-
Patent Agency Ranking
公开(公告)号：CN115257379A
公开(公告)日：2022-11-01
申请号：CN202210936029.5
申请日：2022-08-05
Applicant: 长安大学
Abstract: 本发明公开了一种基于实车数据的电动汽车动力电池热失控预警方法，包括获取基于车辆实时运行的动力电池包所有单体电池的电压数据集，计算所获取电压数据集内各单体电池的电压香农熵，对得到的各单体电池的电压香农熵使用局部离群因子算法，基于时间窗得到每个时刻各单体电池电压香农熵的LOF值，设定阈值，基于各单体电池电压香农熵的LOF值实现动力电池热失控预警。本发明数据精简易采集，可以更早实现车辆热失控故障的实时预警，并且可以定位故障单体电池。
-
公开(公告)号：CN117175550B
公开(公告)日：2024-09-27
申请号：CN202311098330.4
申请日：2023-08-29
Applicant: 长安大学
Abstract: 本发明公开了本发明一种虚假数据注入攻击下的电力系统状态估计方法、系统、设备及存储介质，通过提出的插值自适应H∞扩展卡尔曼滤波算法无论是在无攻击情形下，还是在虚假数据注入攻击情形下，与传统卡尔曼滤波算法相比，都具有更高的估计精度。尤其在虚假数据注入攻击情形下算法估计精度更高，并且在利用扩展卡尔曼滤波算法对电力系统状态估计模型进行线性化处理及滤波后，采用自适应插值方法来减小扩展卡尔曼滤波算法在线性化过程中给电力系统状态估计带来的误差；该方法还把自适应H∞理论引入到扩展卡尔曼滤波算法中，使得系统模型不确定性带来的误差上界达到最小化。
-
公开(公告)号：CN117175550A
公开(公告)日：2023-12-05
申请号：CN202311098330.4
申请日：2023-08-29
Applicant: 长安大学
Abstract: 本发明公开了本发明一种虚假数据注入攻击下的电力系统状态估计方法、系统、设备及存储介质，通过提出的插值自适应H∞扩展卡尔曼滤波算法无论是在无攻击情形下，还是在虚假数据注入攻击情形下，与传统卡尔曼滤波算法相比，都具有更高的估计精度。尤其在虚假数据注入攻击情形下算法估计精度更高，并且在利用扩展卡尔曼滤波算法对电力系统状态估计模型进行线性化处理及滤波后，采用自适应插值方法来减小扩展卡尔曼滤波算法在线性化过程中给电力系统状态估计带来的误差；该方法还把自适应H∞理论引入到扩展卡尔曼滤波算法中，使得系统模型不确定性带来的误差上界达到最小化。
-
公开(公告)号：CN115951231A
公开(公告)日：2023-04-11
申请号：CN202310239436.5
申请日：2023-03-14
Applicant: 长安大学
IPC: G01R31/367 , B60L58/10 , G01R31/3835
Abstract: 本发明提供了基于单体电池电压相关性的汽车动力电池故障预警方法，包括以下步骤：获取数据清洗后的基于时间序列的车辆各个单体电池的电压数据；确定时间窗口长度，获取当前窗口中各单体电池的电压数据，使用相关系数算法，基于滑动窗计算每个时刻各单体电池与其他单体电池的电压相关系数和；对得到的各单体电池的电压相关系数使用统计学工具Z分数，基于滑动窗得到每个时刻各单体电池电压异常系数A，设定异常系数故障判定阈值，基于各单体电池电压相关系数的异常系数实现动力电池电压不一致性故障预警。本发明具有数据精简的优点、易采集的优点，可以实现车辆热失控故障的实时预警，并且可以定位故障单体电池。
-
公开(公告)号：CN117076866A
公开(公告)日：2023-11-17
申请号：CN202311168894.0
申请日：2023-09-11
Applicant: 长安大学
IPC: G06F18/10 , G06F18/214 , G06F18/25 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 基于数据驱动和粒子滤波融合模型的锂电池RUL预测方法、系统、设备及介质，其方法为：将卷积神经网络CNN和门控循环单元GRU网络结合，形成CNN‑GRU的串联结构，能够同时捕捉空间和时序信息，简化现有技术中复杂的时间序列问题；采用双指数经验模型建立状态方程，以CNN‑GRU输出的预测值作为观测值，建立CNN‑GRU‑PF融合预测模型的状态空间方程，基于CNN‑GRU‑PF融合模型对锂电池RUL进行预测；其系统、设备及方法基于上述方法实现对锂电池RUL高效预测，能够减小数据的噪音和不确定性，确保模型方法的可靠性，预测准确且具有良好的普遍适用性。
-
-
-
-
Search Results
5
records
(took 0.017 seconds)
