-
公开(公告)号：CN118171049A
公开(公告)日：2024-06-11
申请号：CN202410584963.4
申请日：2024-05-13
Applicant: 西南交通大学
IPC: G06F18/10 , G06F18/2135 , G06F18/214 , G06F18/241 , G06N3/045 , G06Q50/06
Abstract: 本发明提供了一种基于大数据的边缘计算的电池管理方法及系统，涉及储能电池管理系统技术领域，包括利用历史储能电池信号构建输入矩阵，基于降维方法得到降维后的储能电池特征数据集；将降维后的储能电池特征数据集进行预处理，并根据深度置信神经网络，建立第一深度置信神经网络模型；将第一深度置信神经网络模型进行裁剪，将裁剪后的第一深度置信神经网络模型进行划分，得到第二深度置信神经网络模型；将第二深度置信神经网络模型应用至基于深度学习算法的边缘设备进行计算，对储能电池数据进行管理。本发明能实现储能电池大数据价值信息快速精准挖掘，攻克储能电池多、数据量大以及边缘计算能力有限的瓶颈问题，有效提升执行效率与实时性。
-
公开(公告)号：CN118171049B
公开(公告)日：2024-07-16
申请号：CN202410584963.4
申请日：2024-05-13
Applicant: 西南交通大学
IPC: G06F18/10 , G06F18/2135 , G06F18/214 , G06F18/241 , G06N3/045 , G06Q50/06
Abstract: 本发明提供了一种基于大数据的边缘计算的电池管理方法及系统，涉及储能电池管理系统技术领域，包括利用历史储能电池信号构建输入矩阵，基于降维方法得到降维后的储能电池特征数据集；将降维后的储能电池特征数据集进行预处理，并根据深度置信神经网络，建立第一深度置信神经网络模型；将第一深度置信神经网络模型进行裁剪，将裁剪后的第一深度置信神经网络模型进行划分，得到第二深度置信神经网络模型；将第二深度置信神经网络模型应用至基于深度学习算法的边缘设备进行计算，对储能电池数据进行管理。本发明能实现储能电池大数据价值信息快速精准挖掘，攻克储能电池多、数据量大以及边缘计算能力有限的瓶颈问题，有效提升执行效率与实时性。
-
公开(公告)号：CN117592353A
公开(公告)日：2024-02-23
申请号：CN202311371323.7
申请日：2023-10-23
Applicant: 西南交通大学
IPC: G06F30/27 , G06F18/10 , G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/084 , G06N3/092 , G06F119/02
Abstract: 本发明公开了一种基于电池失效行为大数据特征演化机制的安全评估方法，具体为：结合充放电曲线、温度场曲线、机械曲线等大数据信息，基于奇异值分解进行故障信息处理；构建不同状态下电池故障样本熵，基于DQN深度强化学习神经网络构建电池失效行为演化模型，获得不同状态下电池故障的量化风险阈值；结合故障风险阈值，基于Z‑score方法的电池安全评估预警模型，实现储能电池异常点的准确识别和量化安全评估。本发明保证了关键特征信息的深度还原，从机理层面提出预警特征和风险阈值的确立方法，形成大数据人工智能电池安全评估预警体系，有效的提高了电池储能系统的安全性、可靠性。
-
公开(公告)号：CN117388707A
公开(公告)日：2024-01-12
申请号：CN202311371934.1
申请日：2023-10-23
Applicant: 西南交通大学
IPC: G01R31/367 , G01R31/385
Abstract: 本发明公开了一种融合电‑热‑机多物理特征的电池性能标定预测方法，具体为：采集电池参数，微分获得差分曲线，提取电‑热‑机多物理特征；基于灰色关联度分析法研究特征关联性；基于多维物理性能与电‑热‑机多物理特征的映射，构建电‑热‑机多物理特征全寿命周期储能电池多维物理性能标定模型；基于DS证据融合理论融合表征，结合PHM人工智能预测技术，实现电‑热‑机多物理特征储能电池性能的智能标定与快速预测。本发明可以对储能电池性能进行智能标定与快速预测，帮助实现储能电池的智能监测、预防性维护等功能，提高设备的可用性和可靠性，减少故障停机时间和维修成本，提高生产效率和安全性，而且拓展性强、操作简便且准确性高。
-
-
-
Search Results
4
records
(took 0.018 seconds)
