公开(公告)号：CN116432528A

公开(公告)日：2023-07-14

申请号：CN202310396807.0

申请日：2023-04-14

Applicant: 安徽大学

Inventor： 陈媛 ,  黄小贺 ,  朱劲翔 ,  袁伟博 ,  赵冬 ,  胡钜奇

IPC: G06F30/27 ,  G01R31/392 ,  G01R31/367 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于WOA‑VMD和Pre‑LNTransformer的锂电池SOH估计方法，所述方法包括：使用WOA对VMD的关键参数进行寻优；对电池容量数据进行变分模态分解，得到具有全局衰减趋势的分量和一系列代表容量再生的波动分量；对神经网络Pre‑LNTransformer的参数进行初始化，将分解后的数据作为该模型的输入，训练得到预测模型；利用测试集进行测试，并与其它模型的预测结果进行对比，验证预测模型的优越性。本发明通过基于WOA对VMD的关键参数进行寻优，然后再对电池容量数据进行VMD，经过分解后得到的一系列IMF分量作为神经网络Pre‑LNTransformer的输入，经过训练得到模型，最后对锂离子电池的SOH进行预测，本发明所提出的混合框架能够准确有效的估计电池SOH，对电池管理系统安全可靠运行具有重要意义。

公开(公告)号：CN118483614B

公开(公告)日：2024-11-15

申请号：CN202410586687.5

申请日：2024-05-13

Applicant: 安徽大学

Inventor： 陈媛 ,  黄小贺 ,  穆朝絮 ,  陈宇飞 ,  徐淙

IPC: G01R31/392 ,  G01R31/367 ,  G01R31/396 ,  G06F18/10 ,  G06F18/23213 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/096 ,  G06N3/045 ,  G06N3/0499

Abstract: 本发明涉及电池SOH估计及应用技术领域，解决了由于电池实际工况和实验室测试工况差异较大，导致计算的SOH值误差较大的技术问题，尤其涉及一种新能源汽车的动力电池SOH估计方法、系统、应用方法及电子设备，包括：对电池数据进行数据清洗得到电池运行数据；提取电池运行时的健康指标并进行聚合以及关联度分析得到多维度关键特征；将多维度关键特征输入至CNN‑Transformer模型中，通过迁移学习建立SOH数字孪生模型。本发明能够准确有效的实时估计电池单体及电池组的SOH，可以解决深度学习算法模型及机理模型实时性差的问题，实现实车SOH的精准估计，对电池管理系统安全可靠运行具有重要意义。

公开(公告)号：CN118483614A

公开(公告)日：2024-08-13

申请号：CN202410586687.5

申请日：2024-05-13

Applicant: 安徽大学

Inventor： 陈媛 ,  黄小贺 ,  穆朝絮 ,  陈宇飞 ,  徐淙

IPC: G01R31/392 ,  G01R31/367 ,  G01R31/396 ,  G06F18/10 ,  G06F18/23213 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/096 ,  G06N3/045 ,  G06N3/0499

Abstract: 本发明涉及电池SOH估计及应用技术领域，解决了由于电池实际工况和实验室测试工况差异较大，导致计算的SOH值误差较大的技术问题，尤其涉及一种新能源汽车的动力电池SOH估计方法、系统、应用方法及电子设备，包括：对电池数据进行数据清洗得到电池运行数据；提取电池运行时的健康指标并进行聚合以及关联度分析得到多维度关键特征；将多维度关键特征输入至CNN‑Transformer模型中，通过迁移学习建立SOH数字孪生模型。本发明能够准确有效的实时估计电池单体及电池组的SOH，可以解决深度学习算法模型及机理模型实时性差的问题，实现实车SOH的精准估计，对电池管理系统安全可靠运行具有重要意义。