-
公开(公告)号：CN119414253B
公开(公告)日：2025-05-02
申请号：CN202510025726.9
申请日：2025-01-08
Applicant: 湖南大学
IPC: G01R31/367 , G01R31/389 , G01R31/392 , G06N3/044 , G06F17/13
Abstract: 一种基于常微分方程神经网络的锂电池SOC的估计方法，包括步骤S1，收集锂电池循环充放电电压电流数据，形成原始数据集；步骤S2，建立锂电池二阶RC等效电路模型，确定状态方程、输出方程及常微分方程组；步骤S3，将常微分方程组融入递归神经网络来参数化隐藏单元，建立融合等效电路模型常微分方程的ODE‑RNN Net模型；步骤S4，初始化ODE‑RNN Net模型参数，利用原始数据集对ODE‑RNN Net模型进行训练；步骤S5，利用训练好的ODE‑RNN Net模型，输入当前时刻锂电池工作电流，预测锂电池后续工作状态输出及荷电状态。本发明能降低训练数据量的需求，提高电池建模及电池荷电状态估计的准确性。
-
公开(公告)号：CN119416675B
公开(公告)日：2025-04-01
申请号：CN202510025728.8
申请日：2025-01-08
Applicant: 湖南大学
IPC: G06F30/27 , G06N3/0442 , G06N3/096 , G06F18/15 , G06F18/21 , G06F18/241 , G01R31/367 , G01R31/392 , G06F119/04
Abstract: 本发明提供的基于经验模态分解及数据融合驱动的锂电池容量预测方法，包括步骤S1，获取某锂电池的历史容量退化数据，形成源数据集；步骤S2，利用经验模态分解对源数据集进行迭代筛选，将其历史容量退化数据分解为残差序列和多个本征模态函数；步骤S3，构建长短期记忆神经网络源预测模型，利用步骤S2得到的残差序列和本征模态函数数据对该构建的源预测模型进行预训练；步骤S4，对预训练完成的源预测模型进行参数微调实现迁移学习，得到最优预测模型；步骤S5，利用步骤S4得到的最优预测模型预测目标锂电池的未来容量。本发明可以有效预测锂电池的未来容量与剩余寿命。
-
公开(公告)号：CN119416675A
公开(公告)日：2025-02-11
申请号：CN202510025728.8
申请日：2025-01-08
Applicant: 湖南大学
IPC: G06F30/27 , G06N3/0442 , G06N3/096 , G06F18/15 , G06F18/21 , G06F18/241 , G01R31/367 , G01R31/392 , G06F119/04
Abstract: 本发明提供的基于经验模态分解及数据融合驱动的锂电池容量预测方法，包括步骤S1，获取某锂电池的历史容量退化数据，形成源数据集；步骤S2，利用经验模态分解对源数据集进行迭代筛选，将其历史容量退化数据分解为残差序列和多个本征模态函数；步骤S3，构建长短期记忆神经网络源预测模型，利用步骤S2得到的残差序列和本征模态函数数据对该构建的源预测模型进行预训练；步骤S4，对预训练完成的源预测模型进行参数微调实现迁移学习，得到最优预测模型；步骤S5，利用步骤S4得到的最优预测模型预测目标锂电池的未来容量。本发明可以有效预测锂电池的未来容量与剩余寿命。
-
公开(公告)号：CN119414253A
公开(公告)日：2025-02-11
申请号：CN202510025726.9
申请日：2025-01-08
Applicant: 湖南大学
IPC: G01R31/367 , G01R31/389 , G01R31/392 , G06N3/044 , G06F17/13
Abstract: 一种基于常微分方程神经网络的锂电池SOC的估计方法，包括步骤S1，收集锂电池循环充放电电压电流数据，形成原始数据集；步骤S2，建立锂电池二阶RC等效电路模型，确定状态方程、输出方程及常微分方程组；步骤S3，将常微分方程组融入递归神经网络来参数化隐藏单元，建立融合等效电路模型常微分方程的ODE‑RNN Net模型；步骤S4，初始化ODE‑RNN Net模型参数，利用原始数据集对ODE‑RNN Net模型进行训练；步骤S5，利用训练好的ODE‑RNN Net模型，输入当前时刻锂电池工作电流，预测锂电池后续工作状态输出及荷电状态。本发明能降低训练数据量的需求，提高电池建模及电池荷电状态估计的准确性。
-
-
-
Search Results
4
records
(took 0.016 seconds)
