公开(公告)号：CN119989940A

公开(公告)日：2025-05-13

申请号：CN202510459309.5

申请日：2025-04-14

Applicant: 济南大学

Inventor： 李岳炀 ,  张淑荣 ,  崔忠瑞 ,  杜艳 ,  张勤

IPC: G06F30/27 ,  G06F18/21 ,  G06F18/214 ,  G06F18/213 ,  G06F18/25 ,  G06N3/0455 ,  G06N3/0464 ,  G01R31/367 ,  G01R31/392 ,  G06F123/02 ,  G06F119/04

Abstract: 本发明公开了一种基于锂电池特征关系及卷积Transformer神经网络的寿命预测方法，属于锂电池寿命预测技术领域，获取锂电池特征向量；将锂电池特征向量划分为训练集、验证集和测试集；构建使用寿命预测模型，结合卷积注意力机制和Transformer网络得到使用寿命预测模型；利用训练集训练使用寿命预测模型，获得训练好的使用寿命预测模型；将验证集输入训练好的使用寿命预测模型中进行验证，得到验证后的使用寿命预测模型；将测试集输入验证后的使用寿命预测模型，得到锂电池的寿命预测结果。本发明有助于对锂电池剩余使用寿命进行有效预测，实现大规模数据下锂电池的寿命预测，更具有普遍性。

公开(公告)号：CN120012608A

公开(公告)日：2025-05-16

申请号：CN202510457408.X

申请日：2025-04-14

Applicant: 济南大学

Inventor： 李岳炀 ,  张淑荣 ,  崔忠瑞 ,  杜艳 ,  王鲁浩 ,  田蒙蒙

IPC: G06F30/27 ,  G06F18/21 ,  G06F18/214 ,  G06F18/213 ,  G06F18/25 ,  G06N3/0455 ,  G06F18/22 ,  G01R31/367 ,  G01R31/392 ,  G06F119/04 ,  G06F123/02

Abstract: 本发明公开了一种基于锂电池特征关系及并行注意力的寿命预测方法，涉及锂电寿命预测技术领域，获取锂电池的特征，并转化为原始特征向量；将原始特征向量按照一定比例划分为训练集、验证集和测试集；将并行注意力机制和Transformer网络结合，构建锂电池寿命预测模型；将训练集输入至锂电池寿命预测模型进行训练，优化模型参数，得到初训练后的模型；在相同的数据集上继续训练模型，并根据设定的终止条件停止训练，获得训练好的锂电池寿命预测模型；将测试集输入验证后的锂电池寿命预测模型，得到锂电池的寿命预测结果。本发明采用并行注意力机制Transformer神经网络，能够达到精准预测锂电池剩余使用寿命的效果。

公开(公告)号：CN119009203A

公开(公告)日：2024-11-22

申请号：CN202411049071.0

申请日：2024-08-01

Applicant: 济南大学

Inventor： 王楠 ,  申涛 ,  崔忠瑞 ,  张云 ,  叶桂森

IPC: H01M10/44 ,  G01R31/378 ,  G01R31/396 ,  G01R31/392 ,  G01R31/388 ,  H02J7/00 ,  H01M10/615 ,  H01M10/633 ,  G06F30/27 ,  G06N3/092 ,  G06F119/08 ,  G06F111/04

Abstract: 本发明涉及基于强化学习的锂离子电池低温加热与充电协同优化控制方法及系统，包括：建立锂离子电池的电热耦合模型；初始化强化学习模型的动作空间、状态空间，初始化强化学习模型的策略网络和价值网络的网络参数；多状态感知：实时获取锂离子电池的状态信息；目标函数、奖励函数与约束设计：设置奖励函数，并设计动作和状态变量的上下限，目标包括充电速度和升温产热；根据当前状态信息，通过训练好的强化学习模型通过学习算法计算出最优的加热交流电流和充电直流电流；根据优化结果即计算出的最优的加热交流电流和充电直流电流，控制加热器和充电器工作，调整电池温度和充电速度。本发明实现了安全、高效、快速的充电效果，具有显著的应用前景和技术优势。