-
公开(公告)号：CN113419187A
公开(公告)日：2021-09-21
申请号：CN202110638328.6
申请日：2021-06-08
Applicant: 上海交通大学
IPC: G01R31/392
Abstract: 本发明提供了一种锂离子电池健康估计方法，使用车载BMS存储的历史电池数据对编码器‑解码器神经网络进行训练，将模型预测的电池恒流充放电电压曲线与电池循环老化试验得到的曲线进行相似度对比，从而获得被测锂离子电池的SOH。本发明建立锂离子电池的动态模型，避免了复杂的电池建模和模型参数辨识过程，利用容易获得的电池历史数据而非实验数据，减少SOH估计时间，能够实现锂离子电池的SOH快速辨识，解决了电动汽车上锂离子电池SOH状态的估计问题。
-
Patent Agency Ranking
公开(公告)号：CN113419187B
公开(公告)日：2022-05-31
申请号：CN202110638328.6
申请日：2021-06-08
Applicant: 上海交通大学
IPC: G01R31/392
Abstract: 本发明提供了一种锂离子电池健康估计方法，使用车载BMS存储的历史电池数据对编码器‑解码器神经网络进行训练，将模型预测的电池恒流充放电电压曲线与电池循环老化试验得到的曲线进行相似度对比，从而获得被测锂离子电池的SOH。本发明建立锂离子电池的动态模型，避免了复杂的电池建模和模型参数辨识过程，利用容易获得的电池历史数据而非实验数据，减少SOH估计时间，能够实现锂离子电池的SOH快速辨识，解决了电动汽车上锂离子电池SOH状态的估计问题。
-
公开(公告)号：CN113343633B
公开(公告)日：2022-04-26
申请号：CN202110648800.4
申请日：2021-06-10
Applicant: 上海交通大学
IPC: G06F30/392 , G06F30/398 , G06K9/62 , G06Q10/04 , G06Q10/06 , G06Q50/06 , G06N3/04 , G06N3/08 , G06F115/02
Abstract: 本发明提供了一种动力锂电池热失控故障分类及风险预测方法、系统，包括：模组级的动力电池模型故障注入方式，随机故障的生成和标注方式，基于深度学习方法的动力锂离子电池故障多分类模型以及将模型应用于实车的迁移学习方法。本发明可以准确地表达电池的真实故障状况，并迁移到具体实车工况。经过训练的深度学习算法模型可以通过数学处理和代码转换成功地部署到实车环境中并对故障进行实时诊断，并且不会增加电池管理系统地额外的计算量，同时达到了较高估计精度。
-
公开(公告)号：CN113343633A
公开(公告)日：2021-09-03
申请号：CN202110648800.4
申请日：2021-06-10
Applicant: 上海交通大学
IPC: G06F30/392 , G06F30/398 , G06K9/62 , G06Q10/04 , G06Q10/06 , G06Q50/06 , G06N3/04 , G06N3/08 , G06F115/02
Abstract: 本发明提供了一种动力锂电池热失控故障分类及风险预测方法、系统，包括：模组级的动力电池模型故障注入方式，随机故障的生成和标注方式，基于深度学习方法的动力锂离子电池故障多分类模型以及将模型应用于实车的迁移学习方法。本发明可以准确地表达电池的真实故障状况，并迁移到具体实车工况。经过训练的深度学习算法模型可以通过数学处理和代码转换成功地部署到实车环境中并对故障进行实时诊断，并且不会增加电池管理系统地额外的计算量，同时达到了较高估计精度。
-
公开(公告)号：CN110850298B
公开(公告)日：2021-08-17
申请号：CN201911038721.0
申请日：2019-10-29
Applicant: 上海交通大学
IPC: G01R31/367 , G01R31/392 , G01R31/378 , G06N3/04
Abstract: 本发明提供了一种基于数据驱动的锂电池SOH估计方法及系统，包括：步骤1：采集BMS单元记录的锂离子电池近期数据包序列；步骤2：将采集到的数据进行数据清洗，对数据进行归一化处理；步骤3：将锂离子电池的负载电流、温度、SOC数据作为模糊神经网络的输入；步骤4：建立模糊神经网络结构，确定各层节点的个数；步骤5：正向传递得到网络的输出误差；调整网络参数以最小化网络输出误差；步骤6：计算网络预测误差，评估网络刻画电池动态特性的准确程度；步骤7：得到电池的虚拟电压响应曲线，进而计算出电池的容量。本发明不需要基于具体的物理模型，而是基于数据建模，可以缩短建模时间。
-
公开(公告)号：CN110850298A
公开(公告)日：2020-02-28
申请号：CN201911038721.0
申请日：2019-10-29
Applicant: 上海交通大学
IPC: G01R31/367 , G01R31/392 , G01R31/378 , G06N3/04
Abstract: 本发明提供了一种基于数据驱动的锂电池SOH估计方法及系统，包括：步骤1：采集BMS单元记录的锂离子电池近期数据包序列；步骤2：将采集到的数据进行数据清洗，对数据进行归一化处理；步骤3：将锂离子电池的负载电流、温度、SOC数据作为模糊神经网络的输入；步骤4：建立模糊神经网络结构，确定各层节点的个数；步骤5：正向传递得到网络的输出误差；调整网络参数以最小化网络输出误差；步骤6：计算网络预测误差，评估网络刻画电池动态特性的准确程度；步骤7：得到电池的虚拟电压响应曲线，进而计算出电池的容量。本发明不需要基于具体的物理模型，而是基于数据建模，可以缩短建模时间。
-
-
-
-
-
Search Results
6
records
(took 0.021 seconds)
