-
公开(公告)号：CN113608136B
公开(公告)日：2024-04-26
申请号：CN202110851950.5
申请日：2021-07-27
Applicant: 中北大学
IPC: G01R31/392
Abstract: 本发明属于锂离子电池健康管理技术领域，涉及一种多尺度锂离子电池健康状态的预测方法。主要解决锂电池健康状态预测精度差的问题。本发明提取了锂离子电池放电阶段的温度变化特征，利用小波分解对温度变化特征和容量退化数据进行时、频域上的对比分析，确定了温度变化斜率在容量退化过程中发挥主要作用的频段范围。同时，利用集成学习预测思想构建了基于小波神经网络的多尺度预测模型。该预测模型将小波分解后的数据分类，并使用Bootstraping抽样法将低频容量退化数据集、中频温度变化特征和剩余部分抽样，使得每种特征划分为四组数据。本发明锂离子电池健康状态预测结果通过低频容量退化数据集、中频温度变化特征和剩余部分的预测值同循环周期叠加得到。
-
公开(公告)号：CN111707956A
公开(公告)日：2020-09-25
申请号：CN202010800353.5
申请日：2020-08-11
Applicant: 中北大学
IPC: G01R31/392 , G01R31/367 , G01R31/396
Abstract: 本发明多类型锂离子电池组管理系统的健康状态和剩余寿命预测方法。解决在多类型锂离子电池混合使用情况下，传统电池管理系统无法有效管理，并且传统预测模型预测起始点靠后的问题。对于同种锂离子电池采用小波分解，将容量退化历史数据分为高频波动部分和低频趋势两部分，分别将两部分数据作为输入数据训练其对应的带残差层的小波神经网络。将实时低频趋势数据带入残差小波网络和无迹粒子滤波结合的模型，得到长期剩余寿命预测结果。该结果将为系统后期更换电池次序提供依据。剩余寿命预测结果与实时高频波动部分使用带残差层的小波神经网络模型得到的短期预测值，通过同循环次数叠加得到其实时健康状态预测值，用于锂离子电池健康状态均衡管理。
-
公开(公告)号：CN107861911A
公开(公告)日：2018-03-30
申请号：CN201711050194.6
申请日：2017-10-31
Applicant: 中北大学
CPC classification number: G06F17/11 , G06F17/5086 , G06F2217/80
Abstract: 本发明公开了一种燃煤电站锅炉尾部双烟道烟气流量在线软测量方法，在机组实际运行数据的基础上，从进入尾部双烟道开始，尾部烟气挡板出来到空气预热器为止的这段烟道的一系列受热面采用烟气侧到工质侧的动态能量和质量平衡，通过软测量的方法对两侧烟道的烟气流量进行计算，同时采用每天煤质的工业数据对基准烟气物性参数进行校正，最终实现对尾部双烟道烟气流量的实时软测量。
-
公开(公告)号：CN106911708A
公开(公告)日：2017-06-30
申请号：CN201710178312.5
申请日：2017-03-23
Applicant: 中北大学
Abstract: 本发明公开了一种支持批处理校验且具备错误数据定位功能的云数据公开审计方法。本方法为：各云用户将其文件块和数据标签存储在云服务器中，将文件块的定位标签发送给TPA；TPA接收到用户的审计请求后对这些用户存储在多个云服务器上的数据进行挑战，在收到返回的证明后，TPA基于发送的挑战和服务器返回的证明进行有效性验证，若通过验证，则数据审计结果为通过；否则TPA校验定位标签，定位标签验证通过的则审计结果为通过，否则输出错误数据所属的云用户索引和所在服务器的索引。最后TPA向审计结果为通过的云用户发送审计成功，向审计结果为不通过的云用户发送错误数据所属服务器的索引。本发明便于让用户更快找出受损数据的位置。
-
公开(公告)号：CN114757106B
公开(公告)日：2025-04-04
申请号：CN202210487386.8
申请日：2022-05-06
Applicant: 中北大学
IPC: G06F30/27 , G06F18/214 , G06F18/2411 , G06N7/02 , G01R31/367 , G01R31/392 , G01R31/378 , G06F119/04 , G06F119/12
Abstract: 本发明针对现有数值预测策略的局限性，提出了一种锂离子电池剩余使用寿命区间预测方法和系统。首先引入模糊信息粒化对电池容量退化时间序列进行处理，将原始的数值级数据转化为颗粒级，这是实现区间预测的基础。其次，为了解决在处理电池退化数据时由于模糊信息粒化而造成的波动信息丢失的问题，本发明创造性地引入了一种语言描述方法，为每个模糊颗粒附加语义标签来表示其变化状态。最后，结合最小二乘支持向量机算法，使用带有语义标签的颗粒作为模型的训练输入，在实现电池RUL区间预测的同时，考虑了退化序列的波动特征。本发明能够实现对锂离子电池RUL的区间预测，且具有良好的预测效果和较好的适用性。
-
Patent Agency Ranking
公开(公告)号：CN113884936B
公开(公告)日：2023-08-18
申请号：CN202111311076.2
申请日：2021-11-08
Applicant: 中北大学
IPC: G01R31/392
Abstract: 本发明公开了一种基于ISSA耦合DELM的锂离子电池健康状态预测方法，该方法采用DELM网络预测电池SOH模块和ISSA优化DELM网络参数模块实现对电池SOH的预测，其中，DELM网络包括两个ELM‑AE结构。本申请将30％的优秀麻雀作为精英麻雀，通过求解这些麻雀的反向解，进一步扩大了SSA算法的搜索空间；并采用柯西‑高斯变异算子重新定位了最优麻雀的位置，使得整个种群尽可能移动到最优解附近，避免算法陷入局部最优；基于改进后的SSA算法求解DELM网络的最优隐含层权重和偏置，进一步提高DELM网络的预测精度；ISSA‑DELM锂离子电池SOH估计模型预测精度高，可用于随机放电条件下锂离子电池的健康状态精确预测。
-
公开(公告)号：CN109654517A
公开(公告)日：2019-04-19
申请号：CN201811476775.0
申请日：2018-12-05
Applicant: 中北大学
IPC: F23J3/00 , G05B19/418
Abstract: 本发明公开了一种基于受热面健康状态预测的锅炉吹灰优化方法，采用滤波算法滚筒式实现对单次吹灰周期内积灰段清洁因子特征变化的预测，并得到函数式，同时结合单吹灰周期内的单位最小传热能损耗吹灰优化模型，得到单次吹灰周期最佳吹灰时间点用于单次吹灰优化策略的制定。解决了基于大数据制定吹灰优化策略在单次吹灰操作上不准确的问题；并以某300MW燃煤电站锅炉为例，验证了此发明专利具有较好的经济性和科学性，对燃煤电站制定吹灰策略具有指导作用。
-
公开(公告)号：CN109061504A
公开(公告)日：2018-12-21
申请号：CN201810989186.6
申请日：2018-08-28
Applicant: 中北大学
IPC: G01R31/36
Abstract: 本发明涉及一种同类型不同锂离子电池剩余使用寿命预测方法和系统。该方法包括：1)提取能够反映锂离子电池性能退化的健康因子；2)构建健康因子预测模型，所述健康因子预测模型是利用神经网络建立的电池健康因子寿命前期和寿命后期的关系模型；3)构建电池容量预测模型，所述电池容量预测模型是利用神经网络建立的健康因子和电池容量真实值的关系模型；4)将待预测的同类型不同电池的寿命前期的健康因子作为输入，利用所述健康因子预测模型和所述电池容量预测模型得到该电池的寿命后期的电池容量预测值，进而计算出当前时刻该电池的剩余使用寿命值。本发明在同类型不同电池RUL的预测中精度较高且适应性较强。
-
公开(公告)号：CN111707956B
公开(公告)日：2022-08-30
申请号：CN202010800353.5
申请日：2020-08-11
Applicant: 中北大学
IPC: G01R31/392 , G01R31/367 , G01R31/396
Abstract: 本发明多类型锂离子电池组管理系统的健康状态和剩余寿命预测方法。解决在多类型锂离子电池混合使用情况下，传统电池管理系统无法有效管理，并且传统预测模型预测起始点靠后的问题。对于同种锂离子电池采用小波分解，将容量退化历史数据分为高频波动部分和低频趋势两部分，分别将两部分数据作为输入数据训练其对应的带残差层的小波神经网络。将实时低频趋势数据带入残差小波网络和无迹粒子滤波结合的模型，得到长期剩余寿命预测结果。该结果将为系统后期更换电池次序提供依据。剩余寿命预测结果与实时高频波动部分使用带残差层的小波神经网络模型得到的短期预测值，通过同循环次数叠加得到其实时健康状态预测值，用于锂离子电池健康状态均衡管理。
-
公开(公告)号：CN113884936A
公开(公告)日：2022-01-04
申请号：CN202111311076.2
申请日：2021-11-08
Applicant: 中北大学
IPC: G01R31/392
Abstract: 本发明公开了一种基于ISSA耦合DELM的锂离子电池健康状态预测方法，该方法采用DELM网络预测电池SOH模块和ISSA优化DELM网络参数模块实现对电池SOH的预测，其中，DELM网络包括两个ELM‑AE结构。本申请将30％的优秀麻雀作为精英麻雀，通过求解这些麻雀的反向解，进一步扩大了SSA算法的搜索空间；并采用柯西‑高斯变异算子重新定位了最优麻雀的位置，使得整个种群尽可能移动到最优解附近，避免算法陷入局部最优；基于改进后的SSA算法求解DELM网络的最优隐含层权重和偏置，进一步提高DELM网络的预测精度；ISSA‑DELM锂离子电池SOH估计模型预测精度高，可用于随机放电条件下锂离子电池的健康状态精确预测。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.017 seconds)
