-
公开(公告)号：CN119224582A
公开(公告)日：2024-12-31
申请号：CN202411129778.2
申请日：2024-08-16
Applicant: 厦门大学平潭研究院 , 漳州科华技术有限责任公司
IPC: G01R31/367 , G01R31/392 , G06F18/2415 , G06F18/214
Abstract: 本发明提供了一种基于语言模型的电池健康状态预测方法、装置及产品，利用上述技术方案，通过在应用侧获取目标电池的电气参数随时间变化的数据，并处理获得符合语言模型的输入特征的输入数据，通过目标语言模型的输出特征获得对应于目标电池的电池健康状态，而在训练侧则可通过电池的物理原理作为物理约束条件，对基础语言模型中预训练的模型骨干进行冻结，而对可调组件进行训练，从而获得目标语言模型，由此，利用预训练的模型骨干的泛化能力，以及物理约束的可解释性带来的泛化能力，减少了模型训练过程中对训练数据的需求量，优化建模过程，提升建模效率，从而提升电池健康状态预测的有效性。
-
公开(公告)号：CN119179985A
公开(公告)日：2024-12-24
申请号：CN202411336477.7
申请日：2024-09-24
Applicant: 厦门大学平潭研究院 , 漳州科华技术有限责任公司
IPC: G06F18/2433 , G06F18/214 , G06F18/21 , H01M10/42 , G06F123/02
Abstract: 本申请公开了一种电池健康度的预测方法、装置及计算机设备，涉及电池技术领域，解决了目前存在在电池健康度离线预测任务中电池健康度的检测可靠性较低的问题。该方法包括：基于电池训练集进行异常点检测，确定各异常点的位置信息，随后基于各异常点的位置信息和电池训练集，利用梯度下降法对获取的加性模型中的各目标参数进行更新，得到用于预测健康度的目标加性模型，接着基于电池测试集确定多个异常放电周期和多个正常放电周期，并利用目标加性模型预测各异常放电周期对应的第一健康度以及各正常放电周期对应的第二健康度，最后确定健康度随放电周期变化的预测曲线。
-
公开(公告)号：CN119134562A
公开(公告)日：2024-12-13
申请号：CN202411076689.6
申请日：2024-08-07
Applicant: 厦门大学平潭研究院 , 漳州科华技术有限责任公司
IPC: H02J7/00 , G06N3/042 , G06N3/0464 , G06N3/092
Abstract: 本发明涉及一种电池动态均衡控制方法、终端设备及存储介质，该方法中包括：构建用于表示电池动态拓扑网络的异构图G＝(V,E,W)，其中，V表示图中的节点，指代电池拓扑结构中的连接点；E表示图中的边，其包括两种类型，一类为电池所在的边，一类为开关所在的边；W表示图中的边的权重参数，其中电池所占的边的权重通过电池的SOC表示，开关所在的边的权重通过开关状态表示；构建用于电池动态均衡控制的基于图卷积神经网络的强化学习模型，通过历史数据对模型进行训练；设定模型的状态空间为异构图，动作空间为各开关的开关动作；通过训练后的模型进行电池动态均衡控制。本发明可以平衡电池各方面性能，最大限度地提高放电效率。
-
公开(公告)号：CN119226967A
公开(公告)日：2024-12-31
申请号：CN202411035503.2
申请日：2024-07-31
Applicant: 厦门大学平潭研究院 , 漳州科华技术有限责任公司
IPC: G06F18/2433 , H01M10/42 , G06F18/213 , G06F18/15 , G06N3/0499 , G06N3/045 , G06N3/088 , G06N3/0895 , G06F30/367 , G06F123/02 , G06F119/04
Abstract: 本申请公开了一种电池健康度的预测方法、装置、计算机设备及存储介质，涉及锂离子电池技术领域，解决了目前存在收集终身训练数据所需的时间无法跟上新型电池的发展速度，导致新一代电池的开发速度较低的问题。该方法包括：确定最优电池健康度预测模型，利用翻译器将部分充电曲线翻译为电池电气特征序列词，之后通过冻结的预训练语言模型得到中间预测电池电气特征序列词，并利用特征重构层进行特征重构，得到完整充电曲线，随后利用物理引导测试时间提示学习算法对电池电气特征序列词进行时间更新，通过冻结的预训练语言模型得到目标预测电池电气特征序列词，利用输出映射层进行映射得到当前电池的预测健康度。
-
-
-
Search Results
4
records
(took 0.048 seconds)
