百科技术库 各行业技术资料 - 百科资料网
欢迎来到百科技术库 各行业技术资料 - 百科资料网! [免费注册] | [登录] 微信快捷登录 QQ登录 微博登录 | 帮助中心 各行业技术应有尽有!
全国服务热线 13310018778

栏目导航

最新技术
一种基于优化变分模态分解的锂电池组剩余寿命预测方法
本发明公开了一种基于优化变分模态分解的锂电池组剩余寿命预测方法,测量锂电池组随着充放电周期的放电容量数据序列,并生成充放电周期数据序列;采用后验反馈置信度的方法处理锂电池组放电容量数据序列,优选变分模态分解模态层数,并生成本征模态分量数据序列;生成放电容量退化趋势分量数据序列与噪声分量数据序列;应用非线性最小二乘法优化后的粒子滤波预测锂电池组未来充放电周期的放电容量退化趋势数据序列;应用高斯过程回归建立噪声预测模型,预测锂电池组未来充放电周期的噪声数据序列;计算锂电池组未来充放电周期的放电容量数据序列;基于锂电池组失效阈值,计算锂电池组的剩余寿命。本发明具有误差小、预测精度高的优点。
一种动力电池系统的不一致性故障诊断方法及系统
本发明公开了一种动力电池系统的不一致性故障诊断方法及系统,涉及动力电池系统领域,该方法包括获取的车辆动力电池系统的实车运行数据构建电压幅值特征矩阵;该电压幅值特征矩阵中的一个元素表示第x个采样点对应频率下第j个动力电池单体的电压数据的幅值特征值;根据电压幅值特征矩阵确定电压不一致性异常系数矩阵;该电压不一致性异常系数矩阵的一个元素表示第x个采样点对应频率下第j个动力电池单体的电压不一致性异常系数;根据电压不一致性异常系数矩阵,确定具有电压不一致性故障的动力电池单体。由于本发明考虑了动力电池单体采集参数的频域指标,进而能够准确诊断出动力电池单体的电压不一致性故障。
一种基于特征分析的锂电池健康状态在线估计方法
本发明公开了一种基于特征分析的锂电池健康状态在线估计方法,包括:利用主成分分析策略挑选合适的充放电特征;基于自适应噪声的完备经验模态分解策略将充放电特征分解为主要趋势部分和次要波动部分;基于滑动时间窗口的逻辑回归策略对主要趋势部分运用进行预测,采用卡尔曼滤波策略对次要波动部分进行预测;将预测的主要趋势部分和次要波动部分相结合,得到预测的特征数据,将预测的特征数据代入径向基函数神经网络,实现锂电池健康状态的在线预测。本发明通过对多维变量系统进行降维处理,减少计算复杂度,提高模型的实用新性能,采用新的数据迭代更新RBF网络的内部参数,用新的数据来提高SOH的实时预测精度,从而可以很好地描述锂电池退化过程。
针对现实新能源汽车的电池健康状态估计方法
本发明提供了一种针对现实新能源汽车的电池健康状态估计方法,通过将现有的、容易得到的单体层面SOH预测方程,和海量实车大数据计算得到的包级别容量增量IC值有机结合,有效地解决了现有动力电池SOH估计中对电池包健康状态无法测量,估计结果无法满足精度要求的技术问题,避免了对电池包进行大量循环老化试验、标定与数据处理所带来的人力、物力消耗。
一种快速在线测量电池电动势和内阻的方法
本发明公开了一种快速在线测量电池电动势和内阻的方法,通过调节自身或目标设备的工作模式,可以控制目标电池产生不同的输出电流,同时通过电压电流测量单元测量目标电池的端电压和输出电流;多次调节工作模式后,得到多组目标电池端电压和输出电流的二元数组;利用线性回归方法建立电池端电压~输出电流的拟合模型,通过电池端电压~输出电流的拟合模型的相关参数计算得到目标电池电动势和内阻的估计值。本发明能够实现快速在线测量,极大地提高了电池电动势和内阻测量的效率。
带量测数据异常检测的锂离子电池荷电状态在线估计器及方法
本发明提出一种带量测数据异常检测的锂离子电池荷电状态在线估计器及方法,其包括信息采集单元、控制单元、数据异常检测单元、信息处理单元和显示单元。通过信息采集单元采集锂电池端电压、锂电池温度和流过锂电池的电流信息,控制单元控制采集单元与信息处理单元的传输过程以及监测状态估计器的是否处于正常环境,数据异常检测单元检测采集到的数据是否在正常范围内,并且在数据异常时按照一定规则进行数据纠正,信息处理单元则根据接收来自异常检测单元的数据,根据改进的粒子滤波算法对锂电池的状态进行估计,并将估计的结果实时存储与显示。
基于数字孪生的电池检测和维护方法及装置
本公开提供一种基于数字孪生的电池检测和维护方法及装置,所述方法包括获取在线检测单元获取的目标电池的实时运行数据;根据所述实时运行数据,通过预先训练好的单体电池数字孪生模型以及电池运行状态分析预测模型,确定所述目标电池的维护参数;根据所述目标电池的维护参数对所述目标电池进行维护。本公开的基于数字孪生的电池检测和维护方法能够用以实时在线监测蓄电池组的工作状态,对电压相对落后的单体电池进行在线充电维护,对电压相对超前的单体电池进行在线放电维护,从而保证蓄电池组各单体电池之间具有较好的一致性。
一种燃料电池的剩余寿命预测方法及装置
本发明公开了一种燃料电池的剩余寿命预测方法及装置,其中,燃料电池由多个单体组成,燃料电池的剩余寿命预测方法包括:获取燃料电池在运行工况期间的参数数据;参数数据至少包括电压、电流、单体电压、空气进气流量、空气进气压力和冷却水入口温度;根据参数数据获取融合健康指标;并根据融合健康指标获取燃料电池的健康状态值;获取燃料电池在运行工况期间内的行为;行为至少包括启动、停止、变载和故障急停;根据时间、健康状态值和行为训练长短期记忆神经网络模型;并根据长短期记忆神经网络模型预测燃料电池的剩余寿命。本发明提供的技术方案,可实现在行车工况下对燃料电池的剩余寿命的精准预测。
基于深度神经网络的锂电池SOH在线估算方法
本发明公开基于深度神经网络的锂电池SOH在线估算方法,步骤为:1)建立基于深度神经网络的锂电池SOH估算模型;2)对所述基于深度神经网络的锂电池SOH估算模型进行训练,得到锂电池SOH估算优化模型;3)获取待评估锂电池的近全充电过程的锂电池充电片段数据,并输入到锂电池SOH估算优化模型中,完成锂电池SOH估算。本发明提出了基于深度神经网络的SOH在线估算方法,通过随机抽样、标准化等数据预处理方式对输入输出数据进行处理,并通过训练得到最终的SOH估算模型,代入验证集输入,即可得到所对应的SOH值,实现锂电池SOH在线估算,且其估算精度较基于模型的方法提高约10%,满足车企实际应用所需达到的估算精度。
基于机器学习的缺陷电池筛选方法、设备及介质
本发明提供了一种基于机器学习的缺陷电池筛选方法、设备及介质,包括获取待测电池在高温下的开路电压、交流内阻和自放电率;高温自放电异常初筛和复筛;待测电池容量异常筛选;获取待测电池常温下的开路电压、交流内阻和自放电率;常温自放电异常初筛和复筛;待测电池内阻异常筛选;待测电池异常中筛选。本发明基于机器学习算法采用滑动筛选机制对待测的电池进行数据采集、分析、筛选,同时设置复筛机制和终筛机制,避免了漏筛和过筛,提高电池检测的准确率。