公开(公告)号：CN112379272B

公开(公告)日：2021-09-21

申请号：CN202011280497.9

申请日：2020-11-16

Applicant: 北京理工大学

Inventor： 熊瑞 ,  田金鹏 ,  段砚州

IPC: G01R31/367 ,  G01R31/378

Abstract: 本发明提供了一种基于人工智能的锂离子电池系统荷电状态(State of charge,SOC)估计方法。该方法通过深度学习手段建立电池系统充电片段数据与荷电状态之间的关系，能够实现在充电过程的任意阶段对荷电状态进行校正。放电过程的荷电状态估计则采用安时积分进行。所提出的估计方法可以随电池系统工作状态变化自适应更新。

公开(公告)号：CN112379273B

公开(公告)日：2021-07-30

申请号：CN202011281459.5

申请日：2020-11-16

Applicant: 北京理工大学

Inventor： 熊瑞 ,  田金鹏 ,  段砚州

IPC: G01R31/367 ,  G01R31/378 ,  G01R31/392

Abstract: 本发明提供了一种基于人工智能的锂离子电池充电曲线重构的方法，由此可以实现电池多种状态的估计。该方法以充电片段数据作为输入，使用深度学习方法重构出完整的充电曲线，进而可从完整的充电曲线中提取电池的多种状态，包括电池的最大容量、最大能量、荷电状态、能量状态、功率状态、容量增量曲线等。所提出的电池状态估计方法可以随电池工作状态变化自适应更新。

公开(公告)号：CN112379273A

公开(公告)日：2021-02-19

申请号：CN202011281459.5

申请日：2020-11-16

Applicant: 北京理工大学

Inventor： 熊瑞 ,  田金鹏 ,  段砚州

IPC: G01R31/367 ,  G01R31/378 ,  G01R31/392

Abstract: 本发明提供了一种基于人工智能的锂离子电池充电曲线重构的方法，由此可以实现电池多种状态的估计。该方法以充电片段数据作为输入，使用深度学习方法重构出完整的充电曲线，进而可从完整的充电曲线中提取电池的多种状态，包括电池的最大容量、最大能量、荷电状态、能量状态、功率状态、容量增量曲线等。所提出的电池状态估计方法可以随电池工作状态变化自适应更新。

公开(公告)号：CN111611750A

公开(公告)日：2020-09-01

申请号：CN202010465807.8

申请日：2020-05-28

Applicant: 北京理工大学

Inventor： 熊瑞 ,  田金鹏 ,  段砚州

IPC: G06F30/27 ,  G06F30/25 ,  G06F119/08 ,  G06F111/06

Abstract: 本发明提供了一种应用数字孪生技术的锂离子电池充电及热管理方法，通过建立电池的数字孪生体适应电池状态、工作环境的改变情况，并针对充电或热管理策略中参数变化的短期及长期影响进行预测。结合管理目标及限制条件，优化了充电及热管理方法，从而能够实现适用于不同电池类型、不同环境下的全寿命周期充电及热管理优化。

公开(公告)号：CN111562515A

公开(公告)日：2020-08-21

申请号：CN202010419491.9

申请日：2020-05-18

Applicant: 北京理工大学

Inventor： 熊瑞 ,  段砚州 ,  卢家欢

IPC: G01R31/396 ,  G01R31/367 ,  G01R31/389 ,  G01R31/3842 ,  G06F30/20

Abstract: 本发明提供了一种动力电池组特征单体的筛选方法，其基于数据流Misra-Gries算法对一级筛选得到的特征单体编号进行频繁项挖掘实现二级筛选，利用二级筛选结果进行特征单体编号更新，有利于对特征单体和电池组状态的在线估计。本发明通过二级筛选，有效避免了电压波动和参数估计误差造成的特征单体编号频繁切换更新的问题，提升了电池组状态估计结果的稳定性和精确性。相较于设定固定观测窗口的方法，本发明能够有效减少算法对存储空间的需求，有利于在大规模电池组嵌入式管理系统中应用。

公开(公告)号：CN111208437A

公开(公告)日：2020-05-29

申请号：CN202010134959.X

申请日：2020-03-02

Applicant: 北京理工大学

Inventor： 熊瑞 ,  黄锦涛 ,  王榘 ,  段砚州

IPC: G01R31/367 ,  G06F30/27 ,  G06N3/08

Abstract: 本发明提供了一种动力电池融合建模方法，其对各模型在各环境下的精度分析，确立相应的模型权值，并通过神经网络来体现模型融合规则，最大化利用各模型的优点，能够实现复杂工况下动力电池电压的高精度预测。使用神经网络来表现模型融合的规则，既能体现各模型在不同工作环境下的优劣，也无需存储多种复杂工况下的权值信息，进行复杂的查表寻找，极大地降低了硬件需求，减小了计算量，并提高了实时性。

公开(公告)号：CN110927591A

公开(公告)日：2020-03-27

申请号：CN201911267620.0

申请日：2019-12-11

Applicant: 北京理工大学

Inventor： 熊瑞 ,  段砚州 ,  刘晓炜

IPC: G01R31/3842 ,  G01R31/392 ,  G01R31/374 ,  B60L58/12 ,  B60L58/16

Abstract: 本发明涉及一种电池容量估计方法，实时采集电池充电容量和电压，通过所述充电容量对所述电压求导以得到实时的充电容量变化率；确定充电过程中IC值最高的目标IC峰值点；计算目标IC峰值点对应的半峰面积，所述半峰面积为目标IC峰值点对应的电压至预定电压增量的区间内的容量增量；将所述半峰面积作为健康因子；根据健康因子与容量的基准映射关系，基于温度和倍率对健康因子进行修正，估计电池容量。本发明利用半峰面积作为健康因子，减少了存储和计算成本，尤其是利用递推更新法实现了健康因子的在线获取，减少了系统的存储和计算成本。此外本发明可应用于多体系动力电池，特别是OCV曲线随老化不明显的电池。