公开(公告)号：CN119001459A

公开(公告)日：2024-11-22

申请号：CN202411089234.8

申请日：2024-08-09

Applicant: 河北工业大学

Inventor： 黄凯 ,  郝润凯 ,  郭永芳 ,  刘祝雨 ,  石双凯

IPC: G01R31/367 ,  G01R31/392 ,  G01R31/378 ,  G06F17/12 ,  G06N3/0464 ,  G06N3/045 ,  G06N3/084

Abstract: 本发明为基于GJO优化多特征量的锂离子电池健康状态估计方法，该方法包括：获取锂离子电池充电过程中的原始特征量；再通过累积处理、取极值或求均方根值法来新增特征量数据，以新增特征量作为备选特征量；计算各备选特征量的评价指标，所述评价指标包括相关性指标、可靠性指标、时序指标、走势指标和稳定性指标：对各评价指标值进行归一化处理，之后计算其加权和为综合评价指标；确定最佳权重组合，利用最佳权重组合获得各备选特征量的综合评价指标值；将各个备选特征量按其综合评价指标值排序后进一步筛选取舍，获得最终的最优特征量；建立GJO优化的CNN‑BiGRU‑AM神经网络模型用于健康状态估计。提高了模型预测的准确性。

公开(公告)号：CN119575192A

公开(公告)日：2025-03-07

申请号：CN202411613096.9

申请日：2024-11-12

Applicant: 河北工业大学

Inventor： 黄凯 ,  石双凯 ,  刘祝雨 ,  郝润凯

IPC: G01R31/367 ,  G01R31/382 ,  G01R31/392 ,  G06F18/2131 ,  G06N3/0442 ,  G06N3/0985 ,  G06N3/006

Abstract: 本发明提供了一种基于VMD‑POA‑LSTM的锂离子电池剩余使用寿命预测方法，该方法模拟鹈鹕的集体捕食行为来搜索最优解。包括以下步骤：S1：获取锂离子电池退化过程中的容量数据。S2：将数据进行VMD分解。S3：对数据进行归一化处理，按比例划分训练集和测试集。S4：使用POA优化LSTM神经网络，对隐含层节点、训练次数和学习率进行寻优。S5：对优化后的LSTM神经网络进行测试，若预测性能不佳则重复步骤S4。S6：利用优化后的模型对锂离子电池剩余使用寿命预测。本发明可改善LSTM神经网络超参数难以确定的问题，提高计算精度与速度，并消除容量再生问题，从根本上减小误差，实现RUL的预测。

公开(公告)号：CN119535221A

公开(公告)日：2025-02-28

申请号：CN202411613056.4

申请日：2024-11-12

Applicant: 河北工业大学

Inventor： 黄凯 ,  刘祝雨 ,  石双凯 ,  郝润凯

IPC: G01R31/367 ,  G01R31/385 ,  G01R31/378 ,  G06F18/20 ,  G06F17/14 ,  G06N3/0442 ,  G06F18/213

Abstract: 本发明提供了一种基于EMD分解和LSTM‑KF的锂离子电池混合充电状态估计方法，该混合方法能够适应多种温度和工况条件，以实现更准确稳定的SOC实时估计。方法流程为：获取电池数据集、EM)分解电压信号进行处理、将分解后的电压信号、电流信号进行归一化、构建输入特征维度为8的长短时记忆网络、卡尔曼滤波进行数据后处理得到最终的SOC估计结果。本发明只需要电池的原始数据通过预处理方法直接用于神经网络，大大减少了神经网络的计算量，并且避免了详细的模型研究，不需要精确设置网络的超参数，并利用滤波的方法改进了神经网络的SOC估计结果，本发明具有较强的扩展能力，可以稳定有效地估计SOC，具有可靠的泛化性能，能够适应多种驾驶工况和多种温度条件。