-
公开(公告)号：CN114720890A
公开(公告)日：2022-07-08
申请号：CN202210288456.7
申请日：2022-03-23
申请人： 四川大学
IPC分类号： G01R31/385 , G01R31/389 , G01R31/367
摘要： 本发明属于动力锂电池应用技术领域，具体的说是一种基于宽频阻抗谱的锂电池内部温度估计方法，该方法包括以下步骤：对电池进行离线测试，测量不同温度下的电池阻抗，从而建立电池的温度‑阻抗模型；通过电池管理系统向锂电池注入伪随机序列，对电池的电流电压进行采集，并且计算电池在不同频率下的阻抗；通过对电池宽频阻抗进行在线测量，从而实现对电池内部温度进行估计；相比传统的温度测量方案，本发明提出的方法不需要额外配置温度传感器，具有低成本的优点，此外，本发明提出的方法能够较为准确地测量电池内部温度，不受热延迟影响，同时，本发明所提出的算法能够减少噪声等外部因素的干扰，具有足够的稳定性，能够适用于各种应用场景。
-
公开(公告)号：CN114330150B
公开(公告)日：2022-05-24
申请号：CN202210250522.1
申请日：2022-03-15
申请人： 四川大学
IPC分类号： G06F30/27 , G01R31/367 , G01R31/392
摘要： 本发明涉及动力锂电池应用技术领域，尤其涉及一种电热传感器互校正的锂电池健康状态估计方法，针对当前基于数据驱动的锂电池SOH估计方法仍存在数据获取不确定性，效率不高且使用单一传感器预测导致在传感器故障情况下预测系统失效的问题，现提出如下方案，其中包括以下步骤：S1：建立状态机模型，S2：建立预测模型M1，S3：建立预测模型M2，S4：建立联合估计模型M3，S5：进行判断。本发明使电流传感器和温度传感器进行互校正，实现传感器故障时锂电池SOH的预测。
-
公开(公告)号：CN114297904B
公开(公告)日：2022-05-24
申请号：CN202210225652.X
申请日：2022-03-09
申请人： 四川大学
IPC分类号： G06F30/23 , G06Q10/04 , G06Q10/06 , G06Q50/06 , G06F17/11 , G01R31/392 , G01R31/367
摘要： 本发明涉及动力锂电池应用技术领域，尤其涉及一种基于二次差分温度特征的锂电池健康状态估计方法，针对当前现有的锂电池SOH估计方法估计的准确率较低的问题，现提出如下方案，其中包括以下步骤：S1：获取并计算，S2:数据处理，S3：曲线处理，S4：线性拟合，S5：等值电压获取，S6：进行预测，S7：进行验证，本发明的目的是提供一种基于二次差分温度特征的锂电池健康状态估计方法，通过对温度计算二阶有限差分的方法，准确高效地反映了锂电池老化趋势，增加SOH估计模型健康特征的多样性，提高基于数据驱动的SOH估计方法的准确性和便捷性。
-
公开(公告)号：CN114297904A
公开(公告)日：2022-04-08
申请号：CN202210225652.X
申请日：2022-03-09
申请人： 四川大学
IPC分类号： G06F30/23 , G06Q10/04 , G06Q10/06 , G06Q50/06 , G06F17/11 , G01R31/392 , G01R31/367
摘要： 本发明涉及动力锂电池应用技术领域，尤其涉及一种基于二次差分温度特征的锂电池健康状态估计方法，针对当前现有的锂电池SOH估计方法估计的准确率较低的问题，现提出如下方案，其中包括以下步骤：S1：获取并计算，S2:数据处理，S3：曲线处理，S4：线性拟合，S5：等值电压获取，S6：进行预测，S7：进行验证，本发明的目的是提供一种基于二次差分温度特征的锂电池健康状态估计方法，通过对温度计算二阶有限差分的方法，准确高效地反映了锂电池老化趋势，增加SOH估计模型健康特征的多样性，提高基于数据驱动的SOH估计方法的准确性和便捷性。
-
公开(公告)号：CN112098873B
公开(公告)日：2021-06-01
申请号：CN202010826062.3
申请日：2020-08-17
申请人： 四川大学
IPC分类号： G01R31/392 , G01R31/367 , H01M10/42
摘要： 本发明公开了一种基于充电电压曲线几何特征的锂电池健康状态估计方法，利用锂电池充电过程的电压时间序列曲线，从中提取包含几何特征的关键点，并对所提取关键点之间的梯度、采样熵进行计算，获得老化特征；将该老化特征作为输入，运用长短记忆神经网络建立锂电池SOH估计模型，从而建立了基于大数据的锂电池SOH估计模型，实现了对锂电池SOH的准确估计。本发明无需锂电池的先验知识，能够自动地从锂电池日常工况中获取有效信息，实现锂电池的SOH估计，对于锂电池实际应用中SOH的准确获取具有重要意义。
-
公开(公告)号：CN111709186B
公开(公告)日：2023-04-07
申请号：CN202010549288.3
申请日：2020-06-16
申请人： 四川大学
IPC分类号： G06F30/27 , G06N3/126 , G06F111/06
摘要： 本发明提供了一种退役动力锂电池健康状态的集成估计方法，首先，从所施加的组合电流脉冲测试中获得用于健康状态估计的老化特征；其次，利用多目标优化方法，从老化特征数目及估计的精度两个方面对弱学习器的建立方法进行优化，在此基础上，使用基于帕累托面分布特征的选择方法，以进一步精简弱学习器的数量，同时保持各弱学习器的精度，提高集成估计的整体效率，最后，根据优选的弱学习器方案，训练获得各弱学习器，并采用差分进化算法以权重的方式，联合多个弱学习器实现退役动力锂电池荷电状态的集成估计。本发明通过以上设计，能够主动分析数据，自动地实现集成学习方案的优化设计，提高退役动力锂电池健康状态估计的准确性与鲁棒性。
-
公开(公告)号：CN114720890B
公开(公告)日：2023-04-21
申请号：CN202210288456.7
申请日：2022-03-23
申请人： 四川大学
IPC分类号： G01R31/385 , G01R31/389 , G01R31/367
摘要： 本发明属于动力锂电池应用技术领域，具体的说是一种基于宽频阻抗谱的锂电池内部温度估计方法，该方法包括以下步骤：对电池进行离线测试，测量不同温度下的电池阻抗，从而建立电池的温度‑阻抗模型；通过电池管理系统向锂电池注入伪随机序列，对电池的电流电压进行采集，并且计算电池在不同频率下的阻抗；通过对电池宽频阻抗进行在线测量，从而实现对电池内部温度进行估计；相比传统的温度测量方案，本发明提出的方法不需要额外配置温度传感器，具有低成本的优点，此外，本发明提出的方法能够较为准确地测量电池内部温度，不受热延迟影响，同时，本发明所提出的算法能够减少噪声等外部因素的干扰，具有足够的稳定性，能够适用于各种应用场景。
-
公开(公告)号：CN112098845B
公开(公告)日：2021-08-31
申请号：CN202010826666.8
申请日：2020-08-17
申请人： 四川大学
IPC分类号： G01R31/367 , G01R31/388 , G01R31/392 , G06N3/04 , G06N3/08
摘要： 本发明公开了一种用于分布式储能系统的锂电池状态估计方法，属于锂离子电池应用领域。该方法包括采用门控循环单元循环神经网络建立基于深度学习的锂电池健康状态估计模型；采用锂电池的二阶等效电路模型联合扩展卡尔曼滤波算法，实时估计分布式储能单元管理系统的锂电池荷电状态；通过信息交互同步更新锂电池荷电状态估计过程中的电池容量和锂电池健康状态估计模型。本发明在不增加系统硬件成本的前提下，通过信息交互，为SOC估计提供了准确的锂电池容量，同时为大数据SOH估计模型提供了训练样本；进而提高了系统中锂电池SOC与SOH的估计精度，便于后续有效完成系统的能量管理与调度。
-
公开(公告)号：CN112098845A
公开(公告)日：2020-12-18
申请号：CN202010826666.8
申请日：2020-08-17
申请人： 四川大学
IPC分类号： G01R31/367 , G01R31/388 , G01R31/392 , G06N3/04 , G06N3/08
摘要： 本发明公开了一种用于分布式储能系统的锂电池状态估计方法，属于锂离子电池应用领域。该方法包括采用门控循环单元循环神经网络建立基于深度学习的锂电池健康状态估计模型；采用锂电池的二阶等效电路模型联合扩展卡尔曼滤波算法，实时估计分布式储能单元管理系统的锂电池荷电状态；通过信息交互同步更新锂电池荷电状态估计过程中的电池容量和锂电池健康状态估计模型。本发明在不增加系统硬件成本的前提下，通过信息交互，为SOC估计提供了准确的锂电池容量，同时为大数据SOH估计模型提供了训练样本；进而提高了系统中锂电池SOC与SOH的估计精度，便于后续有效完成系统的能量管理与调度。
-
公开(公告)号：CN111709186A
公开(公告)日：2020-09-25
申请号：CN202010549288.3
申请日：2020-06-16
申请人： 四川大学
IPC分类号： G06F30/27 , G06N3/12 , G06F111/06
摘要： 本发明提供了一种退役动力锂电池健康状态的集成估计方法，首先，从所施加的组合电流脉冲测试中获得用于健康状态估计的老化特征；其次，利用多目标优化方法，从老化特征数目及估计的精度两个方面对弱学习器的建立方法进行优化，在此基础上，使用基于帕累托面分布特征的选择方法，以进一步精简弱学习器的数量，同时保持各弱学习器的精度，提高集成估计的整体效率，最后，根据优选的弱学习器方案，训练获得各弱学习器，并采用差分进化算法以权重的方式，联合多个弱学习器实现退役动力锂电池荷电状态的集成估计。本发明通过以上设计，能够主动分析数据，自动地实现集成学习方案的优化设计，提高退役动力锂电池健康状态估计的准确性与鲁棒性。
-
-
-
-
-
-
-
-
-
搜索结果
14 条记录 (耗时 0.02 秒)
