-
公开(公告)号：CN110187290B
公开(公告)日：2021-02-09
申请号：CN201910573259.8
申请日：2019-06-27
申请人： 重庆大学
IPC分类号： G01R31/392 , G01R31/367
摘要： 本发明涉及一种基于融合型算法的锂离子电池剩余寿命预测方法，属于电池管理技术领域。该方法包括以下步骤：S1：获取电池容量衰减数据，并确定基于最优控制算法RUL预测的模型参数。S2：对训练集数据拟合，迭代输出最优控制算法模型参数滤波估计值和电池容量衰减数据滤波估计值，通过模型参数滤波估计值，得到初始RUL预测值。S3：基于最优控制算法的滤波估计值与实验数据差值，建立原始误差序列，并将其作为神经网络算法的输入，对误差序列不断迭代训练，输出误差序列的预测结果。S4：在训练集数据使用完毕后，综合最优控制算法的初始预测值和神经网络算法误差序列预测结果，得到最终的锂离子电池RUL预测结果。
-
公开(公告)号：CN110247451A
公开(公告)日：2019-09-17
申请号：CN201910523087.3
申请日：2019-06-17
申请人： 重庆大学
摘要： 本发明涉及一种锂离子动力电池组全寿命周期均衡控制方法，属于电池管理技术领域。该方法包括：S1：选定一批待测电池单体，完成在不同条件下的电池老化实验；S2：根据获得的电池老化数据，建立一种描述电池老化速率的模型；S3：建立模型预测控制的目标函数，实现电池组的老化速率最小；S4：以电池模型为预测模型，实现基于模型预测控制的均衡策略。本发明能够使电池组的老化速率更小，从而延长了电池组的使用寿命。
-
公开(公告)号：CN110146823A
公开(公告)日：2019-08-20
申请号：CN201910492563.X
申请日：2019-06-06
申请人： 重庆大学
IPC分类号： G01R31/387 , G01R31/367
摘要： 本发明涉及一种基于信息融合的串联电池组SOC估计方法，属于电池管理技术领域，包括S1：选定待测串联电池组，收集整理该串联电池组的技术参数，建立该串联电池组的CMM+CDM模型，并确定该串联电池组SOC估计所需的模型参数；S2：组进行涓流充放电和HPPC实验，建立充放电OCV、电路模型参数关于SOC的数据库；模拟DST、UDDS，建立工况测试实验数据库；S3：建立OCV-SOC关系曲线，得到CMM+CDM模型的电学特性参数；S4：将CMM+CDM模型结合分散滤波器，基于最优算法和充放电特性参数关于SOC的定量关系式得到CMM和单体SOC，权重分配融合每个单体SOC实现串联电池组SOC估计。
-
公开(公告)号：CN110247451B
公开(公告)日：2022-12-09
申请号：CN201910523087.3
申请日：2019-06-17
申请人： 重庆大学
摘要： 本发明涉及一种锂离子动力电池组全寿命周期均衡控制方法，属于电池管理技术领域。该方法包括：S1：选定一批待测电池单体，完成在不同条件下的电池老化实验；S2：根据获得的电池老化数据，建立一种描述电池老化速率的模型；S3：建立模型预测控制的目标函数，实现电池组的老化速率最小；S4：以电池模型为预测模型，实现基于模型预测控制的均衡策略。本发明能够使电池组的老化速率更小，从而延长了电池组的使用寿命。
-
公开(公告)号：CN110703114A
公开(公告)日：2020-01-17
申请号：CN201911031589.0
申请日：2019-10-28
申请人： 重庆大学
IPC分类号： G01R31/388 , G01R31/389 , G01R31/36
摘要： 本发明涉及一种基于电-热-神经网络耦合模型的动力电池SOC和SOT联合状态估计方法，属于电池管理领域。该方法包括：S1选定待测动力电池，搜集整理相关技术参数，建立该动力电池时域内连续的ETSM模型，并确定模型输入输出参数；S2在不同温度下模拟两个城市驾驶循环工况和两个公路驾驶循环工况，采集电池状态数据；S3对ETSM模型进行参数辨识，得到电-热子模型的特性参数；S4利用参数化的ETSM模型生成训练数据库，进行神经网络训练，建立ETNN模型，对端电压Vsp与核心温度Tc进行估计；S5采用UKF对电池SOC和SOT进行联合估计。本发明能够在极端温度和大电流条件下，对动力电池进行状态有效估计。
-
公开(公告)号：CN110187290A
公开(公告)日：2019-08-30
申请号：CN201910573259.8
申请日：2019-06-27
申请人： 重庆大学
IPC分类号： G01R31/392 , G01R31/367
摘要： 本发明涉及一种基于融合型算法的锂离子电池剩余寿命预测方法，属于电池管理技术领域。该方法包括以下步骤：S1：获取电池容量衰减数据，并确定基于最优控制算法RUL预测的模型参数。S2：对训练集数据拟合，迭代输出最优控制算法模型参数滤波估计值和电池容量衰减数据滤波估计值，通过模型参数滤波估计值，得到初始RUL预测值。S3：基于最优控制算法的滤波估计值与实验数据差值，建立原始误差序列，并将其作为神经网络算法的输入，对误差序列不断迭代训练，输出误差序列的预测结果。S4：在训练集数据使用完毕后，综合最优控制算法的初始预测值和神经网络算法误差序列预测结果，得到最终的锂离子电池RUL预测结果。
-
公开(公告)号：CN110161423A
公开(公告)日：2019-08-23
申请号：CN201910561982.4
申请日：2019-06-26
申请人： 重庆大学
IPC分类号： G01R31/387 , G01R31/392 , G01R31/367
摘要： 本发明涉及一种基于多维度耦合模型的动力锂电池状态联合估计方法，属于电池管理技术领域。该方法包括：S1：建立电池的电模型，在电模型的基础上建立电池热模型以及老化模型；S2：用测试数据辨识各模型参数；S3：建立电池的电-热-老化的耦合模型；S4：在耦合模型的基础上，用基于状态空间方程的控制方法实时估计电池SOC，同时提取热模型中电池中心温度值作为SOT估计值，并用容量计算方法估计电池SOH；S5：设置相应的耦合框架，完成电池SOC、SOT和SOH联合估计。本发明在SOC估计过程中实时更新电池温度和容量变化，可以大幅度提高SOC估计精度，反过来也将提升SOT和SOH的估计精度。
-
公开(公告)号：CN110703114B
公开(公告)日：2022-03-11
申请号：CN201911031589.0
申请日：2019-10-28
申请人： 重庆大学
IPC分类号： G01R31/388 , G01R31/389 , G01R31/36
摘要： 本发明涉及一种基于电‑热‑神经网络耦合模型的动力电池SOC和SOT联合状态估计方法，属于电池管理领域。该方法包括：S1选定待测动力电池，搜集整理相关技术参数，建立该动力电池时域内连续的ETSM模型，并确定模型输入输出参数；S2在不同温度下模拟两个城市驾驶循环工况和两个公路驾驶循环工况，采集电池状态数据；S3对ETSM模型进行参数辨识，得到电‑热子模型的特性参数；S4利用参数化的ETSM模型生成训练数据库，进行神经网络训练，建立ETNN模型，对端电压Vsp与核心温度Tc进行估计；S5采用UKF对电池SOC和SOT进行联合估计。本发明能够在极端温度和大电流条件下，对动力电池进行状态有效估计。
-
-
-
-
-
-
-
搜索结果
8 条记录 (耗时 0.024 秒)