-
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：CN115221710A
公开(公告)日：2022-10-21
申请号：CN202210859299.0
申请日：2022-07-20
Applicant: 重庆理工大学
Abstract: 本发明具体涉及基于迁移学习微调策略的多类型储能电池容量估计方法，包括：获取不同类型储能电池的端电压数据，并输入训练后的电池容量估计模型中，输出对应类型储能电池的电池容量估计值；电池容量估计模型基于深度神经网络构建，并进行两次训练；第一次训练：通过某一种类型储能电池的老化实验数据训练电池容量估计模型，得到预训练估计模型；第二次训练：冻结预训练估计模型的核心神经网络层参数并调用其模型参数，得到优化估计模型；然后通过另一种类型储能电池的老化实验数据训练优化估计模型以重构其全连接输出层。本发明能够适用于多种类型储能电池的电池容量估计，且能够在储能电池整个寿命周期内实现电池容量精确估计。
-
Patent Agency Ranking
公开(公告)号：CN113935222A
公开(公告)日：2022-01-14
申请号：CN202111177852.4
申请日：2021-10-09
Applicant: 重庆理工大学
IPC: G06F30/25 , G06Q50/06 , G06F111/08 , G06F119/08 , G06F119/14
Abstract: 本发明提供了基于有序加权平均算子的动力电池多模型融合估计方法，其首先针对动力电池建立多种等效电路模型，对于每个等效电路模型，先采用容积卡尔曼滤波器进行初步的SOC估算，随后基于实值协方差矩阵确定所建立与各SOC估算结果对应的加权值，基于有序加权平均算子理论，利用该加权值将多个SOC估计结果进行加权融合，进而能够更可靠地得到高精度的电池SOC，在电池整个充放电区间均能保证SOC估计达到局最优。
-
公开(公告)号：CN115219937B
公开(公告)日：2025-04-22
申请号：CN202210861733.9
申请日：2022-07-20
Applicant: 重庆理工大学
IPC: G01R31/392 , G01R31/367 , G06N3/096 , G06N3/0442 , G06N3/0464
Abstract: 本发明具体涉及基于深度学习的不同老化路径储能电池健康状态估计方法，包括：获取储能电池不同工况下的电池充电电压数据，并输入电池健康估计模型中，输出对应工况下的电池健康状态估计值；电池健康估计模型基于深度神经网络构建并进行两次训练；第一次训练：通过某一工况下的电池老化实验数据训练电池健康估计模型；第二次训练：冻结预训练估计模型的核网络层参数并调用其模型参数；然后通过不同工况下的电池老化实验数据训练优化估计模型以调整其全连接输出层的参数，得到训练后的电池健康估计模型。本发明能够适用于多种工况下的电池健康状态估计且无需大规模的训练数据，进而能够降低估计模型的训练难度和成本、提高估计模型的适用范围。
-
公开(公告)号：CN113935222B
公开(公告)日：2024-07-02
申请号：CN202111177852.4
申请日：2021-10-09
Applicant: 重庆理工大学
IPC: G06F30/25 , G06Q50/06 , G06F111/08 , G06F119/08 , G06F119/14
Abstract: 本发明提供了基于有序加权平均算子的动力电池多模型融合估计方法，其首先针对动力电池建立多种等效电路模型，对于每个等效电路模型，先采用容积卡尔曼滤波器进行初步的SOC估算，随后基于实值协方差矩阵确定所建立与各SOC估算结果对应的加权值，基于有序加权平均算子理论，利用该加权值将多个SOC估计结果进行加权融合，进而能够更可靠地得到高精度的电池SOC，在电池整个充放电区间均能保证SOC估计达到局最优。
-
公开(公告)号：CN115236522A
公开(公告)日：2022-10-25
申请号：CN202210859282.5
申请日：2022-07-20
Applicant: 重庆理工大学
IPC: G01R31/367 , G01R31/388 , G01R31/396 , G06N3/04 , G06N3/08
Abstract: 本发明具体涉及基于混合深度神经网络的储能电池端到端容量估计方法，包括：获取储能电池的电池充电电压数据；将储能电池的电池充电电压数据输入训练后的电池容量估计模型中，输出对应的电池容量估计值；电池容量估计模型包括：卷积神经网络层，用于提取输入数据的电池老化特征并生成对应的初始特征图；注意力机制层，用于依次提取初始特征图的通道注意力权重和空间注意力权重并生成对应的加权特征图；循环神经网络层，用于将注意力机制层生成的加权特征图作为输入进行训练，并输出对应的电池容量估计值。本发明能够自动提取电池老化特征，以实现端到端的储能电池容量估计，并缓解深度神经网络容易陷入局部最优和梯度消失(弥散)的问题。
-
公开(公告)号：CN115219937A
公开(公告)日：2022-10-21
申请号：CN202210861733.9
申请日：2022-07-20
Applicant: 重庆理工大学
IPC: G01R31/392 , G01R31/367 , G06F30/27 , G06N3/04 , G06N3/08 , G06F119/04
Abstract: 本发明具体涉及基于深度学习的不同老化路径储能电池健康状态估计方法，包括：获取储能电池不同工况下的电池充电电压数据，并输入电池健康估计模型中，输出对应工况下的电池健康状态估计值；电池健康估计模型基于深度神经网络构建并进行两次训练；第一次训练：通过某一工况下的电池老化实验数据训练电池健康估计模型；第二次训练：冻结预训练估计模型的核网络层参数并调用其模型参数；然后通过不同工况下的电池老化实验数据训练优化估计模型以调整其全连接输出层的参数，得到训练后的电池健康估计模型。本发明能够适用于多种工况下的电池健康状态估计且无需大规模的训练数据，进而能够降低估计模型的训练难度和成本、提高估计模型的适用范围。
-
-
-
-
-
-
Search Results
7
records
(took 0.025 seconds)
