-
公开(公告)号：CN113671381A
公开(公告)日：2021-11-19
申请号：CN202111007681.0
申请日：2021-08-30
Applicant: 武汉理工大学
IPC: G01R31/367 , G01R31/36 , G01R31/388 , G01R31/385 , G01R31/396 , G01R31/00
Abstract: 本发明涉及一种基于时间卷积网络的锂离子动力电池估算方法，包括：建立初始时间卷积网络模型；获取电池的实时状态数据集；根据电池的实时状态数据集对初始时间卷积网络模型进行训练、验证和测试，得到目标时间卷积网络模型；将待估算的电池数据输入至目标时间卷积网络模型，得到电池剩余电量量测值；根据待估算的电池数据，通过预设方法计算出电池剩余电量观测值；根据电池剩余电量量测值和电池剩余电量观测值，通过卡尔曼滤波计算电池剩余电量估算值；通过卡尔曼滤波算法优化电池剩余电量估算值。本发明结合卡尔曼滤波和时间卷积网络对电池SOC进行估算，克服了卡尔曼滤波算法需要精确的等效电池组电路模型的缺点，减小了神经网络估算方法的误差。
-
公开(公告)号：CN113635906A
公开(公告)日：2021-11-12
申请号：CN202111005909.2
申请日：2021-08-30
Applicant: 武汉理工大学
IPC: B60W40/09
Abstract: 本发明提供了一种基于局部时间序列提取算法的驾驶风格识别方法和装置，其方法包括：确定驾驶风格不同的至少两个驾驶风格样本集；采用预设的时间序列分割方法将所述至少两个驾驶风格样本集中的每一个驾驶风格样本集分割为多个初始时间子序列；采用预设的局部时间序列提取算法从所述多个初始时间子序列中提取出多个目标时间子序列；根据所述多个目标时间子序列构建相似度识别模型，并根据所述相似度识别模型对待识别驾驶数据的驾驶风格进行识别。本发明提高了驾驶风格识别方法的时效性和鲁棒性。
-
公开(公告)号：CN113635906B
公开(公告)日：2023-07-25
申请号：CN202111005909.2
申请日：2021-08-30
Applicant: 武汉理工大学
IPC: B60W40/09
Abstract: 本发明提供了一种基于局部时间序列提取算法的驾驶风格识别方法和装置，其方法包括：确定驾驶风格不同的至少两个驾驶风格样本集；采用预设的时间序列分割方法将所述至少两个驾驶风格样本集中的每一个驾驶风格样本集分割为多个初始时间子序列；采用预设的局部时间序列提取算法从所述多个初始时间子序列中提取出多个目标时间子序列；根据所述多个目标时间子序列构建相似度识别模型，并根据所述相似度识别模型对待识别驾驶数据的驾驶风格进行识别。本发明提高了驾驶风格识别方法的时效性和鲁棒性。
-
公开(公告)号：CN113343349B
公开(公告)日：2022-11-11
申请号：CN202110523934.3
申请日：2021-05-13
Applicant: 武汉理工大学
IPC: G06F30/15 , G06F30/17 , G06F30/27 , G06N3/12 , G06F111/06 , G06F111/10
Abstract: 本发明公开一种汽车电子电气架构多目标优化方法、设备及存储介质，方法包括：确定线束层的约束条件以及线束层的目标函数，以线束层的约束条件为约束，以线束层的目标函数为目标，建立线束层优化模型；确定控制器拓扑层的约束条件以及控制器拓扑层的目标函数，以控制器拓扑层的约束条件为约束，以控制器拓扑层的目标函数为目标，建立控制器拓扑层优化模型；根据预设的汽车电子电气参数，采用NSGA‑Ⅲ方法分别对线束层优化模型和控制器拓扑层优化模型进行求解，以得到所述线束层的目标函数的Pareto最优解集以及所述控制器拓扑层的目标函数的Pareto最优解集。本发明解决了现有技术中电子电气架构设计工作效率不高的技术问题。
-
公开(公告)号：CN113671401A
公开(公告)日：2021-11-19
申请号：CN202111007676.X
申请日：2021-08-30
Applicant: 武汉理工大学
IPC: G01R31/392 , G01R31/367 , G01R31/36 , G01R31/385 , G01R31/388 , G01R31/00
Abstract: 本发明涉及一种基于优化算法与数据驱动的锂电池健康状态评估方法，其包括：建立初始PSO‑LSTM模型；获取表征锂电池性能的特征参数，将所述特征参数作为输入变量输入到所述初始PSO‑LSTM模型，并将电池健康状况作为所述初始PSO‑LSTM模型的输出进行迭代训练得到训练完备的目标PSO‑LSTM模型；将待预测电池的实时数据输入至所述目标PSO‑LSTM模型，对所述电池健康状况进行预测。本发明将PSO算法强大的寻优能力和LSTM算法的可变长序列的预测能力有效的结合在了一起，为锂电池的健康状态评估提出了一种更加有效的方法，能够迅速而准确的对锂电池的健康状况进行预测。
-
Patent Agency Ranking
公开(公告)号：CN113343349A
公开(公告)日：2021-09-03
申请号：CN202110523934.3
申请日：2021-05-13
Applicant: 武汉理工大学
IPC: G06F30/15 , G06F30/17 , G06F30/27 , G06N3/12 , G06F111/06 , G06F111/10
Abstract: 本发明公开一种汽车电子电气架构多目标优化方法、设备及存储介质，方法包括：确定线束层的约束条件以及线束层的目标函数，以线束层的约束条件为约束，以线束层的目标函数为目标，建立线束层优化模型；确定控制器拓扑层的约束条件以及控制器拓扑层的目标函数，以控制器拓扑层的约束条件为约束，以控制器拓扑层的目标函数为目标，建立控制器拓扑层优化模型；根据预设的汽车电子电气参数，采用NSGA‑Ⅲ方法分别对线束层优化模型和控制器拓扑层优化模型进行求解，以得到所述线束层的目标函数的Pareto最优解集以及所述控制器拓扑层的目标函数的Pareto最优解集。本发明解决了现有技术中电子电气架构设计工作效率不高的技术问题。
-
公开(公告)号：CN113671381B
公开(公告)日：2022-09-06
申请号：CN202111007681.0
申请日：2021-08-30
Applicant: 武汉理工大学
IPC: G01R31/367 , G01R31/36 , G01R31/388 , G01R31/385 , G01R31/396 , G01R31/00
Abstract: 本发明涉及一种基于时间卷积网络的锂离子动力电池估算方法，包括：建立初始时间卷积网络模型；获取电池的实时状态数据集；根据电池的实时状态数据集对初始时间卷积网络模型进行训练、验证和测试，得到目标时间卷积网络模型；将待估算的电池数据输入至目标时间卷积网络模型，得到电池剩余电量量测值；根据待估算的电池数据，通过预设方法计算出电池剩余电量观测值；根据电池剩余电量量测值和电池剩余电量观测值，通过卡尔曼滤波计算电池剩余电量估算值；通过卡尔曼滤波算法优化电池剩余电量估算值。本发明结合卡尔曼滤波和时间卷积网络对电池SOC进行估算，克服了卡尔曼滤波算法需要精确的等效电池组电路模型的缺点，减小了神经网络估算方法的误差。
-
公开(公告)号：CN113589189A
公开(公告)日：2021-11-02
申请号：CN202111007674.0
申请日：2021-08-30
Applicant: 武汉理工大学
IPC: G01R31/392 , G01R31/367
Abstract: 本发明涉及基于充放电数据特征的锂电池健康状况预测方法及装置，其包括：建立初始长短期记忆网络模型；获取锂电池健康指标数据集；根据所述锂电池健康指标数据集对所述初始长短期记忆网络模型进行训练、验证和测试，得到目标长短期记忆网络模型；将锂电池健康指标数据输入至所述目标长短期记忆网络模型，对所述锂电池健康状况进行预测。本发明采集实时的锂电池数据，利用改进的遗传算法，对长短期记忆网络模型参数寻优，并引入了注意力机制与增量学习的方法，实现了对锂电池健康状况的在线预测，并且避免了调参的盲目性，提升了预测的准确性。
-
公开(公告)号：CN113406499A
公开(公告)日：2021-09-17
申请号：CN202110724564.X
申请日：2021-06-28
Applicant: 武汉理工大学
IPC: G01R31/367 , G01R31/382
Abstract: 本发明提供了一种基于优化的TCN的锂电池SOC实时估算方法、装置、电子设备及存储介质，其包括：获取锂离子电池数据，包括第一数据集和第二数据集；构建第一初始锂电池SOC估算模型，第一初始锂电池SOC估算模型包括初始时间卷积网络参数；基于遗传算法和第一数据集获得第一过渡锂电池SOC估算模型，第一过渡锂电池SOC估算模型包括目标时间卷积网络参数；构建第二初始锂电池SOC估算模型，将目标时间卷积网络参数转移至第二初始锂电池SOC估算模型，获得预训练锂电池SOC估算模型；通过第二数据集对预训练锂电池SOC估算模型进行训练，获得目标锂电池SOC估算模型，并通过目标锂电池SOC估算模型对锂电池SOC进行估算。本发明提高了锂电池SOC估算的准确性和训练速度。
-
公开(公告)号：CN113589189B
公开(公告)日：2022-09-13
申请号：CN202111007674.0
申请日：2021-08-30
Applicant: 武汉理工大学
IPC: G01R31/392 , G01R31/367
Abstract: 本发明涉及基于充放电数据特征的锂电池健康状况预测方法及装置，其包括：建立初始长短期记忆网络模型；获取锂电池健康指标数据集；根据所述锂电池健康指标数据集对所述初始长短期记忆网络模型进行训练、验证和测试，得到目标长短期记忆网络模型；将锂电池健康指标数据输入至所述目标长短期记忆网络模型，对所述锂电池健康状况进行预测。本发明采集实时的锂电池数据，利用改进的遗传算法，对长短期记忆网络模型参数寻优，并引入了注意力机制与增量学习的方法，实现了对锂电池健康状况的在线预测，并且避免了调参的盲目性，提升了预测的准确性。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.024 seconds)
