CN112684346B - 基于遗传卷积神经网络的锂电池健康状态估计方法 - Google Patents
基于遗传卷积神经网络的锂电池健康状态估计方法 Download PDFInfo
- Publication number
- CN112684346B CN112684346B CN202011434822.2A CN202011434822A CN112684346B CN 112684346 B CN112684346 B CN 112684346B CN 202011434822 A CN202011434822 A CN 202011434822A CN 112684346 B CN112684346 B CN 112684346B
- Authority
- CN
- China
- Prior art keywords
- battery
- cnn
- network structure
- data
- network
- 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.)
- Active
Links
Images
Landscapes
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于遗传卷积神经网络的锂电池健康状态估计方法，具体为：针对不同类型锂电池在恒流条件下进行充放电，直到电池寿命终止结束记录，形成锂电池恒流充电电压曲线；在电池每一次充电后，确定该电池的当前容量，作为CNN模型的真实值；对记录的电压曲线使用特征点来表征一条电压曲线，并作为CNN模型的输入数据；初始化网络结构及各参数；将处理过的训练集数据进行分组，对每个CNN网络进行训练；将处理过的测试集数据输入到一组CNN网络结构中，选择真实值和预测值之间均方误差最小的网络结构作为最终的预测模型。
Description
技术领域
本发明属于电池管理技术领域，涉及到一种基于遗传卷积神经网络的锂电池健康状态估计方法。
背景技术
锂离子电池(LIB)因为其能量密度高，寿命长，稳定性强和对环境影响小的优点，已经被广泛应用于电动汽车、电动工具、基站备用电源等领域。由于在实际应用中，随着一次次充放电，电池内部发生了一系列不可逆的化学反应，这就导致了电池的逐渐老化，表现为容量衰退、功率损失等。因此，在电池的使用过程中提前估计其健康状态是非常有必要的，它能在电池寿命达到末端时发出预警信息，提示用户或设备提供商对电池进行及时更换。
通常情况下用电池健康状态(StateofHealth,SOH)来描述电池的衰退(老化)状态。SOH可以通过直接测量或者间接计算得到的某个特征参数当前值与初始值的比值，直接测量需要在电池每一次充放电之后，用仪器来测量电池当前的SOH，实际生活中，我们不可能随时随地的对电池进行拆卸测量，因此这种方法并不适用。
发明内容
本发明的目的是提供一种基于遗传卷积神经网络的锂电池健康状态估计方法，在自动学习网络结构的基础上实现快速且准确地预测电池健康状态。
本发明所采用的技术方案是，一种基于遗传卷积神经网络的锂电池健康状态估计方法，具体按照以下步骤实施：
步骤1、针对不同类型锂电池，测算其出厂时锂电池的额定容量；
步骤2、针对不同类型锂电池在恒流条件下进行充放电，并对充电工作下的电压数据进行实时记录，直到电池寿命终止结束记录，根据记录的数据形成锂电池恒流充电电压曲线，由电压曲线获取电池老化特征；
步骤3、在步骤2中的电池每一次充电后，确定该电池的当前容量，作为CNN模型的真实值，不断缩小真实值和预测值之间的误差来训练最佳CNN模型；
步骤4、对步骤2记录的每条电压曲线使用二分法采样8个点作为特征点，使用8个特征点来表征一条电压曲线，并作为CNN模型的输入数据；
步骤5、对步骤4中的特征点进行处理；
步骤6、划分数据集；
步骤7、通过电池当前容量和出厂时额定容量的比值来估计当前锂电池的SOH；
步骤8、初始化网络结构及各参数；
步骤9、将处理过的训练集数据进行分组，每5条为一组，将每组训练集循环输入到CNN网络结构中，对每个CNN网络进行训练；
步骤10、通过遗传算法对种群进化来实现对网络结构的自动学习，得到一组良好的CNN网络结构；
步骤11、将处理过的测试集数据输入到一组CNN网络结构中，选择真实值和预测值之间均方误差最小的网络结构作为最终的预测模型；当重新输入另一块电池的电压数据，便可以通过该训练好的模型预测电池剩余容量，进而快速且准确地计算出该电池的SOH。
步骤5处理的具体步骤为：根据135条电压曲线，分别对每条电压曲线提取8个特征点，组成一个135行8列的矩阵，对于每一行的8个数据转化成2行4列的矩阵，作为图像输入到CNN模型中。
步骤6中，将将数据集划分为80％的训练集和20％的测试集。
步骤8中，随机初始化一组CNN网络结构，将一组网络结构看作一个种群，种群中的每个个体代表一个CNN网络结构，初始化种群大小和世代数。
所述步骤10具体为：
步骤10.1、对网络结构进行编码，对每个网络结构，即个体，以池化层为界将网络结构划分成不同的阶段，通过对每个阶段进行编码，将其组合成固定二进制字符串，采用基因型来表示每个网络结构；
步骤10.2、评估个体的适应度值，将电压数据输入到个体中进行训练，真实值和预测值之间的MSE即均方误差，作为个体的适应度值；
步骤10.3：通过选择、交叉和变异产生新的网络结构，评估新网络结构的适应度值，每次迭代将适应度值低的个体保留下来，删除适应度值高的个体，始终保持种群大小为N，直到达到最大世代数，结束迭代，输出一组良好的CNN网络结构。
本发明的有益效果是：本发明通过离线数据建立SOH估计模型，实时在线估计SOH值，能够便捷地实现SOH值的估计；通过二进制编码自动设计CNN网络结构，同时使用遗传算法，自动寻找一组表现最佳的网络结构，不仅扩大了搜索空间，还提高了运行效率；本发明通过二分法采样，从充电电压曲线上选择最佳的健康特征，并将其转化为矩阵作为模型的输入，有效地利用了最佳的健康特征，降低了计算复杂度。
附图说明
图1为本发明基于遗传卷积神经网络的锂电池健康状态估计方法中的二分法采样图；
图2为本发明基于遗传卷积神经网络的锂电池健康状态估计方法中的一行数据转换后图像；
图3为本发明基于遗传卷积神经网络的锂电池健康状态估计方法中的单个阶段结构图；
图4为本发明基于遗传卷积神经网络的锂电池健康状态估计方法中的网络结构编码操作图；
图5为本发明基于遗传卷积神经网络的锂电池健康状态估计方法中的进化网络结构流程图；
图6为本发明基于遗传卷积神经网络的锂电池健康状态估计方法中的总流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
如图6所示，一种基于遗传卷积神经网络的锂电池健康状态估计方法，具体按照以下步骤实施：
步骤1、针对不同类型锂电池，测算其出厂时锂电池的额定容量；
步骤2、针对不同类型锂电池在恒流条件下进行充放电，并对充电工作下的电压数据进行实时记录，直到电池寿命终止结束记录，根据记录的数据形成锂电池恒流充电电压曲线，由电压曲线获取电池老化特征；
步骤3、在步骤2中的电池每一次充电后，确定该电池的当前容量，作为CNN模型的真实值，不断缩小真实值和预测值之间的误差来训练最佳CNN模型；
步骤4、对步骤2记录的每条电压曲线使用二分法采样8个点作为特征点，使用8个特征点来表征一条电压曲线，并作为CNN模型的输入数据；具体采样结果如图1所示
步骤5、对步骤4中的特征点进行处理；
步骤6、划分数据集；
步骤7、通过电池当前容量和出厂时额定容量的比值来估计当前锂电池的SOH；
步骤8、初始化网络结构及各参数；
步骤9、将处理过的训练集数据进行分组，每5条为一组，将每组训练集循环输入到CNN网络结构中，对每个CNN网络进行训练；
步骤10、通过遗传算法对种群进化来实现对网络结构的自动学习，得到一组良好的CNN网络结构；
步骤11、将处理过的测试集数据输入到一组CNN网络结构中，选择真实值和预测值之间均方误差最小的网络结构作为最终的预测模型；当重新输入另一块电池的电压数据，便可以通过该训练好的模型预测电池剩余容量，进而快速且准确地计算出该电池的SOH。
步骤5处理的具体步骤为：根据135条电压曲线，分别对每条电压曲线提取8个特征点，组成一个135行8列的矩阵，对于每一行的8个数据转化成2行4列的矩阵，作为图像输入到CNN模型中。具体转化方式如图2所示。
步骤6中，将将数据集划分为80％的训练集和20％的测试集。
步骤8中，随机初始化一组CNN网络结构，将一组网络结构看作一个种群，种群中的每个个体代表一个CNN网络结构，初始化种群大小和世代数。
所述步骤10具体为：
步骤10.1、对网络结构进行编码，对每个网络结构，即个体，以池化层为界将网络结构划分成不同的阶段，通过对每个阶段进行编码，将其组合成固定二进制字符串，采用基因型来表示每个网络结构；
步骤10.2、评估个体的适应度值，将电压数据输入到个体中进行训练，真实值和预测值之间的MSE即均方误差，作为个体的适应度值；
步骤10.3：通过选择、交叉和变异产生新的网络结构，评估新网络结构的适应度值，每次迭代将适应度值低的个体保留下来，删除适应度值高的个体，始终保持种群大小为N，直到达到最大世代数，结束迭代，输出一组良好的CNN网络结构。
阶段及节点划分：
部分单个网络中可能的阶段结构如图3所示，每个CNN网络结构由S个阶段随机组成，符号Vs，ks表示第s个阶段(s＝1,2,3…S)，Ks表示Vs，ks阶段中包含的节点个数。每个节点代表一个卷积操作，相邻阶段之间以池化操作进行连接，最后一个阶段结束执行一个平均池化操作。
默认节点：
每个阶段内设置两个默认节点，默认输入节点表示Vs,0,接受来自前一阶段的数据，执行卷积操作，并将输出发送到没有前置节点的每个节点如Vs,1。Vs,Ks+1是默认输出节点，接受来自没有后续节点的所有节点的数据如Vs,ks，对它们汇总执行卷积并将输出发送到池化层，普通节点和默认节点之间的连接不需要编码。
普通节点。
一个阶段内除了默认节点之外的其他节点，普通节点编号唯一且有序，每个节点代表一个卷积操作，Ks个节点编号按照由小到大的顺序排序，符号Vs,ks表示第s个阶段包含Ks个节点。
节点间操作。
将所有输入节点(连接到它的较低编号的节点)的值进行求和之后，执行卷积，然后是批归一化，Relu操作。
编码规则：
使用
位来编码阶段内部节点之间的有向边，第一位表示(Vs,1,Vs,2)节点之间是否有有向边连接，接下来的两位表示(Vs,1,Vs,3)，(Vs,2,Vs,3)之间是否有有向边连接，以此类推直到阶段内最后一位，如果有有向边连接则编码为1，否则为0。在编码最后添加一位表示跳过连接，直接将输入信息转发到输出，绕过整个块。
特殊情况：
如果存在孤立节点，则忽略孤立节点，不参与编码，且默认节点不与孤立节点连接。如果一个阶段内没有任何连接，即该阶段的所有位均为0，卷积操作只执行一次。
具体实例如下：
(1)使用是美国航空航天局储存库为18650的锂电池，额定容量为2Ah，选择B5，B6电池进行。
(2)在恒定电流4A下对B5锂电池进行循环充放电，每充一次电便得到一条恒流充电电压变化曲线，直到电池报废，共经历了135次循环充放电，得到135条充电电压曲线，对B6锂电池只记录其充电电压数据即可。
(3)在对电池每一次充电之前，先测量该电池充电之前的剩余容量，在电池充满电之后(电压不再发生改变)，测量该电池的当前容量，其中，当前电池容量等于本次充电所需充电量与剩余容量之和，将电池当前容量作为CNN模型的真实值，CNN模型的输出作为预测值，通过不断缩小真实值和预测值之间的误差来训练最佳CNN模型。
(4)对步骤2记录的每条电压曲线使用二分法采样8个点作为特征点，使用8个特征点来表征一条电压曲线，并作为CNN模型的输入数据，采样结果如图1所示，具体采样过程如下：
在图1中横轴为时间变化，纵轴为电压变化，图中曲线为一条充电电压曲线，在充电电压曲线上提取特征点，通过纵轴电压的变化来进行取中点操作，然后通过横轴时间的占比确定下一步取中点是在当前电压中点的前半部分还是后半部分。目前已知起始电压2.8V和终端电压4.2V。
取终端电压4.2V作为第1个特征点F1；
在起始电压和终端电压之间取中点，得到的电压值3.5V作为第2个特征点F2，重新划分2.8V-3.5V作为前半部分，3.5V-4.2V作为后半部分。
在第二个特征点确定之后，观察该点在电压曲线上所对应时间在整个时间中的占比，前半部分0-1700t，后半部分1700t-12300t，后半部分时间间隔占比较大，所以在电压后半部分3.5V-4.2V取中点，得到的电压值3.85V作为第3个特征点F3，重新划分3.5V-3.85V作为前半部分，3.85V-4.2V作为后半部分。
第3个特征点对应的时间间隔前半部分为1700t-8000t，后半部分为8000t-14000t，时间间隔相差不多，因此在两段电压间隔内分别取中点。
前半部分1700t-8000t提取特征点的具体过程如下：
前半部分对应的电压为3.5V-3.85V，取中点得到的3.675V，作为第4个特征点F4，重新划分3.5V-3.675V作为前半部分，3.675V-3.85V作为后半部分。
第4个特征点对应的时间间隔前半部分为1700t-2900t，后半部分为2900t-8000t，后半部分占比较大，因此在后半部分3.675V-3.85V电压内取中点，得到的3.7625V作为第5个特征点F5，重新划分3.675V-3.7625V作为前半部分，3.7625V-3.85V作为后半部分。
第5个特征点对应的时间间隔前半部分为2900t-4050t，后半部分为4050t-6300t，后半部分时间占比较大，所以在后半部分3.7625V-3.85V取中点，得到的3.80625V作为第6个特征点F6，重新划分3.7625V-3.80625V作为前半部分，3.80625V-3.85V作为后半部分。
后半部分8000t-14000t提取特征点的具体过程如下：
后半部分3.85V-4.2V，取中点得到的4.025V作为第7个特征点F7，重新划分3.85V-4.025V作为前半部分，4.025V-4.2V作为后半部分。
4.025V对应的时间间隔前半部分为8000t-10300t，后半部分为10300t-12300t，前半部分占比较大，因此在前半部分3.85V-4.025V取中点，得到的3.9375作为第8个特征点。
(5)根据135条电压曲线，分别对每条电压曲线提取8个特征点，组成一个135行8列的矩阵，其中每一行的数据对应着一个电池当前容量值，将每一行的8个数据转化为2行4列的矩阵作为CNN模型的输入，具体转化方式如图2所示。
(6)划分数据集，将135条数据划分为80％的训练集和20％的测试集。
(7)计算SOH。通过计算电池当前容量和出厂时额定容量的比值来估计当前锂电池的健康状态，由于出厂时的额定容量是给定的，因此获得电池的当前容量值便可计算出电池当前的SOH，通过对电池当前容量的拟合实现对SOH的估计。
计算SOH的表达式如下：
其中，Ccurrent表示电池的当前容量，Cnew表示电池出厂的额定容量。
(8)初始化网络模型及各参数。随机产生训练权重，并设置网络训练中需要的各参数(如学习率learning rate为0.01，批处理大小batch为5，轮次epoch为50，网络阶段个数S为3，阶段内节点个数ks为6)，随机初始化一组CNN网络结构，部分单个网络中可能的阶段结构如图3所示，一个CNN网络结构是由几个阶段组合而成的。将这里的一组网络结构看作一个种群，种群中的一个个体代表了一个CNN网络结构，初始化种群大小为40和世代数20。
(9)将处理过的训练集数据进行分组，每5条为一组，将每组训练集循环输入到CNN网络结构中，对每个CNN网络进行训练，具体步骤如下。
a.将一组数据输入到每个CNN网络；
b.前向传播计算得到损失函数loss；
c.反向传播计算梯度；
d.用这部分梯度迭代更新该网络的权重参数；
不断循环上面四个步骤，直到训练完所有的轮次。
(10)通过遗传算法对种群进行进化来实现对网络结构的自动学习，得到一组良好的CNN网络结构。
对初始化好的网络结构进行编码，如图4所示。
这里设置阶段数S＝3，每个阶段内节点分别为(K1，K2，K3)＝(6，6，6)。在第一个阶段和第二个阶段之后放置一个步长为2的最大池化层，提取主要特征，在最后一个阶段之后设置了一个全局平均池化层，进行平均采样，对每个阶段进行编码，将每个编码后的阶段组合成一个固定二进制字符串。每个编码后的网络体系结构被称作个体，所有的网络体系结构组成了一个种群，设种群大小为N，每一代都保持不变。每个二进制字符串长度L为45，意味着有245个可能的个体(网络结构)，因此总共搜索了1200个网络体系结构。
评估个体的适应度值。
将训练集数据输入到种群中的每个网络结构(个体)中进行训练，使用标准随机梯度下降(SGD)反向传播算法和余弦退火学习速率方案在训练集上对网络结构进行迭代训练，直到获取合适的权值，从而降低损失函数，训练过程中得到的预测值和真实值之间的mse作为该网络结构(个体)的适应度值。
通过选择、交叉和变异产生新的网络结构，并评估种群中网络结构的适应度值，对于旧网络结构，采用其历史适应度的平均值作为适应度，对于新产生网络结构，计算mse作为其适应度值。每次迭代将适应度值低的个体保留下来，删除适应度值高的个体，始终保持种群大小为N，直到达到最大世代数，结束迭代，输出一组良好的CNN网络结构。
(11)将处理过的测试集的数据输入到当前得到的一组CNN网络结构中，选择一个真实值和预测值之间mse(均方误差)最小的网络结构作为最终的预测模型。当输入B6电池的电压数据，便可以通过该模型预测的容量数据来快速且准确地计算出该电池的SOH。因此在实际应用中，我们只需要记录电池恒流的充电电压数据，便可以直接使用该训练好的模型来估计该电池当前的SOH。
Claims (5)
1.一种基于遗传卷积神经网络的锂电池健康状态估计方法，其特征在于，具体按照以下步骤实施：
步骤1、针对不同类型锂电池，测算其出厂时锂电池的额定容量；
步骤2、针对不同类型锂电池在恒流条件下进行充放电，并对充电工作下的电压数据进行实时记录，直到电池寿命终止结束记录，根据记录的数据形成锂电池恒流充电电压曲线，由电压曲线获取电池老化特征；
步骤3、在步骤2中的电池每一次充电后，确定该电池的当前容量，作为CNN模型的真实值，不断缩小真实值和预测值之间的误差来训练最佳CNN模型；
步骤4、对步骤2记录的每条电压曲线使用二分法采样8个点作为特征点，使用8个特征点来表征一条电压曲线，并作为CNN模型的输入数据；
步骤5、对步骤4中的特征点进行处理；
步骤6、划分数据集；
步骤7、通过电池当前容量和出厂时额定容量的比值来估计当前锂电池的SOH；
步骤8、初始化网络结构及各参数；
步骤9、将处理过的训练集数据进行分组，每5条为一组，将每组训练集循环输入到CNN网络结构中，对每个CNN网络进行训练；
步骤10、通过遗传算法对种群进化来实现对网络结构的自动学习，得到一组良好的CNN网络结构；
步骤11、将处理过的测试集数据输入到一组CNN网络结构中，选择真实值和预测值之间均方误差最小的网络结构作为最终的预测模型；当重新输入另一块电池的电压数据，便可以通过该训练好的模型预测电池剩余容量，进而快速且准确地计算出该电池的SOH。
2.根据权利要求1所述的一种基于遗传卷积神经网络的锂电池健康状态估计方法，其特征在于，所述步骤5处理的具体步骤为：根据135条电压曲线，分别对每条电压曲线提取8个特征点，组成一个135行8列的矩阵，对于每一行的8个数据转化成2行4列的矩阵，作为图像输入到CNN模型中。
3.根据权利要求1所述的一种基于遗传卷积神经网络的锂电池健康状态估计方法，其特征在于，所述步骤6中，将将数据集划分为80％的训练集和20％的测试集。
4.根据权利要求1所述的一种基于遗传卷积神经网络的锂电池健康状态估计方法，其特征在于，所述步骤8中，随机初始化一组CNN网络结构，将一组网络结构看作一个种群，种群中的每个个体代表一个CNN网络结构，初始化种群大小和世代数。
5.根据权利要求1所述的一种基于遗传卷积神经网络的锂电池健康状态估计方法，其特征在于，所述步骤10具体为：
步骤10.1、对网络结构进行编码，对每个网络结构，即个体，以池化层为界将网络结构划分成不同的阶段，通过对每个阶段进行编码，将其组合成固定二进制字符串，采用基因型来表示每个网络结构；
步骤10.2、评估个体的适应度值，将电压数据输入到个体中进行训练，真实值和预测值之间的MSE即均方误差，作为个体的适应度值；
步骤10.3：通过选择、交叉和变异产生新的网络结构，评估新网络结构的适应度值，每次迭代将适应度值低的个体保留下来，删除适应度值高的个体，始终保持种群大小为N，直到达到最大世代数，结束迭代，输出一组良好的CNN网络结构。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011434822.2A CN112684346B (zh) | 2020-12-10 | 2020-12-10 | 基于遗传卷积神经网络的锂电池健康状态估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011434822.2A CN112684346B (zh) | 2020-12-10 | 2020-12-10 | 基于遗传卷积神经网络的锂电池健康状态估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112684346A CN112684346A (zh) | 2021-04-20 |
| CN112684346B true CN112684346B (zh) | 2023-06-20 |
Family
ID=75446612
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011434822.2A Active CN112684346B (zh) | 2020-12-10 | 2020-12-10 | 基于遗传卷积神经网络的锂电池健康状态估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112684346B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113376540B (zh) * | 2021-05-18 | 2023-07-07 | 西安理工大学 | 基于进化注意力机制的lstm电池健康状态估计方法 |
| CN114114052A (zh) * | 2021-11-25 | 2022-03-01 | 福州大学 | 基于冲击响应特性的电池soh和soc快速估计方法 |
| CN114184861A (zh) * | 2021-11-28 | 2022-03-15 | 辽宁石油化工大学 | 一种油浸式变压器的故障诊断方法 |
| CN115015760B (zh) * | 2022-05-10 | 2024-06-14 | 香港中文大学（深圳） | 基于神经网络、迁移集成学习的锂电池健康状态评估方法 |
| CN115616415B (zh) * | 2022-12-06 | 2023-04-07 | 北京志翔科技股份有限公司 | 电池组状态的评估方法、装置、设备及存储介质 |
| CN117074964B (zh) * | 2023-10-13 | 2024-01-16 | 快电动力(北京)新能源科技有限公司 | 电池健康状态的监测方法、装置、***和部件 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110687452A (zh) * | 2019-09-05 | 2020-01-14 | 南京理工大学 | 基于K均值聚类与Elman神经网络的锂电池容量在线预测方法 |
| CN110824364A (zh) * | 2019-10-24 | 2020-02-21 | 重庆邮电大学 | 一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法 |
| CN111638465A (zh) * | 2020-05-29 | 2020-09-08 | 浙大宁波理工学院 | 基于卷积神经网络和迁移学习的锂电池健康状态估计方法 |
| WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
-
2020
- 2020-12-10 CN CN202011434822.2A patent/CN112684346B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
| CN110687452A (zh) * | 2019-09-05 | 2020-01-14 | 南京理工大学 | 基于K均值聚类与Elman神经网络的锂电池容量在线预测方法 |
| CN110824364A (zh) * | 2019-10-24 | 2020-02-21 | 重庆邮电大学 | 一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法 |
| CN111638465A (zh) * | 2020-05-29 | 2020-09-08 | 浙大宁波理工学院 | 基于卷积神经网络和迁移学习的锂电池健康状态估计方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于GA优化BP神经网络的微电网蓄电池健康状态评估;邓伟锋;李振璧;;电测与仪表(第21期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112684346A (zh) | 2021-04-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112684346B (zh) | 基于遗传卷积神经网络的锂电池健康状态估计方法 | |
| CN110059377B (zh) | 一种基于深度卷积神经网络的燃料电池寿命预测方法 | |
| CN113267733B (zh) | 基于高斯过程回归的锂电池健康状态估计的自动配置方法 | |
| CN110568359B (zh) | 一种锂电池剩余寿命预测方法 | |
| CN110082682B (zh) | 一种锂电池荷电状态估计方法 | |
| CN111898689A (zh) | 一种基于神经网络架构搜索的图像分类方法 | |
| CN113176518B (zh) | 一种锂电池健康状态估算方法 | |
| CN112198434B (zh) | 电池容量衰减模型参数的辨识方法、***、设备、装置及介质 | |
| CN111812515A (zh) | 基于XGboost模型的锂离子电池荷电状态估算 | |
| CN114726045A (zh) | 一种基于ipea-lstm模型的锂电池soh估计方法 | |
| CN113376540B (zh) | 基于进化注意力机制的lstm电池健康状态估计方法 | |
| CN115276177A (zh) | 储能电池充放电功率控制方法、装置及电池控制*** | |
| CN113537474A (zh) | 多精度量化元神经网络训练及精度选取方法 | |
| CN112287597B (zh) | 基于vpga-gpr算法的铅酸蓄电池soh估计方法 | |
| CN117171588A (zh) | 一种用于动力电池梯次利用故障检测方法 | |
| CN115993537A (zh) | 基于相关性分析和woa-lstm的锂电池容量预测方法 | |
| CN115201684A (zh) | 一种锂离子电池不同衰退模式下的寿命评估方法 | |
| CN115327389A (zh) | 基于遗传算法改进的双卡尔曼滤波的锂电池soc估计方法 | |
| CN115856633A (zh) | 基于图神经网络的锂离子电池容量估计方法 | |
| CN115358484A (zh) | 电池组容量预测方法及相关设备 | |
| CN115409317A (zh) | 基于特征选择和机器学习的台区线损检测方法及装置 | |
| CN115481796A (zh) | 基于贝叶斯混合神经网络的电池剩余使用寿命预测方法 | |
| CN115032544A (zh) | 数据不完备场景下的动力锂电池剩余寿命预测方法 | |
| CN114764124A (zh) | 一种基于gan和lstm的锂电池soc估计方法 | |
| CN113255214B (zh) | 一种退役动力电池最大可用容量动态估算方法 |
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 |