专利交易市场

本发明公布了一种串联型电池故障预测方法，所述方法为：由实验得到电池串数据；对实验数据进行预处理，由预处理后的电池串数据结合串联电路工作特性得到电池串增加能量En；以能量En建立故障因子数据库，选取数据库中3组不同的数据分别为训练数据A、训练数据B以及训练数据C；根据训练数据A、训练数据B，分别构建灰色模型GMⅠ、灰色模型GMⅡ；将2个GM模型的输出值相加，再求平均值，将平均值及训练数据C中En作为输入，经训练组合模型，得到准确的组合预测模型；输入能量序数经组合预测模型，得到能量预测值，若能量预测值小于阈值，表明电池正常；反之，表明电池有故障，再进行故障类型判别及定位。

本申请提供的电池状况检测方法及装置，应用于电池领域。获取待检测电池充电过程中的充电曲线，该实测充电曲线反应了待检测电池充电时充入的充电量与电池电压之间的关系。从该实测充电曲线中确定出表征该待检测电池中相变材料的健康状况相变点。计算该相变点对应充的充电量与预设标准电量之间的电量差值，其中，该预设标准电量为与该待检测电池同类型的健康电池的标准充电曲线中的相变点对应的充电量。根据该电量差值确定该待检测电池的电池状况。如此，由于电池的相变点反应的是电池内部相变材料的健康状况，通过将待检测电池相变点的充电量与健康电池相变点的充电量进行比较，以确定该待检测电池的健康状况。

本发明提供了一种智能化电池SOH实时预测方法，属于电池健康状况预测领域，其内容包括：获取电池健康状态历史数据；设置ISCO‑GRU‑OL动态模型所需参数；基于改进鲨鱼合作优化算法和电池健康状态历史数据，优化门控循环单元神经网络的超参数；基于优化的超参数，结合历史电池健康状态数据建立并训练ISCO‑GRU模型；根据获取的最新电池健康状态数据和在线学习频率，基于在线学习模块对ISCO‑GRU模型进行参数微调，从而更新ISCO‑GRU模型；基于更新ISCO‑GRU模型预测未来的电池健康状态数据，本发明可准确进行SOH实时预测，为电池健康管理和剩余使用寿命预测提供依据。

一种锂电池SOH智能估计方法与系统，包括：传感器采集不同种类和工况的锂电池运行数据；构建VAE‑GAN组合模型，进行数据增强，生成更多锂电池运行数据；根据不同种类和工况的锂电池运行数据，对模型库中所有模型分别建模，挑选出源模型并加权叠加成一个堆叠模型；输入待评估锂电池的运行数据，ART网络对堆叠模型中的各个源模型进行自适应权重分配得到预测模型并输出初步预测结果；建立基于随机森林的误差修正模型，完成初步预测结果的误差修正，输出锂电池SOH的最终预测值。本发明构建了新型VAE‑GAN组合模型，降低了采集多源数据的难度；构建了基于多个源模型的堆叠模型，增加了模型的泛化能力；并对预测结果进行了误差修正，提高了模型预测的精度。