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：CN114757026A

公开(公告)日：2022-07-15

申请号：CN202210368775.9

申请日：2022-04-08

申请人： 昆明理工大学

发明人： 申江卫 ,  周灿彪 ,  陈峥 ,  沈世全 ,  舒星

IPC分类号： G06F30/20 ,  G06F17/16 ,  G06F17/15 ,  G06F17/13 ,  G06F119/14

摘要： 本发明涉及一种全工况多尺度动力锂电池电化学耦合建模方法，包括以下步骤：求解固相浓度扩散方程，应用大系统理论将其降阶处理，保留主导变量和特性，得到简化固相扩散模型；在恒流和动态工况下，针对液相浓度扩散方程利用有限离散卷积方法，求解方程的界面浓度，得到简化液相扩散模型；对固液相扩散方程进行降阶简化、对液相电势微分方程进行积分、推导Bulter‑Volmer方程，得到正负极液相电势之差和正负极过电势表达式；该发明平衡了P2D模型的液相动态性能、运算效率和适应性，在全工况充放电条件下，基于大系统理论简化得到的固相扩散方程和基于有限离散卷积方法求解得到的液相扩散方程相耦合，在保证模型精度的同时，提高模型运算速度和增强模型的适用性。

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：CN112083331A

公开(公告)日：2020-12-15

申请号：CN202010792490.9

申请日：2020-08-09

申请人： 昆明理工大学

发明人： 赵红茜 ,  舒星 ,  陈峥 ,  申江卫

IPC分类号： G01R31/367 ,  G01R31/36 ,  G01R31/388 ,  G01R31/385 ,  G01R31/378 ,  G01R31/00

摘要： 本发明公开了一种提升锂离子电池荷电状态估计精度的融合方法，涉及电动汽车技术领域。本发明通过采集到的锂离子电池的电压、电流以及温度数据建立BP神经网络荷电状态估计模型，然后采用智能自适应卡尔曼滤波滤除BP神经网络荷电状态估计值的误差，进一步提升荷电状态估计的精度。本发明将BP神经网络和智能自适应卡尔曼滤波融合在一起估计荷电状态，比单一的BP神经网络的方法具有更强的鲁棒性和精确性，能够减少测量误差对荷电状态的影响，从而实现对锂离子电池荷电状态的精确估计。

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：CN115343624A

公开(公告)日：2022-11-15

申请号：CN202211059682.4

申请日：2022-08-31

申请人： 昆明理工大学

发明人： 申江卫 ,  周灿彪 ,  陈峥 ,  沈世全 ,  舒星 ,  蒋宝良

IPC分类号： G01R31/367 ,  G01R31/382 ,  G01R31/378

摘要： 本发明涉及一种全温度下基于极简电化学模型的锂电池SOC估计方法，包括以下步骤：步骤1：重建极简电化学模型；步骤2：使用遗传算法对步骤1中建立的极简电化学模型进行参数辨识；步骤3：构建全温度下的极简电化学模型。步骤4：将固相扩散方程进行离散化，得到系统状态空间方程和量测方程；步骤5：基于步骤4的系统状态空间方程和量测方程，将平方根容积卡尔曼滤波算法融入到锂离子电池SOC估算中，得到状态更新后的精确SOC值。在平均电极模型上进行简化处理，并考虑环境温度因素影响，构建全温度下的极简电化学模型，将平方根容积卡尔曼滤波算法融入SOC估算中，消除过程噪声影响，提高运算效率的同时解决因环境温度干扰而造成SOC估算精度不高的问题。

公开(公告)号：CN113640674A

公开(公告)日：2021-11-12

申请号：CN202110738140.9

申请日：2021-06-30

申请人： 昆明理工大学

发明人： 马文赛 ,  申江卫 ,  陈峥 ,  沈世全 ,  赵红茜 ,  舒星 ,  高承志

IPC分类号： G01R31/367 ,  G01R31/387 ,  G01R31/388

摘要： 本发明涉及基于优化高斯过程回归的锂离子电池可用容量估计方法，具体包括以下步骤：S1、获取锂离子电池老化循环数据；S2、数据处理；S3、GPR模型搭建；S4、GPR模型优化；S5、GPR模型训练；S6、获得电池可用容量。本发明实现锂离子电池容量衰退的强非线性特征准确估算，模型产生的预测误差控制在2％以内，大幅提升了模型的运算精度。优化容量衰退特征的选择，利用电池监测参数中简单易得、易处理的特征量电池表面平均温度、容量增量曲线峰值及其出现位置作为电池容量衰退的表征参数，即老化因子。

公开(公告)号：CN112083334A

公开(公告)日：2020-12-15

申请号：CN202010802275.2

申请日：2020-08-11

申请人： 昆明理工大学

发明人： 赵红茜 ,  陈峥 ,  申江卫 ,  舒星

IPC分类号： G01R31/367 ,  G01R31/378 ,  G01R31/36 ,  G01R31/392 ,  G01R31/388 ,  G01R31/00

摘要： 本发明公开了一种基于数据驱动的锂离子电池荷电状态估计方法，涉及电池管理系统技术领域。本发明利用采集到的电池电压、电流和温度以及计算出的健康状态值和荷电状态值训练基于极限学习机的荷电状态估计模型。然后把基于极限学习机估计的荷电状态值作为卡尔曼滤波的观测值，用卡尔曼滤波对观测值进行滤波处理，滤除测量噪声的干扰，以提高荷电状态的估计精度。该方法属于数据驱动的方法，融合了极限学习机和卡尔曼滤波的优点，不需要建立精确的电化学模型，只需要对电池的历史数据进行学习，就能对荷电状态进行精确估计，具有很强的推广性和适用性。

公开(公告)号：CN111679199A

公开(公告)日：2020-09-18

申请号：CN202010438210.4

申请日：2020-05-21

申请人： 昆明理工大学

发明人： 舒星 ,  陈峥 ,  申江卫 ,  颜文胜

IPC分类号： G01R31/367 ,  G01R31/387 ,  G01R31/388 ,  G01R31/389

摘要： 本发明适用于锂离子电池技术领域，提供了一种提高锂离子电池SOC估计精度的方法及装置，方法包括：获取锂离子电池k时刻工作状态，当锂离子电池在充电状态时，通过获取特征参数计算得到电池最大放电容量。当锂离子电池转为放电状态后，获取锂离子电池工作过程中的电流、电压并进行在线辨识，获取此时刻锂离子电池的辨识参数，对k时刻锂离子电池的端电压、电流、辨识参数和获取的最大放电容量进行计算，获取k时刻锂离子电池的SOC。本发明能够在环境温度变化和电池老化之后对锂离子电池的剩余电量进行精确估计，提高了对锂离子电池剩余电量估计的效率和准确率，抗干扰能力强。