“soh ”专利关键词查询_检索下载_查询列表_检索列表_行业专利分布_钻瓜专利网

钻瓜专利网为您找到相关结果1295个，建议您升级VIP下载更多相关专利

[发明专利]一种基于双三角结构矩阵的锂电池SOH估计方法-CN202210205972.9有效
发明人：江泽煜;陈思哲;张洪滔;章云 -专利权人：广东工业大学
申请日： 2022-02-28 - 公布日： 2022-09-02 - 主分类号： G01R31/392 文献下载
摘要：本发明公开了一种基于双三角结构矩阵的锂电池SOH估计方法；通过循环充放电测试获取电池的n个健康特征及其对应的SOH实际值；基于综合相关性分析方法，确定所述n个健康特征的特征权重，根据特征权重、随机数和特征权重累加区间形成双三角矩阵的健康特征分布规则；使用按分布规则存入双三角矩阵中的健康特征及其对应的SOH实际值训练二维卷积神经网络；估计锂电池SOH时，从实测数据中提取n个健康特征，然后把按分布规则存入双三角矩阵中的健康特征输入所述二维卷积神经网络，获得SOH估计值；本发明为二维卷积神经网络提出了一种输入构造标准，有效利用了低相关性特征的信息，充分结合了健康特征和二维数据矩阵的优势，提高了SOH估计的精度。
一种基于三角结构矩阵锂电池 soh 估计方法

[发明专利]一种基于差分电压分析的电池健康状态在线评估方法-CN202110458279.8有效
发明人：窦真兰;张春雁;廖强强;马霖睿;刘翠翠;位晨君;黄绍唐;孙慧琴;沈建佳;高泽松;李彤;夏文祥;李雪 -专利权人：国网上海市电力公司;江苏昆一能源科技有限公司
申请日： 2021-04-27 - 公布日： 2022-10-04 - 主分类号： G01R31/392 文献下载
摘要：本发明属于电池技术领域，提供了一种基于差分电压分析的电池健康状态在线评估方法，建立(ΔV/ΔQ)‑Q曲线，并过(ΔV/ΔQ)‑Q曲线末端的某一(ΔV/ΔQ)值，做(ΔV/ΔQ)‑Q曲线的切线，而切线的斜率Slope与电池SOH值呈线性负相关，斜率Slope越大，电池SOH值越小。建立起了斜率Slope‑SOH模型，只要采集到SOH未知的待测电池在同一充放电倍率下的放电电压数据，通过差分电压分析获得待测电池(ΔV/ΔQ)‑Q曲线的在同一(ΔV/ΔQ)值下的切线斜率Slope，就可以根据模型查找该斜率Slope所对应的电池SOH值，实现电池健康状态SOH的在线评估。
一种基于电压分析电池健康状态在线评估方法

[发明专利]一种燃料电池和锂电池混动系统协同衰退控制方法及系统-CN202210297522.7有效
发明人：李建威;杨璐铭;鲍欢欢;王薛超;范志先;蒋尚峰 -专利权人：北京理工大学
申请日： 2022-03-25 - 公布日： 2022-06-10 - 主分类号： B60L50/75 文献下载
摘要：本发明涉及一种燃料电池和锂电池混动系统协同衰退控制方法及系统，涉及燃料电池和锂电池领域，方法包括：获取车辆的车速数据、燃料电池数据和锂电池数据；根据燃料电池数据和锂电池数据确定燃料电池SOH变化率、锂电池SOH变化率和SOH差值；根据车速数据确定能量源对车辆的功率需求承担结果；对车辆的功率需求进行小波分析得到分频需求信号；小波分析的参数包括小波阶数和分解阶数；根据分频需求信号、功率需求承担结果、燃料电池SOH变化率、锂电池SOH变化率和SOH差值对燃料电池、锂电池和超级电容的功率承担结果进行调整以实现车辆动力系统协同衰退，通过使燃料电池和锂电池衰退程度一致实现延长两种电池寿命。
一种燃料电池锂电池系统协同衰退控制方法

[发明专利]一种基于平均寿命退化线修正LSTM的锂电池SOH预测方法-CN202210364912.1在审
发明人：徐海嵩;董强;郝锦洋;王珏;王晓蕾 -专利权人：苏州逐真新能源科技有限公司
申请日： 2022-04-08 - 公布日： 2022-07-22 - 主分类号： G01R31/367 文献下载
摘要：本发明尤其涉及一种基于平均寿命退化线修正LSTM的锂电池SOH预测方法；针对锂离子电池SOH预测存在误差累积的问题，提出一种基于平均寿命退化线修正的LSTM神经网络锂离子电池SOH预测算法，该算法能够有效消除累计误差
一种基于平均寿命退化修正 lstm 锂电池 soh 预测方法

[发明专利]一种基于单体电压统计的SOH估算方法-CN201710637053.8有效
发明人：陕亮亮;戴润义;廖茜 -专利权人：成都雅骏新能源汽车科技股份有限公司
申请日： 2017-07-31 - 公布日： 2019-07-12 - 主分类号： G01R31/392 文献下载
摘要：本发明提供一种基于单体电压统计的SOH估算方法，该方法包括：每次实时直流充电中，对单体电压进行记录；统计分析单体电压在直流充电过程中的变化，进而估算相对SOH。本发明不仅能避免不同应用场景下SOH估算的难度，还能避免不同电池类型导致算法估算的偏差。
一种基于单体电压统计 soh 估算方法

[发明专利]电动车辆的SOC和SOH协同估计系统和方法-CN201980068460.9在审
发明人：范国栋;张瑞刚;J·路斯;A·叶泽列茨 -专利权人：康明斯公司
申请日： 2019-12-09 - 公布日： 2021-08-20 - 主分类号： H02J7/00 文献下载
摘要：该内部状态表示蓄能电源的荷电状态(SOC)和/或健康状态(SOH)。控制器基于以下项中的至少一者来估计蓄能电源的SOC值和/或SOH值：目前电流水平、目前电压水平、目前温度以及基于时间的信息。控制器还基于SOC值、第一上界、第一下界来估计有界SOC值，和/或基于SOH值、第二上界以及第二下界来估计有界SOH值。控制器然后基于有界SOC值和/或SOH值来控制电动车辆的电气化处理。
电动车辆 soc soh 协同估计系统方法

[发明专利]一种基于机器学习和安时积分法的锂电池SOH预测方法-CN202111131721.2在审
发明人：王宁;刘明义;曹曦;雷浩东;宋吉硕;裴杰;曹传钊;孙周婷;颜云岭;孙超;朱耿峰;李海建 -专利权人：中国华能集团清洁能源技术研究院有限公司;华能集团技术创新中心有限公司;格尔木时代新能源发电有限公司
申请日： 2021-09-26 - 公布日： 2021-12-31 - 主分类号： G01R31/392 文献下载
摘要：本发明一种基于机器学习和安时积分法的锂电池SOH预测方法，首先收集电池历史运行数据上传到锂电池健康数据库中，通过数据清洗、特征构建等对数据进行处理，同时配合安时积分法计算出历史SOH数据作为模型输出参数，然后通过特征筛选得到对模型贡献度较高的模型输入参数，此时已将无监督学习的SOH预测转化为监督学习的SOH预测，最后采用stacking模型对历史数据进行训练迭代，筛选出模型最优参数，从而获得锂电池SOH
一种基于机器学习积分锂电池 soh 预测方法

[发明专利]基于电压曲线拐点识别的锂电池SOH估计方法、介质及设备-CN202111285782.4在审
发明人：赵玲玲 -专利权人：江苏博强新能源科技股份有限公司
申请日： 2021-11-02 - 公布日： 2022-02-11 - 主分类号： G01R31/392 文献下载
摘要：本发明涉及一种基于电压曲线拐点识别的锂电池SOH估计方法、介质及设备，所述方法包括以下步骤：采集BMS系统监测到的恒流充电过程第二个电压平台周围的充电数据，获取端电压与对应采样时间，构成电压‑时间曲线；通过逐点识别所述曲线在每点处的角度变化识别拐点，以识别到的拐点构建单个充电周期中的SOH健康因子；将充电过程的当前周期的SOH健康因子与平均温度组合成特征向量；将所述特征向量作为一离线训练获得的电芯最大剩余容量回归模型的输入，预测获得下一个循环周期的最大剩余容量预测值，完成SOH估计。与现有技术相比，本发明具有SOH估计精度高等优点。
基于电压曲线拐点识别锂电池 soh 估计方法介质设备

[发明专利]基于冲击响应特性的电池SOH和SOC快速估计方法-CN202111414505.9在审
发明人：林琼斌;李华森;王武;蔡逢煌 -专利权人：福州大学
申请日： 2021-11-25 - 公布日： 2022-03-01 - 主分类号： G01R31/392 文献下载
摘要：本发明涉及一种基于冲击响应特性的电池SOH和SOC快速估计方法，包括以下步骤：步骤S1:采集由冲击电流造成的冲击响应电压曲线，并预处理；步骤S2:对预处理后的数据，进行特征提取；步骤S3:基于改进型模糊小脑神经网络，对所提取的特征进行训练，然后利用通过性能测试的改进型模糊小脑神经网络对没有训练过的特征进行估计，得到SOH和初始SOC；步骤S4:根据得到SOH和初始SOC，结合长短时记忆网络与自适应卡尔曼滤波算法，本发明实现了蓄电池在任意SOH状态和任意SOC状态下快速并且同时估计蓄电池的SOH和初始SOC。
基于冲击响应特性电池 soh soc 快速估计方法

[发明专利]电化学装置SOH评估方法、电子设备及电池系统-CN202111432267.4在审
发明人：贺国达;陈英杰 -专利权人：东莞新能安科技有限公司
申请日： 2021-11-29 - 公布日： 2022-02-11 - 主分类号： G01R31/392 文献下载
摘要：本申请实施例提供了一种电化学装置健康度SOH评估方法、电子设备及电池系统。对电化学装置进行间歇式充电操作，在间歇式充电操作中获取电化学装置的参考内阻和析锂SOC，参考内阻用于指示在电化学装置被充电到第一SOC时的内阻；基于析锂SOC、参考内阻、以及预先建立的析锂SOC‑参考内阻‑SOH的映射关系，确定电化学装置的SOH。基于上述方案，考虑到电化学装置的内阻和析锂状态，并且同时从电化学装置的内阻和析锂状态两个维度对SOH进行评估，提高了对电化学装置的SOH评估的准确度。
电化学装置 soh 评估方法电子设备电池系统

[发明专利]一种锂电池SOH预测方法及装置-CN202310052813.4在审
发明人：俞辉;郭杰龙;罗鹏;魏宪;李杰;邵东恒;张剑锋 -专利权人：泉州装备制造研究所
申请日： 2023-02-03 - 公布日： 2023-03-17 - 主分类号： G01R31/367 文献下载
摘要：本发明公开一种锂电池SOH预测方法及装置，涉及锂电池健康管理技术领域，该方法包括：获取锂电池的样本数据，通过灰色关联度分析方法对样本数据进行筛选，得到相关联数据；获取锂电池SOH的原始数据，通过集合经验模态分解对原始数据进行分解生成标签数据；构建深度学习模型，其中所述深度学习模型为基于注意力机制的CNN‑bilstm模型；通过相关联数据及标签数据对深度学习模型进行训练，生成优化模型，通过优化模型对实测数据进行预测，生成锂电池SOH预测结果以实现锂电池SOH预测；通过上述技术方案，本发明能够解决传统电池SOH预测稳定性差、泛化能力差、预测精度低的问题。
一种锂电池 soh 预测方法装置

[发明专利]一种基于SSA-SVR模型的锂离子电池SOH估计方法-CN202211283073.7在审
发明人：林达;赵波;张雪松;汪湘晋;葛晓慧;章雷其;龚迪阳;倪筹帏;李志浩 -专利权人：国网浙江省电力有限公司电力科学研究院
申请日： 2022-10-20 - 公布日： 2023-02-03 - 主分类号： G01R31/392 文献下载
摘要：本发明公开了一种基于SSA‑SVR模型的锂离子电池SOH估计方法。本发明采用的技术方案为：数据采集；进行健康特征提取；构建基于Savitzky‑Golay滤波的特征处理模型；以提取与处理后的健康特征构成的矩阵F＝[F1,F2,F3,F4]作为输入，电池的SOH作为输出，构建训练集和预测集；步骤5、构建SSA‑SVR模型：构建基准SVR模型，基于上述训练集，采用麻雀搜索算法对SVR模型的超参数进行寻优，构建SOH估计模型，输出估计的SOH。本发明采用一种考虑充电过程中电压与电流片段数据的4种指标、特征处理与结合麻雀搜索算法调参的SVR模型，实现了锂离子电池SOH预测。
一种基于 ssa svr 模型锂离子电池 soh 估计方法

[发明专利]电池SOH计算方法、装置及电池系统-CN202211665646.2在审
发明人：欧鹏杰;秦忠荣;左耀彬;凌伟 -专利权人：湖北亿纬动力有限公司
申请日： 2022-12-23 - 公布日： 2023-03-14 - 主分类号： G01R31/392 文献下载
摘要：本申请涉及一种电池SOH计算方法、装置及电池系统，所述方法在待测电池满足第一预设状态时，获取各单体电芯的第一电芯数据，并根据各第一电芯数据，得到第一参考数据和第一参考身份信息；在待测电池满足第二预设状态时获取各单体电芯的第二电芯数据；并根据各第二电芯数据，得到第二参考数据和第二参考身份信息；在第一参考身份信息和第二参考身份信息满足预设条件时，获取待测电池的累积电容量；根据预设标称容量和累积电容量，得到对应待测电池的当前SOH，实现对待测电池SOH的精准计算，减小电池SOH计算偏差，提高了电池SOH计算准确度。
电池 soh 计算方法装置系统

[发明专利]一种融合经验模型的数据驱动锂电池SOH估计方法-CN202310573220.2在审
发明人：盛瀚民;曾文龙;周圆;邵晋梁;马文建 -专利权人：电子科技大学
申请日： 2023-05-19 - 公布日： 2023-08-25 - 主分类号： G01R31/392 文献下载
摘要：本发明公开了一种融合经验模型的数据驱动锂电池SOH估计方法，通过使用少量带标签的样本，利用三种不同的经验子模型对电池充电循环次数和SOH分别拟合出线性关系曲线，将三种关系曲线依据各自对电池实际SOH的拟合程度组合成最终的经验模型，把最终经验模型预测出的SOH代替电池实际SOH嵌入人工神经网络的损失函数中，计算出经验损失，再加上人工经验得出的单调损失，辅助网络进行训练；这样通过机理嵌入的方式可以解决带标签样本较少的小样本环境下对神经网络进行训练的问题
一种融合经验模型数据驱动锂电池 soh 估计方法

[发明专利]一种基于CBAM改进的3DCNN的锂离子电池SOH估计方法-CN202310664201.0在审
发明人：李俊红;蒋泽宇;白贵祥;顾菊平;张泓睿;肖康 -专利权人：南通大学
申请日： 2023-06-06 - 公布日： 2023-09-29 - 主分类号： G01R31/367 文献下载
摘要：本发明提供了一种基于CBAM改进的3DCNN的锂离子电池SOH估计方法，属于锂离子电池技术领域。解决了3DCNN在锂离子电池SOH估计中数据特征挖掘和缓解神经网络框架复杂性的技术问题。其技术方案为：包括以下步骤：步骤1)将不同的全新锂离子电池充满电；步骤2)构建SOH估计的三维训练数据集和测试数据集；步骤3)实现最终的SOH实时估计。本发明的有益效果为：本发明分别通过不同温度下不同电池的充放电实验获取电池各项参数，然后处理数据与构建不同电池的训练数据集，将训练的数据集导入基于CBAM改进的3DCNN中进行训练，最终可用于锂离子电池SOH
一种基于 cbam 改进 dcnn 锂离子电池 soh 估计方法