公开(公告)号：CN110659605B

公开(公告)日：2021-06-08

申请号：CN201910895901.4

申请日：2019-09-21

Applicant: 哈尔滨理工大学

Inventor： 周永勤 ,  徐世晖 ,  常宇佳 ,  李然 ,  朱博

IPC: G06K9/00 ,  G06K9/62

Abstract: 本发明涉及动力电池技术领域，尤其涉及一种基于电池特性曲线特征点提取的锂电池分类方法；本发明采用了图像识别方法，图像识别采用角检测和多边形逼近结合的算法，通过对各个电池特性曲线进行图像识别，来获取不同的特征点，将所有电池曲线特征点横坐标数据进行汇总和处理，通过Mean‑Shift聚类算法找到横坐标最集中的聚类中心点，以此点对应的纵坐标，即放电电压值作为电池分类样本，实现对电池的分选成组；本发明在放电电压平台的电池特性下对放电电压曲线进行特征点的选取，为动力电池分类提供理论依据和技术支持。

公开(公告)号：CN110659605A

公开(公告)日：2020-01-07

申请号：CN201910895901.4

申请日：2019-09-21

Applicant: 哈尔滨理工大学

Inventor： 周永勤 ,  徐世晖 ,  常宇佳 ,  李然 ,  朱博

IPC: G06K9/00 ,  G06K9/62

Abstract: 本发明涉及动力电池技术领域，尤其涉及一种基于电池特性曲线特征点提取的锂电池分类方法；本发明采用了图像识别方法，图像识别采用角检测和多边形逼近结合的算法，通过对各个电池特性曲线进行图像识别，来获取不同的特征点，将所有电池曲线特征点横坐标数据进行汇总和处理，通过Mean-Shift聚类算法找到横坐标最集中的聚类中心点，以此点对应的纵坐标，即放电电压值作为电池分类样本，实现对电池的分选成组；本发明在放电电压平台的电池特性下对放电电压曲线进行特征点的选取，为动力电池分类提供理论依据和技术支持。

公开(公告)号：CN111950205A

公开(公告)日：2020-11-17

申请号：CN202010864620.5

申请日：2020-08-25

Applicant: 哈尔滨理工大学

Inventor： 周永勤 ,  常宇佳 ,  李然 ,  李植

IPC: G06F30/27 ,  G06F119/04

Abstract: 本发明公开了一种基于FWA优化极限学习机的锂电池健康状态SOH预测方法，属于动力电池SOH预测技术领域。本发明为了解决现有技术中对动力电池SOH预测过程中参数寻优困难和估算精度低的问题。本发明包括如下步骤建立基于极限学习机的锂电池SOH预测模型；采用FWA优化算法优化预测模型中的输入权值和隐含层偏置；将训练样本输入所述预测模型中对模型进行训练；输入测试样本对训练好的预测模型进行验证；本申请能够准确的对实时非线性变化的锂电池健康状态SOH进行准确的预测，预测运算速度更快且提高了健康因子与锂电池SOH之间的变化对应关系，进而提高了估计精度。