-
公开(公告)号：CN117970116A
公开(公告)日：2024-05-03
申请号：CN202311741485.5
申请日：2023-12-18
Applicant: 重庆大学
IPC: G01R31/367 , B60L58/12 , B60L58/16 , G01R31/36 , G01R31/3842 , G01R31/392 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/08 , G06F18/2113 , G06F18/25
Abstract: 本发明涉及一种基于增强机器学习和实车数据的电池包容量估算方法，属于电池技术领域。该方法为：对实车数据进行预处理，包括异常数据处理和状态片段划分；确定机器学习模型的输入和输出，结合电池开路电压法和戴维南等效电路模型欧姆内阻快速计算方法获得电池充电片段初始SOC，利用安时积分法逆向表达获取电池包准确的标签容量，作为模型输出；提取多源信息融合的电池健康特征，通过相关性分析确定最优健康特征集作为模型输入；结合CNN、BiGRU和注意力机制的优势，构建增强型CNN‑BiGRU模型，并代入特征输入集和标签容量进行模型训练；进行模型验证并利用平均绝对误差和均方根误差评估该方法的估计效果。与传统数据驱动方法相比，本发明具有更高估计精度。
-
公开(公告)号：CN118205445A
公开(公告)日：2024-06-18
申请号：CN202410143182.1
申请日：2024-02-01
Applicant: 重庆大学
IPC: B60L58/12 , G01R31/367 , G01R31/387 , G01R31/00
Abstract: 本发明涉及一种模型与数据融合驱动的增强型车载电池荷电状态估计方法，属于电池技术领域。该方法由基于模型且参数实时更新的荷电状态SOC估计器和基于机器学习算法的SOC映射网络并联构成，能够根据车辆运行工况自动匹配最佳SOC估计方法。首先进行车辆运行工况自适应识别，若车辆处于随机动态工况，则选择基于物理模型且参数实时更新的SOC估计器，通过强化学习算法优化估计器的初始谐调参数，实现车载电池参数及SOC的联合估计；若车辆处于连续恒流工况，则选择基于机器学习算法的映射网络实现车载电池SOC的准确估计。与单一的电池SOC估计方法相比，本发明在实际应用中具有更高的准确性、鲁棒性以及泛化能力。
-
公开(公告)号：CN119940112A
公开(公告)日：2025-05-06
申请号：CN202510015384.2
申请日：2025-01-06
Applicant: 重庆大学
IPC: G06F30/27 , G01R31/367 , G01R31/378 , G06F17/11 , G06F17/16 , G06N3/092 , G06N3/045 , G06F30/36 , G06F111/04
Abstract: 本发明涉及一种深度强化学习引导的强适应性锂离子电池状态估计方法，属于电池状态估计技术领域，包括以下步骤：S1：选择二阶RC等效电路模型作为电池模型，考虑增广模型偏差，搭建PID控制器，实时估计电池荷电状态SOC；S2：构建双延迟深度确定性策略梯度深度强化学习算法和具有自适应约束的动态复合奖励函数；S3：将PID控制器与双延迟深度确定性策略梯度深度强化学习算法相结合，并进行模型训练，然后根据学习确定的最优策略自动调整PID控制器以匹配实时工况。该状态估计方法提高了估计精度、鲁棒性及自适应性。
-
公开(公告)号：CN118205445B
公开(公告)日：2025-02-18
申请号：CN202410143182.1
申请日：2024-02-01
Applicant: 重庆大学
IPC: B60L58/12 , G01R31/367 , G01R31/387 , G01R31/00
Abstract: 本发明涉及一种模型与数据融合驱动的增强型车载电池荷电状态估计方法，属于电池技术领域。该方法由基于模型且参数实时更新的荷电状态SOC估计器和基于机器学习算法的SOC映射网络并联构成，能够根据车辆运行工况自动匹配最佳SOC估计方法。首先进行车辆运行工况自适应识别，若车辆处于随机动态工况，则选择基于物理模型且参数实时更新的SOC估计器，通过强化学习算法优化估计器的初始谐调参数，实现车载电池参数及SOC的联合估计；若车辆处于连续恒流工况，则选择基于机器学习算法的映射网络实现车载电池SOC的准确估计。与单一的电池SOC估计方法相比，本发明在实际应用中具有更高的准确性、鲁棒性以及泛化能力。
-
-
-
Search Results
4
records
(took 0.019 seconds)
