CN114897091A - 一种高端电池智能工厂端级数据融合方法 - Google Patents

一种高端电池智能工厂端级数据融合方法 Download PDF

Info

Publication number
CN114897091A
CN114897091A CN202210593088.7A CN202210593088A CN114897091A CN 114897091 A CN114897091 A CN 114897091A CN 202210593088 A CN202210593088 A CN 202210593088A CN 114897091 A CN114897091 A CN 114897091A
Authority
CN
China
Prior art keywords
ellipsoid
state
moment
battery
system model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210593088.7A
Other languages
English (en)
Other versions
CN114897091B (zh
Inventor
王子赟
张梓蒙
王艳
纪志成
杨建芬
宋文龙
高伟伟
施璐
刘红杰
李丹
朱文光
王子杨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangnan University
Tianneng Battery Group Co Ltd
Original Assignee
Jiangnan University
Tianneng Battery Group Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangnan University, Tianneng Battery Group Co Ltd filed Critical Jiangnan University
Priority to CN202210593088.7A priority Critical patent/CN114897091B/zh
Publication of CN114897091A publication Critical patent/CN114897091A/zh
Application granted granted Critical
Publication of CN114897091B publication Critical patent/CN114897091B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0633—Workflow analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种高端电池智能工厂端级数据融合方法，属于智能电池生产技术领域。所述方法利用高端电池生产车间采集端的大量分布式传感器，并根据分布式传感器实时测量的生产工艺数据进行电池状态估计，并对所有的检测数据进行融合，得到最终估计结果，同时考虑到实际生产过程中的未知有界干扰噪声，选择集员滤波算法进行数据融合，得到可靠准确的电池状态的估计值。

Description

一种高端电池智能工厂端级数据融合方法
技术领域
本发明涉及一种高端电池智能工厂端级数据融合方法，属于智能电池生产技术领域。
背景技术
随着科技的发展，人类越来越重视绿色能源的使用，作为当前主要绿色能源之一的动力电池得到了越来越多的关注。
高端电池的生产涉及到多个工艺环节，各个环节之间存在不同程度的影响，工艺间的耦合关系致使所生产的电池状态难以准确得到。在实际工艺环节，涂布、叠片、化成等工艺环节包含多种工艺参数，每一个工艺参数对于生产电池的电压，容量，电流等参数都存在不同程度的影响。为了整合多个传感器，尽可能地利用传感器检测结果，优化电池生产结果，利用融合集员算法搭建工厂架构。
在电池生产工厂中，为了尽可能地获取准确的电池参数，各个工艺环节都部署着大量的传感器，可以对电池生产过程进行实时数据检测。利用传感器测量的多种不同数据，对生产电池的相关参数进行状态估计，具有实际生产意义。但是在传统的状态估计方法在进行状态估计时，会假定噪声和扰动是已知或满足一定概率分布的变量，在此基础上进行状态估计，然而实际系统的运行环境比较复杂，扰动和噪声并非是已知或满足一定概率分布的变量，而是很难用特定的统计特性描述。因此现有方法很难得到较为准确的状态估计结果。
发明内容
为了得到可靠准确的电池状态的估计值，本发明提供了一种高端电池智能工厂端级数据融合方法，利用高端电池生产车间采集端的大量分布式传感器，并根据分布式传感器实时测量的生产工艺数据进行电池状态估计，并对所有的检测数据进行融合，得到最终估计结果，同时考虑到实际生产过程中的未知有界干扰噪声，选择集员滤波算法进行数据融合，得到可靠准确的电池状态的估计值。
一种高端电池智能工厂端级数据融合方法，所述高端电池智能工厂包括用于采集电池生产各工序中的生产参数的分布式传感器以及用于进行数据处理和融合的端级设备，所述方法包括：
步骤1：利用各传感器采集电池生产各工序中的生产参数，作为检测数据；
步骤2：根据电池生产车间分布式传感器检测数据建立电池生产系统的非线性系统模型；
步骤3：对非线性系统模型中的状态函数进行线性化处理，得到状态函数的线性化表示，结合测量函数进而得到电池生产系统的线性系统模型，并利用椭球空间包裹线性化过程中产生的线性化误差和生产过程中存在的未知外界干扰，得到噪声椭球集E(0,R′k)；其中0表示椭球中心点，R′k表示椭球的外包矩阵；
步骤4：利用线性化系统模型的状态函数和k时刻状态椭球集，计算得到k+1时刻的状态椭球集；初始时刻的状态椭球集根据实际情况设置得到；
步骤5：通过线性化系统模型中的测量函数和各分布式传感器k+1时刻的检测数据进一步修正k+1时刻的状态椭球集得到修正后的椭球集合ESET＝(E1,E2,…Ei)，i为电池生产车间分布式传感器数量；Ei表示根据第i个分布式传感器k+1时刻的检测数据修正k+1时刻的状态椭球集得到的修正后的椭球；
步骤6：进行数据融合，将椭球集合ESET＝(E1,E2,…Ei)融合为一个最终的状态估计椭球集EF。
可选的，所述步骤2建立电池生产系统的非线性系统模型为：
Figure BDA0003666375850000021
其中，函数f(xk)为非线性系统模型的状态函数，函数h(xk)为非线性系统模型的测量函数；wk为预测过程噪声，vk为测量过程噪声；xk表示k时刻的系统状态，即电池k时刻的实际电压值，yk表示k时刻的系统输出，即电池k时刻的测量电压值。
可选的，所述步骤3包括：
将非线性系统模型的状态函数线性化展开为：
Figure BDA0003666375850000022
其中，
Figure BDA0003666375850000023
表示对电池k时刻的实际电压的估计值；
Figure BDA0003666375850000024
表示泰勒展开的一阶项微分系数；μ′k为原噪声wk和及线性化后的高阶余子式的符合项，称为误差噪声；误差噪声的包络即为R′k：
Figure BDA0003666375850000025
其中，
Figure BDA0003666375850000026
Rk是预测过程噪声wk的包络矩阵，
Figure BDA0003666375850000027
是线性化高阶余子式的包络矩阵；
最终得到线性化系统模型的状态函数为：
xk+1＝Akxk+E(0,R′k) (4)
其中，Ak为线性化系统模型的状态矩阵。
可选的，所述步骤4包括：
利用线性化系统模型的状态函数，根据k时刻椭球集，预测k+1时刻的状态椭球集
Figure BDA0003666375850000031
Figure BDA0003666375850000032
Figure BDA0003666375850000033
其中，
Figure BDA0003666375850000034
k时刻椭球状态集为
Figure BDA0003666375850000035
初始时刻状态椭球集根据初始电压理论数值设置；
Figure BDA0003666375850000036
表示利用k时刻得到的k+1时刻电池电压预测值表示误差包裹椭球的包络矩阵；R′k表示误差包裹椭球的包络矩阵；Pk+1,k表示根据k时刻状态值得到的k+1时刻椭球的包络矩阵；Ak表示线性化系统模型的k时刻的状态矩阵；Pk,k表示k时刻椭球的包络矩阵；Rn表示维度矩阵，跟随包络矩阵的维度设置。
可选的，所述步骤5包括：
通过各分布式传感器检测数据和线性化系统模型的测量函数进一步修正k+1时刻的状态椭球集
Figure BDA0003666375850000037
其中：
Figure BDA0003666375850000038
其中，
Figure BDA0003666375850000039
Figure BDA00036663758500000310
δk＝DTWkD，
Figure BDA00036663758500000311
k时刻椭球状态集为：
Figure BDA00036663758500000312
k+1时刻椭球状态集为：
Figure BDA00036663758500000313
pm和rm分别为矩阵
Figure BDA00036663758500000314
和R′k+1的最大奇异值；
通过i个分布式传感器更新得到i次修正后的椭球集合ESET＝(E1,E2,…Ei)。
可选的，所述步骤6包括：
对于多个椭球构成的椭球集合ESET＝(E1,E2,…Ei)进行融合，得到最终的状态估计椭球集：
k+1时刻的椭球集合ESET＝(E1,E2,…Ei)的i个状态估计椭球分别为：
En＝E(an,Qn),n＝1,2,…i
利用Minkowski和求解的i个椭球和Es为：
Figure BDA0003666375850000041
包含EF的最小外包椭球为Emin＝E(amin,Qmin)，其中：
Figure BDA0003666375850000042
Figure BDA0003666375850000043
Figure BDA0003666375850000044
融合更新状态估计，得到一个数据融合后的状态估计椭球集EF，得到更为准确的状态估计结果。
本发明有益效果是：
通过集员数据融合算法，利用电池工厂的大量端级分布式传感器检测数据，实现数据融合下的工厂架构。利于分布式传感器的检测数据，多次更新预测的电池的状态椭球集，同时考虑了实际生产当中的外界未知有界噪声的干扰，实现准确有效的状态估计，对电池生产过程具有指导意义。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例中公开的高端电池智能工厂端级数据融合方法的流程图。
图2是本发明一个实施例中针对高端电池生产车间端级的架构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
实施例一：
本实施例提供一种高端电池智能工厂端级数据融合方法，包括：
步骤1：利用各传感器采集电池生产各工序中的生产参数，作为检测数据；
步骤2：根据电池生产车间分布式传感器检测数据建立电池生产系统的非线性系统模型；
步骤3：对非线性系统模型中的状态函数进行线性化处理，得到状态函数的线性化表示，结合测量函数进而得到电池生产系统的线性系统模型，并利用椭球空间包裹线性化过程中产生的线性化误差和生产过程中存在的未知外界干扰，得到噪声椭球集E(0,R′k)；其中0表示椭球中心点，R′k表示椭球的外包矩阵；
步骤4：利用线性化系统模型的状态函数和k时刻状态椭球集，计算得到k+1时刻的状态椭球集；初始时刻的状态椭球集根据实际情况设置得到；
步骤5：通过线性化系统模型中的测量函数和各分布式传感器k+1时刻的检测数据进一步修正k+1时刻的状态椭球集得到修正后的椭球集合ESET＝(E1,E2,…Ei)，i为电池生产车间分布式传感器数量；Ei表示根据第i个分布式传感器k+1时刻的检测数据修正k+1时刻的状态椭球集得到的修正后的椭球；
步骤6：进行数据融合，将椭球集合ESET＝(E1,E2,…Ei)融合为一个最终的状态估计椭球集EF。
实施例二：
本实施例提供一种高端电池智能工厂端级数据融合方法，如图2所示，所述高端电池智能工厂包括用于采集电池生产各工序中的生产参数的分布式传感器以及用于进行数据处理和融合的端级设备，以电池实际生产过程为例进行说明，请参考图1，所述方法包括：
步骤一：根据电池生产车间分布式传感器检测数据建立电池生产系统的非线性系统模型：
Figure BDA0003666375850000051
其中，函数f(xk)为非线性系统模型的状态函数，函数h(xk)为非线性系统模型的测量函数；wk为预测过程噪声，vk为测量过程噪声；xk表示k时刻的系统状态，即电池k时刻的实际电压值，yk表示k时刻的系统输出，即电池k时刻的测量电压值。
步骤二：经过线性化处理获得电池生产系统的线性系统模型；
因为测量函数本身即为线性的，因此仅需要对状态函数进行线性化处理即可；
将非线性系统模型的状态函数线性化展开为：
Figure BDA0003666375850000061
其中，
Figure BDA0003666375850000062
表示对电池k时刻的实际电压的估计值；
Figure BDA0003666375850000063
表示泰勒展开的一阶项微分系数；μ′k为原噪声wk和及线性化后的高阶余子式的符合项，称为误差噪声；误差噪声的包络矩阵为R′k：
Figure BDA0003666375850000064
其中，
Figure BDA0003666375850000065
Rk是预测过程噪声wk的包络矩阵，
Figure BDA0003666375850000066
是线性化高阶余子式的包络矩阵。
最终得到线性化系统模型的状态函数为：
xk+1＝Akxk+E(0,R′k) (4)
其中，Ak为线性化系统模型的状态矩阵。
步骤三：利用线性化系统模型的状态函数，根据k时刻椭球集，预测k+1时刻的状态椭球集
Figure BDA0003666375850000067
Figure BDA0003666375850000068
Figure BDA0003666375850000069
Figure BDA00036663758500000610
表示利用k时刻得到的k+1时刻电池电压预测值表示误差包裹椭球的包络矩阵；R′k表示误差包裹椭球的包络矩阵；Pk+1,k表示根据k时刻状态值得到的k+1时刻椭球的包络矩阵；Ak表示线性化系统模型的k时刻的状态矩阵；Pk,k表示k时刻椭球的包络矩阵；Rn表示维度矩阵，跟随包络矩阵的维度设置；
Figure BDA00036663758500000611
k时刻椭球状态集为
Figure BDA00036663758500000612
初始时刻状态椭球集根据初始电压理论数值设置，以电压值为椭球中心，以足够大的包裹矩阵构建初始椭球集。
步骤四：通过各分布式传感器检测数据和线性化系统模型的测量函数进一步修正k+1时刻的状态椭球集
Figure BDA0003666375850000071
其中：
Figure BDA0003666375850000072
其中，
Figure BDA0003666375850000073
Figure BDA0003666375850000074
δk＝DTWkD，
Figure BDA0003666375850000075
k时刻椭球状态集为：
Figure BDA0003666375850000076
k+1时刻椭球状态集为：
Figure BDA0003666375850000077
pm和rm分别为矩阵
Figure BDA0003666375850000078
和R′k+1的最大奇异值。
通过i个分布式传感器更新得到i次修正后的椭球集合ESET＝(E1,E2,…Ei)。
步骤五：对于多个椭球构成的椭球集合ESET＝(E1,E2,…Ei)进行融合，得到最终的状态估计椭球集。
k+1时刻的椭球集合ESET＝(E1,E2,…Ei)的i个状态估计椭球分别为：
En＝E(an,Qn),n＝1,2,…i
利用Minkowski和求解的i个椭球和Es为：
Figure BDA0003666375850000079
包含EF的最小外包椭球为Emin＝E(amin,Qmin)，其中：
Figure BDA00036663758500000710
Figure BDA00036663758500000711
Figure BDA00036663758500000712
融合更新状态估计，得到一个数据融合后的状态估计椭球集EF，实现更为准确的状态估计效果。在实际生产过程中，利用各个生产环节的分布式传感器，对电池生产过程进行数据检测，并利用检测数据，结合所提出的架构方法，对电池参数进行估计，实现更好的生产过程。
本发明实施例中的部分步骤，可以利用软件实现，相应的软件程序可以存储在可读取的存储介质中，如光盘或硬盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种高端电池智能工厂端级数据融合方法，其特征在于，所述高端电池智能工厂包括用于采集电池生产各工序中的生产参数的分布式传感器以及用于进行数据处理和融合的端级设备，所述方法包括：
步骤1：利用各传感器采集电池生产各工序中的生产参数，作为检测数据；
步骤2：根据电池生产车间分布式传感器检测数据建立电池生产系统的非线性系统模型；
步骤3：对非线性系统模型中的状态函数进行线性化处理，得到状态函数的线性化表示，结合测量函数进而得到电池生产系统的线性系统模型，并利用椭球空间包裹线性化过程中产生的线性化误差和生产过程中存在的未知外界干扰，得到噪声椭球集E(0,R′k)；其中0表示椭球中心点，R′k表示椭球的外包矩阵；
步骤4：利用线性化系统模型的状态函数和k时刻状态椭球集，计算得到k+1时刻的状态椭球集；初始时刻的状态椭球集根据实际情况设置得到；
步骤5：通过线性化系统模型中的测量函数和各分布式传感器k+1时刻的检测数据进一步修正k+1时刻的状态椭球集得到修正后的椭球集合ESET＝(E1,E2,…Ei)，i为电池生产车间分布式传感器数量；Ei表示根据第i个分布式传感器k+1时刻的检测数据修正k+1时刻的状态椭球集得到的修正后的椭球；
步骤6：进行数据融合，将椭球集合ESET＝(E1,E2,…Ei)融合为一个最终的状态估计椭球集EF。
2.根据权利要求1所述的方法，其特征在于，所述步骤2建立电池生产系统的非线性系统模型为：
Figure FDA0003666375840000011
其中，函数f(xk)为非线性系统模型的状态函数，函数h(xk)为非线性系统模型的测量函数；wk为预测过程噪声，vk为测量过程噪声；xk表示k时刻的系统状态，即电池k时刻的实际电压值，yk表示k时刻的系统输出，即电池k时刻的测量电压值。
3.根据权利要求1所述的方法，其特征在于，所述步骤3包括：
将非线性系统模型的状态函数线性化展开为：
Figure FDA0003666375840000012
其中，
Figure FDA0003666375840000013
表示对电池k时刻的实际电压的估计值；
Figure FDA0003666375840000014
表示泰勒展开的一阶项微分系数；μ′k为原噪声wk和及线性化后的高阶余子式的符合项，称为误差噪声；误差噪声的包络即为R′k：
Figure FDA0003666375840000021
其中，
Figure FDA0003666375840000022
Rk是预测过程噪声wk的包络矩阵，
Figure FDA0003666375840000023
是线性化高阶余子式的包络矩阵；
最终得到线性化系统模型的状态函数为：
xk+1＝Akxk+E(0,R′k) (4)
其中，Ak为线性化系统模型的状态矩阵。
4.根据权利要求3所述的方法，其特征在于，所述步骤4包括：
利用线性化系统模型的状态函数，根据k时刻椭球集，预测k+1时刻的状态椭球集
Figure FDA0003666375840000024
Figure FDA0003666375840000025
Figure FDA0003666375840000026
其中，
Figure FDA0003666375840000027
k时刻椭球状态集为
Figure FDA0003666375840000028
初始时刻状态椭球集根据初始电压理论数值设置；
Figure FDA0003666375840000029
表示利用k时刻得到的k+1时刻电池电压预测值表示误差包裹椭球的包络矩阵；R′k表示误差包裹椭球的包络矩阵；Pk+1,k表示根据k时刻状态值得到的k+1时刻椭球的包络矩阵；Ak表示线性化系统模型的k时刻的状态矩阵；Pk,k表示k时刻椭球的包络矩阵；Rn表示维度矩阵，跟随包络矩阵的维度设置。
5.根据权利要求4所述的方法，其特征在于，所述步骤5包括：
通过各分布式传感器检测数据和线性化系统模型的测量函数进一步修正k+1时刻的状态椭球集
Figure FDA00036663758400000210
其中：
Figure FDA0003666375840000031
其中，
Figure FDA0003666375840000032
Figure FDA0003666375840000033
δk＝DTWkD，
Figure FDA0003666375840000034
k时刻椭球状态集为：
Figure FDA0003666375840000035
k+1时刻椭球状态集为：
Figure FDA0003666375840000036
pm和rm分别为矩阵
Figure FDA0003666375840000037
和R′k+1的最大奇异值；
通过i个分布式传感器更新得到i次修正后的椭球集合ESET＝(E1,E2,…Ei)。
6.根据权利要求5所述的方法，其特征在于，所述步骤6包括：
对于多个椭球构成的椭球集合ESET＝(E1,E2,…Ei)进行融合，得到最终的状态估计椭球集：
k+1时刻的椭球集合ESET＝(E1,E2,…Ei)的i个状态估计椭球分别为：
En＝E(an,Qn),n＝1,2,…i
利用Minkowski和求解的i个椭球和Es为：
Figure FDA0003666375840000038
包含EF的最小外包椭球为Emin＝E(amin,Qmin)，其中：
Figure FDA0003666375840000039
Figure FDA00036663758400000310
Figure FDA00036663758400000311
融合更新状态估计，得到一个数据融合后的状态估计椭球集EF，得到更为准确的状态估计结果。
CN202210593088.7A 2022-05-27 2022-05-27 一种高端电池智能工厂端级数据融合方法 Active CN114897091B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210593088.7A CN114897091B (zh) 2022-05-27 2022-05-27 一种高端电池智能工厂端级数据融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210593088.7A CN114897091B (zh) 2022-05-27 2022-05-27 一种高端电池智能工厂端级数据融合方法

Publications (2)

Publication Number Publication Date
CN114897091A true CN114897091A (zh) 2022-08-12
CN114897091B CN114897091B (zh) 2024-05-10

Family

ID=82726047

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210593088.7A Active CN114897091B (zh) 2022-05-27 2022-05-27 一种高端电池智能工厂端级数据融合方法

Country Status (1)

Country Link
CN (1) CN114897091B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015180050A1 (zh) * 2014-05-26 2015-12-03 北京理工大学 一种估计电动车辆的动力系统的参数和状态的方法
CN111413620A (zh) * 2020-04-03 2020-07-14 重庆大学 一种基于集员滤波的锂电池电荷状态估计方法
EP3736608A1 (en) * 2019-05-07 2020-11-11 Institut Supérieur de L'aéronautique Et de L'espace Method of estimating a constrained zonotope enclosing a state representing motion of at least one mobile target governed by a nonlinear model
CN111983927A (zh) * 2020-08-31 2020-11-24 郑州轻工业大学 一种新型的最大协熵椭球集员滤波方法
CN112683265A (zh) * 2021-01-20 2021-04-20 中国人民解放军火箭军工程大学 一种基于快速iss集员滤波的mimu/gps组合导航方法
CN113950018A (zh) * 2021-10-13 2022-01-18 华东理工大学 一种异步多传感器网络系统及全局椭球状态估计方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015180050A1 (zh) * 2014-05-26 2015-12-03 北京理工大学 一种估计电动车辆的动力系统的参数和状态的方法
EP3736608A1 (en) * 2019-05-07 2020-11-11 Institut Supérieur de L'aéronautique Et de L'espace Method of estimating a constrained zonotope enclosing a state representing motion of at least one mobile target governed by a nonlinear model
CN111413620A (zh) * 2020-04-03 2020-07-14 重庆大学 一种基于集员滤波的锂电池电荷状态估计方法
CN111983927A (zh) * 2020-08-31 2020-11-24 郑州轻工业大学 一种新型的最大协熵椭球集员滤波方法
CN112683265A (zh) * 2021-01-20 2021-04-20 中国人民解放军火箭军工程大学 一种基于快速iss集员滤波的mimu/gps组合导航方法
CN113950018A (zh) * 2021-10-13 2022-01-18 华东理工大学 一种异步多传感器网络系统及全局椭球状态估计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
夏愉乐;李蕊;何青;: "一种用于非线性系统的扩展集员滤波状态估计算法", 自动化技术与应用, no. 01, 25 January 2018 (2018-01-25), pages 33 - 34 *
赵岩;吴建峰;高育鹏;: "基于多智能体导航的高超飞行器信息融合方法", 系统工程与电子技术, no. 02, 31 December 2020 (2020-12-31), pages 55 - 56 *

Also Published As

Publication number Publication date
CN114897091B (zh) 2024-05-10

Similar Documents

Publication Publication Date Title
Li et al. A hybrid machine learning framework for joint SOC and SOH estimation of lithium-ion batteries assisted with fiber sensor measurements
CN107957562B (zh) 一种锂离子电池剩余寿命在线预测方法
Zhang et al. Weight optimized unscented Kalman filter for degradation trend prediction of lithium-ion battery with error compensation strategy
CN104281779A (zh) 一种异常数据判定与处理方法及装置
WO2023226355A1 (zh) 基于多源感知的双向锂离子电池故障检测方法及系统
CN113962433A (zh) 一种融合因果卷积与可分离时间卷积的风电预测方法及系统
CN110457821A (zh) 风功率曲线多目标综合评价方法、装置及服务器
CN112651519A (zh) 一种基于深度学习理论的二次设备故障定位方法及系统
CN114879046B (zh) 一种基于卡尔曼滤波的锂电池寿命预测方法和系统
CN115908051A (zh) 一种电力系统储能容量确定方法
CN117117819A (zh) 一种光伏发电短期功率预测方法、系统、设备和介质
CN112287605B (zh) 一种基于图卷积网络加速的潮流校核方法
CN114897091A (zh) 一种高端电池智能工厂端级数据融合方法
CN116774086B (zh) 一种基于多传感器数据融合的锂电池健康状态估计方法
CN112946480A (zh) 一种提高soc估计实时性的锂电池电路模型简化方法
CN110188939B (zh) 风电场的风功率的预测方法、系统、设备和存储介质
CN115391725A (zh) 一种分数阶混沌系统参数识别方法、系统、设备及介质
CN107918920A (zh) 多光伏电站的出力关联性分析方法
CN115219907A (zh) 一种锂电池soc估计方法、系统、介质、设备及终端
CN108427742A (zh) 一种基于低秩矩阵的配电网可靠性数据修复方法及系统
CN113236506A (zh) 一种基于滤波的工业时滞系统故障检测方法
CN115022348B (zh) 一种高端电池智能工厂云级架构数据存储方法
CN114328473A (zh) 一种电池数据的检测方法及装置
Liu et al. Ultra-short-term wind power forecasting based on stacking model
CN117828285B (zh) 一种生产数据管理系统及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant