-
公开(公告)号：CN108896924B
公开(公告)日：2020-08-04
申请号：CN201810747134.8
申请日：2018-07-09
Applicant: 哈尔滨工业大学
IPC: G01R31/382 , G01R31/387
Abstract: 基于深度置信网络和卡尔曼滤波融合的锂离子电池荷电状态估计方法，涉及电池管理技术领域。本发明是为了解决传统方法存在的问题。本发明从电池实际运行中可直接测量的电流、电压以及温度参数出发，构建锂离子电池SOC估计模型。采用深度学习中的深度置信网络对锂离子电池SOC进行估计，将深度置信网络与卡尔曼滤波方法进行融合，得到融合以后的锂离子电池SOC估计模型。与现有技术相比较而言，基于数据驱动方法的SOC估计方法可以根据电池实际工作得到的历史数据进行特征提取，再结合滤波的方法检查系统误差，从而得到相对精确的SOC估计值。
-
Patent Agency Ranking
公开(公告)号：CN110222431B
公开(公告)日：2022-04-12
申请号：CN201910502496.5
申请日：2019-06-11
Applicant: 哈尔滨工业大学
IPC: G06F30/27 , G06N3/08 , G01R31/392 , G01R31/367
Abstract: 基于门控循环单元神经网络和卡尔曼滤波模型融合的锂离子电池剩余寿命预测方法，涉及锂离子电池健康状态检测技术领域。本发明是为了解决现有的基于融合模型的锂离子电池剩余寿命预测方法，存在非线性退化过程拟合能力差、不同工作状态适应能力低的问题。本发明通过建立GRU‑RNN深度网络模型，利用GRU深度学习模型在时间序列上强大的特征提取能力，对锂离子电池容量退化特征进行提取，从而获取更加准确的电池容量预测模型，最后通过KF滤波方法减小了噪声，获取了更加精确的预测值。
-
公开(公告)号：CN108896924A
公开(公告)日：2018-11-27
申请号：CN201810747134.8
申请日：2018-07-09
Applicant: 哈尔滨工业大学
IPC: G01R31/36
Abstract: 基于深度置信网络和卡尔曼滤波融合的锂离子电池荷电状态估计方法，涉及电池管理技术领域。本发明是为了解决传统方法存在的问题。本发明从电池实际运行中可直接测量的电流、电压以及温度参数出发，构建锂离子电池SOC估计模型。采用深度学习中的深度置信网络对锂离子电池SOC进行估计，将深度置信网络与卡尔曼滤波方法进行融合，得到融合以后的锂离子电池SOC估计模型。与现有技术相比较而言，基于数据驱动方法的SOC估计方法可以根据电池实际工作得到的历史数据进行特征提取，再结合滤波的方法检查系统误差，从而得到相对精确的SOC估计值。
-
公开(公告)号：CN110133525B
公开(公告)日：2021-05-28
申请号：CN201910392656.5
申请日：2019-05-13
Applicant: 哈尔滨工业大学
IPC: G01R31/387 , G01R31/385 , G01R31/389 , G06F30/20 , G06F30/30 , G06F119/02
Abstract: 一种应用于电池管理系统的锂离子电池健康状态估计方法，涉及锂离子电池健康状态估计领域。本发明是为了解决现有的电池健康状态估计方法均存在困难的问题。本发明能够提供新的退化特征供研究人员评价电池性能退化。该方法通过建立锂离子电池模型获取电池内部传递函数，基于对电池HPPC测试辨识传递函数内部参数从而获取电池性能退化特征，通过皮尔逊相关系数分析了模型参数与电池容量之间的相关性大于0.8，验证了所提方法提取的模型参数能够直接应用于电池性能退化表征上。最后通过RVM模型对电池参数与电池SOH进行映射，得到了SOH估计模型，取得了良好的估计效果。
-
公开(公告)号：CN110222431A
公开(公告)日：2019-09-10
申请号：CN201910502496.5
申请日：2019-06-11
Applicant: 哈尔滨工业大学
IPC: G06F17/50 , G06N3/08 , G01R31/392 , G01R31/367
Abstract: 基于门控循环单元神经网络和卡尔曼滤波模型融合的锂离子电池剩余寿命预测方法，涉及锂离子电池健康状态检测技术领域。本发明是为了解决现有的基于融合模型的锂离子电池剩余寿命预测方法，存在非线性退化过程拟合能力差、不同工作状态适应能力低的问题。本发明通过建立GRU-RNN深度网络模型，利用GRU深度学习模型在时间序列上强大的特征提取能力，对锂离子电池容量退化特征进行提取，从而获取更加准确的电池容量预测模型，最后通过KF滤波方法减小了噪声，获取了更加精确的预测值。
-
公开(公告)号：CN110133525A
公开(公告)日：2019-08-16
申请号：CN201910392656.5
申请日：2019-05-13
Applicant: 哈尔滨工业大学
IPC: G01R31/387 , G01R31/385 , G01R31/389 , G06F17/50
Abstract: 一种应用于电池管理系统的锂离子电池健康状态估计方法，涉及锂离子电池健康状态估计领域。本发明是为了解决现有的电池健康状态估计方法均存在困难的问题。本发明能够提供新的退化特征供研究人员评价电池性能退化。该方法通过建立锂离子电池模型获取电池内部传递函数，基于对电池HPPC测试辨识传递函数内部参数从而获取电池性能退化特征，通过皮尔逊相关系数分析了模型参数与电池容量之间的相关性大于0.8，验证了所提方法提取的模型参数能够直接应用于电池性能退化表征上。最后通过RVM模型对电池参数与电池SOH进行映射，得到了SOH估计模型，取得了良好的估计效果。
-
-
-
-
-
Search Results
6
records
(took 0.033 seconds)
