CN114994546A - 一种基于区块链和Informer神经网络的电池组SOH预测***及方法 - Google Patents

一种基于区块链和Informer神经网络的电池组SOH预测***及方法 Download PDF

Info

Publication number
CN114994546A
CN114994546A CN202210675036.4A CN202210675036A CN114994546A CN 114994546 A CN114994546 A CN 114994546A CN 202210675036 A CN202210675036 A CN 202210675036A CN 114994546 A CN114994546 A CN 114994546A
Authority
CN
China
Prior art keywords
battery pack
neural network
soh
informer
block chain
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.)
Pending
Application number
CN202210675036.4A
Other languages
English (en)
Inventor
何志刚
倪祥淦
盘朝奉
张香港
金英洁
郭晓丹
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.)
Jiangsu University
Original Assignee
Jiangsu University
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 Jiangsu University filed Critical Jiangsu University
Priority to CN202210675036.4A priority Critical patent/CN114994546A/zh
Publication of CN114994546A publication Critical patent/CN114994546A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • 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]
    • G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
    • 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]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
    • 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

本发明提供了一种基于区块链和Informer神经网络的电池组SOH预测***及方法，预测***包括车载区块链平台、地区私人链和联盟区块链，联盟区块链对电动车辆及其电池组的公共索引数据提取特征与标签，对公共索引数据特征的数据集进行预处理，同标签一起构成数据集Xn，并丢弃弱相关特征，得到数据集X′n，利用其他电动车辆的数据集X′n训练基于Informer的神经网络模型，根据电动车辆自身的历史数据对训练后的基于Informer的神经网络模型进行重新校准，对重新校准的基于Informer的神经网络模型，设置预测序列长度，预测电池组的SOH。本发明能够较为精确的监测电池组未来的健康状态，有助于做好电池全寿命周期的管理。

Description

一种基于区块链和Informer神经网络的电池组SOH预测*** 及方法
技术领域
本发明属于区块链技术和新能源电动车辆电池组健康状态预测领域，具体涉及一种基于区块链和Informer神经网络的电池组SOH预测***及方法。
背景技术
锂离子电池组通常由上千个电芯串并联组成，均由电池管理***BMS实时监测管理，测量电池组电流、电压、温度等外特性数据，完成状态估算、热管理、自动均衡、故障诊断等功能，保障电池安全运行。锂离子电池组的充放电是一个复杂的电能、化学能、热能转换过程，具有高度的非线性和不确定性，其性能参数易受环境状况、电池老化、用户使用行为等诸多因素影响，这使得电池组的安全高效运行难以控制，目前尚未形成一套完善的电池管理理论和技术体系。当前电池SOH预测研究主要集中于电芯层面，在实际运用上电池组SOH预测问题亟待解决。电池SOH的准确长序列预测对保障电动车辆安全性有重要意义，也可以为电池组的维护和更换工作提供保障。
发明内容
有鉴于此，本发明提供了一种基于区块链和Informer神经网络的电池组SOH预测***及方法。
本发明是通过以下技术手段实现上述技术目的的。
一种基于区块链和Informer神经网络的电池组SOH预测方法，具体为：
联盟区块链对电动车辆及其电池组的公共索引数据提取特征与标签；
对公共索引数据特征的数据集进行预处理，同标签一起构成数据集Xn，并丢弃弱相关特征，得到数据集X′n；
利用其他电动车辆的数据集X′n训练基于Informer的神经网络模型；
根据电动车辆自身的历史数据对训练后的基于Informer的神经网络模型进行重新校准，对重新校准的基于Informer的神经网络模型，设置预测序列长度，预测电池组的SOH。
进一步的技术方案，所述特征包括车辆驾驶行为特征、电池组状态特征和电动车辆所在地区的环境特征。
进一步的技术方案，所述标签为：
Figure BDA0003696111650000011
其中：ySOH表示公共索引数据的标签，C′T表示对修正容量CT自回归处理的结果，且CT＝KTCmax，KT为温度影响因子，Cmax为电池组当前最大可用容量，CR为电池组额定容量，yN为第N个充/放电片段的SOH值。
更进一步的技术方案，对公共索引数据特征的数据集进行预处理，包括：
对于电池组状态特征中的SOC进行异常检测，当ΔSOCk+1-ΔSOCk＜μ时，保留当前SOC值，否则丢弃，其中，ΔSOCk是采样时间点k对应的电池SOC，μ为SOC变化率阈值；
对于数据集中除SOC之外的特征：将缺失值达到80％以上的特征所在列丢弃，对缺失值在80％以下的进行填充；再对每一列特征进行异常值检测，删除异常值所在的行；然后将剩余特征划分为连续型特征Xc和离散型特征Xd，并分别进行归一化为X′c、独热编码为X′d；
所述数据集Xn＝concat(X′c，X′d，ySOH)，concat为拼接函数，ySOH表示公共索引数据的标签。
更进一步的技术方案，所述弱相关特征是指数据集Xn中相关性系数小于0.6的特征。
进一步的技术方案，所述基于Informer的神经网络模型包括依次进行通信的嵌入层、多头概率稀疏自注意力层、自注意力蒸馏层、生成式解码器网络和全连接层。
进一步的技术方案，对训练后的基于Informer的神经网络模型进行重新校准的过程为：向联盟区块链发送代币TID，若代币TID＝True，能找到属于自车的所有公共索引，校准成功。
一种基于区块链和Informer神经网络的电池组SOH预测***，包括：
车载区块链平台，存储每个注册电动车辆的私人信息和公共信息，所述私人信息被加密并生成安全索引，所述公共信息直接生成公共索引；
地区私人链，接收车载区块链平台发送的安全索引和公共索引，并存储安全索引；
联盟区块链，存储地区私人链发送的公共索引，并对所述公共索引进行特征与标签的提取，利用其他电动车辆的公共索引训练基于Informer的神经网络模型、利用电动车辆自身的数据对训练后的基于Informer的神经网络模型进行重新校准。
上述技术方案中，所述公共信息包括车辆所在地区、车辆驾驶行为及电池组数据。
本发明的有益效果为：
(1)本发明的预测***采用的区块链技术，具有较高的数据完整性和安全性，在注重隐私的同时，能够使得来自不同驾驶条件和区域的电动车辆电池数据可以在车辆之间共享；利用其他电动车辆的公共索引训练基于Informer的神经网络模型、利用电动车辆自身的数据对训练后的基于Informer的神经网络模型进行重新校准，以获得更精确的SOH预测模型；
(2)本发明的预测方法采用的基于Informer的神经网络模型，相比如CNN、LSTM、Transformer神经网络，具有更高的精度、效率和更长的序列长度，能够较为准确的监测动力电池组在接下来一周甚至更长一段时间内的健康状态，将有助于做好电池全寿命周期的管理，为电池维护和更换提供参考。
附图说明
图1为本发明所述基于区块链和Informer神经网络的电池组SOH预测流程图；
图2为本发明所述基于Informer的神经网络结构示意图。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。
如图1所示，本发明基于区块链和Informer神经网络的电池组SOH预测***，包括：
车载区块链平台，每一辆电动车辆在车载区块链平台注册后得到一个代币TID，当电动车辆行驶至地区n后，生成一个相应的车辆记录，车载区块链平台存储每个注册电动车辆的原始完整信息，包含私人信息(电动车辆ID、行驶路线和智能设备登录信息)和公共信息(包括车辆所在地区、车辆驾驶行为、电池组数据)，私人信息被加密并生成一个安全索引，而公共信息则直接生成一个公共索引；车载区块链平台与地区私人链和联盟区块链进行信息交互。
地区私人链，接收车载区块链平台发送的安全索引和公共索引，存储安全索引，并将电动车辆的公共索引发送到联盟区块链。
联盟区块链，存储电动车辆的公共索引，对电动车辆及其电池组的公共索引数据提取相关特征与标签、对特征数据集进行数据预处理，搭建基于Informer的神经网络模型，并利用其他电动车辆的公共索引训练基于Informer的神经网络模型，再利用电动车辆自身的数据对训练后的基于Informer的神经网络模型进行重新校准，通过重新校准的基于Informer的神经网络模型对电动车辆的SOH进行预测，并输出至车载区块链平台并显示。
如图1所示，一种基于区块链和Informer神经网络的电池组SOH预测方法，具体包括如下步骤：
S1，联盟区块链对电动车辆及其电池组的公共索引数据提取相关特征与标签
S1.1，利用Python相关库提取车辆驾驶行为特征XD(包括车速、加速度、放电深度、行驶里程)和电池组状态特征XB(包括电压、电流、放电倍率、温度、SOC)以及电动车辆所在地区n的环境特征XW(包括温度、湿度、气压、降水量、能见度、风速)，得到初步提取特征的数据集D，
Figure BDA0003696111650000031
Figure BDA0003696111650000032
其中：i为车辆驾驶行为特征XD中的第i个特征，j为电池组状态特征XB中的第j个特征，k为当地环境特征XW中的第k个特征，N为电池组第N个充/放电片段，即序列长度，dmodel为特征维度，
Figure BDA0003696111650000041
为实数集；
S1.2，在实验室条件下，当前电池组额定容量通过容量标定实验测得，然而在车辆的实际运行中，这种满充满放的标定条件在实际情况下很难满足，需提取电池组当前最大可用容量Cmax：
Figure BDA0003696111650000042
其中，SOC(t0)为放电起始时刻电池荷电状态，SOC(tk)为放电结束时刻电池荷电状态，I(t)为t时刻电池组电流，η为库伦效率，Δt为采样间隔；
S1.3，温度影响因子修正电池组当前最大可用容量Cmax，环境温度会影响电池组的最大可用容量，电池组的放电容量在低温环境下会明显降低，在高温环境下会增加；因此修正后的容量CT＝KTCmax，其中KT为温度影响因子，可将某车型对应的电池组置于-40℃、-25℃、-15℃、0℃、15℃、25℃、40℃的实验中以获取温度影响因子KT，其余温度范围内的温度影响因子KT可由插值法获取；
S1.4，利用回归算法对CT进行自回归处理C′T，除以电池组额定容量CR后作为标签ySOH：
Figure BDA0003696111650000043
其中，yN为第N个充/放电片段的SOH值；
所述回归算法包括逻辑回归、决策树回归、支持向量机回归、局部加权线性回归。
S2，实车采集的数据，很难满足满充满放的试验条件，并且由于传感器故障、BMS采样精度等因素，需要联盟区块链对特征数据集D进行数据预处理；
S2.1，对于电池组状态特征XB中的SOC进行异常检测，当ΔSOCk+1-ΔSOCk＜μ时，保留当前SOC值，否则将之丢弃，其中，ΔSOCk是采样时间点k对应的电池SOC，μ为SOC变化率阈值；
S2.2，对于对特征数据集D中除SOC之外的特征，缺失值达到80％以上的特征所在列丢弃，缺失值在80％以下的采用前值、后值、均值、热平台插补、拟合插补或多重插补进行填充，再对每一列特征进行异常值检测，删除异常值所在的行，进一步划分为连续型特征Xc和离散型特征Xd，并分别进行归一化为X′c和独热编码为X′d。
S3，拼接数据集Xn＝concat(X′c，X′d，ySOH)，利用相关性分析将相关性系数小于0.6的弱相关特征丢弃，获得新数据集X′n，将新数据集X′n的特征作为基于Informer的神经网络模型的输入。
S4，搭建基于Informer的神经网络模型，如图2所示，Informer神经网络包括嵌入层、多头概率稀疏自注意力层、自注意力蒸馏层、生成式解码器网络和全连接层；
S4.1，数据集X′n输入嵌入层，嵌入层将其转换为输入向量
Figure BDA0003696111650000051
输入向量
Figure BDA0003696111650000052
由特征标量
Figure BDA0003696111650000053
局部时间戳PE和全局时间戳SE三部分组成；
Figure BDA0003696111650000054
其中，α为平衡标量映射和局部/全局嵌入之间大小的因子，若序列输入已标准化，则α＝1；m∈[1，N]，p为全局时间戳类型的个数；
局部时间戳PE的计算公式如下：
Figure BDA0003696111650000055
Figure BDA0003696111650000056
其中，n∈[1，...，dmodel/2]，pos表示位置信息；
全局时间戳SE使用一个全连接层将输入的时间戳映射到512维。
S4.2，多头概率稀疏自注意力层通过线性变换将输入向量
Figure BDA0003696111650000057
转换为Q、K、V三个向量，公式如下：
Figure BDA0003696111650000058
其中，
Figure BDA0003696111650000059
分别为查询向量、键向量和值向量，
Figure BDA00036961116500000510
为对应于Q、K、V的训练参数矩阵；
进一步，获取每头概率稀疏自注意力层的输出：
Figure BDA00036961116500000511
其中，
Figure BDA00036961116500000512
勾Q的稀疏矩阵，Softmax为激活函数。
S4.3，自注意力蒸馏层利用蒸馏操作保留具有支配地位的特征，从第q层向第q+1层的过程为：
Figure BDA00036961116500000513
其中，
Figure BDA00036961116500000514
勾第q+1层的多头概率稀疏自注意力层输出，MaxPool为最大池化函数，ELU为激活函数，Conv1d为一维卷积函数，
Figure BDA00036961116500000515
勾第q层的多头概率稀疏自注意力层的计算结果，包含多头注意力机制。
S4.4，生成式解码器网络一次性生成所有的预测输出，其过程如下：
Figure BDA0003696111650000061
其中，
Figure BDA0003696111650000062
为生成式解码器网络的输入，
Figure BDA0003696111650000063
为开始标记，
Figure BDA0003696111650000064
为目标序列的占位符，用0填充，concat为拼接函数，Ny为预测序列长度，Ntoken为输入序列长度。
S4.5，经过生成式解码器网络后，序列长度的每一个待预测位置都有一个向量，然后输入到一个全连接层得到预测结果。
S5，对于搭建好的基于Informer的神经网络模型，需要对其进行训练，以学习模型内部参数；
S5.1，按照一定比例将其他电动车辆的数据集X′n分为训练集Xtrain和测试集Xtest；
S5.2，设置基于Informer的神经网络模型超参数，超参数包括时间特征编码的频率freq、预测序列长度pred_len、Dropout、学***均相对误差MRE作为基于Informer的神经网络模型的损失函数和评价指标，公式如下：
Figure BDA0003696111650000065
Figure BDA0003696111650000066
其中，
Figure BDA0003696111650000067
为当前测试样本的实际SOH值，
Figure BDA0003696111650000068
为
Figure BDA0003696111650000069
的估计值，a∈[1，N]；
S5.3，利用训练集Xtrain对搭建好的基于Informer的神经网络模型进行训练，训练完成后利用测试集Xtest对训练完成的模型进行测试，若平均相对误差MRE＜ε，则输出训练后的基于Informer的神经网络模型，反之，则设置超参数重新进行训练。
S6，根据电动车辆自身的历史数据对训练后的基于Informer的神经网络模型进行重新校准：通过向联盟区块链发送代币TID，若代币TID＝True，即可找到属于该电动车辆的所有公共索引，若代币TID＝false，说明该电动车辆没有在车载区块链平台上注册。
S7，基于重新校准的基于Informer的神经网络模型，通过设置预测序列长度pred_len，可调整模型的预测长度，可利用重新校准的基于Informer的神经网络模型对未来较长一段时间内的电池组进行SOH估计，在预测序列长度一定的基础上，其精度和效率远高于CNN、LSTM等神经网络。
所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。

Claims (9)

1.一种基于区块链和Informer神经网络的电池组SOH预测方法，其特征在于：
联盟区块链对电动车辆及其电池组的公共索引数据提取特征与标签；
对公共索引数据特征的数据集进行预处理，同标签一起构成数据集Xn，并丢弃弱相关特征，得到数据集X′n；
利用其他电动车辆的数据集X′n训练基于Informer的神经网络模型；
根据电动车辆自身的历史数据对训练后的基于Informer的神经网络模型进行重新校准，对重新校准的基于Informer的神经网络模型，设置预测序列长度，预测电池组的SOH。
2.根据权利要求1所述的电池组SOH预测方法，其特征在于，所述特征包括车辆驾驶行为特征、电池组状态特征和电动车辆所在地区的环境特征。
3.根据权利要求1所述的电池组SOH预测方法，其特征在于，所述标签为：
Figure FDA0003696111640000011
其中：ySOH表示公共索引数据的标签，C′T表示对修正容量CT自回归处理的结果，且CT＝KTCmax，KT为温度影响因子，Cmax为电池组当前最大可用容量，CR为电池组额定容量，yN为第N个充/放电片段的SOH值。
4.根据权利要求2所述的电池组SOH预测方法，其特征在于，对公共索引数据特征的数据集进行预处理，包括：
对于电池组状态特征中的SOC进行异常检测，当ΔSOCk+1-ΔSOCk<μ时，保留当前SOC值，否则丢弃，其中，ΔSOCk是采样时间点k对应的电池SOC，μ为SOC变化率阈值；
对于数据集中除SOC之外的特征：将缺失值达到80％以上的特征所在列丢弃，对缺失值在80％以下的进行填充；再对每一列特征进行异常值检测，删除异常值所在的行；然后将剩余特征划分为连续型特征Xc和离散型特征Xd，并分别进行归一化为X′c、独热编码为X′d；
所述数据集Xn＝concat(X′c,X′d,ySOH)，concat为拼接函数，ySOH表示公共索引数据的标签。
5.根据权利要求4所述的电池组SOH预测方法，其特征在于，所述弱相关特征是指数据集Xn中相关性系数小于0.6的特征。
6.根据权利要求1所述的电池组SOH预测方法，其特征在于，所述基于Informer的神经网络模型包括依次进行通信的嵌入层、多头概率稀疏自注意力层、自注意力蒸馏层、生成式解码器网络和全连接层。
7.根据权利要求1所述的电池组SOH预测方法，其特征在于，对训练后的基于Informer的神经网络模型进行重新校准的过程为：向联盟区块链发送代币TID，若代币TID＝True，能找到属于自车的所有公共索引，校准成功。
8.一种实现权利要求1-7任一项所述的电池组SOH预测方法的***，其特征在于，包括：
车载区块链平台，存储每个注册电动车辆的私人信息和公共信息，所述私人信息被加密并生成安全索引，所述公共信息直接生成公共索引；
地区私人链，接收车载区块链平台发送的安全索引和公共索引，并存储安全索引；
联盟区块链，存储地区私人链发送的公共索引，并对所述公共索引进行特征与标签的提取，利用其他电动车辆的公共索引训练基于Informer的神经网络模型、利用电动车辆自身的数据对训练后的基于Informer的神经网络模型进行重新校准。
9.根据权利要求8所述的***，其特征在于，所述公共信息包括车辆所在地区、车辆驾驶行为及电池组数据。
CN202210675036.4A 2022-06-15 2022-06-15 一种基于区块链和Informer神经网络的电池组SOH预测***及方法 Pending CN114994546A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210675036.4A CN114994546A (zh) 2022-06-15 2022-06-15 一种基于区块链和Informer神经网络的电池组SOH预测***及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210675036.4A CN114994546A (zh) 2022-06-15 2022-06-15 一种基于区块链和Informer神经网络的电池组SOH预测***及方法

Publications (1)

Publication Number Publication Date
CN114994546A true CN114994546A (zh) 2022-09-02

Family

ID=83035327

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210675036.4A Pending CN114994546A (zh) 2022-06-15 2022-06-15 一种基于区块链和Informer神经网络的电池组SOH预测***及方法

Country Status (1)

Country Link
CN (1) CN114994546A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115754738A (zh) * 2022-12-01 2023-03-07 合肥力高动力科技有限公司 一种基于小样本学习孪生网络的电池组健康状态估计方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115754738A (zh) * 2022-12-01 2023-03-07 合肥力高动力科技有限公司 一种基于小样本学习孪生网络的电池组健康状态估计方法

Similar Documents

Publication Publication Date Title
WO2022126526A1 (zh) 一种电池温度预测方法及***
CN113343633A (zh) 动力锂电池热失控故障分类及风险预测方法、***
CN110501646A (zh) 一种离线锂电池剩余电量估计方法
CN113447828B (zh) 一种基于贝叶斯神经网络的锂电池温度估计方法及***
CN114462259B (zh) 基于soc的电池剩余寿命预测方法、***、汽车及介质
CN114994546A (zh) 一种基于区块链和Informer神经网络的电池组SOH预测***及方法
CN116700296A (zh) 基于深度学习的自主充电无人电动车智能规划方法及***
Wang et al. Online state of health estimation for lithium-ion batteries based on a dual self-attention multivariate time series prediction network
CN116523177A (zh) 融合机理和深度学习模型的车辆能耗预测方法及装置
CN114460481A (zh) 基于Bi-LSTM和注意力机制的储能电池热失控预警方法
Wang et al. Large-scale field data-based battery aging prediction driven by statistical features and machine learning
CN112327169B (zh) 一种锂电池剩余寿命预测方法
CN116315189B (zh) 一种基于数据融合的电池包热失控预测方法和***
US20230305073A1 (en) Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern
CN117192378A (zh) 一种注意力机制耦合贝叶斯网络的锂电池soh估计方法
Heitzmann et al. Sochap: A new data driven explainable prediction of battery state of charge
CN116901707A (zh) 一种动力电池组故障预警方法、***及车辆
CN115436814A (zh) 一种锂离子电池剩余寿命的概率预测方法
CN115219931A (zh) 运行用于提供电蓄能器的预测老化状态的***的方法和装置
CN114924192A (zh) 基于神经网络的并联电池组安全预警方法
Liu et al. Big field data-driven battery pack health estimation for electric vehicles: A deep-fusion transfer learning approach
Eider et al. A novel approach on battery health monitoring
Ye et al. Enhanced robust capacity estimation of lithium-ion batteries with unlabeled dataset and semi-supervised machine learning
US20240210477A1 (en) Battery management system using graph neural network
CN112485676B (zh) 一种数字镜像下的电池储能***状态估计预警方法

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