公开(公告)号：CN116027198A

公开(公告)日：2023-04-28

申请号：CN202211563671.X

申请日：2022-12-05

Applicant: 重庆邮电大学

Inventor： 李鹏华 ,  单康恒 ,  李皃 ,  朱得臣 ,  余江

IPC: G01R31/367 ,  G06F18/22 ,  G06N3/0442 ,  G06N3/045 ,  G06N3/094 ,  G06N3/096 ,  G01R31/378 ,  G01R31/392

Abstract: 本发明涉及基于联合加权域对抗网络的锂电池健康状态估计方法，属于新能源技术领域。该方法包括以下步骤：S1：不同时间序列间的相似性评估；S2：进行堆叠双向长短时记忆神经网络的特征提取，然后基于改进域对抗网络的锂电池荷电估计，最后基于InfoNCE模块的特定信息保留。本发明针对锂离子电池标签数据获取难度大、实验流程复杂、环境试验多样等问题，实现锂离子电池数据信息之间的共享；在面对多种电池测试流程和多种电池老化试验条件场景下，考虑如何实现自动提取优良老化特征的同时，提高锂离子电池健康状态预测的准确性。在一定程度上弥补数据信息不充足的限制，对实现复杂环境下的锂离子电池健康状态预测是十分有意义的。

公开(公告)号：CN116106773A

公开(公告)日：2023-05-12

申请号：CN202211612664.4

申请日：2022-12-15

Applicant: 重庆邮电大学

Inventor： 李鹏华 ,  李皃 ,  单康恒 ,  余江 ,  高代林

IPC: G01R31/392 ,  G01R31/367 ,  G06N3/0464 ,  G06N3/045 ,  G06N3/0475 ,  G06N3/094 ,  G06N3/09 ,  G06N3/049 ,  G06F18/241 ,  G06F18/214

Abstract: 本发明涉及一种基于数据增强的混合模型锂电池健康状态监测方法，属于电池检测技术领域。该方法以多头注意力机制和时序卷积混合模型为基础模型，并将生成对抗方法融入进混合神经网络模型中，设计针对时序数据生成的对抗模型，在传统的无监督生成对抗模块的基础上，添加嵌入和生成模块的有监督学习，混合神经网络的串并联打破传统神经网络方法中生成对抗学习的无监督性和单一模型对数据特征提取的局限性，弥补由于训练集不足而带来的信息缺失，实现基于有限数据集的高精度锂电池健康状况监测。本发明能够在少量的异常工况电池数据的情况下，通过数据增强的方式提供足够的数据，实现高精度的电池健康状态预测。