-
公开(公告)号：CN104090238B
公开(公告)日：2016-09-28
申请号：CN201410276350.0
申请日：2014-06-19
Applicant: 哈尔滨工业大学
IPC: G01R31/36
Abstract: 基于AR集成学习模型的锂离子电池剩余寿命预测方法，涉及锂离子电池剩余寿命预测方法。为了解决现有单一的AR模型在非线性时间序列预测中的精度有限的问题和稳定度低的问题，本发明基于AR集成学习模型的对锂离子电池剩余寿命进行预测，用Bagging(Bootstrap Aggregating)集成方法随机选取输入数据构成的向量，形成一组子向量集，每个向量集输入一个AR模型进行参数计算和容量预测，最后将预测结果进行融合输出，并绘制容量退化曲线和概率密度曲线，从而得到最终的预测输出。本发明可以提高锂离子电池剩余寿命预测的稳定性和精度。本发明适用于锂离子电池剩余寿命预测。
-
公开(公告)号：CN103954914A
公开(公告)日：2014-07-30
申请号：CN201410208640.1
申请日：2014-05-16
Applicant: 哈尔滨工业大学
IPC: G01R31/36
Abstract: 基于概率集成的锂离子电池剩余寿命直接预测方法，涉及锂离子电池剩余寿命预测技术领域。它为了解决传统单调回声状态网络MONESN方法的不稳定性以及缺乏剩余寿命不确定性表达的问题。本发明首先测量锂离子电池每个循环周期的最大容量；采用N个MONESN模型预测锂离子电池剩余寿命，得到N个预测结果；对上述结果进行不确定性估计和集成，以得到基于概率集成的锂离子电池剩余寿命预测结果。本发明充分发挥了MONESN模型较强的非线性预测能力，有效克服传统MONESN算法不稳定性的问题。同时，能够实现剩余寿命不确定性的表达和管理。本发明适用于容量能够直接测量获得的情况下，锂离子电池剩余寿命的预测。
-
Patent Agency Ranking
公开(公告)号：CN106772080B
公开(公告)日：2020-04-14
申请号：CN201611189260.3
申请日：2016-12-21
Applicant: 哈尔滨工业大学
IPC: G01R31/367 , G01R31/392
Abstract: 本发明提供了一种空间锂离子电池加速退化试验时间等效性建模方法，本发明针对空间应用的锂离子电池，叙述了构建退化寿命试验模型的过程，提供有效的加速寿命试验模型，说明了在空间锂离子电池地面测试过程中，电流加倍工作条件(后文用DDC表示)的工作时间约为实际在轨模拟工作条件下(后文用SN表示)的0.39倍的信息。对用于加速试验模型的数据，提供全面的统计分析，对数据建模的可行性进行明确表征，避免盲目应用数据进行加速建模的无效工作量。利用多种表达方式，获取每种工况下的寿命概率密度函数，有效获取加速应力为其他值时的寿命分布值，快速获得不同截止条件、加速工况下的寿命与不同工作时间时的参数值。
-
公开(公告)号：CN104156791A
公开(公告)日：2014-11-19
申请号：CN201410437025.8
申请日：2014-08-29
Applicant: 哈尔滨工业大学
Abstract: 基于LS-SVM的概率集成学习锂离子电池剩余寿命预测方法，涉及一种电池剩余寿命预测方法。本发明为了解决传统的预测模型的预测精度有限的问题和稳定性不好的问题。本发明构建LS-SVM预测模型，构造输入向量并选择合适的输入向量维数及超参数范围，在一定范围内随机选择多组参数构成多个LS-SVM集成学习模型的子模型，并将子模型结果进行集成输出，极大程度上减小了精确确定参数的难度，并大幅度提高了预测准确性及稳定程度。本发明适用于电池剩余寿命预测。
-
公开(公告)号：CN106772080A
公开(公告)日：2017-05-31
申请号：CN201611189260.3
申请日：2016-12-21
Applicant: 哈尔滨工业大学
IPC: G01R31/36
Abstract: 本发明提供了一种空间锂离子电池加速退化试验时间等效性建模方法，本发明针对空间应用的锂离子电池，叙述了构建退化寿命试验模型的过程，提供有效的加速寿命试验模型，说明了在空间锂离子电池地面测试过程中，电流加倍工作条件(后文用DDC表示)的工作时间约为实际在轨模拟工作条件下(后文用SN表示)的0.39倍的信息。对用于加速试验模型的数据，提供全面的统计分析，对数据建模的可行性进行明确表征，避免盲目应用数据进行加速建模的无效工作量。利用多种表达方式，获取每种工况下的寿命概率密度函数，有效获取加速应力为其他值时的寿命分布值，快速获得不同截止条件、加速工况下的寿命与不同工作时间时的参数值。
-
公开(公告)号：CN106597311A
公开(公告)日：2017-04-26
申请号：CN201611189266.0
申请日：2016-12-21
Applicant: 哈尔滨工业大学
IPC: G01R31/36
CPC classification number: G01R31/392 , G01R31/367
Abstract: 本发明提供了一种基于主成分分析的融合HI等效性锂离子电池退化预测方法。将放电终止电压作为基准HI与直接表征退化参数容量进行GRA并使用GLM以进行变换建模，变换结果与容量的关联度大于0.7说明了放电终止电压作为HI的合理性。其次，根据电池的外测参数构建多种间接HI，并利用PCA对多种HI进行融合得到融合HI。利用GLM分析融合HI与放电终止电压之间的关系，并由GRA的关联性大于0.7及RMSE小于0.004，说明误差很小拟合精度高，融合HI可作为放电终止电压的替代参数。同时，GLM可以有效获得HI与直接退化参量之间的关系以确定失效阈值，将序列之间的关联性提高50％以上。构建的融合HI可以完成间接退化状态预测，实现利用直接测量数据间接预测锂离子电池退化状态。
-
公开(公告)号：CN104090238A
公开(公告)日：2014-10-08
申请号：CN201410276350.0
申请日：2014-06-19
Applicant: 哈尔滨工业大学
IPC: G01R31/36
Abstract: 基于AR集成学习模型的锂离子电池剩余寿命预测方法，涉及锂离子电池剩余寿命预测方法。为了解决现有单一的AR模型在非线性时间序列预测中的精度有限的问题和稳定度低的问题，本发明基于AR集成学习模型的对锂离子电池剩余寿命进行预测，用Bagging(Bootstrap Aggregating)集成方法随机选取输入数据构成的向量，形成一组子向量集，每个向量集输入一个AR模型进行参数计算和容量预测，最后将预测结果进行融合输出，并绘制容量退化曲线和概率密度曲线，从而得到最终的预测输出。本发明可以提高锂离子电池剩余寿命预测的稳定性和精度。本发明适用于锂离子电池剩余寿命预测。
-
-
-
-
-
-
Search Results
7
records
(took 0.022 seconds)
