-
公开(公告)号：CN115078999A
公开(公告)日：2022-09-20
申请号：CN202210554879.9
申请日：2022-05-20
Applicant: 合肥工业大学
IPC: G01R31/36
Abstract: 本发明提供了一种基于自适应隐藏层BP神经网络的锂电池状况预测方法，属于锂电池技术领域。该方法将充电时间引入了BP神经网络的训练，提高了锂电池SOH估计的精度；利用隐藏层自适应设置建立精确的神经网络模型，使网络在数据集变化的情形下快速且精确地实现了锂电池SOH预测，所提方法具有应用范围广、预测精度高、跟踪性强等优点，同时降低了传统BP神经网络对网络初始结构设置的依赖，有效提高了模型的准确性。
-
公开(公告)号：CN118245748A
公开(公告)日：2024-06-25
申请号：CN202410297139.0
申请日：2024-03-15
Applicant: 合肥工业大学
IPC: G06F18/20 , G06F18/15 , G06N3/0442 , G06N3/0985
Abstract: 本发明公开了一种元学习和平方根无迹卡尔曼滤波器的锂电池多状况预测方法，涉及锂电池技术领域。该方法提出了一种结合平方根无迹卡尔曼滤波器和元学习方法来实现SOC和SOE的同时估计，首先，利用少量新电池数据，通过元学习方法对其他电池数据训练的模型进行微调，即可同时估计出新电池的SOC和SOE，极大减少了开发新BMS对新电池数据的需求，加快了BMS的开发进度；其次，利用平方根无迹卡尔曼滤波器进一步平滑预测结果，减小误差。该方法仅使用少量的新电池数据就能有效地实现对新电池的SOC和SOE的联合估计，具有高精度和低复杂度。
-
Patent Agency Ranking
公开(公告)号：CN117150334A
公开(公告)日：2023-12-01
申请号：CN202310713306.0
申请日：2023-06-16
Applicant: 合肥工业大学
IPC: G06F18/24 , G01R31/388 , G01R31/389 , G01R31/367 , G06F18/15 , G06N3/0442 , G06N3/045 , G06N3/0985 , G06N3/006 , G06N3/126
Abstract: 本发明公开了一种基于优化后的BiLSTM神经网络的锂电池多状况预测方法和装置，该方法将改进的鸽群算法与遗传算法结合，有效的提升了鸽群算法的寻优能力；利用对BiLSTM的超参数进行参数寻优，避免了人为设置神经网络超参数，节约时间且能实验出最优的超参数，从而建立精确的神经网络模型，使网络精确地实现了锂电池SOC和SOE预测；利用平方根无迹卡尔曼滤波器对输出进行滤波，进一步提高了精度。所提方法具有应用范围广、预测精度高等优点，同时有效降低了人工调节神经网络参数的困难，有效提高了模型的准确性。
-
公开(公告)号：CN115356635A
公开(公告)日：2022-11-18
申请号：CN202210797050.1
申请日：2022-07-05
Applicant: 合肥工业大学
IPC: G01R31/367 , G01R31/385 , G06N3/00
Abstract: 本发明提供了一种锂电池等效电路模型参数的辨识方法，属于锂电池技术领域。该辨识方法利用混沌自适应分数阶粒子群算法对锂电池等效电路模型的参数进行辨识，包括混沌映射初始化粒子种群，使初始种群分布更加均匀，增加了种群的多样性，提高了种群收敛效率；引入分数阶速度更新律，提高了种群的收敛速度；加入自适应惯性权重和对全局最优值进行混沌搜索以更新全局最优值，避免了粒子群陷入局部最优。所提方法具有收敛速度快、辨识精度高、不易陷入局部最优解等优点。提出了一种高效的锂电池等效电路模型参数辨识的方法。
-
公开(公告)号：CN117150334B
公开(公告)日：2024-08-16
申请号：CN202310713306.0
申请日：2023-06-16
Applicant: 合肥工业大学
IPC: G06F18/24 , G01R31/388 , G01R31/389 , G01R31/367 , G06F18/15 , G06N3/0442 , G06N3/045 , G06N3/0985 , G06N3/006 , G06N3/126
Abstract: 本发明公开了一种基于优化后的BiLSTM神经网络的锂电池多状况预测方法和装置，该方法将改进的鸽群算法与遗传算法结合，有效的提升了鸽群算法的寻优能力；利用对BiLSTM的超参数进行参数寻优，避免了人为设置神经网络超参数，节约时间且能实验出最优的超参数，从而建立精确的神经网络模型，使网络精确地实现了锂电池SOC和SOE预测；利用平方根无迹卡尔曼滤波器对输出进行滤波，进一步提高了精度。所提方法具有应用范围广、预测精度高等优点，同时有效降低了人工调节神经网络参数的困难，有效提高了模型的准确性。
-
公开(公告)号：CN115356635B
公开(公告)日：2024-04-26
申请号：CN202210797050.1
申请日：2022-07-05
Applicant: 合肥工业大学
IPC: G01R31/367 , G01R31/385 , G06N3/006
Abstract: 本发明提供了一种锂电池等效电路模型参数的辨识方法，属于锂电池技术领域。该辨识方法利用混沌自适应分数阶粒子群算法对锂电池等效电路模型的参数进行辨识，包括混沌映射初始化粒子种群，使初始种群分布更加均匀，增加了种群的多样性，提高了种群收敛效率；引入分数阶速度更新律，提高了种群的收敛速度；加入自适应惯性权重和对全局最优值进行混沌搜索以更新全局最优值，避免了粒子群陷入局部最优。所提方法具有收敛速度快、辨识精度高、不易陷入局部最优解等优点。提出了一种高效的锂电池等效电路模型参数辨识的方法。
-
公开(公告)号：CN115078999B
公开(公告)日：2024-04-26
申请号：CN202210554879.9
申请日：2022-05-20
Applicant: 合肥工业大学
IPC: G01R31/36
Abstract: 本发明提供了一种基于自适应隐藏层BP神经网络的锂电池状况预测方法，属于锂电池技术领域。该方法将充电时间引入了BP神经网络的训练，提高了锂电池SOH估计的精度；利用隐藏层自适应设置建立精确的神经网络模型，使网络在数据集变化的情形下快速且精确地实现了锂电池SOH预测，所提方法具有应用范围广、预测精度高、跟踪性强等优点，同时降低了传统BP神经网络对网络初始结构设置的依赖，有效提高了模型的准确性。
-
-
-
-
-
-
Search Results
7
records
(took 0.023 seconds)
