公开(公告)号：CN120030323A

公开(公告)日：2025-05-23

申请号：CN202510050577.1

申请日：2025-01-13

Applicant: 杭州电子科技大学

Inventor： 何志伟 ,  罗婷婷 ,  鲍政怡 ,  高明裕

IPC: G06F18/213 ,  G01R31/392 ,  G01R31/367 ,  G01R31/385 ,  G06F18/25 ,  G06F18/214 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08 ,  G06F17/18 ,  G06F17/16

Abstract: 本发明公开了基于随机特征和神经网络的梯次利用电池SOH估计方法，该方法从退役电池在梯次利用期间的真实使用数据中提取老化特征，并搭建注意力TCN网络，将多个充放电循环的老化特征作为注意力TCN网络的特征输入，对应的电池容量作为标签，进行自适应融合，得到预测的电池健康状态。本方法设计了用于梯次利用阶段退役电池的健康状态估计，充分考虑到退役电池的充放电的随机性和复杂型，使用从随机充电阶段提取的老化特征作为网络输入，捕捉电池充电过程中的重要信息，专注于重点时序特征，提高了网络模型研究时间序列长期依赖关系的能力，测量过程相较简单，并能够及时估算退役电池在梯次利用期间的健康状态。

公开(公告)号：CN117970155A

公开(公告)日：2024-05-03

申请号：CN202410114943.0

申请日：2024-01-26

Applicant: 杭州电子科技大学

Inventor： 何志伟 ,  罗婷婷 ,  鲍政怡 ,  高明裕

IPC: G01R31/392

Abstract: 本发明公开了基于老化因子和混叠网络的梯次利用电池状态估计方法，该方法从退役电池在梯次利用期间的实验数据中提取老化因子，并利用皮尔逊相关系数筛选与真实电池容量之间的具有强关联性的老化因子。搭建时间‑通道混叠网络模型，将筛选后的老化因子作为网络模型的输入，对应的电池容量作为网络输入标签，进行自适应融合，得到预测的电池健康状态。本方法设计了用于梯次利用期间退役电池的健康状态估计方法，充分考虑退役电池的复杂性和多样性，使用多维老化因子作为网络模型输入，关注前后步长相关时序维度信息，提高了网络模型研究时间序列长期依赖关系的能力，测量过程简单，并能够及时、准确估算已退役电池在梯次利用期间的电池健康状态。