公开(公告)号：CN111103553A

公开(公告)日：2020-05-05

申请号：CN201911365666.6

申请日：2019-12-26

申请人： 江苏大学

发明人： 薛安荣 ,  杨婉琳 ,  于彬鹏 ,  陈伟鹤 ,  蔡涛 ,  盘朝奉 ,  何志刚 ,  李骁淳 ,  王丽梅

IPC分类号： G01R31/392 ,  G01R31/367 ,  G06N3/06 ,  G06N3/04 ,  G06N3/08

摘要： 本发明所提出的一种自适应GRNN的电动汽车锂离子电池健康状态的估算方法。针对电池测量数据存在缺失、异常和噪音的特点，根据变异系数采用改进粒子滤波算法处理或选择最小二乘法、均值替换法处理参数以使神经网络输入参数平稳，从而提高抗噪性。而GRNN算法应用于SOH估算具有估算精度高的优势，但因平滑因子人为设定存在其实验平均误差与方差不稳定局限。因此本发明利用QGA对GRNN的平滑因子进行优化以提高网络自适应性。进一步的，考虑到不同特征参数与容量的相关性存在差异的特点，本发明利用最优平滑因子与相关系数构建模式层的传递函数以提高GRNN的估算精度。实验结果表明，本发明所提出的算法能有效估算锂离子电池健康状态具有广阔的应用前景。

公开(公告)号：CN111103544A

公开(公告)日：2020-05-05

申请号：CN201911368020.3

申请日：2019-12-26

申请人： 江苏大学

发明人： 薛安荣 ,  于彬鹏 ,  杨婉琳 ,  陈伟鹤 ,  蔡涛 ,  盘朝奉 ,  何志刚 ,  李骁淳 ,  王丽梅

IPC分类号： G01R31/367 ,  G01R31/392 ,  G06K9/62 ,  G06F17/10 ,  G06F17/16 ,  G06N3/04 ,  G06N3/08

摘要： 本发明公开了基于长短时记忆LSTM和粒子滤波PF的锂离子电池剩余使用寿命预测方法，属于新能源电动汽车锂离子电池剩余使用寿命预测领域，具体步骤如下：分析从锂离子电池电压、电流和温度中提取锂离子电池性能退化特征参数，利用改进主成分分析法融合特征参数作为锂离子电池健康指数，充分表征锂离子电池性能退化特征且不含冗余信息；训练基于长短时记忆神经网络的锂离子电池容量预测模型预测锂离子电池容量，以LSTM预测模型的容量预测值作为粒子滤波预测模型的观测值，在粒子滤波算法的每一步迭代过程中调整更新容量预测值，比较容量预测值和容量失效阈值从而预测锂离子电池剩余使用寿命。本发明能有效监控和预测锂离子电池性能退化过程。

公开(公告)号：CN110659722A

公开(公告)日：2020-01-07

申请号：CN201910814961.9

申请日：2019-08-30

申请人： 江苏大学

发明人： 薛安荣 ,  陶陶 ,  于彬鹏 ,  杨婉琳 ,  陈伟鹤 ,  盘朝奉 ,  蔡涛 ,  何志刚 ,  王丽梅

IPC分类号： G06N3/04 ,  G06K9/62 ,  G01R31/367 ,  G01R31/392

摘要： 本发明提出了一种基于AdaBoost-CBP神经网络的电动汽车锂离子电池健康状态估算方法。由于放电电压、放电电流、循环充放电次数在电池使用过程中变化趋势明显，本发明采用这三种参数作为SOH估算的输入数据，并将电池容量作为输出参数。由于电池数据存在噪音并呈现非线性变化特性，采用扩展卡尔曼滤波算法进行去噪。针对BP神经网络易陷入局部最优的问题，采用分数微积分理论对其梯度下降法进行优化。最后，将分数阶BP神经网络作为弱学习器，利用AdaBoost算法的自适应加强性能增强学习器的拟合能力，并将每轮弱学习器进行集成得到强学习器，以提高学习器的多样性，实现各学习器在不同工况数据下性能的优势互补，有效提高估算精度。

公开(公告)号：CN111103544B

公开(公告)日：2021-12-21

申请号：CN201911368020.3

申请日：2019-12-26

申请人： 江苏大学

发明人： 薛安荣 ,  于彬鹏 ,  杨婉琳 ,  陈伟鹤 ,  蔡涛 ,  盘朝奉 ,  何志刚 ,  李骁淳 ,  王丽梅

IPC分类号： G01R31/367 ,  G01R31/392 ,  G06K9/62 ,  G06F17/10 ,  G06F17/16 ,  G06N3/04 ,  G06N3/08

摘要： 本发明公开了基于长短时记忆LSTM和粒子滤波PF的锂离子电池剩余使用寿命预测方法，属于新能源电动汽车锂离子电池剩余使用寿命预测领域，具体步骤如下：分析从锂离子电池电压、电流和温度中提取锂离子电池性能退化特征参数，利用改进主成分分析法融合特征参数作为锂离子电池健康指数，充分表征锂离子电池性能退化特征且不含冗余信息；训练基于长短时记忆神经网络的锂离子电池容量预测模型预测锂离子电池容量，以LSTM预测模型的容量预测值作为粒子滤波预测模型的观测值，在粒子滤波算法的每一步迭代过程中调整更新容量预测值，比较容量预测值和容量失效阈值从而预测锂离子电池剩余使用寿命。本发明能有效监控和预测锂离子电池性能退化过程。

公开(公告)号：CN110659722B

公开(公告)日：2023-07-18

申请号：CN201910814961.9

申请日：2019-08-30

申请人： 江苏大学

发明人： 薛安荣 ,  陶陶 ,  于彬鹏 ,  杨婉琳 ,  陈伟鹤 ,  盘朝奉 ,  蔡涛 ,  何志刚 ,  王丽梅

IPC分类号： G06N3/0499 ,  G06N3/084 ,  G06F18/214 ,  G01R31/367 ,  G01R31/392

摘要： 本发明提出了一种基于AdaBoost‑CBP神经网络的电动汽车锂离子电池健康状态估算方法。由于放电电压、放电电流、循环充放电次数在电池使用过程中变化趋势明显，本发明采用这三种参数作为SOH估算的输入数据，并将电池容量作为输出参数。由于电池数据存在噪音并呈现非线性变化特性，采用扩展卡尔曼滤波算法进行去噪。针对BP神经网络易陷入局部最优的问题，采用分数微积分理论对其梯度下降法进行优化。最后，将分数阶BP神经网络作为弱学习器，利用AdaBoost算法的自适应加强性能增强学习器的拟合能力，并将每轮弱学习器进行集成得到强学习器，以提高学习器的多样性，实现各学习器在不同工况数据下性能的优势互补，有效提高估算精度。

公开(公告)号：CN111103553B

公开(公告)日：2021-11-23

申请号：CN201911365666.6

申请日：2019-12-26

申请人： 江苏大学

发明人： 薛安荣 ,  杨婉琳 ,  于彬鹏 ,  陈伟鹤 ,  蔡涛 ,  盘朝奉 ,  何志刚 ,  李骁淳 ,  王丽梅

IPC分类号： G01R31/392 ,  G01R31/367 ,  G06N3/06 ,  G06N3/04 ,  G06N3/08

摘要： 本发明所提出的一种自适应GRNN的电动汽车锂离子电池健康状态的估算方法。针对电池测量数据存在缺失、异常和噪音的特点，根据变异系数采用改进粒子滤波算法处理或选择最小二乘法、均值替换法处理参数以使神经网络输入参数平稳，从而提高抗噪性。而GRNN算法应用于SOH估算具有估算精度高的优势，但因平滑因子人为设定存在其实验平均误差与方差不稳定局限。因此本发明利用QGA对GRNN的平滑因子进行优化以提高网络自适应性。进一步的，考虑到不同特征参数与容量的相关性存在差异的特点，本发明利用最优平滑因子与相关系数构建模式层的传递函数以提高GRNN的估算精度。实验结果表明，本发明所提出的算法能有效估算锂离子电池健康状态具有广阔的应用前景。