CN115865716A - 一种网络状态分析方法、***及计算机可读介质 - Google Patents
一种网络状态分析方法、***及计算机可读介质 Download PDFInfo
- Publication number
- CN115865716A CN115865716A CN202211432816.2A CN202211432816A CN115865716A CN 115865716 A CN115865716 A CN 115865716A CN 202211432816 A CN202211432816 A CN 202211432816A CN 115865716 A CN115865716 A CN 115865716A
- Authority
- CN
- China
- Prior art keywords
- data
- network
- network state
- training
- data processing
- 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
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 44
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000000739 chaotic effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种网络状态分析方法、***及计算机可读介质，所述方法通过对历史数据的分析，确定多组数据处理模型，然后对数据进行二次处理，提供模型的准确性；然后使用所述的多组数据处理模型对网络状态进行处理，通过评估获取当前的网络状态，上述方案不仅能够准确的判断当前的网络状态，还可以对未来一段时间内的网络状态进行预测。
Description
技术领域
本发明涉及本发明涉及机器学习领域和故障诊断领域，具体涉及一种网络状态分析方法、***及计算机可读介质。
背景技术
近年来，随着汽车工业的发展，燃油车加速了能源污染的情况。充电电动车的出现，其清洁低碳绿色的优点，快速成为汽车行业的热门发展趋势。
传统的充电安全保护机制是根据电动汽车的电池管理***(BMS)，BMS是一套保护动力电池组使用安全的控制***，能够实时监测动力电池组的充放电过程，电压电流值、SOC估计和电量等。充电桩在对电动汽车进行充电时，由于网络问题，很可能造成数据掉线缺失或者错误的问题。因此充电桩对电动汽车的充电数据进行分析，通过判断报文的网络状态是否出现故障来及时对故障数据进行修复，并预估未来一段时间内是否还会有故障出现。
发明内容
为了解决现有技术中存在的问题，本发明提供了一种网络状态分析方法，所述方法包括：
预处理步骤：对历史数据进行预处理；
训练步骤：用于利用多组数据处理模型对预处理后的数据进行二次处理；
评估步骤：用于基于所述多组数据处理模型对网络状态数据进行处理；根据处理后的网络状态数据进行网络状态的评估。
其中，所述多组数据处理模型包括：BP网络训练模型和PS-LSTM预测模型。
其中，所述训练步骤包括：将所述预处理后的数据导入PS-LSTM预测模型进行回归预测。
其中，所述训练步骤还包括：将预处理后的数据进行分类，建立BP网络训练模型进行训练，输出网络的正常状态和或异常状态。
其中，所述评估步骤，还包括：将实时采集的数据输入到训练好的BP网络训练模型中，得到实时数据的报文的网络状态；将PS-LSTM预测模型预测的报文特征值输入到BP网络训练模型中，得到预测的报文的网络状态。
本发明还提供了一种网络状态分析***，所述***包括：
预处理模块：对历史数据进行预处理；
训练模块：用于利用多组数据处理模型对预处理后的数据进行二次处理；
评估模块：用于基于所述多组数据处理模型对网络状态数据进行处理；根据处理后的网络状态数据进行网络状态的评估。
其中，所述多组数据处理模型包括：BP网络训练模型和PS-LSTM预测模型。
其中，所述训练模块用于：将所述预处理后的数据导入PS-LSTM预测模型进行回归预测。
本发明的有益效果是，本发明提供了一种网络状态分析方法、***及计算机可读介质，所述方法通过对历史数据的分析，确定多组数据处理模型，然后对数据进行二次处理，提供模型的准确性；然后使用所述的多组数据处理模型对网络状态进行处理，通过评估获取当前的网络状态，上述方案不仅能够准确的判断当前的网络状态，还可以对未来一段时间内的网络状态进行预测。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明优选实施例的方法流程图；
图2是本发明的基于PS-LSTM和BP神经网络的报文网络状态分析方法的流程图。
图3是本发明的基于PS-LSTM和BP神经网络的报文网络状态分析方法中BP神经网络的结构图。
图4是本发明优选实施例的结构示意图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
为了解决现有技术中存在的问题，本发明提供了一种网络状态分析方法，优选的，如图2所示，本发明结合了机器学习与深度学习方法的优势，利用相空间(PS)、长短期记忆网络(LSTM)和BP神经网络来对网络故障数据进行分类，并对其进行在线监测，可以有效的根据当前的充电电压、电流、电量、单体电压、最高温度、最低温度等信息进行预测。如图1所示，所述方法包括：
预处理步骤：对历史数据进行预处理；
训练步骤：用于利用多组数据处理模型对预处理后的数据进行二次处理；
评估步骤：用于基于所述多组数据处理模型对网络状态数据进行处理；根据处理后的网络状态数据进行网络状态的评估。
其中，所述多组数据处理模型包括：BP网络训练模型和PS-LSTM预测模型。
上述基于PS-LSTM和BP神经网络的报文网络状态分析方法，通过选定报文网络状态评价指标参数，对数据集进行预处理；基于LSTM参数优化和基于BP神经网络的报文状态识别；不仅能够准确的判断当前的网络状态，还可以对未来一段时间内的网络状态进行预测。
优选的，所述预处理步骤具体包括：
步骤1，从数据库里按车牌筛选出正在充电的新能源汽车的历史报文数据，包含正常数据和网络问题数据；取出相关充电特征指标：充电电压、电流、电量、单体电压、最高温度、最低温度，为后续LSTM和BP神经网络训练提供样本。新能源汽车的用户在公司的充电桩充电时会产生新能源车与充电桩之间的通讯报文；充电桩会根据公司与充电桩企业签订的协议来筛选部分通讯报文发送到公司的云平台中，并存入数据库，数据库中的报文均为历史报文数据。
步骤2，对选取的数据进行预处理，将各维度特征归一化到同一取值区间，然后消除不同特征之间的相关性，最后给再给数据加上标签：网络问题的数据标记为1，正常数据标记为0。归一化的公式为：
其中，amin为数据集中的最小值，amax为数据集中的最大值。
其中，所述训练步骤包括：将所述预处理后的数据导入PS-LSTM预测模型进行回归预测。具体包括：
步骤3，把历史每个报文的充电电压、电流、电量、单体电压、最高温度、最低温度归一化后的数据集记为矩阵X，作为输入；报文的网络状态作为输出，即标签数据记为矩阵Y。其中，LSTM训练的数据来源于尽可能多的车型和用户，使得训练之后的LSTM具备较强通用性。
LSTM的训练过程为离线程序，只有在定期维护或出现大量错误时才会重新训练LSTM的权值。
LSTM训练好之后，将应用于报文的特征参数预测。
将矩阵输入汽车充电的特征量数据集，采用时序相空间重构方法训练样本，对PS-LSTM预测模型进行训练。具体包括：
第一步，对时序数据进行归一化处理，采用最大最小化归一方法，避免因为输入输出数据数量级差别较大而造成网络预测误差较大；
第二步，用C-C算法对归一化处理后的混沌时间序列初步计算其嵌入维数m和延迟时间τ；其中，C-C算法是本领域的常见的算法，在此不再赘述各个公式的推导过程。
设观测到的混沌时间序列为x1,x2,…,xn，选用适当的延迟时间τ和嵌入维数m，将混沌序列重构为相空间公式
C-C算法将整个时间序列分成t个不相交的时间序列，序列长度L＝N/t，当N→∞时：
一般情况下取N＝3003,rj＝iσ/2，i＝1,2,3,4,t＝1,2,…,200，计算以下三式：
Scor(t)＝△SA(t)+|SA(t)| (5)
寻找SA(t)的第一个零点或△SA(t)的第一个局部极小点即为最优时间延迟τ。同时寻找Scor(t)的全局最小点即可获得最优延迟时间窗口τW，即平均轨道周期的最优估计。由τW＝(m-1)τ,即可得到嵌入维数m的值。
第三步，将第二步计算出的嵌入维数m和延迟时间τ代入公式(1)中，将原混沌时序重构为m维相空间。
第四步，将第三步得到的相空间重构数据作为动态神经网络的输入数据。
其中，所述训练步骤还包括：将预处理后的数据进行分类，建立BP网络训练模型进行训练，输出网络的正常状态和或异常状态。具体包括：
步骤4，训练BP神经网络。报文的网络状态分为故障状态和正常状态两种。利用采集到的不同状态下的数据集，以样本集的六个特征作为输入，以报文的正常和故障状态作为输出，建立bp神经网络的训练模型。训练bp神经网络。如图2所示，输入层包含6个神经单元，根据Kolmogolov神经网络映射存在定理，隐含层应包含13个神经元，因此该网络为6-13-1三层BP神经网络。训练好的BP神经网络用于后续的报文的网络状态识别。
其中，所述评估步骤，还包括：将实时采集的数据输入到训练好的BP网络训练模型中，得到实时数据的报文的网络状态；和、或将PS-LSTM预测模型预测的报文特征值输入到BP网络训练模型中，得到预测的报文的网络状态。具体包括：
步骤5，为了预测报文的特征参数，基于PS-LSTM，使用从先前训练获得的PS-LSTM预测模型，对未来报文的特征数据进行多步回归预测，多步预测的方式为迭代法，每次只向前预测一步，且每步都采用新得到的预测值而不是实测值来继续下一步的预测。PS-LSTM的输入6个特性值：充电电压、电流、电量、单位电压、最大温度和最小温度，输出为6个预测特性值：充电电压、电流、电量、单位电压、最大温度和最小温度.LSTM主要由遗忘门、更新门层、输出门构成。
遗忘门公式：
ft＝σ(Wf·[ht-1,xt]+bf) (6)
式中，ft为t时刻的遗忘门；σ(x)为sigmod激活函数；Wf为遗忘门的权重向量；ht-1为表示t-1时刻的输出；xi为本时刻的输入；bf为遗忘门的偏移量。
更新门层公式：
it＝σ(Wi·[ht-1,xt]+bi) (7)
C′t＝tanh(Wc·[ht-1,xt]+bc) (8)
Ct＝ft*Ct-1+it*C′t (9)
式中，it是t时刻的输入门；bi为输入门；tanh(x)为激活函数；bc为单元信息更新的偏移量；Ct和Ct-1分别为对应时刻的单元信息状态；Wi与Wc分别是输入们和单元信息更新的权重向量。
输出门层中：
Ot＝σ(Wo·[ht-1,xt]+bo) (10)
ht＝Ot*tanh(Ct) (11)
式中，Ot是输出门，Wo是输出门的权重向量；bo是输出门的偏移量；ht是最终的输出结果。
步骤6，BP神经网络的消息网络状态识别。训练后的BP网络用于结合预测的报文特征值对报文网络状态进行评估，或利用报文的实时特征数据在线识别报文网络状态。BP神经网络的选取tanh函数。
步骤7，汽车的报文网络状态分类实际应用，具体过程如下：
在用户完成一次充电后，将此次充电报文放入训练好的BP神经网络中，并更新用户个人健康档案中充电安全系数，用于下次网络状态监测；
获取实时的特征数据，并对实时特征数据进行预处理，数据预处理归一化具体见步骤1。
方式一：将实时数据输入到训练好的BP神经网络模型中，得到实时数据的报文的网络状态；方式二：利用PS-LSTM预测的报文特征值输入到BP神经网络模型中，得到预测的报文的网络状态。
当使用在线实时识别报文的网络状态模式时，每当一个充电桩与新能源汽车握手成功之后并且产生第一条充电报文开始，就要启动在线程序；
本发明还提供了一种网络状态分析***，通过所述***实现上述的方法。
所述***包括：
预处理模块：对历史数据进行预处理；
训练模块：用于利用多组数据处理模型对预处理后的数据进行二次处理；
评估模块：用于基于所述多组数据处理模型对网络状态数据进行处理；根据处理后的网络状态数据进行网络状态的评估。
其中，所述多组数据处理模型包括：BP网络训练模型和PS-LSTM预测模型。
其中，所述训练模块用于：将所述预处理后的数据导入PS-LSTM预测模型进行回归预测。
本发明的有益效果是，本发明提供了一种网络状态分析方法、***及计算机可读介质，所述方法通过对历史数据的分析，确定多组数据处理模型，然后对数据进行二次处理，提供模型的准确性；然后使用所述的多组数据处理模型对网络状态进行处理，通过评估获取当前的网络状态，上述方案不仅能够准确的判断当前的网络状态，还可以对未来一段时间内的网络状态进行预测。
本发明还提供了一种网络状态分析***，包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行所述的方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种网络状态分析方法，其特征在于，所述方法包括：
预处理步骤：对历史数据进行预处理；
训练步骤：用于利用多组数据处理模型对预处理后的数据进行二次处理；
评估步骤：用于基于所述多组数据处理模型对网络状态数据进行处理；
根据处理后的网络状态数据进行网络状态的评估。
2.根据权利要求1所述的网络状态分析方法，其特征在于，所述多组数据处理模型包括：BP网络训练模型和PS-LSTM预测模型。
3.根据权利要求2所述的网络状态分析方法，其特征在于，所述训练步骤包括：将所述预处理后的数据导入PS-LSTM预测模型进行训练。
4.根据权利要求1或2所述的网络状态分析方法，其特征在于，所述训练步骤还包括：将预处理后的数据进行分类，建立BP网络训练模型进行训练，输出网络的正常状态和或异常状态。
5.根据权利要求1或2所述的网络状态分析方法，其特征在于，所述评估步骤，还包括：将实时采集的数据输入到训练好的BP网络训练模型中，得到实时数据的报文的网络状态；将PS-LSTM预测模型预测的报文特征值输入到BP网络训练模型中，得到预测的报文的网络状态。
6.一种网络状态分析***，其特征在于，所述***包括：
预处理模块：对历史数据进行预处理；
训练模块：用于利用多组数据处理模型对预处理后的数据进行二次处理；
评估模块：用于基于所述多组数据处理模型对网络状态数据进行处理；
根据处理后的网络状态数据进行网络状态的评估。
7.根据权利要求6所述的网络状态分析***，其特征在于，所述多组数据处理模型包括：BP网络训练模型和PS-LSTM预测模型。
8.根据权利要求7所述的网络状态分析***，其特征在于，所述训练模块用于：将所述预处理后的数据导入PS-LSTM预测模型进行回归预测。
9.一种网络状态分析***，包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1-5所述的方法。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行所述权利要求1-5所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211432816.2A CN115865716B (zh) | 2022-11-16 | 2022-11-16 | 一种网络状态分析方法、***及计算机可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211432816.2A CN115865716B (zh) | 2022-11-16 | 2022-11-16 | 一种网络状态分析方法、***及计算机可读介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115865716A true CN115865716A (zh) | 2023-03-28 |
| CN115865716B CN115865716B (zh) | 2024-06-18 |
Family
ID=85663679
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211432816.2A Active CN115865716B (zh) | 2022-11-16 | 2022-11-16 | 一种网络状态分析方法、***及计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115865716B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116861164A (zh) * | 2023-05-08 | 2023-10-10 | 华电电力科学研究院有限公司 | 一种汽轮机运行故障监测*** |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109495296A (zh) * | 2018-11-02 | 2019-03-19 | 国网四川省电力公司电力科学研究院 | 基于聚类与神经网络的智能变电站通信网络状态评价方法 |
| US20190268283A1 (en) * | 2018-02-23 | 2019-08-29 | International Business Machines Corporation | Resource Demand Prediction for Distributed Service Network |
| CN113837356A (zh) * | 2021-08-24 | 2021-12-24 | 华南师范大学 | 基于融合神经网络的污水处理智能预测方法 |
| WO2022077693A1 (zh) * | 2020-10-15 | 2022-04-21 | 中国科学院深圳先进技术研究院 | 负荷预测模型的训练方法及训练装置、存储介质、设备 |
| CN114880734A (zh) * | 2020-12-21 | 2022-08-09 | 长沙理工大学 | 一种基于bp-lstm的钢混组合桥面系温度场及温度效应预测方法 |
| CN115238983A (zh) * | 2022-07-19 | 2022-10-25 | 上海颉码能源科技有限公司 | 一种基于bp神经网络的充电安全状态评估方法及*** |
-
2022
- 2022-11-16 CN CN202211432816.2A patent/CN115865716B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190268283A1 (en) * | 2018-02-23 | 2019-08-29 | International Business Machines Corporation | Resource Demand Prediction for Distributed Service Network |
| CN109495296A (zh) * | 2018-11-02 | 2019-03-19 | 国网四川省电力公司电力科学研究院 | 基于聚类与神经网络的智能变电站通信网络状态评价方法 |
| WO2022077693A1 (zh) * | 2020-10-15 | 2022-04-21 | 中国科学院深圳先进技术研究院 | 负荷预测模型的训练方法及训练装置、存储介质、设备 |
| CN114880734A (zh) * | 2020-12-21 | 2022-08-09 | 长沙理工大学 | 一种基于bp-lstm的钢混组合桥面系温度场及温度效应预测方法 |
| CN113837356A (zh) * | 2021-08-24 | 2021-12-24 | 华南师范大学 | 基于融合神经网络的污水处理智能预测方法 |
| CN115238983A (zh) * | 2022-07-19 | 2022-10-25 | 上海颉码能源科技有限公司 | 一种基于bp神经网络的充电安全状态评估方法及*** |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116861164A (zh) * | 2023-05-08 | 2023-10-10 | 华电电力科学研究院有限公司 | 一种汽轮机运行故障监测*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115865716B (zh) | 2024-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hong et al. | Synchronous multi-parameter prediction of battery systems on electric vehicles using long short-term memory networks | |
| CN110488202B (zh) | 基于深度神经网络的车辆电池荷电状态估计方法 | |
| Kim et al. | Estimation of Li-ion battery state of health based on multilayer perceptron: As an EV application | |
| CN109001640B (zh) | 一种动力电池的数据处理方法和装置 | |
| CN111680848A (zh) | 基于预测模型融合的电池寿命预测方法及存储介质 | |
| CN112630662B (zh) | 一种基于数据驱动及多参数融合的动力电池soh估算方法 | |
| CN114325450A (zh) | 基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法 | |
| CN111999649A (zh) | 一种基于XGBoost算法的锂电池剩余寿命预测方法 | |
| CN111191824B (zh) | 一种动力电池容量衰减预测方法及*** | |
| CN111983474A (zh) | 一种基于容量衰退模型的锂离子电池寿命预测方法和*** | |
| CN115238983A (zh) | 一种基于bp神经网络的充电安全状态评估方法及*** | |
| CN116541790B (zh) | 基于多特征融合的新能源车辆健康评估方法和装置 | |
| CN115865716B (zh) | 一种网络状态分析方法、***及计算机可读介质 | |
| CN113705615A (zh) | 一种基于神经网络的电动汽车充电过程多级设备故障诊断方法及*** | |
| CN113538037A (zh) | 监测电瓶车充电事件的方法及***、设备、存储介质 | |
| Xue et al. | Estimating state of health of lithium-ion batteries based on generalized regression neural network and quantum genetic algorithm | |
| 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 | |
| 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 | |
| CN114460481A (zh) | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 | |
| CN114036647A (zh) | 一种基于实车数据的动力电池安全风险评估方法 | |
| CN117557304A (zh) | 基于模态分解与神经网络的电量电价层级融合预测方法 | |
| CN117630672A (zh) | 借助变换器模型预测诊断技术设备的设备电池的方法和设备 | |
| CN115891741B (zh) | 一种适用于电动汽车充电过程的远程故障预警方法及装置 | |
| CN116819328A (zh) | 一种电动汽车动力电池故障诊断方法、***、设备及介质 | |
| CN116609671A (zh) | 电池容量预测方法、装置、设备及存储介质 |
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 |