-
公开(公告)号：CN114035054A
公开(公告)日：2022-02-11
申请号：CN202111359259.1
申请日：2021-11-17
Applicant: 重庆邮电大学
IPC: G01R31/382
Abstract: 本发明属于锂电池SoC估计领域，具体涉及一种基于卡尔曼滤波器和神经网络联合估计模型的SoC估计方法；该方法包括：实时获取待检测的锂电池的电流和电压；将获取的电流和电压输入到神经网络联合估计模型中，得到待检测的锂电池SoC估计结果，本发明利用锂电池电化学模型结合神经网络非线性参数化方法，提高了模型的泛化能力；使用Sage‑Husa估计器与无迹卡尔曼滤波算法结合，提高算法估计精度；通过实时更新模型参数，解决了因环境变化和自身老化造成的锂电池模型准确性降低的问题；与深度学习的估计方法相比，需要的数据量更小，抗噪声的能力更强。
-
公开(公告)号：CN115407653B
公开(公告)日：2025-02-07
申请号：CN202210937129.X
申请日：2022-08-05
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种数据驱动的输入输出含噪声Hammerstein非线性系统偏差校正辨识方法，属于控制理论与控制工程非线性系统辨识领域。该方法包括：S1：采集系统观测输入数据和观测输出数据；S2：构建Hammerstein非线性系统可解释重构模型；S3：处理Hammerstein非线性系统噪声与系统数据，解耦噪声作用；S4：利用二维搜索方法求解系统噪声方差；S5：利用最小二乘偏差校正方法求解系统参数辨识。本发明采用系统观测输入输出数据，基于可解释的重构模型，避免参数估计过程的偏差，提高模型精度，提供一致估计。
-
公开(公告)号：CN115407653A
公开(公告)日：2022-11-29
申请号：CN202210937129.X
申请日：2022-08-05
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种数据驱动的输入输出含噪声Hammerstein非线性系统偏差校正辨识方法，属于控制理论与控制工程非线性系统辨识领域。该方法包括：S1：采集系统观测输入数据和观测输出数据；S2：构建Hammerstein非线性系统可解释重构模型；S3：处理Hammerstein非线性系统噪声与系统数据，解耦噪声作用；S4：利用二维搜索方法求解系统噪声方差；S5：利用最小二乘偏差校正方法求解系统参数辨识。本发明采用系统观测输入输出数据，基于可解释的重构模型，避免参数估计过程的偏差，提高模型精度，提供一致估计。
-
Patent Agency Ranking
公开(公告)号：CN111930014B
公开(公告)日：2022-07-01
申请号：CN202010814214.8
申请日：2020-08-13
Applicant: 重庆邮电大学
IPC: G05B13/04
Abstract: 本发明涉及一种动静态数据混合驱动的Hammerstein非线性工业系统简约灰箱子空间辨识方法，属于控制理论与控制工程非线性系统辨识领域。该方法包括：S1：采集系统动态数据和静态数据；S2：选择和处理Hammerstein非线性系统模型，得到预测模型；S3：构建Hammerstein非线性系统动态简约模型；S4：构建Hammerstein非线性系统静态简约模型；S5：利用递阶拉格朗日最优加权方法求解系统参数融合辨识。本发明同时采用动静态数据，基于分解的简约模型，避免对额外中间参数的估计，降低估计模型的方差、提高模型精度。
-
公开(公告)号：CN113536676B
公开(公告)日：2022-09-27
申请号：CN202110801474.6
申请日：2021-07-15
Applicant: 重庆邮电大学
IPC: G06F30/27 , G06N3/04 , G06N3/08 , H01M10/42 , G06F119/02
Abstract: 本发明涉及一种基于特征迁移学习的锂电池健康状况监测方法，属于电池管理技术领域。该方法包括以下步骤：S1：基于特征迁移学习混合模型的构建；S2：基于特征迁移学习混合模型的应用。针对在缺少锂电池训练数据情况下，神经网络监测锂电池健康状况效果不佳的问题，研究基于特征迁移学习的锂电池健康状况监测方法。以神经网络模型为对象，设计CNN‑BILSTM串联混合模型，实现空间特征以及双向时间依赖关系的提取；以锂电池数据的特征空间为对象，研究特征迁移学习算法，通过迁移其他数据集的特征知识用于模型训练，实现在缺少训练数据情况下，训练信息的弥补。
-
公开(公告)号：CN113536676A
公开(公告)日：2021-10-22
申请号：CN202110801474.6
申请日：2021-07-15
Applicant: 重庆邮电大学
IPC: G06F30/27 , G06N3/04 , G06N3/08 , H01M10/42 , G06F119/02
Abstract: 本发明涉及一种基于特征迁移学习的锂电池健康状况监测方法，属于电池管理技术领域。该方法包括以下步骤：S1：基于特征迁移学习混合模型的构建；S2：基于特征迁移学习混合模型的应用。针对在缺少锂电池训练数据情况下，神经网络监测锂电池健康状况效果不佳的问题，研究基于特征迁移学习的锂电池健康状况监测方法。以神经网络模型为对象，设计CNN‑BILSTM串联混合模型，实现空间特征以及双向时间依赖关系的提取；以锂电池数据的特征空间为对象，研究特征迁移学习算法，通过迁移其他数据集的特征知识用于模型训练，实现在缺少训练数据情况下，训练信息的弥补。
-
公开(公告)号：CN114035054B
公开(公告)日：2024-10-22
申请号：CN202111359259.1
申请日：2021-11-17
Applicant: 重庆邮电大学
IPC: G01R31/382
Abstract: 本发明属于锂电池SoC估计领域，具体涉及一种基于卡尔曼滤波器和神经网络联合估计模型的SoC估计方法；该方法包括：实时获取待检测的锂电池的电流和电压；将获取的电流和电压输入到神经网络联合估计模型中，得到待检测的锂电池SoC估计结果，本发明利用锂电池电化学模型结合神经网络非线性参数化方法，提高了模型的泛化能力；使用Sage‑Husa估计器与无迹卡尔曼滤波算法结合，提高算法估计精度；通过实时更新模型参数，解决了因环境变化和自身老化造成的锂电池模型准确性降低的问题；与深度学习的估计方法相比，需要的数据量更小，抗噪声的能力更强。
-
公开(公告)号：CN111930014A
公开(公告)日：2020-11-13
申请号：CN202010814214.8
申请日：2020-08-13
Applicant: 重庆邮电大学
IPC: G05B13/04
Abstract: 本发明涉及一种动静态数据混合驱动的Hammerstein非线性工业系统简约灰箱子空间辨识方法，属于控制理论与控制工程非线性系统辨识领域。该方法包括：S1：采集系统动态数据和静态数据；S2：选择和处理Hammerstein非线性系统模型，得到预测模型；S3：构建Hammerstein非线性系统动态简约模型；S4：构建Hammerstein非线性系统静态简约模型；S5：利用递阶拉格朗日最优加权方法求解系统参数融合辨识。本发明同时采用动静态数据，基于分解的简约模型，避免对额外中间参数的估计，降低估计模型的方差、提高模型精度。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.018 seconds)
