-
公开(公告)号：CN120044391A
公开(公告)日：2025-05-27
申请号：CN202510116632.2
申请日：2025-01-24
Applicant: 重庆邮电大学
IPC: G01R31/36 , G01R31/367 , G01R31/392 , G01R31/378 , G01R31/385 , G06F30/27 , G06N3/045 , G06N3/0464 , G06N3/096 , G06F119/12 , G06F119/04
Abstract: 本发明涉及一种用于商用锂离子电池的早期剩余使用寿命预测方法，属于电池能源技术领域，首先将每个电池的前100个周期的容量电压曲线差值经过仿射变换为像素数据作为输入数据。然后采用特征‑时间步筛选的Mamba模型和结合重新参数化方法的深度可分离卷积模型，计算重构特征和软标签。接着，设计将判别器进行层级分解放入模型的特征生成器中。最后基于重构的特征计算知识蒸馏损失。
-
Patent Agency Ranking
公开(公告)号：CN118153631A
公开(公告)日：2024-06-07
申请号：CN202410285274.3
申请日：2024-03-13
Applicant: 重庆邮电大学
IPC: G06N3/0455 , G06N3/084 , G06F30/27 , G06F18/213 , G06F18/15 , G06F111/08 , G06F119/02 , G06F123/02
Abstract: 本发明涉及一种基于复合神经网络的锂电池RUL预测方法及系统，属于电池监测技术领域。该方法包括以下步骤：数据预处理及灰色关联分析；设计变异Transformer神经网络。本发明针对锂电池相关数据设计了一种加入ProbSparse自注意力机制的变异Transformer神经网络。首先将多头自注意力机制改为ProbSparse多头自注意力机制以避免Transformer编码器泄露序列信息的线索，改善该模型在处理此类任务时的位置不敏感特性和数据高复杂度问题，再将前馈网络子层中的LayerNorm改为BatchNorm以提升计算效率并使模型更加适配RUL的预测。
-
公开(公告)号：CN119881678A
公开(公告)日：2025-04-25
申请号：CN202411986571.7
申请日：2024-12-31
Applicant: 重庆邮电大学
IPC: G01R31/382 , G06F30/27 , G06F17/13 , G06N3/084
Abstract: 本发明涉及一种基于多尺度物理信息神经网络的锂电池SOC估计方法，属于电池荷电状态估计技术领域。该方法包括：S1：采用一阶RC等效电路模型描述电池的动态特性，其内部的电气参数作为Mamba模型输出充当物理知识；S2：对电压特征、电流特征、时间特征和边缘特征进行多尺度融合，从而得到新的特征，作为Mamba模型的输入；S3：构建Mamba模型，包括SSM、卷积层、线性层和元素运算符；SSM表示选择性状态空间模型，由结构化状态空间序列模型与选择机制和扫描模块结合形成；S4：利用Mamba模型进行锂电池SOC估计，并采用SPKF自适应权重来提升模型训练效率。本发明提升了SOC预测的准确性和可靠性。
-
公开(公告)号：CN113721159A
公开(公告)日：2021-11-30
申请号：CN202111135219.9
申请日：2021-09-27
IPC: G01R31/392 , G01R31/367
Abstract: 本发明涉及一种面向随机局部充电的数据驱动电池健康估计方法，属于电池技术领域，包括以下步骤：S1：对恒流充电过程进行电压分段，以得到若干随机局部充电片段；S2：提取出每个随机充电片段下的电量增量ΔQ，得到恒流充电过程的电量增量序列，作为估计电池健康状态的特征数据；S3：对于提取出的电量增量序列，对其不同的统计学特性与电池健康状态的相关性进行分析，选取与高相关性的统计学特征作为健康因子；S4：使用稀疏高斯过程回归方法进行电池健康状态估计。不同于其他方法中需要对不同的充电片段分别建立不同的估计模型，本发明仅需建立单个估计模型，就可利用任意随机局部充电片段实现电池健康状态的在线估计，且提高了估计的准确性。
-
公开(公告)号：CN112098878A
公开(公告)日：2020-12-18
申请号：CN202010967389.2
申请日：2020-09-15
Applicant: 重庆邮电大学
IPC: G01R31/392 , G01R31/389 , G01R31/36
Abstract: 本发明涉及一种锂电池SOH估算和RUL预测的端到端神经网络建立方法，属于电池技术领域。在数据端，对测量的电池样本进行组织，以使其适用于SOH监测和RUL预测任务。在自动建模过程中，通过KS检验研究了神经网络超参数的先验分布。结合这种先验分布和在顺序演化过程中生成的后超参数分布，将根据结果端的预期输出自动调整基于神经网络的模型。本方法应用在SOH监测和RUL预测任务中可以获得较好的效果。
-
公开(公告)号：CN112098878B
公开(公告)日：2023-11-03
申请号：CN202010967389.2
申请日：2020-09-15
Applicant: 重庆邮电大学
IPC: G01R31/392 , G01R31/389 , G01R31/36
Abstract: 本发明涉及一种锂电池SOH估算和RUL预测的端到端神经网络建立方法，属于电池技术领域。在数据端，对测量的电池样本进行组织，以使其适用于SOH监测和RUL预测任务。在自动建模过程中，通过KS检验研究了神经网络超参数的先验分布。结合这种先验分布和在顺序演化过程中生成的后超参数分布，将根据结果端的预期输出自动调整基于神经网络的模型。本方法应用在SOH监测和RUL预测任务中可以获得较好的效果。
-
-
-
-
-
Search Results
6
records
(took 0.02 seconds)
