-
公开(公告)号：CN114859248A
公开(公告)日：2022-08-05
申请号：CN202210603673.0
申请日：2022-05-30
Applicant: 重庆理工大学 , 哈尔滨工业大学(威海)
IPC: G01R31/387 , G01R31/389 , G01R31/396 , B60L58/12 , G06T11/20 , G06F17/18
Abstract: 本发明涉及电动汽车动力电池管理技术领域，具体涉及用于电池组的温度‑OCV‑SOC响应面构建方法，包括：采集动力电池组中各个单体电池的电池特征数据，生成不同环境温度下各个单体电池的OCV‑SOC曲线；基于采集的电池特征数据对动力电池组中各个单体电池的欧姆内阻进行参数辨识；对动力电池组中各个单体电池进行不一致性分析，选择一致性最差的单体电池作为特征单体电池；基于不同环境温度下特征单体电池的OCV‑SOC曲线构建OCV‑SOC曲线簇；对OCV‑SOC曲线簇进行温度的二维插值，生成对应的温度‑OCV‑SOC三维响应面，以实现SOC估计。本发明能够准确的构建动力电池组的温度‑OCV‑SOC三维响应面，以便于基于动力电池组的温度‑OCV‑SOC三维响应面完成SOC估计。
-
公开(公告)号：CN115201679A
公开(公告)日：2022-10-18
申请号：CN202210783435.2
申请日：2022-06-27
Applicant: 重庆理工大学 , 哈尔滨工业大学(威海)
IPC: G01R31/36 , G01R31/367 , G01R31/387 , G01R31/396
Abstract: 本发明具体涉及一种计及不一致性的储能电池系统状态估算方法，包括：在电池组充放电过程中，采集电池特征数据；基于单体电池间的不一致性确定电池组每条支路的特征单体电池，建立等效电路模型；构建用于预测估计电池SOC的观测器，分别得到各条支路的电池SOC估计值；计算各条支路的支路电流与电池组的平均支路电流之间的电流偏差，进而计算各条支路的支路电流标准差；基于支路电流标准差为各条支路分配相应的加权值；基于各条支路的电池SOC估计值及对应的加权值进行加权计算，得到电池组的融合SOC估计值作为其状态估算结果。本发明能够基于单体电池的不一致性建立具有互补性的电池组SOC融合预测框架，进而实现储能电池系统SOC的准确估计。
-
公开(公告)号：CN114970156A
公开(公告)日：2022-08-30
申请号：CN202210583641.9
申请日：2022-05-25
Applicant: 重庆理工大学 , 哈尔滨工业大学(威海)
Abstract: 本发明涉及车载电池快速充电技术领域，具体涉及用于五阶恒流快速充电的电流选取方法，包括：建立电池的等效电路模型；基于电池的等效电路模型结合五阶恒流充电特性，分析得到各阶电流之间的关系；基于电池的等效电路模型结合各阶电流之间的关系，求解在预设适应度函数下的初始电流组合；基于初始电流组合设计正交实验，进而根据实验结果确定充电的最佳电流组合。本发明的电流选取方法能够提高正交实验初始电流组合选取的准确性和有效性，进而能够准确、高效的确定充电的最佳电流组合，从而能够提高五阶恒流快速充电的优化效果。
-
公开(公告)号：CN115201679B
公开(公告)日：2024-09-17
申请号：CN202210783435.2
申请日：2022-06-27
Applicant: 重庆理工大学 , 哈尔滨工业大学(威海)
IPC: G01R31/36 , G01R31/367 , G01R31/387 , G01R31/396
Abstract: 本发明具体涉及一种计及不一致性的储能电池系统状态估算方法，包括：在电池组充放电过程中，采集电池特征数据；基于单体电池间的不一致性确定电池组每条支路的特征单体电池，建立等效电路模型；构建用于预测估计电池SOC的观测器，分别得到各条支路的电池SOC估计值；计算各条支路的支路电流与电池组的平均支路电流之间的电流偏差，进而计算各条支路的支路电流标准差；基于支路电流标准差为各条支路分配相应的加权值；基于各条支路的电池SOC估计值及对应的加权值进行加权计算，得到电池组的融合SOC估计值作为其状态估算结果。本发明能够基于单体电池的不一致性建立具有互补性的电池组SOC融合预测框架，进而实现储能电池系统SOC的准确估计。
-
公开(公告)号：CN114924192B
公开(公告)日：2024-09-06
申请号：CN202210556458.X
申请日：2022-05-20
Applicant: 重庆理工大学 , 哈尔滨工业大学(威海)
IPC: G01R31/367 , G01R31/396 , G01R31/385 , G06N3/0455 , G06N3/045 , G06N3/047
Abstract: 本发明具体涉及基于神经网络的并联电池组安全预警方法，包括：构建支路电流预测模型，包括具有稀疏概率多头自注意力层的编码器和解码器；稀疏概率多头自注意力层具有自注意力蒸馏机制；编码器和解码器的输入相互独立，且编码器的输出连接至解码器中；采集并联电池组的实测数据，构建支路电流预测模型的训练数据集；通过训练数据集训练支路电流预测模型；将待测并联电池组的电池组特征数据输入经过训练的支路电流预测模型中，输出两条支路的预测电流，基于两条支路的预测电流判断并联电池组是否存在安全风险。本发明能够在面对大量训练数据时提高预测模型的训练效率和预测准确性，从而能够提高并联电池组的安全预警效果。
-
Patent Agency Ranking
公开(公告)号：CN116774047A
公开(公告)日：2023-09-19
申请号：CN202310742319.0
申请日：2023-06-21
Applicant: 重庆理工大学 , 哈尔滨工业大学(威海)
IPC: G01R31/367 , G01R31/392 , G01R31/396 , G06N3/0442 , G06N3/045 , G06N3/048 , G06N3/084
Abstract: 本发明涉及电池健康管理技术领域，具体涉及基于支路电流估计误差的并联电池组健康状态估计方法，包括：基于神经网络构建支路电流估计模型；将电池组特征数据输入支路电流估计模型，输出两条支路的估计电流；根据两条支路的估计电流和实际电流计算支路电流估计误差；分别计算两条支路的电流估计误差与电流倍率的斜率，并取平均值作为并联电池组的电流估计斜率；拟合电流估计斜率与健康状态之间的双指数经验模型关系，得到并联电池组的健康状态模型；基于支路电流估计模型和健康状态模型实现并联电池组的健康状态估计。本发明能够基于支路电流和电流倍率有效估计并联电池组的健康状态，并且能够通过神经网络模型实现支路电流的准确预测。
-
公开(公告)号：CN115097313A
公开(公告)日：2022-09-23
申请号：CN202210744779.2
申请日：2022-06-27
Applicant: 重庆理工大学 , 哈尔滨工业大学(威海)
IPC: G01R31/367 , G01R31/388
Abstract: 本发明具体涉及适用于多工况全电量区间的动力电池状态估算方法，包括：建立动力电池的等效电路模型，并对等效电路模型进行参数辨识；采集动力电池的开路电压特征数据并拟合动力电池的SOC‑OCV曲线；基于等效电路模型以及动态特征数据和SOC‑OCV曲线结合各种滤波算法生成对应的端电压预测值和SOC估计值；基于端电压预测值与对应实测值之间的电压残差，结合OWA算子为各种滤波算法的SOC估计值分配对应的加权值；基于各种滤波算法的SOC估计值及对应的加权值进行加权计算，得到动力电池的融合SOC估计值作为其状态估算结果。本发明能够有效融合多种滤波算法的SOC估计结果并实现多种滤波算法的互补，进而能够实现动力电池多工况全电量区间的SOC估计全局最优。
-
公开(公告)号：CN114723105B
公开(公告)日：2024-12-03
申请号：CN202210242862.X
申请日：2022-03-11
Applicant: 重庆理工大学 , 哈尔滨工业大学(威海)
IPC: G06Q10/04 , G06Q10/0631 , G06Q10/101 , G06Q50/04
Abstract: 本发明公开了一种基于0‑1规划的汽车零配件喷色生产排程方法，包括：获取喷色设备及喷色颜色数据，对所获取数据预处理；建立决策变量和中间变量；建立约束条件；建立目标函数及单目标优化模型；求解单目标优化模型。该方法通过选择事件发生的最基本情况为决策变量，为满足各条件建立合适的中间变量。决策变量和中间变量作为模型的基础，按照实际需求建立目标函数，根据条件限制建立约束方程，建立一个基于0‑1规划的单目标优化模型，该模型能够求出最优解且模型精度较高。
-
公开(公告)号：CN117148162A
公开(公告)日：2023-12-01
申请号：CN202311106779.0
申请日：2023-08-30
Applicant: 重庆理工大学 , 哈尔滨工业大学(威海)
IPC: G01R31/367 , G01R31/392 , G06F30/27 , G06N3/045
Abstract: 本发明具体涉及基于数据与模型融合的动力电池SOC和SOH估计方法，包括：构建动力电池的变阶次分数阶模型；基于变阶次分数阶模型估计动力电池的解析模型估计SOC；通过深度学习模型构建动力电池的SOC估计模型；基于SOC估计模型估计动力电池的数据驱动估计SOC；通过高斯融合原理对解析模型估计SOC和数据驱动估计SOC进行融合，得到融合SOC值；获取动力电池的容量先验估计值，通过融合SOC值修正容量先验估计值得到修正容量值；将融合估计SOC值和修正容量值作为SOC和SOH的估计结果。本发明能够将数据驱动模型和解析模型的SOC估计结果进行有效融合，并且能够利用准确估计的SOC来修正容量值(SOH)，从而提高电池SOC和SOH联合估计的准确性和鲁棒性。
-
公开(公告)号：CN116859259A
公开(公告)日：2023-10-10
申请号：CN202310898185.1
申请日：2023-07-20
Applicant: 重庆理工大学 , 哈尔滨工业大学(威海)
IPC: G01R31/367 , G01R31/392
Abstract: 本发明具体涉及基于集成学习和实车大数据的电池健康状态估计方法，包括：对获取的实车电池大数据进行数据切片，生成若干个充电片段数据；基于蒙特卡洛模拟对各个充电片段数据进行容量估计，得到SOH标签；提取各个充电片段数据的健康特征因子，进而结合对应的SOH标签构建训练数据集；构建用于预测电池SOH的Stacking集成学习模型，并通过训练数据集训练Stacking集成学习模型；对于待估计的目标车辆，提取目标车辆实车电池数据中的健康特征因子并输入训练后的Stacking集成学习模型，得到对应的电池SOH估计结果。本发明通过Stacking集成学习模型实现电池SOH预测，并且采用实车电池大数据来训练Stacking集成学习模型，从而提高电池健康状态估计的准确性和实际应用效果。
-
-
-
-
-
-
-
-
-
Search Results
40
records
(took 0.034 seconds)
