公开(公告)号：CN116819337A

公开(公告)日：2023-09-29

申请号：CN202310784482.3

申请日：2023-06-29

Applicant: 安徽工程大学

Inventor： 刘世林 ,  孙超 ,  孙波 ,  李德俊 ,  娄柯 ,  张艳 ,  高文根

IPC: G01R31/367 ,  G01R31/378 ,  G01R31/387 ,  G06N3/006 ,  G06F18/214 ,  G06N20/10

Abstract: 本发明揭示了一种锂电池剩余容量预测方法，该方法，首先通过优化多核相关向量机模型获取剩余容量的初步预测值，然后再通过优化多核相关向量机模型进行误差补偿，从而得到补偿后的剩余容量实际值作为锂电池的剩余容量。本发明有效克服了现有预测模型中特征因子在工程应用中提取不准确和单一预测模型预测精度不高的缺陷，显著提高了锂电池剩余容量的预测精度。

公开(公告)号：CN117890809A

公开(公告)日：2024-04-16

申请号：CN202410055889.7

申请日：2024-01-15

Applicant: 安徽工程大学

Inventor： 刘世林 ,  孙波 ,  李德俊 ,  孙超 ,  方乐 ,  田刚领 ,  汪石农

IPC: G01R31/385 ,  G06N3/048 ,  G06N3/0499 ,  G06N3/126 ,  G01R31/389 ,  G01R31/367 ,  G01R31/378

Abstract: 本发明公开了一种锂电池内部温度估计方法，属于锂电池领域。所述方法包括以下步骤：通过融合Bernardi生热模型建立等效热模型，应用遗传算法辨识热模型的参数；通过自适应扩展卡尔曼滤波算法得到内部温度预估计值；以锂电池工作电压、电流、表面温度预估计值和内部温度预估计值作为输入，内部温度估计误差作为输出，应用核极限学习机算法建立误差补偿模型；将电池内部温度预估计值与基于误差补偿模型得到的修正误差相加得到最终的电池内部温度估计值。本发明实现了锂电池内部温度估计，同时显著提高了估计的精度。

公开(公告)号：CN117250518A

公开(公告)日：2023-12-19

申请号：CN202311232533.8

申请日：2023-09-22

Applicant: 安徽工程大学

Inventor： 刘世林 ,  孙波 ,  孙超 ,  田刚领 ,  高文根 ,  汪石农

IPC: G01R31/367 ,  G01R31/378 ,  G01R31/382

Abstract: 本发明公开了一种锂电池荷电状态精确估计方法，其特征在于：包括如下步骤：步骤1：建立电池SOC预估计模型，其被配置为用于输出SOC预估计值；步骤2：建立误差补偿模型，其被配置为利用学习SOC预估计值和真实值之间误差序列的规律性，预测得到用于修正电池SOC预估计模型输出的SOC预估计值的修正误差值；步骤3：采用修正误差值对电池SOC预估计模型输出的SOC预估计值进行修正得到最终的SOC估计值。采用本发明的预测方法可以得到更加准确的SOC预估值。

公开(公告)号：CN118393386A

公开(公告)日：2024-07-26

申请号：CN202410441521.4

申请日：2024-04-12

Applicant: 安徽工程大学

Inventor： 刘世林 ,  孙超 ,  李德俊 ,  孙波 ,  程凡永 ,  田刚领

IPC: G01R31/392 ,  G01R31/367

Abstract: 本发明涉及一种完全数据驱动的锂电池健康状态预测方法，属于锂电池状态管理领域。本发明首先获取锂电池充电时的电压电流数据作为特征因子，以构建特征向量并生成训练样本和测试样本；再通过优化多核相关向量机模型获取SOH的初始预测值，然后再通过优化极限学习机模型进行误差补偿，从而得到补偿后的SOH实际值作为锂电池的SOH。本发明克服了特征因子在工程应用中提取不准确和单一预测模型预测精度不高的缺陷，实现SOH精准预测的同时克服SOH预测模型的预测误差和训练误差，从而进一步提高SOH预测准确度。

公开(公告)号：CN118091463A

公开(公告)日：2024-05-28

申请号：CN202410201868.1

申请日：2024-02-23

Applicant: 安徽工程大学

Inventor： 刘世林 ,  方乐 ,  孙超 ,  孙波 ,  程凡永 ,  田纲领 ,  李德俊 ,  韩超

IPC: G01R31/392 ,  G01R31/388 ,  G01R31/389 ,  G01R31/396 ,  G01R31/52

Abstract: 本发明公开了一种锂电池组微短路故障诊断方法，属于锂电池组短路故障诊断领域。本发明从电池组电压原始数据中提取各单体电池电压之间的Pearson相关系数，作为故障诊断的特征量；采用KPCA算法对提取的特征量进行分析，获得平方预测误差统计量及控制阈值；获取电池组实际运行时的平方预测误差统计量并将其与控制阈值进行比较，判断该电池组是否存在短路故障；如果存在故障，进而计算各Pearson相关系数对SPE统计量的贡献率，实现电池组的故障定位。本发明利用Pearson相关系数放大电压信号微小的波动，并结合KPCA算法，实现电池组微短路故障诊断，准确度较高。