  石金龙

IPC: G01R31/367 ,  G01R31/378 ,  G01R31/392

Abstract: 本发明提出一种基于深度网络自适应的电动汽车锂电池SOH估算方法，先对数据进行预处理，数据预处理后在原有的电压、电流、时间曲线的基础上构建SOC曲线和容量增量IC曲线，并根据这些曲线进行了特征提取；利用皮尔逊相关系数PCC计算提取出的特征与SOH的相关性，验证特征提取是否有效；再构建SOH估算模型；通过在深度网络中添加自适应层结合深度学习和领域自适应，实现迁移学习，建立出基于深度自适应网络的SOH估算模型；本发明能够有效的将电池老化信息从实验数据中迁移到工况数据下，有效的弥补了工况下电池老化信息不足的问题，提高了工况下SOH估算的精度，使其能够满足SOH估算的需求，可以应用于车载电池管理系统中。

公开(公告)号：CN113740736B

公开(公告)日：2024-04-02

申请号：CN202111009944.1

申请日：2021-08-31

Applicant: 哈尔滨工业大学

Inventor： 郑文斌 ,  尹洪涛 ,  付平 ,  周欣雨 ,  董浩 ,  刘浪宇 ,  石金龙

IPC: G01R31/367 ,  G01R31/378 ,  G01R31/392

Abstract: 本发明提出一种基于深度网络自适应的电动汽车锂电池SOH估算方法，先对数据进行预处理，数据预处理后在原有的电压、电流、时间曲线的基础上构建SOC曲线和容量增量IC曲线，并根据这些曲线进行了特征提取；利用皮尔逊相关系数PCC计算提取出的特征与SOH的相关性，验证特征提取是否有效；再构建SOH估算模型；通过在深度网络中添加自适应层结合深度学习和领域自适应，实现迁移学习，建立出基于深度自适应网络的SOH估算模型；本发明能够有效的将电池老化信息从实验数据中迁移到工况数据下，有效的弥补了工况下电池老化信息不足的问题，提高了工况下SOH估算的精度，使其能够满足SOH估算的需求，可以应用于车载电池管理系统中。