公开(公告)号：CN113884900A

公开(公告)日：2022-01-04

申请号：CN202111066744.X

申请日：2021-09-13

Applicant: 北京交通大学

Inventor： 张彩萍 ,  贾新羽 ,  张琳静 ,  张维戈 ,  王占国 ,  张言茹 ,  周兴振 ,  杜净彩

IPC: G01R31/371

Abstract: 本发明公开了一种三元锂离子电池容量突变点预测方法，从已有的电池加速老化数据中提取与新的电池具有相同加速老化模式的迁移样本，用于训练机器学习模型，最终预测新的电池的容量突变点。锂离子电池容量突变点预测方法包括加速老化模式判断，迁移样本选择以及容量突变点预测。具体为从三元锂离子电池放电容量‑电压曲线，容量增量曲线，电压差分曲线的早期变化曲线上提取表征锂离子电池的健康状态的17个老化特征参数，然后利用机器学习算法对锂离子电池的加速老化模式进行早期诊断，然后根据加速老化模式判断结果从已有的电池加速老化数据中进行样本选择，利用迁移样本训练机器学习模型，最终对新的电池进行容量突变点预测。

公开(公告)号：CN113884900B

公开(公告)日：2022-08-23

申请号：CN202111066744.X

申请日：2021-09-13

Applicant: 北京交通大学

Inventor： 张彩萍 ,  贾新羽 ,  张琳静 ,  张维戈 ,  王占国 ,  张言茹 ,  周兴振 ,  杜净彩

IPC: G01R31/371

Abstract: 本发明公开了一种三元锂离子电池容量突变点预测方法，从已有的电池加速老化数据中提取与新的电池具有相同加速老化模式的迁移样本，用于训练机器学习模型，最终预测新的电池的容量突变点。锂离子电池容量突变点预测方法包括加速老化模式判断，迁移样本选择以及容量突变点预测。具体为从三元锂离子电池放电容量‑电压曲线，容量增量曲线，电压差分曲线的早期变化曲线上提取表征锂离子电池的健康状态的17个老化特征参数，然后利用机器学习算法对锂离子电池的加速老化模式进行早期诊断，然后根据加速老化模式判断结果从已有的电池加速老化数据中进行样本选择，利用迁移样本训练机器学习模型，最终对新的电池进行容量突变点预测。

公开(公告)号：CN119199540A

公开(公告)日：2024-12-27

申请号：CN202411265607.2

申请日：2024-09-10

Applicant: 北京交通大学

Inventor： 张彩萍 ,  李硕玮 ,  杜净彩 ,  张琳静 ,  罗崴 ,  姜久春 ,  姜研 ,  高洋

IPC: G01R31/367 ,  G01R31/392 ,  G01R31/396 ,  G01R31/378 ,  G06F18/213 ,  G06F18/232

Abstract: 本发明公开了一种基于运行数据的锂离子电池故障检测方法及系统。本发明包括：步骤1：对实际运行工况中电池管理系统采集到的锂离子电池电压信号进行预处理；步骤2：基于预处理后的充电段电池电压与放电段电池电压，构建无量纲特征集合；步骤3：最优无量纲特征选择，计算所构建的无量纲特征分别对电池充电段电压异常和放电段电压异常的拉普拉斯分数，将分数最高的无量纲特征定义为最优无量纲特征；步骤4：基于每次充电过程中每个电池的充电电压数据，提取扩展平均电压特征，采用滑动窗口对扩展平均电压特征进一步提取波形因子；步骤5：对选择的最优无量纲特征与提取的波形因子进行标准化差分处理，对标准化差分后的最优无量纲特征采用聚类算法实现电池短时间尺度实时故障检测，对标准化差分后的波形因子采用聚类算法实现电池长时间尺度累积故障检测。

公开(公告)号：CN119763721A

公开(公告)日：2025-04-04

申请号：CN202411543994.1

申请日：2024-10-31

Applicant: 北京交通大学

Inventor： 张彩萍 ,  杜净彩 ,  李硕玮 ,  张琳静 ,  张维戈

IPC: G16C20/70 ,  G01R31/367 ,  G01R31/392 ,  G16C20/10 ,  G16C60/00 ,  G06N3/0442 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/096

Abstract: 本发明公开了一种基于迁移学习的跨类型电池衰退预测方法。本发明包括：步骤1：分析不同材料电池的放电V‑Q曲线之间的关系，构建描述不同材料电池放电V‑Q曲线间潜在关系的通用数学模型；步骤2：基于不同类型电池V‑Q曲线间的数学模型，设计新的损失函数；步骤3：建立了基于全局注意力机制的LSTM‑seq2seq模型，并用新的损失函数优化模型参数，以重构目标域中电池的V‑Q曲线；步骤4：应用重构后的电池V‑Q数据，以Siamese‑CNN模型为预训练模型，提出了基于迁移的适用于不同类型电池衰退轨迹预测方法。本发明可以基于电池成组使用前少量循环数，实现不同类型电池的衰退轨迹预测。

公开(公告)号：CN113848493A

公开(公告)日：2021-12-28

申请号：CN202111042948.X

申请日：2021-09-07

Applicant: 北京交通大学

Inventor： 张彩萍 ,  贾新羽 ,  张维戈 ,  张琳静 ,  周兴振 ,  杨思嘉 ,  杜净彩

IPC: G01R31/392

Abstract: 本发明公开了一种基于机器学习的三元锂离子电池早期加速老化诊断方法，从三元锂离子电池放电容量‑电压曲线、放电IC曲线和放电DV曲线上提取表征三元锂离子电池的健康状态的17个老化特征参数，然后利用新的组合算法对三元锂离子电池的加速老化进行早期地准确诊断，首先通过随机森林选择重要特征，然后再通过线性相关分析降低重要特征线性相关性，最后通过逻辑回归模型判断加速老化，实现三元锂离子电池的加速老化早期准确诊断，从而在早期判断三元锂离子电池是否会发生加速老化，为锂离子电池的健康状态管理与健康状态评估提供重要的信息。