-
公开(公告)号：CN118191610A
公开(公告)日：2024-06-14
申请号：CN202410311075.5
申请日：2024-03-19
Applicant: 江南大学
Inventor： 霍雷霆 , 王子赟 , 张俊杰 , 王艳 , 周耀涛 , 纪志成 , 沈谦逸 , 席伟杰 , 王博 , 徐甄悦 , 韩景妍 , 邵凯 , 熊林宏 , 季钢 , 占雅聪 , 李南江 , 刘子幸
IPC: G01R31/367 , G01R31/387 , G06F17/11 , G06Q10/04 , G06F17/18
Abstract: 本发明公开了一种基于改进粒子滤波的动力电池荷电状态估计方法，属于动力电池状态估计技术领域。该方法通过获取包含未知但有界噪声的动力电池荷电状态估计系统的非线性离散通用分析模型，基于以超平行体集员滤波改进的粒子滤波思想，设计了空间更新策略，首先对非线性系统进行线性化，并通过闵可夫斯基和得到系统状态、线性误差和噪声的全对称多胞体可行集，并将其转换为半空间形式。通过扩展半空间的组合，选择了最小体积边界超平行体作为预测可行域。然后，计算预测可行域与测量带的交集进行更新，实现粒子可行域内的粒子筛选。基于MAP准则将可行域外的粒子映射到可行域，在保持粒子多样性的同时使粒子分布更接近真实状态。
-
公开(公告)号：CN116644846A
公开(公告)日：2023-08-25
申请号：CN202310579844.5
申请日：2023-05-22
Applicant: 江南大学
IPC: G06Q10/04 , G06Q10/0633 , G06Q10/0631 , G06Q50/04
Abstract: 本发明公开了一种基于定制化排产的电池产品原材料投产顺序优化方法，属于动力电池生产规划技术领域。所述方法通过分析电池的生产工序，获取以电池成本最小为前提，加工时间最小为目的的目标函数，基于工程深度指示算法，获取最短完工时间与排序方式，提高了电池的生产效率，降低了生产成本。
-
公开(公告)号：CN116644846B
公开(公告)日：2025-04-29
申请号：CN202310579844.5
申请日：2023-05-22
Applicant: 江南大学
IPC: G06Q10/04 , G06Q10/0633 , G06Q10/0631 , G06Q50/04
Abstract: 本发明公开了一种基于定制化排产的电池产品原材料投产顺序优化方法，属于动力电池生产规划技术领域。所述方法通过分析电池的生产工序，获取以电池成本最小为前提，加工时间最小为目的的目标函数，基于工程深度指示算法，获取最短完工时间与排序方式，提高了电池的生产效率，降低了生产成本。
-
Patent Agency Ranking
公开(公告)号：CN118191610B
公开(公告)日：2024-12-03
申请号：CN202410311075.5
申请日：2024-03-19
Applicant: 江南大学
Inventor： 霍雷霆 , 王子赟 , 张俊杰 , 王艳 , 周耀涛 , 纪志成 , 沈谦逸 , 席伟杰 , 王博 , 徐甄悦 , 韩景妍 , 邵凯 , 熊林宏 , 季钢 , 占雅聪 , 李南江 , 刘子幸
IPC: G01R31/367 , G01R31/387 , G06F17/11 , G06Q10/04 , G06F17/18
Abstract: 本发明公开了一种基于改进粒子滤波的动力电池荷电状态估计方法，属于动力电池状态估计技术领域。该方法通过获取包含未知但有界噪声的动力电池荷电状态估计系统的非线性离散通用分析模型，基于以超平行体集员滤波改进的粒子滤波思想，设计了空间更新策略，首先对非线性系统进行线性化，并通过闵可夫斯基和得到系统状态、线性误差和噪声的全对称多胞体可行集，并将其转换为半空间形式。通过扩展半空间的组合，选择了最小体积边界超平行体作为预测可行域。然后，计算预测可行域与测量带的交集进行更新，实现粒子可行域内的粒子筛选。基于MAP准则将可行域外的粒子映射到可行域，在保持粒子多样性的同时使粒子分布更接近真实状态。
-
公开(公告)号：CN116299005B
公开(公告)日：2023-09-05
申请号：CN202310070487.X
申请日：2023-02-07
Applicant: 江南大学
IPC: G01R31/392 , G06N3/084 , G06N3/0464 , G01R31/367
Abstract: 本发明公开了一种基于AAF和深度学习的动力电池健康状态预测方法，属于动力电池SOH预测领域。所述方法首先利用集成经验模态分解技术和相关性分析方法将SOH时间序列分解成主趋势时间序列和波动时间序列，其次利用DBN对主趋势时间序列进行预测，针对波动时间序列，先进行数据预处理，然后采用抗混叠低通滤波器对预处理之后的序列进行重采样，之后利用长短期记忆神经网络LSTM对重采样之后序列进行预测，然后再对波动序列预测结果进行反重采样和逆向数据处理得到波动时间序列最终预测值，最后将主趋势时间序列和波动时间序列预测结果进行集成得到最终的SOH预测结果，实现了动力电池SOH的高精度预测。
-
公开(公告)号：CN116299005A
公开(公告)日：2023-06-23
申请号：CN202310070487.X
申请日：2023-02-07
Applicant: 江南大学
IPC: G01R31/392 , G06N3/084 , G06N3/0464 , G01R31/367
Abstract: 本发明公开了一种基于AAF和深度学习的动力电池健康状态预测方法，属于动力电池SOH预测领域。所述方法首先利用集成经验模态分解技术和相关性分析方法将SOH时间序列分解成主趋势时间序列和波动时间序列，其次利用DBN对主趋势时间序列进行预测，针对波动时间序列，先进行数据预处理，然后采用抗混叠低通滤波器对预处理之后的序列进行重采样，之后利用长短期记忆神经网络LSTM对重采样之后序列进行预测，然后再对波动序列预测结果进行反重采样和逆向数据处理得到波动时间序列最终预测值，最后将主趋势时间序列和波动时间序列预测结果进行集成得到最终的SOH预测结果，实现了动力电池SOH的高精度预测。
-
公开(公告)号：CN116203448A
公开(公告)日：2023-06-02
申请号：CN202310070490.1
申请日：2023-02-07
Applicant: 江南大学
IPC: G01R31/392 , G06N7/01 , G06N3/048 , G06N3/084 , G06N3/088 , G06N3/0442 , G01R31/367 , G01R31/396
Abstract: 本发明公开了基于蒙特卡洛和深度学习的动力电池剩余寿命预测方法，属于动力电池技术领域。该方法利用EEMD技术和相关性分析方法将SOH时间序列分解成主趋势时间序列和波动时间序列，利用深度置信网络对主趋势时间序列进行预测，利用蒙特卡洛技术求得最优区间阈值集合后对波动时间序列进行数据预处理，然后采用分段三次埃尔米特插值进行重采样，之后利用长短期记忆神经网络对重采样之后序列进行预测，然后再对波动序列预测结果进行反重采样和逆向数据处理得到最终预测值，然后将主趋势时间序列和波动时间序列预测结果进行集成得到最终的SOH预测结果，结合电池寿命结束时的SOH值得到剩余寿命的预测值，实现了动力电池剩余寿命的高精度预测。
-
公开(公告)号：CN116151451A
公开(公告)日：2023-05-23
申请号：CN202310153214.1
申请日：2023-02-22
Applicant: 江南大学
IPC: G06Q10/04 , G06Q50/04 , G06N3/0442 , G06N3/092
Abstract: 本发明公开了基于三重强化学习的电池制造能力可变权组合预测方法，属于动力电池制造预测领域。该方法针对锂电池制造能力周期性、突变性以及季节性等特征，选择相应模型分别挖掘时间序列中的线性和非线性特征构成新的组合预测模型；针对现有方法难以得到最优组合预测权重的问题，设计了双层强化学习算法求解该时间下最优权重矩阵，降低预测误差；此外，由于在不同时间点各单一预测模型的预测效果也不同，本申请融合强化学习和熵值思想，探索最优滑动窗口长度，运用滑动窗口对预测序列进行划分，并在各窗口内使用双层强化学习算法确定最优组合权重，最终构造三重强化学习电池制造能力组合预测模型，进一步提高了电池制造能力的预测精度和可靠性。
-
-
-
-
-
-
-
Search Results
18
records
(took 0.025 seconds)
