公开(公告)号：CN119916222A

公开(公告)日：2025-05-02

申请号：CN202510397499.2

申请日：2025-04-01

Applicant: 吉林大学

Inventor： 张钦皓 ,  麻斌 ,  胡云峰 ,  宫洵 ,  孙耀

IPC: G01R31/367 ,  G01R31/392 ,  G01R31/00 ,  G06N3/0442 ,  G06N3/049 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/082

Abstract: 本发明涉及锂离子电池领域，具体是一种基于端云协同策略的电池健康状态估计方法，包括以下步骤：电池老化特征提取；数据预处理，包括数据归一化和时间序列数据构建；构建电池预测模型，包括在云侧构建并训练神经网络模型以及在端侧则构建电池老化的经验模型；设定评价指标。本发明构建了一个面向电池SOH估计的端云协同的混合预测网络，该网络分别在云侧和端侧部署了不同的电池SOH预测模型，分别利用电池老化特征和数学关系来进行SOH预测，能够综合考虑电池老化的个体差异和电池老化的一般性规律，同时提高模型计算速度，具有良好的精度和鲁棒性。

公开(公告)号：CN119758152A

公开(公告)日：2025-04-04

申请号：CN202510273457.8

申请日：2025-03-10

Applicant: 吉林大学

Inventor： 麻斌 ,  胡云峰 ,  宫洵 ,  孙耀 ,  张钦皓

IPC: G01R31/392 ,  G01R31/367 ,  G01R31/382

Abstract: 本发明涉及锂离子电池领域，具体是基于白鲸优化算法改进LSTM网络的电池健康状态估计方法，包括以下步骤：步骤1、电池老化特征提取和电池老化特征筛选；步骤2、数据预处理，包括数据归一化、时间序列数据构建和VMD分解；步骤3、构建数据驱动模型，包括用白鲸优化算法改进的LSTM神经网络来构建电池SOH预测模型；步骤4、设定评价指标。本发明构建了一个面向电池SOH估计的DTV‑VMD‑LSTM网络，结合了DTV获取电池特征简单易行的特点和LSTM网络对于捕捉长期依赖关系的优势，能够考虑到电池内部的非线性因素，无需对电池进行大量实验，能够考虑到电池老化过程中的局部特征和整体趋势，在预测精度更高的同时具有良好的鲁棒性。