-
公开(公告)号：CN112305441B
公开(公告)日：2023-06-16
申请号：CN202011094246.1
申请日：2020-10-14
申请人： 北方工业大学 , 北京联智汇能科技有限公司 , 安徽绿沃循环能源科技有限公司 , 新源智储能源发展(北京)有限公司
IPC分类号： G01R31/392 , G01R31/367 , G06F18/23213
摘要： 本发明涉及一种集成式聚类下的动力电池健康状态评估方法。该方法的实现过程如下：获得不同动力电池健康值，提取充放电实验过程中电压、电流以及温度信号，形成特征样本集合；随机抽样特征样本集合，形成若干差异化子集，利用kmeans聚类方法形成多个由相近样本组成的族群；提取待评估动力电池特征，在各子集下判断其所属族群，并计算与所属族群中样本的距离，获得各样本计算权重，采用加权平均分计算各子集估计出的待检测动力电池健康值；统计各子集估计出的差异性估计值，以均值形成待检测动力电池的最终估计值，以标准差估计误差。通过本发明所提方法，可以降低先验信息假设、人为经验和奇异样本的影响。
-
公开(公告)号：CN112791997B
公开(公告)日：2022-11-18
申请号：CN202011490339.6
申请日：2020-12-16
申请人： 北方工业大学 , 北京联智汇能科技有限公司 , 新源智储能源发展(北京)有限公司
摘要： 本发明涉一种退役电池梯次利用筛选的方法；筛选的方法包含以下步骤：选取电池荷电状态、剩余寿命和剩余容量、电芯温度、充电倍率、放电倍率、工作电压和工作电流这8个电池工作特征参量进行计算，计算出电池组数据的一些参数分别与退役动力电池的健康度之间的互信息值，选取互信息值最高的两个特征变量作为评判退役电池性能的指标，指标的具体数值作为待分组退役动力电池数据；在退役动力电池工作站系统中录入待分组电池的数据，通过现有聚类方法求出类别中心点并给电池分簇；通过熵值法求出每簇电池的类别中心点；验证；本发明技术方案提高了寻找聚类中心的准确度，同时也为后续筛选退役动力电池的结果提供了有利的保障。
-
公开(公告)号：CN112651431B
公开(公告)日：2023-07-07
申请号：CN202011479510.3
申请日：2020-12-16
申请人： 北方工业大学 , 北京联智汇能科技有限公司 , 安徽绿沃循环能源科技有限公司 , 新源智储能源发展(北京)有限公司
摘要： 本发明涉及一种退役动力电池的聚类分选方法。测量n个被拆解退役动力电池单体样本的电压数据，提取m个特征变量并标幺，计算各样本特性向量间距离d，形成相似度矩阵A；以样本数量n、聚类簇数量K定义用于分选的编码长度以及编码位取值，以聚类簇族能量选择优质分选编码，并利用交叉、变异、重插等遗传演化操作，形成对大量退役电池单体的K个聚类簇族；计算各聚类簇族中心及该簇族中样本的最大偏差，形成置信域；基于待检测退役动力电池单体特征向量与各聚类簇族中心距离及置信域关系，完成分选及分选可靠性判断。本发明将遗传的优化思想融入聚类过程中，保证了聚合过程的优化方向，提升了退役动力电池分选聚类过程的优化水平。
-
公开(公告)号：CN112613735B
公开(公告)日：2023-05-23
申请号：CN202011532323.7
申请日：2020-12-23
申请人： 北方工业大学 , 北京联智汇能科技有限公司 , 新源智储能源发展(北京)有限公司
摘要： 本发明涉及不同应用场景下电池性能评价方法。评价方法包括以下步骤：总目标设置为电池综合性能，指标层分为两层，一级指标包括：平滑间歇性电源功率波动、削峰填谷及增加备用容量三种应用场景，且每个一指标对应一组二级指标，即：功率密度、能量密度和内阻；一级指标相对于总目标为应用场景的装机容量占比，构建成对比较矩阵模块A、B、C、D；分别进行计算最大特征值与对应特征向量，分别进行归一化处理并进行一致性校验；将应用场景权值的特征向量与二级权值组合特征向量相乘求和，得到的向量中最大值所对应的电池性能即为最优性能指标。本发明能够定量计算电池的最优性能指标。
-
公开(公告)号：CN112287980A
公开(公告)日：2021-01-29
申请号：CN202011094434.4
申请日：2020-10-14
申请人： 北方工业大学 , 北京联智汇能科技有限公司 , 安徽绿沃循环能源科技有限公司
IPC分类号： G06K9/62
摘要： 本发明公开了一种典型特征向量的动力电池筛选方法。该方法的包括以下步骤：获取若干已知状态的动力电池的充放电电压信号，并提取电压信号特征，形成特征向量；根据相同类型样本在各特征变量的数值，估计各个特征的概率密度函数，利用抽样方法生成若干新样本；利用聚类方法聚合新样本，形成多个具有代表性的典型特征向量；计算待检测动力电池的特征向量与每一类型各个典型特征向量的余弦相似度，辨识待检测动力电池的健康状态。通过本发明的筛选方法，避免了小样本情况下传统分类模型过拟合问题以及数据不平衡造成的偏差，提高了动力电池筛选的实用性，同时可以更清晰了解不同故障下动力电池的典型特征情况，为更好地定义动力电池状态奠定基础。
-
公开(公告)号：CN112505551B
公开(公告)日：2023-01-10
申请号：CN202011484044.8
申请日：2020-12-16
申请人： 北方工业大学 , 北京联智汇能科技有限公司 , 安徽绿沃循环能源科技有限公司
IPC分类号： G01R31/367
摘要： 本发明涉及一种面向退役动力电池的筛选方法。包括如下过程：提取若干同型号退役后动力电池充放电过程电压信号n个特征变量，并利用聚类方法形成K个类别簇，选出代表各簇的典型样本X(core,k)；根据待测动力电池的特征变量X(test)，计算特征变量间比重，并构成判断矩阵A，进而获得特征向量并归一化得到ωa；计算以每个特征下不同类别簇间比重组成判断矩阵Bn的特征向量，并归一化处理后组成矩阵C；计算C×ωa获得待测动力电池的决策向量，并选择决策向量元素中最大值对应的类别为待测动力电池类型。与现有方法相比，本发明全程无参数的计算过程，降低了人为因素影响。
-
公开(公告)号：CN113533967A
公开(公告)日：2021-10-22
申请号：CN202110847211.9
申请日：2021-07-26
申请人： 北方工业大学 , 北京联智汇能科技有限公司 , 国网江苏省电力有限公司电力科学研究院
IPC分类号： G01R31/367 , G06F17/15 , G06N3/12
摘要： 本发明公开了一种全景理论分析的二值优化的电池异常检测方法。包括以下步骤：测量若干个运行电化学储能电池单体的某固定时长的输出电压和电流数据，提取各个电化学储能电池单体电压和电流的特征向量并归一化；以测量电化学储能电池单体的数量定义以0‑1构成的二进制编码个体，基于全景理论利用特征向量间距离，建立对这个编码串下电池单体分组描述的度量函数；采用遗传算法不断演化迭代，寻找出最优编码个体，建立电化学储能电池的最终分组描述；在最优个体0‑1编码位形成电池单体分组条件下分析电池单体的分布情况，形成电池异常状态检测。本发明专利电池异常检测以电池聚集为优化方向，有助于提升异常检测的准确性和可靠性。
-
公开(公告)号：CN112507790B
公开(公告)日：2023-09-29
申请号：CN202011211079.4
申请日：2020-11-03
申请人： 北方工业大学 , 北京联智汇能科技有限公司 , 安徽绿沃循环能源科技有限公司
IPC分类号： G06F18/24 , G06F18/213 , G06F18/2411 , G06F18/214
摘要： 本发明涉及一种基于差异演化的互补分类回归树的故障诊断方法及系统。该方法包括：获取样本集合；样本集合包括多种故障类别对应的样本信号，每个样本信号为对应故障类型下设备的运行信号；对样本集合中每个样本信号进行分析，得到所有样本特征向量组成的样本特征向量集合；根据样本特征向量集合，以遗传算法为差异性演化基础获得互补分类回归树模型；互补分类回归树模型包括原始分类回归树和互补分类回归树；基于分类回归树所有叶节点的基尼指数之和与叶节点数量，确定互补分类回归树模型中最优的分类回归树，得到设备的故障诊断模型；基于设备的运行信号，采用设备的故障诊断模型对设备进行故障诊断。本发明可以提高设备故障诊断的性能。
-
公开(公告)号：CN112791997A
公开(公告)日：2021-05-14
申请号：CN202011490339.6
申请日：2020-12-16
申请人： 北方工业大学 , 北京联智汇能科技有限公司
摘要： 本发明涉一种退役电池梯次利用筛选的方法；筛选的方法包含以下步骤：选取电池荷电状态、剩余寿命和剩余容量、电芯温度、充电倍率、放电倍率、工作电压和工作电流这8个电池工作特征参量进行计算，计算出电池组数据的一些参数分别与退役动力电池的健康度之间的互信息值，选取互信息值最高的两个特征变量作为评判退役电池性能的指标，指标的具体数值作为待分组退役动力电池数据；在退役动力电池工作站系统中录入待分组电池的数据，通过现有聚类方法求出类别中心点并给电池分簇；通过熵值法求出每簇电池的类别中心点；验证；本发明技术方案提高了寻找聚类中心的准确度，同时也为后续筛选退役动力电池的结果提供了有利的保障。
-
公开(公告)号：CN112651431A
公开(公告)日：2021-04-13
申请号：CN202011479510.3
申请日：2020-12-16
申请人： 北方工业大学 , 北京联智汇能科技有限公司 , 安徽绿沃循环能源科技有限公司
摘要： 本发明涉及一种退役动力电池的聚类分选方法。测量n个被拆解退役动力电池单体样本的电压数据，提取m个特征变量并标幺，计算各样本特性向量间距离d，形成相似度矩阵A；以样本数量n、聚类簇数量K定义用于分选的编码长度以及编码位取值，以聚类簇族能量选择优质分选编码，并利用交叉、变异、重插等遗传演化操作，形成对大量退役电池单体的K个聚类簇族；计算各聚类簇族中心及该簇族中样本的最大偏差，形成置信域；基于待检测退役动力电池单体特征向量与各聚类簇族中心距离及置信域关系，完成分选及分选可靠性判断。本发明将遗传的优化思想融入聚类过程中，保证了聚合过程的优化方向，提升了退役动力电池分选聚类过程的优化水平。
-
-
-
-
-
-
-
-
-
搜索结果
29 条记录 (耗时 0.062 秒)
