Document
拖动滑块完成拼图
个人中心

预订订单
服务订单
发布专利 发布成果 人才入驻 发布商标 发布需求

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 福建华鼎智造技术有限公司夏玉雄获国家专利权

福建华鼎智造技术有限公司夏玉雄获国家专利权

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

龙图腾网获悉福建华鼎智造技术有限公司申请的专利一种锂离子电池快速充电策略生成方法及系统获国家发明授权专利权,本发明授权专利权由国家知识产权局授予,授权公告号为:CN119329326B

龙图腾网通过国家知识产权局官网在2025-09-02发布的发明授权授权公告中获悉:该发明授权的专利申请号/专利号为:202411859077.4,技术领域涉及:B60L53/00;该发明授权一种锂离子电池快速充电策略生成方法及系统是由夏玉雄;徐哲壮;肖师荣;袁蒙;周嘉伟;夏睿楠;王任良;余明敏设计研发完成,并于2024-12-17向国家知识产权局提交的专利申请。

一种锂离子电池快速充电策略生成方法及系统在说明书摘要公布了:本发明涉及一种锂离子电池快速充电策略生成方法及系统,该方法包括:确定锂离子电池型号并获取相应的电化学参数;对电池进行仿真建模并进行状态初始化;以在满足约束条件的前提下提升电池的充电速度为目标构建快速充电问题;约束条件包括:限制充电电流范围、电池最高温度,将副反应过电位限制在正值;运用DDPG算法对快速充电问题进行求解;以电池仿真模型为模拟环境,训练DDPG算法;在一次完整充电过程中,通过算法的循环执行生成每一小段充电电流;循环执行设定次数完整的充电过程,算法训练结束;输出该型号电池的最优充电策略。该方法及系统有利于在保证电池安全的同时提升电池充电速度,缩短电池充电时间,且计算简单,应用范围广。

本发明授权一种锂离子电池快速充电策略生成方法及系统在权利要求书中公布了:1.一种锂离子电池快速充电策略生成方法,其特征在于,包括以下步骤: 步骤1:确定需生成快速充电策略的锂离子电池型号,并获取该型号电池相应的电化学参数; 步骤2:基于获得的电化学参数对电池进行仿真建模,建立电池仿真模型并进行状态初始化; 步骤3:以在满足约束条件的前提下提升电池的充电速度为目标,构建快速充电问题;所述约束条件包括:限制充电电流范围,限制电池最高温度,将副反应过电位限制在正值; 步骤4:运用DDPG算法对快速充电问题进行求解;以步骤2建立的电池仿真模型作为模拟环境,在模拟环境中训练DDPG算法;在一次完整充电过程中,通过DDPG算法的循环执行,生成每一小段充电电流,从而实现一次完整的充电过程;循环执行设定次数完整的充电过程,算法训练结束; 步骤5:输出该型号电池的最优充电策略; 步骤2中,采用Doyle–Fuller–Newman模型对电池进行仿真建模;同时,采用每经历设定次数完整的充电过程,增加一次阳极膜内阻的方式来进行模拟电池老化的过程; 步骤2中,电池仿真模型建立完成后,在一定范围内随机设置电池的初始状态,初始状态包括:电池初始温度T和电池初始SoC,后续的充电过程将基于该初始状态模拟电池状态的变化; 步骤3中,采用马尔科夫决策过程的形式来构建快速充电问题,具体包括以下步骤: 301定义状态和动作空间:动作为连续的充电电流,状态包括电池的电压、温度和电荷水平; st={SoC,V,T} at={I} 其中,st为状态空间,at为动作空间,SoC为电池的电荷水平,V为电池的电压,T为电池的温度,I为电池的电流; 302构建约束条件,包括:将充电电流限制在设定范围内,限制电池最高温度,将副反应过电位限制在正值; -Imax≤It≤0 Tt≤Tmax ηsrt≥0 其中,t为当前时间点,It为当前时刻t的充电电流;Imax为充电电流的最大限值,负值代表充电;Tt为当前时刻t的电池温度,Tmax为电池温度最大限值;ηsrt为当前时刻t的副反应过电位; 303构建奖励函数:在选择当前动作,即充电电流后,通过奖励函数计算该动作的即时奖励,用于判断当前动作的好坏; rt+1=rfast+rsafetyst,at 其中,rt+1为动作的奖励,rfast为快速项,rsafetyst,at为安全项;安全项包括副反应过电位项和温度项: 其中,为副反应过电位项,rtempst,at为温度项,λsr为副反应过电位项系数,ηsrt为当前时刻电池过电位,λtemp为温度项系数; 根据以上公式,当副反应过电位小于0或电池温度超过最大限值时,对动作进行惩罚,以保证电池在充电过程中处于安全状态的前提下,提升电池的充电速度; 步骤4中,在模拟环境中训练DDPG算法,具体包括以下步骤: 401初始化,包括初始化行为者网络μst|θμ、批评者网络Qst,at|θQ、经验回放缓冲区并创建目标网络,包括行为者目标网络μ'和批评者目标网络Q';行为者目标网络和批评者目标网络的结构分别与行为者网络和批评者网络的结构相同,行为者目标网络和批评者目标网络的参数分别复制自行为者网络和批评者网络; 402与电池仿真模型构成的模拟环境进行交互,根据从环境获得的当前电池状态st,通过行为者目标网络为电池选择一个充电电流其中,是用于探索的噪声; 403执行动作,以当前充电电流I充电一个时间步;观察环境给出的奖励rt和新的状态st+1;将st,at,rt,st+1存储到经验回放缓冲区; 404更新批评者网络; 405更新行为者网络参数θμ; 406软更新目标网络参数; 407在一次完整充电过程中,循环执行步骤402-406,生成每一小段充电电流,从而实现一次完整的充电过程;循环执行设定次数完整的充电过程,算法训练结束; 步骤404中,更新批评者网络,具体包括以下步骤: 1首先从经验回放缓冲区随机采样一个小批量的经验si,ai,ri,si+1;对于每个样本,使用目标网络计算目标值yi; yi=ri+γQ′si+1,μ′si+1|θμ′|θQ′ 其中,γ为折扣因子,μ'和Q'为目标网络; 2使用当前批评者网络计算预测值 3计算均方误差损失L: 其中,N为小批量样本数; 4使用梯度下降法最小化损失函数,更新批评者网络参数θQ,如下式所示: 其中,←表示将式中右部分赋值给左部分,β为学习率;表示批评者网络对其参数θQ的梯度,即在给定状态si和动作ai下,批评者网络输出的变化率相对于其参数的变化; 步骤405中,更新行为者网络参数θμ,具体包括以下步骤: 1从经验回放缓冲区随机采样一个小批量的经验si,ai,ri,si+1; 2对于每个状态st,有动作at=μst|θμ,动作价值Qsi,ai|θQ;计算行为者策略梯度: 其中,为批评者网络对动作的梯度,为行为者网络对参数的梯度; 3更新行为者网络参数θμ; 其中,α为学习率; 步骤406中,软更新目标网络参数,其公式如下: θQ′←τθQ+1-τθQ′ θμ′←τθμ+1-τθμ′ 其中,τ为设定的小更新系数。

如需购买、转让、实施、许可或投资类似专利技术,可联系本专利的申请人或专利权人福建华鼎智造技术有限公司,其通讯地址为:350003 福建省福州市鼓楼区洪山镇乌山西路518号新能源科创中心10层01-02单元;或者联系龙图腾网官方客服,联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由AI智能生成
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。