公开(公告)号：CN116184224A

公开(公告)日：2023-05-30

申请号：CN202211550581.7

申请日：2022-12-05

Applicant: 重庆邮电大学

Inventor： 李鹏华 ,  张奕辉 ,  方昳凡 ,  黄子恒 ,  高代林

IPC: G01R31/3842 ,  G06F18/15 ,  G06F18/213 ,  G06F18/2431 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明涉及一种基于收缩和空间交互网络的锂电池荷电状态估计方法，属于新能源技术领域。该方法包括以下步骤：S1：使用锂电池电流、电压、温度和采样时间序列中的一个或多个作为模型输入，在残差网络的基础上，将软阈值作为非线性转换层插入到深层架构中，以消除不重要的特征，实现去噪的目的，获得新的特征矩阵作为下一模块的输入；S2：使用上一模块将数据去噪处理后的特征矩阵X'作为数据输入，空间交互网络学习数据间的依赖关系，最终输出锂电池的荷电状态。本发明利用简单卷积和交互网络提取时序数据特征的同时增加各个子序列之间的联系，进而提升模型学习时序数据前后相关性的能力，完成锂电池荷电状态的准确估计。

公开(公告)号：CN117590241A

公开(公告)日：2024-02-23

申请号：CN202311850214.3

申请日：2023-12-29

Applicant: 重庆邮电大学

Inventor： 李鹏华 ,  高代林 ,  刘晟炜 ,  毛燕 ,  杨哲林 ,  侯杰 ,  项盛 ,  谢丽荣 ,  邓忠伟

IPC: G01R31/367 ,  G01R31/378 ,  G01R31/392

Abstract: 本发明涉及一种基于状态衰减和交互学习的锂电池健康状态监测方法，属于电池技术领域。该方法包括：构建缺失数据向量；对锂电池序列的缺失数据的特征提取；多分辨率时间特征提取；多尺度特征的比例融合。锂电池时间序列属于一维数据，各类曲线是对锂电池工况的客观但抽象的反映，人们并不能直接利用传统的数据填充方法来破坏数据的非线性。本研究以DEC‑LSTM和CIN为核心模块，构建满足SOH和RUL等任务的混合神经网络，实现对锂电池健康状态的准确监测。本研究兼顾了数据来源的真实性和模型预测的准确性，为异常缺失数据的数据处理提供了一种新的技术手段，亦可迁移到其他工业领域，作为解决异常缺失数据问题的方法之一。

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。