-
Patent Agency Ranking
公开(公告)号：CN118393361B
公开(公告)日：2025-02-14
申请号：CN202410502836.5
申请日：2024-04-25
Applicant: 重庆理工大学
IPC: G01R31/367 , G01R31/378 , G01R31/374 , G01R31/385 , G01R31/392 , G01R31/396
Abstract: 本发明涉及锂电池放电容量估算技术领域，且公开了一种无温度传感器的锂电池放电容量估算方法获取锂离子电池老化数据：对锂离子电池进行循环充放电测试，直到放电容量低于标称容量的80%，实时记录电池充放电过程中电压、电流、温度、荷电状态和放电容量数据，并对数据进行处理，依次经过TCN‑GRU模型和transformer模型，进行预测。该无温度传感器的锂电池放电容量估算方法通过在没有温度传感器的情况下利用TCN‑GRU模型预测电池温度，然后提取预测得到的温度值计算充电过程温度平均值和温度增量曲线的峰值作为输入，利用transformer估算电池容量，进而实现在没有温度传感器下得到较为精确的容量值，降低电池管理系统成本。
-
公开(公告)号：CN119738740A
公开(公告)日：2025-04-01
申请号：CN202411839464.1
申请日：2024-12-13
Applicant: 重庆理工大学
IPC: G01R31/392 , G06N3/0442 , G06N3/045 , G01R31/385 , G01R31/367
Abstract: 本发明涉及锂离子电池技术领域，公开了一种融合局部和全局依赖信息的锂电池健康状态估计方法。首先，采集电池在充电过程中生成的容量增量曲线数据，对提取出的容量增量曲线进行指数滑动滤波，再结合容量增量曲线与充电电压曲线的信息，提取出电压曲线切线角度特征，以解决容量增量(Incremental Capacity，IC)曲线峰值消失和滤波后数据失真的问题。接着，融合长短期记忆网络(Long Short‑Term Memory，LSTM)与Informer模型，构建并联模型结构，分别提取电池衰退过程中的局部依赖和全局信息，实现对电池局部和全局依赖信息的全面捕捉。然后，在模型中加入自注意力机制层将局部和全局时序信息进行融合，从而建立一种LSTM‑Informer‑SA电池健康状态估计模型，并基于此模型实现对锂离子电池SOH估计。
-
公开(公告)号：CN119716555A
公开(公告)日：2025-03-28
申请号：CN202411644339.5
申请日：2024-11-18
Applicant: 重庆理工大学
IPC: G01R31/367 , G01R31/388 , G06N3/0442 , G06N3/0464 , G06N3/045 , G06N3/096
Abstract: 本申请公开了一种基于TCN‑GRU神经网络模型和迁移学习的锂离子电池SOC估计方法，可以有效地缩短电池测试周期，降低BMS成本，特别是当目标电池的训练数据不足和在BMS开发的早期阶段。该方法包括：获取源电池在不同放电条件和环境条件下的测量数据作为源域数据集；针对源域中的电池行为，采用TCN‑GRU框架将电池的电流、SOC和温度作为模型输入，电池的电压作为模型输出构建CN‑GRU神经网络模型，并使用源域数据集中的数据对构建好的TCN‑GRU神经网络模型进行预训练；针对目标域的电池行为，采用迁移学习技术对TCN‑GRU神经网络模型进行扩展，对来自目标域的数据进行微调，以适应目标电池的特定特性，得到扩展后的TCN‑GRU神经网络模型；构造平方根容积卡尔曼滤波SRCKF算法估计SOC。
-
公开(公告)号：CN119104900A
公开(公告)日：2024-12-10
申请号：CN202411102164.5
申请日：2024-08-12
Applicant: 重庆理工大学
IPC: G01R31/367 , G01R31/392 , G01R31/396 , G01R31/378 , G01R31/388 , G06F18/10 , G06N3/0455 , G06N3/0464 , G06N3/0985 , G06N7/01 , G06F18/213
Abstract: 本发明涉及锂离子电池健康状态估算技术领域，且公开了一种基于贝叶斯优化CNN‑Transformer的锂离子电池健康状态估算方法获取锂离子电池老化数据：电池充放电电压、电流、时间和容量数据，联合CNN和Transformer模型搭建CNN‑Transformer混合模型，并进行超参数优化，对CNN‑Transformer混合模型训练，输入等间隔电压充电时间量，输出电池健康状态。该方法通过分析电池充电电压曲线，将曲线进行区间划分，提取部分电压充电时间作为健康特征，利用CNN‑Transformer对SOH进行估算，并利用贝叶斯优化方法搜索最优CNN‑Transformer算法超参数，从而在更少的评估次数下高效探索超参数空间，相较于传统超参数优化方法能更智能的选择超参数，更快找到全局最优解。
-
公开(公告)号：CN118393361A
公开(公告)日：2024-07-26
申请号：CN202410502836.5
申请日：2024-04-25
Applicant: 重庆理工大学
IPC: G01R31/367 , G01R31/378 , G01R31/374 , G01R31/385 , G01R31/392 , G01R31/396
Abstract: 本发明涉及锂电池放电容量估算技术领域，且公开了一种无温度传感器的锂电池放电容量估算方法获取锂离子电池老化数据：对锂离子电池进行循环充放电测试，直到放电容量低于标称容量的80%，实时记录电池充放电过程中电压、电流、温度、荷电状态和放电容量数据，并对数据进行处理，依次经过TCN‑GRU模型和transformer模型，进行预测。该无温度传感器的锂电池放电容量估算方法通过在没有温度传感器的情况下利用TCN‑GRU模型预测电池温度，然后提取预测得到的温度值计算充电过程温度平均值和温度增量曲线的峰值作为输入，利用transformer估算电池容量，进而实现在没有温度传感器下得到较为精确的容量值，降低电池管理系统成本。
-
-
-
-
Search Results
5
records
(took 0.017 seconds)
