-
公开(公告)号：CN116203448B
公开(公告)日：2023-10-03
申请号：CN202310070490.1
申请日：2023-02-07
Applicant: 江南大学
IPC: G01R31/392 , G06N7/01 , G06N3/048 , G06N3/084 , G06N3/088 , G06N3/0442 , G01R31/367 , G01R31/396
Abstract: 本发明公开了基于蒙特卡洛和深度学习的动力电池剩余寿命预测方法，属于动力电池技术领域。该方法利用EEMD技术和相关性分析方法将SOH时间序列分解成主趋势时间序列和波动时间序列，利用深度置信网络对主趋势时间序列进行预测，利用蒙特卡洛技术求得最优区间阈值集合后对波动时间序列进行数据预处理，然后采用分段三次埃尔米特插值进行重采样，之后利用长短期记忆神经网络对重采样之后序列进行预测，然后再对波动序列预测结果进行反重采样和逆向数据处理得到最终预测值，然后将主趋势时间序列和波动时间序列预测结果进行集成得到最终的SOH预测结果，结合电池寿命结束时的SOH值得到剩余寿命的预测值，实现了动力电池剩余寿命的高精度预测。
-
公开(公告)号：CN118228455A
公开(公告)日：2024-06-21
申请号：CN202410242198.8
申请日：2024-03-04
Applicant: 江南大学
Abstract: 本发明公开了一种动力电池化成设备故障主动隔离方法，属于动力电池故障诊断技术领域。所述方法通过获取包含未知但有界噪声与故障的动力电池化成设备状态模型，基于全对称多胞体集员滤波思想，设计了空间更新策略，构造了状态观测器，此时不需假定模型噪声的先验分布已知，增强了算法的鲁棒性和实用性；通过引入测试点来执行故障检测，将状态可行集和故障集相切表示为发生故障的临界条件，并将此临界条件描述为两个优化问题直接求取辅助信号取值，实现故障有效隔离，避免了传统方法中依赖观测器性能指标设计辅助信号时导致的问题复杂性；经仿真实例证明，相比于传统方法，本申请方法对微小故障的敏感性更强，更能避免对故障的检测延迟或漏检，提升了故障检测和隔离的效率。
-
公开(公告)号：CN118228455B
公开(公告)日：2024-12-27
申请号：CN202410242198.8
申请日：2024-03-04
Applicant: 江南大学
Abstract: 本发明公开了一种动力电池化成设备故障主动隔离方法，属于动力电池故障诊断技术领域。所述方法通过获取包含未知但有界噪声与故障的动力电池化成设备状态模型，基于全对称多胞体集员滤波思想，设计了空间更新策略，构造了状态观测器，此时不需假定模型噪声的先验分布已知，增强了算法的鲁棒性和实用性；通过引入测试点来执行故障检测，将状态可行集和故障集相切表示为发生故障的临界条件，并将此临界条件描述为两个优化问题直接求取辅助信号取值，实现故障有效隔离，避免了传统方法中依赖观测器性能指标设计辅助信号时导致的问题复杂性；经仿真实例证明，相比于传统方法，本申请方法对微小故障的敏感性更强，更能避免对故障的检测延迟或漏检，提升了故障检测和隔离的效率。
-
公开(公告)号：CN116184213A
公开(公告)日：2023-05-30
申请号：CN202310143365.9
申请日：2023-02-21
Applicant: 江南大学
IPC: G01R31/367 , G01R31/36 , G01R31/378 , G01R31/387 , G01R31/392 , G01R31/396
Abstract: 本发明公开了一种基于改进粒子滤波的锂离子电池剩余寿命预测方法，属于锂离子电池管理系统领域。本申请方法中提出一种新的粒子滤波算法，通过设定两个粒子权重阈值p1和p2，对权值大于p1的粒子进行复制，对权值小于p2的粒子淘汰，其余粒子保留，既避免了重复计算权值小的粒子，而且一定程度上保留了粒子多样性，避免粒子退化，利用新的粒子滤波算法确定双指数经验预测模型的最优参数，对锂离子电池未来容量衰减趋势进行预测，从而提高了预测精度和可靠性，而且不需要统计计算相似或相同结果的权重累计值，因此计算量大大减小。
-
Patent Agency Ranking
公开(公告)号：CN118191610A
公开(公告)日：2024-06-14
申请号：CN202410311075.5
申请日：2024-03-19
Applicant: 江南大学
Inventor： 霍雷霆 , 王子赟 , 张俊杰 , 王艳 , 周耀涛 , 纪志成 , 沈谦逸 , 席伟杰 , 王博 , 徐甄悦 , 韩景妍 , 邵凯 , 熊林宏 , 季钢 , 占雅聪 , 李南江 , 刘子幸
IPC: G01R31/367 , G01R31/387 , G06F17/11 , G06Q10/04 , G06F17/18
Abstract: 本发明公开了一种基于改进粒子滤波的动力电池荷电状态估计方法，属于动力电池状态估计技术领域。该方法通过获取包含未知但有界噪声的动力电池荷电状态估计系统的非线性离散通用分析模型，基于以超平行体集员滤波改进的粒子滤波思想，设计了空间更新策略，首先对非线性系统进行线性化，并通过闵可夫斯基和得到系统状态、线性误差和噪声的全对称多胞体可行集，并将其转换为半空间形式。通过扩展半空间的组合，选择了最小体积边界超平行体作为预测可行域。然后，计算预测可行域与测量带的交集进行更新，实现粒子可行域内的粒子筛选。基于MAP准则将可行域外的粒子映射到可行域，在保持粒子多样性的同时使粒子分布更接近真实状态。
-
公开(公告)号：CN118191610B
公开(公告)日：2024-12-03
申请号：CN202410311075.5
申请日：2024-03-19
Applicant: 江南大学
Inventor： 霍雷霆 , 王子赟 , 张俊杰 , 王艳 , 周耀涛 , 纪志成 , 沈谦逸 , 席伟杰 , 王博 , 徐甄悦 , 韩景妍 , 邵凯 , 熊林宏 , 季钢 , 占雅聪 , 李南江 , 刘子幸
IPC: G01R31/367 , G01R31/387 , G06F17/11 , G06Q10/04 , G06F17/18
Abstract: 本发明公开了一种基于改进粒子滤波的动力电池荷电状态估计方法，属于动力电池状态估计技术领域。该方法通过获取包含未知但有界噪声的动力电池荷电状态估计系统的非线性离散通用分析模型，基于以超平行体集员滤波改进的粒子滤波思想，设计了空间更新策略，首先对非线性系统进行线性化，并通过闵可夫斯基和得到系统状态、线性误差和噪声的全对称多胞体可行集，并将其转换为半空间形式。通过扩展半空间的组合，选择了最小体积边界超平行体作为预测可行域。然后，计算预测可行域与测量带的交集进行更新，实现粒子可行域内的粒子筛选。基于MAP准则将可行域外的粒子映射到可行域，在保持粒子多样性的同时使粒子分布更接近真实状态。
-
公开(公告)号：CN116299005B
公开(公告)日：2023-09-05
申请号：CN202310070487.X
申请日：2023-02-07
Applicant: 江南大学
IPC: G01R31/392 , G06N3/084 , G06N3/0464 , G01R31/367
Abstract: 本发明公开了一种基于AAF和深度学习的动力电池健康状态预测方法，属于动力电池SOH预测领域。所述方法首先利用集成经验模态分解技术和相关性分析方法将SOH时间序列分解成主趋势时间序列和波动时间序列，其次利用DBN对主趋势时间序列进行预测，针对波动时间序列，先进行数据预处理，然后采用抗混叠低通滤波器对预处理之后的序列进行重采样，之后利用长短期记忆神经网络LSTM对重采样之后序列进行预测，然后再对波动序列预测结果进行反重采样和逆向数据处理得到波动时间序列最终预测值，最后将主趋势时间序列和波动时间序列预测结果进行集成得到最终的SOH预测结果，实现了动力电池SOH的高精度预测。
-
公开(公告)号：CN116299005A
公开(公告)日：2023-06-23
申请号：CN202310070487.X
申请日：2023-02-07
Applicant: 江南大学
IPC: G01R31/392 , G06N3/084 , G06N3/0464 , G01R31/367
Abstract: 本发明公开了一种基于AAF和深度学习的动力电池健康状态预测方法，属于动力电池SOH预测领域。所述方法首先利用集成经验模态分解技术和相关性分析方法将SOH时间序列分解成主趋势时间序列和波动时间序列，其次利用DBN对主趋势时间序列进行预测，针对波动时间序列，先进行数据预处理，然后采用抗混叠低通滤波器对预处理之后的序列进行重采样，之后利用长短期记忆神经网络LSTM对重采样之后序列进行预测，然后再对波动序列预测结果进行反重采样和逆向数据处理得到波动时间序列最终预测值，最后将主趋势时间序列和波动时间序列预测结果进行集成得到最终的SOH预测结果，实现了动力电池SOH的高精度预测。
-
公开(公告)号：CN116203448A
公开(公告)日：2023-06-02
申请号：CN202310070490.1
申请日：2023-02-07
Applicant: 江南大学
IPC: G01R31/392 , G06N7/01 , G06N3/048 , G06N3/084 , G06N3/088 , G06N3/0442 , G01R31/367 , G01R31/396
Abstract: 本发明公开了基于蒙特卡洛和深度学习的动力电池剩余寿命预测方法，属于动力电池技术领域。该方法利用EEMD技术和相关性分析方法将SOH时间序列分解成主趋势时间序列和波动时间序列，利用深度置信网络对主趋势时间序列进行预测，利用蒙特卡洛技术求得最优区间阈值集合后对波动时间序列进行数据预处理，然后采用分段三次埃尔米特插值进行重采样，之后利用长短期记忆神经网络对重采样之后序列进行预测，然后再对波动序列预测结果进行反重采样和逆向数据处理得到最终预测值，然后将主趋势时间序列和波动时间序列预测结果进行集成得到最终的SOH预测结果，结合电池寿命结束时的SOH值得到剩余寿命的预测值，实现了动力电池剩余寿命的高精度预测。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.023 seconds)
