-
公开(公告)号：CN111007417A
公开(公告)日：2020-04-14
申请号：CN201911245131.5
申请日：2019-12-06
申请人： 重庆大学 , 重庆长安新能源汽车科技有限公司
IPC分类号： G01R31/392 , G01R31/367 , G01R31/388 , G01R31/3842
摘要： 本发明涉及基于不一致性评估的电池组SOH和RUL预测方法及系统，属于电池管理技术领域。该方法包括步骤：选定待测串联电池组，收集整理该串联电池组的技术参数；进行多段变电流工况充电和恒电流放电的循环老化工况，并收据单体电压，电池组电压以及电流等数据，建立电池组老化数据库。判断局部充电阶段，基于电压变化节点提取多个特征参量。基于提取的特征参量评估电池组不一致性，进行多输入双输出的数据驱动回归模型训练。利用测试集数据进行电池组不一致性大小评估及运用训练得到的回归模型进行电池组SOH及RUL的在线预测。本发明在评估电池组不一致性大小的基础上，进行电池组状态和寿命的预测，并适应实际使用中不完整充放电状况。
-
公开(公告)号：CN112083337B
公开(公告)日：2023-06-16
申请号：CN202011141793.0
申请日：2020-10-22
申请人： 重庆大学
IPC分类号： G01R31/367 , G01R31/392
摘要： 本发明涉及一种面向预测性运维的动力电池健康预测方法，属于电池管理技术领域。改方法采用有用性评价体系对健康因子进行评估，利用贝叶斯优化方法对阈值进行优化，采用迁移学习将最相似衰减的电池模型训练信息传递给测试单体，并利用早期衰减数据进行模型的微调，最后利用训练好的模型进行健康预测，包括一步衰减预测和外推剩余容量预测，并利用在线提取的特征进行模型自校正。本发明避开传统的利用电池容量进行预测所面临的在线容量不可测问题，为电池的预测性运维提供退役点的预测，并且在使用过程中能够实时的进行自校正，提高预测的精度。
-
公开(公告)号：CN112798960B
公开(公告)日：2022-06-24
申请号：CN202110048627.4
申请日：2021-01-14
申请人： 重庆大学
IPC分类号： G01R31/367 , G01R31/392 , G06F30/27 , G06N3/04 , G06N3/08 , G06N20/00 , G06F111/08
摘要： 本发明涉及一种基于迁移深度学习的电池组剩余寿命预测方法，属于电池技术领域。该方法包括以下步骤：步骤S1：收集动力电池老化数据集，建立电池老化数据库；步骤S2：根据电池单体老化数据提取多个健康因子，并根据相关性分析和容量估计误差筛选健康因子；步骤S3：基于电池单体全寿命周期老化数据集训练得到健康因子的递推模型，以及基于健康因子的容量估计模型；步骤S4：建立基于电池单体健康因子集和电池组容量衰减的机器学习模型；步骤S5：基于单体容量估计模型预测未来各单体的容量，得到未来循环的电池组单体容量分布。利用迁移学习和深度学习相结合，能够有效的利用已有的完整信息，提高电池组剩余寿命预测精度。
-
公开(公告)号：CN111398837A
公开(公告)日：2020-07-10
申请号：CN202010249465.6
申请日：2020-04-01
申请人： 重庆大学
IPC分类号： G01R31/392 , G01R31/367 , G01R31/385
摘要： 本发明涉及一种基于数据驱动的车用电池健康状态估计方法SOH方法，属于电池管理技术领域。该方法包括：选定待测电池，收集整理该电池的技术参数；根据车用充电工况和恒电流或动态放电工况进行电池的循环老化实验，并收据电池电压，电流，温度等信息，建立电池老化数据库。根据筛选出的子集提取其他电池的健康因子，利用训练好的回归模型估计其他不同放电工况下的电池的SOH估计的验证。将训练好的模型嵌入车用电池管理系统，并在车用中提取子集涵盖的健康因子并进行SOH估计。本发明利用融合方法选择最优特征子集进行模型训练，能够有效降低计算量并提高模型精度，为实际车用提供参考。
-
公开(公告)号：CN112798960A
公开(公告)日：2021-05-14
申请号：CN202110048627.4
申请日：2021-01-14
申请人： 重庆大学
IPC分类号： G01R31/367 , G01R31/392 , G06F30/27 , G06N3/04 , G06N3/08 , G06N20/00 , G06F111/08
摘要： 本发明涉及一种基于迁移深度学习的电池组剩余寿命预测方法，属于电池技术领域。该方法包括以下步骤：步骤S1：收集动力电池老化数据集，建立电池老化数据库；步骤S2：根据电池单体老化数据提取多个健康因子，并根据相关性分析和容量估计误差筛选健康因子；步骤S3：基于电池单体全寿命周期老化数据集训练得到健康因子的递推模型，以及基于健康因子的容量估计模型；步骤S4：建立基于电池单体健康因子集和电池组容量衰减的机器学习模型；步骤S5：基于单体容量估计模型预测未来各单体的容量，得到未来循环的电池组单体容量分布。利用迁移学习和深度学习相结合，能够有效的利用已有的完整信息，提高电池组剩余寿命预测精度。
-
公开(公告)号：CN112083337A
公开(公告)日：2020-12-15
申请号：CN202011141793.0
申请日：2020-10-22
申请人： 重庆大学
IPC分类号： G01R31/367 , G01R31/392
摘要： 本发明涉及一种面向预测性运维的动力电池健康预测方法，属于电池管理技术领域。改方法采用有用性评价体系对健康因子进行评估，利用贝叶斯优化方法对阈值进行优化，采用迁移学习将最相似衰减的电池模型训练信息传递给测试单体，并利用早期衰减数据进行模型的微调，最后利用训练好的模型进行健康预测，包括一步衰减预测和外推剩余容量预测，并利用在线提取的特征进行模型自校正。本发明避开传统的利用电池容量进行预测所面临的在线容量不可测问题，为电池的预测性运维提供退役点的预测，并且在使用过程中能够实时的进行自校正，提高预测的精度。
-
公开(公告)号：CN110703113A
公开(公告)日：2020-01-17
申请号：CN201910974031.X
申请日：2019-10-14
申请人： 重庆大学
IPC分类号： G01R31/388 , G01R31/389 , G01R31/367
摘要： 针对现有电池组SOC估计存在的精度差和计算量大的问题，本发明提供了一种基于特征参数选择和高斯过程回归(GPR)的电池组SOC在线估计方法。该方法包括以下步骤：动力电池组出厂前，对其进行充放电测试，采集充放电过程中的测量数据，利用安时积分法计算出电池组实际的SOC曲线；分别计算电流、总电压、单体电压、单体温度与SOC的相关系数，去掉相关系数低于一定阈值的数据，构建输入数据集；对输入数据集进行主成分分析，仅保留k个主要成分；选取指数平方函数作为核函数，利用得到的样本数据进行模型训练；动力电池系统使用过程中，将采集的数据导入训练好的GPR模型中进行电池组SOC估计。
-
公开(公告)号：CN110703112A
公开(公告)日：2020-01-17
申请号：CN201910973355.1
申请日：2019-10-14
申请人： 重庆大学
IPC分类号： G01R31/388 , G01R31/392 , G01R31/367
摘要： 本发明涉及一种基于局部充电数据的电池组状态的在线估计方法，属于电池管理技术领域。该方法包括以下步骤：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，并进行初始容量的标定；S2：进行多段变电流工况充电和恒电流放电的循环老化工况，并收据电压电流等数据，建立电池组老化数据库；S3：提取电池组局部充电曲线的多个健康因子HI作为输入，恒流放电容量对应的SOH作为输出，进行多输入单输出的GPR模型训练；S4：利用训练得到的GPR模型进行电池组SOH的在线估计。本发明运用局部充电数据特征，在较少训练集数据进行模型训练的情况下得到较好的估计效果。
-
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。
-
-
-
-
-
-
-
-
搜索结果
9 条记录 (耗时 0.038 秒)