公开(公告)号：CN118884246A

公开(公告)日：2024-11-01

申请号：CN202411373686.9

申请日：2024-09-29

申请人： 昆明理工大学 ,  云南省交通科学研究院有限公司

发明人： 陈峥 ,  赵红茜 ,  张开文 ,  王岚 ,  舒星 ,  申江卫 ,  刘永刚 ,  沈世全

IPC分类号： G01R31/367 ,  G01R31/00 ,  G01R31/382 ,  G01R31/3842 ,  G01R31/396 ,  B60L3/00 ,  B60L58/10 ,  G06F18/241 ,  G06N3/0442 ,  G06N3/045 ,  G06N3/0464 ,  G06F18/10 ,  G06F18/213 ,  G06F18/214

摘要： 本发明涉及锂离子电池故障诊断技术领域，且公开了一种基于电压预测的锂离子电池故障诊断方法。首先获取锂离子电池实车数据并进行数据处理，之后搭建CNN‑GRU混合模型并对CNN‑GRU混合模型进行训练和优化，向训练完成后的CNN‑GRU混合模型输入电流、温度、荷电状态，输出电池电压，即获得电池预测电压，并基于预测电压生成电池残差，依据电池残差确定故障类型和等级。该基于电压预测的锂离子电池故障诊断方法利用CNN‑GRU方法实现了实车电池的电压预测，并且利用预测的电压与实际采集电压进行比较之后，能够对将要发生的电池故障进行分等级预警。

公开(公告)号：CN115656831B

公开(公告)日：2024-07-19

申请号：CN202211219981.X

申请日：2022-10-08

申请人： 昆明理工大学

发明人： 陈峥 ,  赵红茜 ,  舒星 ,  申江卫 ,  刘永刚

IPC分类号： G01R31/367 ,  G01R31/396

摘要： 本发明公开了一种电池单体电压多步超前预测和故障诊断方法，包括以下步骤：(1)从云端监测平台获取实车电池系统的历史充放电数据；(2)数据清洗；(3)选取特征参数；(4)构造数据结构；(5)建立基于GRU神经网络的电池单体电压预测模型；(6)得到电池单体电压多步超前预测值；(7)得到电池单体电压故障多步超前诊断结果。本发明使用多步超前预测方法构造电池单体电压多步超前预测的数据结构并结合建立的基于GRU神经网络的电池单体电压预测模型实现了电池单体电压的多步超前预测，然后结合制定的电压故障诊断策略实现了对电池单体电压故障的诊断。

公开(公告)号：CN113128672B

公开(公告)日：2022-11-29

申请号：CN202110422710.3

申请日：2021-04-16

申请人： 昆明理工大学

发明人： 舒星 ,  陈峥 ,  申江卫 ,  刘永刚 ,  赵红茜 ,  颜文胜

IPC分类号： G06N3/04 ,  G06N3/08 ,  H01M10/0525 ,  H01M10/44

摘要： 本发明涉及一种基于迁移学习算法的锂离子电池组SOH估计方法，其特征在于，包括以下步骤：步骤1、数据采集；步骤2、数据处理；步骤3、基础模型构建；步骤4、均值模型构建；步骤5、差值模型构建；步骤6、电池组SOH计算。本发明的一种基于迁移学习算法的锂离子电池组SOH估计方法，利用恒流充电过程中特定电压范围充电时间作为特征参数，利用长短期记忆神经网络和迁移学习算法构建电池组均值模型，大大减少了训练集的数量。在此基础上，构建了电池组不一致性差异模型，表征了电池组单体不一致性，估计得到了电池组SOH。

公开(公告)号：CN113128672A

公开(公告)日：2021-07-16

申请号：CN202110422710.3

申请日：2021-04-16

申请人： 昆明理工大学

发明人： 舒星 ,  陈峥 ,  申江卫 ,  刘永刚 ,  赵红茜 ,  颜文胜

IPC分类号： G06N3/04 ,  G06N3/08 ,  H01M10/0525 ,  H01M10/44

摘要： 本发明涉及一种基于迁移学习算法的锂离子电池组SOH估计方法，其特征在于，包括以下步骤：步骤1、数据采集；步骤2、数据处理；步骤3、基础模型构建；步骤4、均值模型构建；步骤5、差值模型构建；步骤6、电池组SOH计算。本发明的一种基于迁移学习算法的锂离子电池组SOH估计方法，利用恒流充电过程中特定电压范围充电时间作为特征参数，利用长短期记忆神经网络和迁移学习算法构建电池组均值模型，大大减少了训练集的数量。在此基础上，构建了电池组不一致性差异模型，表征了电池组单体不一致性，估计得到了电池组SOH。

公开(公告)号：CN115684973A

公开(公告)日：2023-02-03

申请号：CN202211323630.3

申请日：2022-10-27

申请人： 昆明理工大学

发明人： 陈峥 ,  赵红茜 ,  舒星 ,  申江卫 ,  刘永刚

IPC分类号： G01R31/392 ,  G01R31/367 ,  G06F30/27 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/08 ,  G06F119/04

摘要： 本发明公开了一种融合注意力机制的混合深度网络的锂电池SOH估计方法，包括以下步骤：(1)获取N块锂电池的循环老化数据；(2)计算N块锂电池的真实SOH值并剔除异常循环得到初始数据集D1～DN；(3)获得N块锂电池的温差曲线；(4)提取N块锂电池的老化特征；(5)构建训练集和测试集；(6)建立融合注意力机制的混合深度网络的锂电池SOH估计模型；(7)训练融合注意力机制的混合深度网络的锂电池SOH估计模型；(8)获得SOH估计值。本发明充分融合了CNN网络、GRU网络和注意机制三种算法的优点，能够实现对锂电池SOH的精确可靠估计，并且对电池不一致性具有很强的鲁棒性和通用性。

公开(公告)号：CN118465591A

公开(公告)日：2024-08-09

申请号：CN202410510062.0

申请日：2024-04-26

申请人： 昆明理工大学

发明人： 陈峥 ,  赵红茜 ,  舒星 ,  申江卫 ,  刘永刚

IPC分类号： G01R31/392 ,  G01R31/367 ,  G01R31/382 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/045

摘要： 本发明涉及锂离子电池健康状态估算技术领域，且公开了一种基于并行混合神经网络的锂离子电池健康状态估算方法。首先获取锂离子电池老化数据并进行数据处理，之后进行CNN‑GRU并行混合模型搭建，并对模型进行优化和训练，最终得到电池健康状态。该基于并行混合神经网络的锂离子电池健康状态估算方法首先利用分段方法将充电容量进行划分，然后提取每一小段里面的容量增量值作为健康特征，该特征能够适应不同用户随机充电行为，再通过并行混合神经网络进行健康状态估算，该方法相比传统的串行混合神经网络能够分别利用CNN和GRU从原始历史数据中同时提取时间和空间信息，得到更为精确的健康状态估算结果。

公开(公告)号：CN115656831A

公开(公告)日：2023-01-31

申请号：CN202211219981.X

申请日：2022-10-08

申请人： 昆明理工大学

发明人： 陈峥 ,  赵红茜 ,  舒星 ,  申江卫 ,  刘永刚

IPC分类号： G01R31/367 ,  G01R31/396

摘要： 本发明公开了一种电池单体电压多步超前预测和故障诊断方法，包括以下步骤：(1)从云端监测平台获取实车电池系统的历史充放电数据；(2)数据清洗；(3)选取特征参数；(4)构造数据结构；(5)建立基于GRU神经网络的电池单体电压预测模型；(6)得到电池单体电压多步超前预测值；(7)得到电池单体电压故障多步超前诊断结果。本发明使用多步超前预测方法构造电池单体电压多步超前预测的数据结构并结合建立的基于GRU神经网络的电池单体电压预测模型实现了电池单体电压的多步超前预测，然后结合制定的电压故障诊断策略实现了对电池单体电压故障的诊断。

公开(公告)号：CN113740735A

公开(公告)日：2021-12-03

申请号：CN202111001322.4

申请日：2021-08-30

申请人： 昆明理工大学

发明人： 陈峥 ,  赵红茜 ,  申江卫 ,  沈世全 ,  刘永刚

IPC分类号： G01R31/367 ,  G01R31/378 ,  G01R31/382 ,  G06N3/04 ,  G06N3/08

摘要： 本发明公开了一种锂离子电池SOC估计的方法，包括以下步骤：(1)获取锂离子电池原始数据；(2)数据处理和特征提取；(3)获得基于LSTM神经网络的SOC估计值；(4)获得AHIF算法滤波后的SOC估计值。与其他融合方法相比，本发明的方法提高了估计精度和鲁棒性，同时保持了建模过程中合理的简洁性。本发明建立的SOC估计模型具有较强的适用性和通用性，可以应用于磷酸铁锂电池和三元锂电池这两种主流电池，避免了不同类型电池需要建立不同模型的冗余繁琐。