CN113884903B - 一种基于多层感知器神经网络的电池故障诊断方法 - Google Patents
一种基于多层感知器神经网络的电池故障诊断方法 Download PDFInfo
- Publication number
- CN113884903B CN113884903B CN202111224434.6A CN202111224434A CN113884903B CN 113884903 B CN113884903 B CN 113884903B CN 202111224434 A CN202111224434 A CN 202111224434A CN 113884903 B CN113884903 B CN 113884903B
- Authority
- CN
- China
- Prior art keywords
- battery
- fault
- data set
- current
- sampling
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于多层感知器神经网络的电池故障诊断方法。包括:对各种故障类型的电池的充电过程特性参数进行采样,获得各个采样数据;利用电压‑SOC曲线计算获得各个电池的各个采样时刻的SOC值;分割获得各个电池的所有故障数据集单元,计算各个故障数据集单元的故障似然向量,从而获得对应的故障特征向量;将各个故障特征向量及对应的故障类型标签输入MLF神经网络中进行训练,获得训练好的MLF神经网络;采集待诊断电池的充电过程特性参数,获得各个采样数据,计算获得对应的故障特征向量并输入到网络中,从而判断故障类型。本发明引入了电压‑电流‑SOC的概率密度分布组成新的特征向量,大大提高了电池故障诊断的准确率。
Description
技术领域
本发明涉及了一种电池故障诊断方法,具体是涉及了一种基于多层感知器神经网络的电池故障诊断方法。
背景技术
随着电动车的大量普及以及电池安全类事件频出,越来越多的人开始关注电池故障的诊断。因为不健康方法或者在恶劣的条件下使用电池可能将导致电池内部产生不可逆损伤,影响正常使用甚至产生***。目前对于基于机器学习的方法做电池故障诊断,已经被越来越多人认可,传统方法通常简单基于电压、电流和温度的充电曲线分类精度较差;或者采用复杂的机器学习算法,难以实现在嵌入式***中运行。
发明内容
为了解决背景技术中存在的问题和需求,本发明提供了一种基于多层感知器神经网络的电池故障诊断方法。
本发明的技术方案如下:
本发明包括以下步骤:
步骤1:对各种故障类型的电池的充电过程特性参数进行采样,获得各个采样数据,每次采样数据包括采样时刻、电池电压、电池电流;
步骤2:根据各个电池的初始的采样时刻的电压,利用电压-电池荷电状态曲线计算获得各个电池的初始的采样时刻的电池荷电状态值;基于初始的采样时刻的电池荷电状态值计算各个电池的后续各个采样时刻的电池荷电状态值;
步骤3:根据预设采样时刻数,从初始的采样时刻开始将各个电池的所有采样时刻进行均等分割,分割获得各个电池的所有故障数据集单元,每个故障数据集单元中包括预设采样时刻数对应的各个电池电压、电池电流和电池荷电状态值;计算各个故障数据集单元的故障似然向量,由各个故障数据集单元和对应的故障似然向量组成各个故障特征向量;
步骤4:将各个故障特征向量及对应的故障类型标签输入MLF神经网络中进行训练,获得训练好的MLF神经网络;
步骤5:采集待诊断电池的充电过程特性参数,获得各个采样数据,计算各个采样数据对应的电池荷电状态值,将待诊断电池的最新的多个采样时刻对应的电池电压、电池电流和电池荷电状态值作为待诊断故障数据集单元,计算待诊断故障数据集单元的故障似然向量,获得对应的故障特征向量并输入到训练好的MLF神经网络,输出待诊断电池的各个故障类型的概率,从而再计算判断待诊断电池的故障类型。
所述步骤2中基于初始的采样时刻的电池荷电状态值计算各个电池的后续各个采样时刻的电池荷电状态值,具体为:
对每个电池的任一采样时刻的电池荷电状态值,计算公式如下:
其中,SOCnow表示当前采样时刻的电池荷电状态值,SOCinit表示初始的采样时刻的电池荷电状态值,i表示流入电池的电流,Caged表示当前采样时刻下当前电池的容量,∫i dt表示对初始的采样时刻到当前采样时刻中流入电池的电流i进行积分操作;
遍历当前电池的各个采样数据,获得当前电池的所有采样时刻的电池荷电状态值;再遍历所有电池,获得各个电池的所有采样时刻的电池荷电状态值。
所述步骤3中计算各个故障数据集单元的故障似然向量,具体为:
S1:根据各个故障数据集单元的故障类型对各个故障数据集单元进行分类,获得各类故障数据集单元;
S2:基于各类故障数据集单元计算每个故障数据集单元中各个采样时刻在各个故障类型的V-I-SOC概率密度值,再基于各个采样时刻在各个故障类型的V-I-SOC概率密度值计算当前故障数据集单元的故障似然向量,通过以下公式进行计算:
其中,Lc为当前故障数据集单元的第j个采样时刻的故障似然向量,Fi(Sj,Vj,Ij)表示当前故障数据集单元的第j个采样时刻在第i类故障类型下的V-I-SOC概率密度值,0≤i≤m-1,m表示故障类型总数,∑i表示对当前故障数据集单元的第j个采样时刻的所对应的各种故障类型的V-I-SOC概率密度值进行求和,Sj表示当前故障数据集单元的第j个采样时刻的电池荷电状态值,Vj表示当前故障数据集单元的第j个采样时刻的电池电压,Ij表示当前故障数据集单元的第j个采样时刻的电池电流,1≤j≤n,n为故障数据集单元中的采样时刻数;
S3:重复步骤S2,计算剩余故障数据集单元对应的故障似然向量。
所述当前故障数据集单元的第j个采样时刻在第i类故障类型下的V-I-SOC概率密度值Fi(Sj,Vj,Ij)的计算公式如下:
其中,Sj表示当前故障数据集单元的第j个采样时刻的电池荷电状态值,Vj表示当前故障数据集单元的第j个采样时刻的电池电压,Ij表示当前故障数据集单元的第j个采样时刻的电池电流,Vk为第i类故障数据集单元中与当前故障数据集单元的第j个采样时刻的电池荷电状态值相同的第k个电池电压,Ik为第i类故障数据集单元中与当前故障数据集单元的第j个采样时刻的电池荷电状态值相同的第k个电池电流,N为第i类故障数据集单元中与当前故障数据集单元的第j个采样时刻的电池荷电状态值相同的电池电压或电流个数,h为带宽,K()为核密度函数。
待诊断故障数据集单元中的采样时刻数与步骤3中的预设采样时刻数相同。
本发明的有益效果如下:
本文采用了MLP神经网络作为电池故障类型的分类器,相较于传统的支持向量机、随机森林等方法具有很强的自适应学习能力。相较于其他网络具有结构简单、消耗计算资源少和计算速度快等优点,可以作为嵌入式设备的分类器。
传统的电池故障分类往往采用电压、电流和SOC等故障特征的组合作为电池故障的诊断的依据,本文引入了核密度估计的方法,即核密度函数,将电压-电流-SOC的概率密度分布和电压、电流和电池荷电状态(SOC)一起组成新的特征向量,相较于单纯电压、电流和电池荷电状态(SOC)作为故障特征,大大提高了电池故障诊断的准确率。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细说明:
如图1所示,本发明包括以下步骤:
步骤1:对各种故障类型的电池的充电过程特性参数进行采样,获得各个采样数据,每次采样数据包括采样时刻、电池电压、电池电流;故障类型为部分区域凹痕、高温引起的鼓包、大倍率循环和健康状态。
步骤2:根据各个电池的初始的采样时刻的电压,利用电压-电池荷电状态SOC曲线计算获得各个电池的初始的采样时刻的电池荷电状态值;初始时刻为锂电池开始充电的时刻,即采样的第一时间,在后续检测过程中,随着电池充电过程的进行,SOC会产生变化,基于初始的采样时刻的电池荷电状态值计算各个电池的后续各个采样时刻的电池荷电状态值;
步骤2中基于初始的采样时刻的电池荷电状态值计算各个电池的后续各个采样时刻的电池荷电状态值,具体为:
对每个电池的任一采样时刻的电池荷电状态值,计算公式如下:
其中,SOCnow表示当前采样时刻的电池荷电状态值,SOCinit表示初始的采样时刻的电池荷电状态值,i表示流入电池的电流,即采样电流,Caged表示当前采样时刻下当前电池的容量,对于电池容量的实时检测方法市面上已有完整方案,本文不做说明,∫i dt表示对初始的采样时刻到当前采样时刻中流入电池的电流i进行积分操作;
遍历当前电池的各个采样数据,获得当前电池的所有采样时刻的电池荷电状态值;再遍历所有电池,获得各个电池的所有采样时刻的电池荷电状态值。
步骤3:根据预设采样时刻数,本实施例中,采样时刻数取20,从初始的采样时刻开始将各个电池的所有采样时刻进行均等分割,分割获得各个电池的所有故障数据集单元,各个故障数据集单元中的采样时刻不重叠,每个故障数据集单元中包括预设采样时刻数对应的各个电池电压、电池电流和电池荷电状态值;计算各个故障数据集单元的故障似然向量,由各个故障数据集单元和对应的故障似然向量组成各个故障特征向量,本实施例中,故障特征向量为一个1*80的一维向量;
步骤3中计算各个故障数据集单元的故障似然向量,具体为:
S1:根据各个故障数据集单元的故障类型对各个故障数据集单元进行分类,获得各类故障数据集单元;
S2:基于各类故障数据集单元计算每个故障数据集单元中各个采样时刻在各个故障类型的V-I-SOC概率密度值,再基于各个采样时刻在各个故障类型的V-I-SOC概率密度值计算当前故障数据集单元的故障似然向量,通过以下公式进行计算:
其中,Lc为当前故障数据集单元的第j个采样时刻的故障似然向量,Fi(Sj,Vj,Ij)表示当前故障数据集单元的第j个采样时刻在第i类故障类型下的V-I-SOC概率密度值,0≤i≤m-1,m表示故障类型总数,本实施例中包含3种故障类型和一种健康状态故为4,∑i表示对当前故障数据集单元的第j个采样时刻的所对应的各种故障类型的V-I-SOC概率密度值进行求和,Sj表示当前故障数据集单元的第j个采样时刻的电池荷电状态值,Vj表示当前故障数据集单元的第j个采样时刻的电池电压,Ij表示当前故障数据集单元的第j个采样时刻的电池电流,1≤j≤n,n为故障数据集单元中的采样时刻数,本实施例中为20,故障似然向量为一个1*80的一维向量;
当前故障数据集单元的第j个采样时刻在第i类故障类型下的V-I-SOC概率密度值Fi(Sj,Vj,Ij)的计算公式如下:
其中,Sj表示当前故障数据集单元的第j个采样时刻的电池荷电状态值,Vj表示当前故障数据集单元的第j个采样时刻的电池电压,Ij表示当前故障数据集单元的第j个采样时刻的电池电流,Vk为第i类故障数据集单元中与当前故障数据集单元的第j个采样时刻的电池荷电状态值相同的第k个电池电压,Ik为第i类故障数据集单元中与当前故障数据集单元的第j个采样时刻的电池荷电状态值相同的第k个电池电流,N为第i类故障数据集单元中与当前故障数据集单元的第j个采样时刻的电池荷电状态值相同的电池电压或电流个数,h为带宽,K()为核密度函数,非负、积分为1,符合概率密度性质,并且均值为0,本实施例中核密度函数采用Gaussian函数。
S3:重复步骤S2,计算剩余故障数据集单元对应的故障似然向量。
步骤4:将各个故障特征向量及对应的故障类型标签输入MLF神经网络中进行训练,获得训练好的MLF神经网络;
步骤5:采集待诊断电池的充电过程特性参数,获得各个采样数据,计算各个采样数据对应的电池荷电状态值,将待诊断电池的最新的多个采样时刻对应的电池电压、电池电流和电池荷电状态值作为待诊断故障数据集单元,待诊断故障数据集单元中的采样时刻数与步骤3中的预设采样时刻数相同,计算待诊断故障数据集单元的故障似然向量,获得对应的故障特征向量并输入到训练好的MLF神经网络,输出待诊断电池的各个故障类型的概率,从而再计算判断待诊断电池的故障类型。
本实施例中,将20个待诊断故障数据集单元输入到训练好的MLF神经网络,输出20个最大概率的故障类型,根据以下公式计算20个故障类型中各个故障类型的故障指数:
当故障指数≥0.75时,则输出对应的故障类型,如果不存在故障指数≥0.75,则输出诊断异常,需重新采集诊断。
本实施例中,MLF神经网络由输入层、隐藏层和输出层构成,每层之间全连接,通过修正每神经元中的权值实现对神经网络的训练,使其满足故障分类要求;MLF神经网络训练过程如下:
首先需对每个神经元的对应的权值赋予初始值,将训练集数据中20组电压、电流、SOC及其对应的V-I-SOC概率密度值输入网络得到网络输出,记网络输出和数据集中理想输出的损失函数为E(ω),其中ω为连接权值,损失函数选择categorical_crossentropy,通过梯度下降算法来更新权值w,实现MLF网络的学习。
实验测试
对通过实验获取的故障电池的循环数据中取10000份作为样本,数据包括三种故障类型(部分区域凹痕、高温引起的鼓包和大倍率循环)和一种健康状态,对于每种类型包含2500份样本,其中八成用以网络训练,两成用以方法验证;最终实验结果如下:
故障类型
可以看出隐藏层数量的增加会提升部分故障诊断的准确率,但同时也会降低故障诊断的效率。
Claims (4)
1.一种基于多层感知器神经网络的电池故障诊断方法,其特征在于,包括以下步骤:
步骤1:对各种故障类型的电池的充电过程特性参数进行采样,获得各个采样数据,每次采样数据包括采样时刻、电池电压、电池电流;
步骤2:根据各个电池的初始的采样时刻的电压,利用电压-电池荷电状态曲线计算获得各个电池的初始的采样时刻的电池荷电状态值;基于初始的采样时刻的电池荷电状态值计算各个电池的后续各个采样时刻的电池荷电状态值;
步骤3:根据预设采样时刻数,从初始的采样时刻开始将各个电池的所有采样时刻进行均等分割,分割获得各个电池的所有故障数据集单元,每个故障数据集单元中包括预设采样时刻数对应的各个电池电压、电池电流和电池荷电状态值;计算各个故障数据集单元的故障似然向量,由各个故障数据集单元和对应的故障似然向量组成各个故障特征向量;
步骤4:将各个故障特征向量及对应的故障类型标签输入MLF神经网络中进行训练,获得训练好的MLF神经网络;
步骤5:采集待诊断电池的充电过程特性参数,获得各个采样数据,计算各个采样数据对应的电池荷电状态值,将待诊断电池的最新的多个采样时刻对应的电池电压、电池电流和电池荷电状态值作为待诊断故障数据集单元,计算待诊断故障数据集单元的故障似然向量,获得对应的故障特征向量并输入到训练好的MLF神经网络,输出待诊断电池的各个故障类型的概率,从而再计算判断待诊断电池的故障类型;
所述步骤3中计算各个故障数据集单元的故障似然向量,具体为:
S1:根据各个故障数据集单元的故障类型对各个故障数据集单元进行分类,获得各类故障数据集单元;
S2:基于各类故障数据集单元计算每个故障数据集单元中各个采样时刻在各个故障类型的V-I-SOC概率密度值,再基于各个采样时刻在各个故障类型的V-I-SOC概率密度值计算当前故障数据集单元的故障似然向量,通过以下公式进行计算:
其中,Lc为当前故障数据集单元的第j个采样时刻的故障似然向量,Fi(Sj,Vj,Ij)表示当前故障数据集单元的第j个采样时刻在第i类故障类型下的V-I-SOC概率密度值,0≤i≤m-1,m表示故障类型总数,∑i表示对当前故障数据集单元的第j个采样时刻的所对应的各种故障类型的V-I-SOC概率密度值进行求和,Sj表示当前故障数据集单元的第j个采样时刻的电池荷电状态值,Vj表示当前故障数据集单元的第j个采样时刻的电池电压,Ij表示当前故障数据集单元的第j个采样时刻的电池电流,1≤j≤n,n为故障数据集单元中的采样时刻数;
S3:重复步骤S2,计算剩余故障数据集单元对应的故障似然向量。
2.根据权利要求1所述的一种基于多层感知器神经网络的电池故障诊断方法,其特征在于,所述步骤2中基于初始的采样时刻的电池荷电状态值计算各个电池的后续各个采样时刻的电池荷电状态值,具体为:
对每个电池的任一采样时刻的电池荷电状态值,计算公式如下:
其中,SOCnow表示当前采样时刻的电池荷电状态值,SOCinit表示初始的采样时刻的电池荷电状态值,i表示流入电池的电流,Caged表示当前采样时刻下当前电池的容量,∫idt表示对初始的采样时刻到当前采样时刻中流入电池的电流i进行积分操作;
遍历当前电池的各个采样数据,获得当前电池的所有采样时刻的电池荷电状态值;再遍历所有电池,获得各个电池的所有采样时刻的电池荷电状态值。
3.根据权利要求1所述的一种基于多层感知器神经网络的电池故障诊断方法,其特征在于,所述当前故障数据集单元的第j个采样时刻在第i类故障类型下的V-I-SOC概率密度值Fi(Sj,Vj,Ij)的计算公式如下:
其中,Sj表示当前故障数据集单元的第j个采样时刻的电池荷电状态值,Vj表示当前故障数据集单元的第j个采样时刻的电池电压,Ij表示当前故障数据集单元的第j个采样时刻的电池电流,Vk为第i类故障数据集单元中与当前故障数据集单元的第j个采样时刻的电池荷电状态值相同的第k个电池电压,Ik为第i类故障数据集单元中与当前故障数据集单元的第j个采样时刻的电池荷电状态值相同的第k个电池电流,N为第i类故障数据集单元中与当前故障数据集单元的第j个采样时刻的电池荷电状态值相同的电池电压或电流个数,h为带宽,K()为核密度函数。
4.根据权利要求1所述的一种基于多层感知器神经网络的电池故障诊断方法,其特征在于,待诊断故障数据集单元中的采样时刻数与步骤3中的预设采样时刻数相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111224434.6A CN113884903B (zh) | 2021-10-19 | 2021-10-19 | 一种基于多层感知器神经网络的电池故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111224434.6A CN113884903B (zh) | 2021-10-19 | 2021-10-19 | 一种基于多层感知器神经网络的电池故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113884903A CN113884903A (zh) | 2022-01-04 |
CN113884903B true CN113884903B (zh) | 2023-08-18 |
Family
ID=79003908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111224434.6A Active CN113884903B (zh) | 2021-10-19 | 2021-10-19 | 一种基于多层感知器神经网络的电池故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113884903B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116087782B (zh) * | 2022-11-09 | 2024-02-02 | 苏州首帆电子科技有限公司 | 一种汽车电池故障预警方法、***、装置及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19940577A1 (de) * | 1999-08-26 | 2001-03-01 | Wilex Biotechnology Gmbh | Verfahren zum Trainieren eines neuronalen Netzes |
JP2008186171A (ja) * | 2007-01-29 | 2008-08-14 | National Institute Of Information & Communication Technology | 空間−時間パターンを同時に学習し認識するためのシステム |
CN107505574A (zh) * | 2017-08-08 | 2017-12-22 | 中华人民共和国成都出入境检验检疫局 | 基于极大似然带渐消因子的ukf锂电池估算方法 |
CN111007401A (zh) * | 2019-12-16 | 2020-04-14 | 国网江苏省电力有限公司电力科学研究院 | 一种基于人工智能的电动汽车电池故障诊断方法及设备 |
CN111652348A (zh) * | 2020-02-29 | 2020-09-11 | 上海电力大学 | 一种基于改进cnn的动力电池组故障融合诊断方法及*** |
CN113325317A (zh) * | 2021-07-08 | 2021-08-31 | 山东大学 | 基于改进rbf神经网络的动力电池故障诊断方法及*** |
CN113359037A (zh) * | 2021-06-11 | 2021-09-07 | 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) | 基于bp神经网络的燃料电池故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160101506A (ko) * | 2015-02-17 | 2016-08-25 | 삼성전자주식회사 | 배터리 신호 세그먼트 데이터의 확률 추론을 기반으로 한 배터리 상태 추정 방법 및 장치 |
-
2021
- 2021-10-19 CN CN202111224434.6A patent/CN113884903B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19940577A1 (de) * | 1999-08-26 | 2001-03-01 | Wilex Biotechnology Gmbh | Verfahren zum Trainieren eines neuronalen Netzes |
JP2008186171A (ja) * | 2007-01-29 | 2008-08-14 | National Institute Of Information & Communication Technology | 空間−時間パターンを同時に学習し認識するためのシステム |
CN107505574A (zh) * | 2017-08-08 | 2017-12-22 | 中华人民共和国成都出入境检验检疫局 | 基于极大似然带渐消因子的ukf锂电池估算方法 |
CN111007401A (zh) * | 2019-12-16 | 2020-04-14 | 国网江苏省电力有限公司电力科学研究院 | 一种基于人工智能的电动汽车电池故障诊断方法及设备 |
CN111652348A (zh) * | 2020-02-29 | 2020-09-11 | 上海电力大学 | 一种基于改进cnn的动力电池组故障融合诊断方法及*** |
CN113359037A (zh) * | 2021-06-11 | 2021-09-07 | 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) | 基于bp神经网络的燃料电池故障诊断方法 |
CN113325317A (zh) * | 2021-07-08 | 2021-08-31 | 山东大学 | 基于改进rbf神经网络的动力电池故障诊断方法及*** |
Non-Patent Citations (1)
Title |
---|
胡晓亚.基于数据驱动的锂离子电池健康状态估计研究.《电源学报》.2021,1-60. * |
Also Published As
Publication number | Publication date |
---|---|
CN113884903A (zh) | 2022-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021068454A1 (zh) | 一种基于bp神经网络的微能源器件能量识别方法 | |
EP4198531A1 (en) | Battery cell defectiveness and fire early diagnosis method and apparatus based on neural network | |
CN110829417B (zh) | 基于lstm双结构模型的电力***暂态稳定预测方法 | |
CN113191215A (zh) | 融合注意力机制与孪生网络结构的滚动轴承故障诊断方法 | |
CN112379269A (zh) | 电池异常检测模型训练及其检测方法、装置 | |
CN111983459B (zh) | 一种基于车用锂离子电池的健康状态测试评估方法 | |
CN114355240A (zh) | 配电网接地故障诊断方法及装置 | |
CN113406524B (zh) | 一种动力电池***的不一致性故障诊断方法及*** | |
CN111257753B (zh) | 一种电池***故障诊断方法 | |
CN114791993B (zh) | 一种动力电池组soh预测方法及*** | |
CN112287980B (zh) | 基于典型特征向量的动力电池筛选方法 | |
CN113608140A (zh) | 一种电池故障诊断方法及*** | |
CN110726898A (zh) | 一种配电网故障类型识别方法 | |
WO2023226355A1 (zh) | 基于多源感知的双向锂离子电池故障检测方法及*** | |
CN113884903B (zh) | 一种基于多层感知器神经网络的电池故障诊断方法 | |
CN116298936A (zh) | 在不完全电压范围内的锂离子电池智能健康状态预测方法 | |
CN115902642A (zh) | 电池荷电状态估算方法、装置、电子设备及存储介质 | |
Hannan et al. | State-of-charge estimation of Li-ion battery at variable ambient temperature with gated recurrent unit network | |
CN115452376A (zh) | 基于改进轻量级深度卷积神经网络的轴承故障诊断方法 | |
CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
CN114545279A (zh) | 一种基于神经网络常微分方程的锂电池健康状态估计方法 | |
CN116702060A (zh) | 一种多电平逆变器功率器件故障诊断方法 | |
Zhang et al. | State of charge prediction of lithium-ion batteries for electric aircraft with swin transformer | |
CN116578922A (zh) | 基于多通道卷积神经网络的阀冷***故障诊断方法及装置 | |
CN115865716A (zh) | 一种网络状态分析方法、***及计算机可读介质 |
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 |