-
公开(公告)号：CN108490365B
公开(公告)日：2020-07-03
申请号：CN201810349151.6
申请日：2018-04-18
Applicant: 北京理工大学
IPC: G01R31/392
Abstract: 本发明涉及电动汽车的动力电池管理系统，尤其涉及一种对电动汽车的动力电池的剩余寿命进行估计的方法。为解决现有技术预估动力电池的剩余寿命存在的精度低，成本高的问题，本发明提出一种估计电动汽车的动力电池剩余寿命的方法，在线估计出动力电池的实时剩余容量值Cm；计算出动力电池的实时健康状态SOH，确定动力电池的线性衰减阶段起始点；建立动力电池的线性老化模型SOHk并辨识出线性老化模型的参数，估计动力电池的剩余充放电循环次数p，这种估计方法通过在线估计得出动力电池的剩余寿命，简单方便，估计精度高，成本低。
-
公开(公告)号：CN107290678B
公开(公告)日：2019-12-10
申请号：CN201710533686.4
申请日：2017-07-03
Applicant: 北京理工大学
IPC: G01R31/392 , G01R31/367
Abstract: 本发明提出一种动力电池健康状态在线监测方法，基于动力电池最常用的充电电压区间，提取出充电能量值作为电池的健康因子。在每一个温度条件下，只需要一组离线的电池老化数据就可以构建起充电能量值与电池健康状态的关系，所需的复杂计算仅为离线对充电能量值与健康状态的关系进行非线性拟合，并且拟合模型可以直接在线使用。
-
公开(公告)号：CN108490365A
公开(公告)日：2018-09-04
申请号：CN201810349151.6
申请日：2018-04-18
Applicant: 北京理工大学
IPC: G01R31/36
Abstract: 本发明涉及电动汽车的动力电池管理系统，尤其涉及一种对电动汽车的动力电池的剩余寿命进行估计的方法。为解决现有技术预估动力电池的剩余寿命存在的精度低，成本高的问题，本发明提出一种估计电动汽车的动力电池剩余寿命的方法，在线估计出动力电池的实时剩余容量值Cm；计算出动力电池的实时健康状态SOH， 确定动力电池的线性衰减阶段起始点；建立动力电池的线性老化模型SOHk并辨识出线性老化模型的参数，估计动力电池的剩余充放电循环次数p，这种估计方法通过在线估计得出动力电池的剩余寿命，简单方便，估计精度高，成本低。
-
公开(公告)号：CN105425153A
公开(公告)日：2016-03-23
申请号：CN201510732030.6
申请日：2015-11-02
Applicant: 北京理工大学
IPC: G01R31/36
CPC classification number: G01R31/3634 , G01R31/3651
Abstract: 本发明涉及电动车辆的动力电池管理系统，尤其涉及动力电池管理系统估计动力电池的荷电状态的方法。为提高电动车辆的电池管理系统对动力电池的荷电状态SOC的估计精度及估计稳定性，本发明提出一种估计电动车辆的动力电池的荷电状态的方法，采集动力电池的端电压和充放电电流；建立动力电池的系统模型；采用安时积分法以及采用状态观测器CDKF、AEKF和H infinity配合系统模型分别对动力电池的荷电状态进行估计得到zk,Ah,zk,CDKF,zk,AEKF和zk,Hinf；对zk,Ah,zk,CDKF,zk,AEKF和zk,Hinf进行加权计算得到最终估计值zk，zk＝w1zk,Ah+w2zk,CDKF+w3zk,AEKF+w4zk,Hinf，加权系数w1+w2+w3+w4＝1。该估计方法采用多种方法进行估计并经加权计算得出最终的估计值，精度可达到2％以内，大部分达到1％以内，不易发散，稳定性高。
-
公开(公告)号：CN104502754A
公开(公告)日：2015-04-08
申请号：CN201410771472.7
申请日：2014-12-14
Applicant: 北京理工大学
IPC: G01R31/00 , G01M17/007
Abstract: 本发明基于MATLAB/Simulink软件建立纯电动车辆的仿真模型，模拟纯电动车辆的故障工况，进而获得纯电动车辆在故障工况下的传感器信号；运用模式识别的理论方法，建立以故障工况下的传感器信号为集合的模式空间，并对其提取特征指数，根据特征指数在不同故障下标准差系数的差异，选择标准差系数最大的特征指数为该传感器信号的特征，通过降维处理建立具有较低维数的电动车辆故障的特征空间；运用人工神经网络分类技术，使用MATLAB神经网络工具箱设计并建立BP神经网络，对特征空间进行判决和分类，从而完成对纯电动车辆故障工况的模式识别，实现纯电动车辆的故障诊断。
-
Patent Agency Ranking
公开(公告)号：CN103995464A
公开(公告)日：2014-08-20
申请号：CN201410225424.8
申请日：2014-05-26
Applicant: 北京理工大学
IPC: G05B13/02
CPC classification number: G06F17/5009 , B60L3/0023 , B60L3/0046 , B60L3/0061 , B60L3/12 , B60L11/1861 , B60L2260/44 , G06F17/11 , G06F17/16 , Y02T10/7005 , Y02T10/7044 , Y02T10/705
Abstract: 本发明涉及系统辨识和状态估计领域。为获得电动车辆的动力系统稳定可靠的状态估计值，并降低估计计算成本，本发明提出一种估计电动车辆的动力系统的参数和状态的方法，建立动力系统的多时间尺度模型，对电动车辆的动力系统中基于宏观时间尺度的参数观测器AEKFθ和基于微观时间尺度的状态观测器AEKFx进行初始化设置，参数观测器AEKFθ进行时间更新，更新时间长度为一个宏观时间尺度，得到参数θ在t1,0时刻的先验估计值状态观测器AEKFx进行时间更新和测量更新并循环L次，使状态观测器AEKFx的时间更新到t0,L时刻；参数观测器AEKFθ进行测量更新，并循环上述操作直至估计完成。采用该方法对电动车辆的动力系统的参数和状态进行估计，精度高，计算时间短，降低了计算成本。
-
公开(公告)号：CN103991384A
公开(公告)日：2014-08-20
申请号：CN201410226728.6
申请日：2014-05-26
Applicant: 北京理工大学
Abstract: 本发明涉及电动车辆行车制动领域。为使电动车辆的再生能量回馈制动与液压制动协调，本发明提出一种电动车辆的复合制动系统，包括整车控制器、驱动电机、驱动电机控制器、制动协调器；整车控制器中设置有估计电动车辆的状态用的车辆状态估计模块，根据电动车辆状态选用复合制动模式或液压制动模式进行制动；整车控制器分别与驱动电机控制器、制动协调器连接，控制驱动电机的工作模式和输出扭矩，调节电机制动扭矩和液压制动扭矩；驱动电机中的第一驱动电机和第二驱动电机分别根据控制指令驱动车轴转动或向车轴施加电机制动扭矩。采用该复合制动系统对电动车辆进行制动，电动车辆在保证制动稳定性的基础上提高了再生制动能量的回收效率。
-
-
公开(公告)号：CN107479000B
公开(公告)日：2019-10-11
申请号：CN201710706002.6
申请日：2017-08-17
Applicant: 北京理工大学
IPC: G01R31/367 , G01R31/392 , G06F17/50
Abstract: 本发明提出一种基于Box‑Cox变换以及蒙特卡罗仿真的动力电池RUL预测方法，其应用Box‑Cox变换对电池容量进行变换，构建容量变换值与循环次数之间的线性模型，并利用最小二乘算法对模型参数以及模型不确定性进行辨识，剩余寿命的不确定性应用蒙特卡罗仿真产生。该算法可以缩减精确剩余寿命预测所需的在线老化数据，当有离线老化数据时，精确剩余寿命预测所需要的在线数据量最低仅为电池总衰减数据量的30％。
-
公开(公告)号：CN103995464B
公开(公告)日：2016-04-13
申请号：CN201410225424.8
申请日：2014-05-26
Applicant: 北京理工大学
IPC: G05B13/02
CPC classification number: G06F17/5009 , B60L3/0023 , B60L3/0046 , B60L3/0061 , B60L3/12 , B60L11/1861 , B60L2260/44 , G06F17/11 , G06F17/16 , Y02T10/7005 , Y02T10/7044 , Y02T10/705
Abstract: 本发明涉及系统辨识和状态估计领域。为获得电动车辆的动力系统稳定可靠的状态估计值，并降低估计计算成本，本发明提出一种估计电动车辆的动力系统的参数和状态的方法，建立动力系统的多时间尺度模型，对电动车辆的动力系统中基于宏观时间尺度的参数观测器AEKFθ和基于微观时间尺度的状态观测器AEKFx进行初始化设置，参数观测器AEKFθ进行时间更新，更新时间长度为一个宏观时间尺度，得到参数θ在t1,0时刻的先验估计值状态观测器AEKFx进行时间更新和测量更新并循环L次，使状态观测器AEKFx的时间更新到t0,L时刻；参数观测器AEKFθ进行测量更新，并循环上述操作直至估计完成。采用该方法对电动车辆的动力系统的参数和状态进行估计，精度高，计算时间短，降低了计算成本。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.028 seconds)
