专利交易市场

本发明针对不同类型电瓶车的用户使用习惯提出一种基于概率统计的电池组寿命预测方法，所述方法包含以下步骤：步骤1）、对影响电瓶车电池使用寿命的用户习惯如行驶里程数和电池放电时间这两个重要因素进行统计与分析；步骤2）、根据电压值对电瓶车类型进行分类，建立电瓶车用户使用习惯与电池寿命间的关联模型；步骤3）、利用训练样本集对关联模型进行参数估计；步骤4）、将待测试的新用户行驶里程数和累计放电时间代入对应的电池寿命状态函数进行计算，得出电池寿命状态的标准量，与设置阈值进行比较后得到当前电瓶车用户的电池寿命状态结论。

一种基于DICEEMDAN与混合深度学习的储能锂电池寿命预测方法，属于数据处理、锂电池寿命预测领域，首先，将锂电池容量数据使用DICEEMDAN进行分解降噪重构处理，得到多个子序列，通过改进的双向时序卷积网络对高频子序列进行特征提取，针对不同频率的子序列存在的不同数据特性，设计了一种差异化混合深度神经网络，将提取到的特征数据作为深度神经网络的输入，最后使用优化权重的方式对多个神经网络预测进行整合，得到最终的预测结果。本发明在实际锂电池老化数据集上得到了验证，实验结果表明，对于储能锂电池剩余使用寿命的预测具有较高的准确性。

本发明公开了一种退役动力电池寿命预测的方法，本发明针对经过筛选后状态参数相同的同型退役动力电池的寿命预测。利用动力电池充放电过程中，温度T、放电倍率C以及放电深度DOD对动力电池容量衰退影响，通过建立动力电池的充放电特性曲线和动力电池寿命模型得到动力电池寿命衰减曲线，利用寿命衰减曲线建立一个循环寿命关于容量损失率和函数关系的三维关系图，并且将该三维关系图运用到同类型的电池，就能预测出电池在全寿命周期内性能衰减的情况。本发明通过少量的计算能够快速对退役动力电池进行寿命预测，大大提高了企业的工作效率。

本发明公开了一种基于集成学习的氢燃料电池寿命预测方法，包括：获取氢燃料电池工作过程中的多变量历史监测数据，利用极限梯度提升算法对其进行特征选择，确定健康指标和最佳输入变量集，得到最优输入矩阵；构建基于Blending集成的寿命预测模型，基学习层由DBN、GRU和TCN组成，元学习层由GPR构成；利用改进的人工兔优化算法IARO对集成模型的关键超参数进行寻优；结合最优输入矩阵和IARO对构建的集成模型进行训练，得到优化训练后的Blending集成预测模型；结合预处理过的新样本和优化后的Blending集成预测模型，得到剩余寿命的最终预测结果。本发明通过集成单一模型的优点实现高精度的剩余寿命点预测，为研究出适合氢燃料电池系统长期运行的维护策略方面提供参考。