TWI794787B - 線上電池壽命預測方法 - Google Patents
線上電池壽命預測方法 Download PDFInfo
- Publication number
- TWI794787B TWI794787B TW110113159A TW110113159A TWI794787B TW I794787 B TWI794787 B TW I794787B TW 110113159 A TW110113159 A TW 110113159A TW 110113159 A TW110113159 A TW 110113159A TW I794787 B TWI794787 B TW I794787B
- Authority
- TW
- Taiwan
- Prior art keywords
- prediction
- starting point
- learning model
- life
- point
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000013136 deep learning model Methods 0.000 claims abstract description 14
- 238000010801 machine learning Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 2
- 238000000342 Monte Carlo simulation Methods 0.000 claims 1
- 230000003862 health status Effects 0.000 abstract 1
- 230000001419 dependent effect Effects 0.000 description 7
- 238000005096 rolling process Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 210000004027 cell Anatomy 0.000 description 5
- 239000000446 fuel Substances 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 230000003449 preventive effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Secondary Cells (AREA)
Abstract
一種線上電池壽命預測方法，包括下述步驟。偵測電池的健康狀態而獲得歷史資料。設定回朔訓練點以及預測起始點，並以回朔訓練點與預測起始點之間的歷史資料作為訓練集。將訓練集輸入至機器學習模型，以獲得在預測起始點之後未來的多個時間點上的多個預測參數。將所述預測參數輸入至深度學習模型，藉此計算殘餘壽命。
Description
本發明是有關於一種使用壽命的預測方法，且特別是有關於一種線上（Online）電池壽命預測方法。
目前燃料電池發的應用產品包括定置型發電機、運輸工具電源系統、可攜式電源系統等。燃料電池在使用後，會因充電放電導致電容量逐漸下降，因此需要適時地更換。倘若無法提前得知更換燃料電池的確切時間，將會使消費者蒙受損失風險。因此需要透過預測方法來預測電池之剩餘壽命，以便消費者提前做預防保養的動作。
目前市面上針對燃料電池的可使用壽命的預測方法，主要只是做模型的適配度分析。然，此種方法僅適用於已知資料，即，需要利用已知的未來資料的因變數來進行預測，判斷模型是否適合來對電池的可使用壽命進行預測。目前現有的預測方法都需要等待未來資料全部收集完成後才開始進行預測，故，這些方法並非適用於真實世界中，只是適用於模型研究或者針對具有一模一樣壽命週期的產品。
現有的預測方法，皆是以單次預測做預測分析，所謂單次預測是指只利用單一模型做預測分析，未來因變數已知所以不需預測因變數。然，現有利用已知未來因變數的技術中存在下述問題。第一，模型利用已知資料準確度高但並未代表模型是真正合適。第二、必須等待到未來資料全部收集完成才可做預測，不符合真正可使用壽命預測的邏輯。在實務運作上，並無法取得未來資料，真實的已知資料應該只有時間資料而已。
本發明提供一種線上電池壽命預測方法，將深度學習模型與機器學習模型互相搭配，藉此預測電池壽命失效點，以提供企業能在電池壽命失效前提早實施預防、保養等措施。
本發明的線上電池壽命預測方法，包括：偵測電池的健康狀態而獲得歷史資料；設定回朔訓練點以及預測起始點，並以回朔訓練點與預測起始點之間的歷史資料作為訓練集；將訓練集輸入至機器學習模型，以獲得在預測起始點之後未來的多個時間點上的多個預測參數；以及將所述預測參數輸入至深度學習模型，藉此計算殘餘壽命。
在本發明的一實施例中，上述將所述預測參數輸入至深度學習模型，藉此計算殘餘壽命的步驟包括：將所述預測參數輸入至深度學習模型以獲得在所述時間點上的多個能量預測值；判斷所述能量預測值是否小於閾值；在所述能量預測值中取出小於閾值且最接近閾值的其中一個能量預測值，將其對應的時間點作為最終壽命時間；以及以最終壽命時間與預測起始點之間的差作為殘餘壽命。
在本發明的一實施例中，上述線上電池壽命預測方法，更包括：設定預測步數為N，並設定每一步為O小時；以及設定在預測起始點之後未來的N個時間點。在判斷所述能量預測值是否小於閾值之後，更包括：倘若所述能量預測值皆未小於閾值，重新設定自預測起始點經過N×O小時後的未來N個時間點，以透過機器學習模型與深度學習模型來重新計算殘餘壽命。
在本發明的一實施例中，上述在獲得所述預測參數之後，更包括：將所述預測參數回傳至訓練集。
在本發明的一實施例中，上述機器學習模型採用支持向量迴歸演算法、迴歸演算法以及隨機森林演算法其中一個，該深度學習演算法採用卷積神經網路以及稀疏自動編碼器（Sparse autoencoder）結合深度神經網路其中一個。
在本發明的一實施例中，上述預測參數包括在每一時間點上的預測電壓值以及預測電流值。
在本發明的一實施例中，上述電池壽命預測方法，更包括：透過蒙地卡羅隨機關閉神經元方法（Monte Carlo (MC) dropout approach）來獲得預測區間。
基於上述，本揭示提出一種線上電池壽命預測方法，可以利用深度學習模型以及機器學習模型，搭配滾動式多步數的預測方式，預測電池壽命的失效點，藉此可提供企業在電池壽命失效前提早實施預防保養。
當一顆完整未使用的電池在使用一段時間後，電池會產生退化等狀況，而從電池中收集到的參數及參數在衰弱時的狀況等數據並無法直接提供消費者幫助，因此需要透過一個預測方法來預測電池之殘餘壽命，以便消費者提前做預防保養的動作。據此，本揭示提供一種線上電池壽命預測方法，可實現線上壽命預測。
在底下實施例中，線上電池壽命預測方法可由具有運算功能的電子裝置來實現。此電子裝置包括處理器以及儲存器。處理器可以是具備運算處理能力的硬體（例如晶片組、處理器等）、軟體元件（例如作業系統、應用程式等），或硬體及軟體元件的組合。影像處理器110例如是中央處理單元（Central processing unit，CPU）、圖形處理單元（Graphics processing unit，GPU），或是其他可程式化之微處理器（Microprocessor）、數位訊號處理器（Digital signal processor，DSP）、可程式化控制器、特殊應用積體電路（Application specific integrated circuits，ASIC）、程式化邏輯裝置（Programmable logic device，PLD）或其他類似裝置。
儲存器例如是任意型式的固定式或可移動式隨機存取記憶體、唯讀記憶體、快閃記憶體、安全數位卡、硬碟或其他類似裝置或這些裝置的組合。儲存器中儲存有至少一程式碼片段，而上述程式碼片段在被安裝後，由處理器來執行以實現線上電池壽命預測方法。在底下實施例中所提及的「電池」包括燃料電池。
圖1是依照本發明一實施例的線上電池壽命預測方法的流程圖。請參照圖1，在步驟S105中，偵測電池的健康狀態而獲得歷史資料。在此，透過電池的充、放電實驗來偵測電池的健康狀態，藉此來收集電壓值、電流值、能量（電壓值×電流值）等歷史資料。例如，以預診斷與健康管理（Prognostic and health management，PHM）工具來收集電池的歷史資料。假設原始收集的歷史資料共127340筆，之後透過取平均的方式將資料轉換為以小時為單位，轉換後測試資料從0小時到1021小時。接著，執行資料前處理，例如利用局部預估散點平滑（Locally estimated scatterplot smoothly，LOESS）將原始資料平滑化。
在步驟S110中，設定回朔訓練點以及預測起始點，並以回朔訓練點與預測起始點之間的歷史資料作為訓練集。在此步驟中，設定第一階段預測的自變數，即預測起始點與回朔訓練點。以預測起始點與回朔訓練點這兩點之間作為預測模型的訓練長度（Training length），將回朔訓練點與預測起始點之間的歷史資料作為訓練集。在此，回朔訓練點早於預測起始點，在預測起始點後便無記載電池的歷史資料。
圖2A是本發明一實施例的電壓資料的曲線圖。圖2B是本發明一實施例的電流資料的曲線圖。請參照圖2A及圖2B，在本實施例中僅偵測0～550小時的歷史資料。故，將550小時設定為預測起始點(Starting point, SP)，在預測起始點SP之後的未來時間T2並不包括任何已知資料。並且，在0～550之間再設定一回朔訓練點(Backtracking point, BP)。例如，使用者可根據其經驗以及電池種類來設定回朔訓練點BP。或者，可根據所需的歷史資料的數量來設定回朔訓練點BP。以預測起始點SP與回朔訓練點BP這兩點之間的訓練時間長度T1所包括的歷史資料作為訓練集。
接著，在步驟S115中，將訓練集輸入至機器學習模型，以獲得在預測起始點SP之後未來的多個時間點上的多個預測參數。所述機器學習模型採用支持向量迴歸（Support vector regression，SVR）演算法。
具體而言，在決定訓練時間長度T1之後，利用訓練時間長度T1中的訓練集來預測未來時間T2的預測電壓值以及預測電流值。在本實施例中，使用基於SVR演算法的機器學習模型。SVR模型訓練速度快，時間成本低、短期預測效果佳。
第一階段預測以時間為自變數，SVR模型的演算法如下公式（1）、（2）所示：
（1）
（2）
其中，w為SVR模型的係數矩陣，C是L2正規化（L2 Regularization）的正規因子，且C＞0，x
i是輸入值，y
i是輸出值，ε是超平面（Hyperplane）與邊際（Margin）線的距離，
與
是邊際線外的點與邊際的距離。即，將訓練時間長度T1中的訓練集作為輸入值x
i，來獲得輸出值y
i（即，預測參數）。
在獲得在預測起始點SP之後未來的多個時間點上的多個預測參數之後，在步驟S120中，將所述預測參數輸入至深度學習模型，藉此計算殘餘壽命。深度學習演算法採用卷積神經網路（Convolutional neural network，CNN）以及稀疏自動編碼器（Sparse autoencoder，SAE）結合深度神經網路（Deep neural network，DNN）其中一個。在此，採用SAE結合DNN的演算法。
SAE演算法公式如公式（3）、（4）所示：
（3）
（4）
其中，h(∙)是隱藏層、x'
i是輸入值、
是估計的輸出值、W是在SAE演算法使用的係數矩陣、b是誤差項、σ是非線性激活函數（Rectified linear unit，ReLU），SAE演算法中的損失函數F使用均方誤差（Mean square error，MSE）MSELoss(∙)加上L1正規化，藉此讓SAE演算法具有稀疏的特性。
DNN演算法如公式（5）、（6）所示：
（5）
（6）
其中h'(∙)是隱藏層、x"
i是輸入值、
是估計的輸出值、W'是在DNN演算法使用的係數矩陣、b'是誤差項、σ'是非線性激活函數，DNN演算法中的損失函數F'使用均方誤差MSELoss(∙)。
即，將步驟S115獲得的預測參數作為SAE的輸入值x'
i，進而獲得估計的輸出值
。之後，將SAE的輸出值
作為DNN的輸入值x"
i，進而獲得估計的輸出值
。輸出值
為能量預測值。
進一步地說，計算殘餘壽命的步驟如下所述。將步驟S115所獲得的預測參數輸入至深度學習模型以獲得在預測起始點SP之後未來的多個時間點上的多個能量預測值。之後，判斷所述能量預測值是否小於閾值。在所述多個能量預測值中取出小於閾值且最接近閾值的其中一個能量預測值，將其對應的時間點作為最終壽命時間。接著，以最終壽命時間與預測起始點之間的差作為殘餘壽命。
圖3是依照本發明一實施例的能量預測值的曲線圖。請參照圖3，0～550小時是由歷史資料所獲得的真實能量值，第550小時之後則是利用深度學習模型與深度神經網路模型所獲得的能量預測值。設定一閾值(Threshold, TH)來找出小於閾值且最接近閾值的能量預測值。
此外，還可進一步加入滾動式預測（Rolling forecast），以提高預測的準確度。圖4是依照本發明一實施例的線上電池壽命預測方法的流程圖。請參照圖4，在步驟S405中，獲得歷史資料。接著，在步驟S410，設定參數。即，設定回朔訓練點、預測起始點，並且設定預測步數（Prediction step）為N，並設定每一步為O小時。
接著，在步驟S410中，執行SVR模型。在此，以時間為自變數（Independent variable）來預測出未來資料的因變數（Controlled variable），即，預測參數。以N=3、O=1且預測起始點SP為550小時來說明，預測在預測起始點SP之後未來的3個時間點上的預測參數，即，551、552、553小時的預測參數。
並且，在步驟S415中，更新訓練集。即，將SVR模型每一次所獲得的預測參數回傳至訓練集中，並且記錄每一次SVR模型的參數，例如，伽瑪（Gamma）參數、懲罰係數（Cost）等。
之後，在步驟S420中，執行SAE-DNN模型。SAE-DNN模型對於變數少的資料而言，運算速度快、學習趨勢佳。利用步驟S410所預測出來的預測參數（預測電壓值以及預測電流值）、時間（預測起始點SP與回朔訓練點BP），來獲得能量預測值。例如，以551、552、553小時的預測參數來獲得551、552、553小時的能量預測值。
在步驟S425中，判斷能量預測值是否小於閾值。倘若所述能量預測值皆未小於閾值，按照預測步數，繼續滾動式預測，直到能量預測值低於閾值時停止滾動式預測。即，以N=3、O=1且預測起始點SP為550小時來說明，重新設定自預測起始點SP經過3×1小時後的未來3個時間點（即554、555、556小時），重新執行步驟S410～步驟S425。
若迴圈停止，即，其中一個能量預測值小於閾值，則在所述能量預測值中取出小於閾值且最接近閾值的其中一個能量預測值，將其能量預測值對應的時間點作為最終壽命時間。以圖3而言，將最終壽命時間(End point, EP)與預測起始點SP之間的差（EP-SP）作為殘餘壽命。
在未進行可靠度預估之前，由於所得到的結果為預測值，因此可能會造成偏差，故，必須提供預測區間（Prediction interval）（例如具有95%的信心水準）來判斷預測結果的偏差。倘若預測結果落於在預測區間中，代表其可靠度高。
故，在SAE-DNN模型中，還可進一步利用並能利用蒙地卡羅隨機關閉神經元方法（Monte Carlo (MC) dropout approach）建立預測區間，並算出同架構下的神經網路不確定性（預測區間）。MC隨機關閉神經元方法如公式（7）所示：
（7）
其中f
h是隨機關閉神經元（Dropout）函數，t是輸入值，d
i是遮罩（Dropout mask），M是預測的次數。利用公式（8）來計算出均值p，利用公式（9）計算出預估值u作為預測變異數，進而得到預測區間。
（8）
（9）
所述預測區間所指為信賴區間（Confidence interval），其可依照使用者對不同產品可接受的程度而定。例如，在95%的信心水準下，假設為常態分配的Z值為1.96，則預測區間為：[殘餘壽命-
,殘餘壽命+
]。
底下表1示例出根據上述實施例來執行一驗證程序的預測結果。
表1
| 預測起始點(Hours) | 真實量測的殘餘壽命(Hours) | 經由上述實施例所獲得的殘餘壽命 (Hours) | 誤差 | 預測區間 |
| 550 | 385 | 392.0059 | 7.01 | [390.37,394.37] |
| 600 | 335 | 336.8737 | 1.87 | [336.45,337.27] |
| 650 | 285 | 286.6364 | 1.64 | [284.43,287.15] |
| 700 | 235 | 236.3693 | 1.36 | [236.08,236.69] |
| 750 | 185 | 186.2191 | 1.22 | [186.57,185.57] |
| 800 | 135 | 135.2503 | 0.25 | [134.44,135.65] |
| 850 | 85 | 85.7036 | 0.70 | [85.52,85.74] |
綜上所述，本發明方法與傳統方法不同之處在於：本發明利用雙次預測的方式，其中第一次預測先利用時間預測出未來資料的因變數，第二次預測是利用第一次預測出的未來因變數來計算殘餘壽命。在實務運作上，未來資料不可能已知，本發明提供滾動式多步數預測，滾動步數的長度可以設定為一小時、一天、一個月，視不同的產品壽命週期而訂定，以多步數預測向未來滾動式預測，較符合實務上之應用。
透過本發明可得到電池殘餘壽命的預測時間以及預測區間，用以輔助業主評估未來需要準備多少時間來準備新的電池，訂定何時需要提前更換相關準則以防止停機問題，或如何提升裝載的電控系統來增加延長電池壽命殘餘壽命。
S105～S120:線上電池壽命預測方法的步驟
S405～S430:線上電池壽命預測方法的步驟
BP:回朔訓練點
EP:最終壽命時間
SP:預測起始點
T1:訓練時間長度
T2:未來時間
圖1是依照本發明一實施例的線上電池壽命預測方法的流程圖。
圖2A是本發明一實施例的電壓資料的曲線圖。
圖2B是本發明一實施例的電流資料的曲線圖。
圖3是依照本發明一實施例的能量預測值的曲線圖。
圖4是依照本發明一實施例的線上電池壽命預測方法的流程圖。
S105~S120:線上電池壽命預測方法的步驟
Claims (6)
- 一種線上電池壽命預測方法，包括：偵測一電池的健康狀態而獲得一歷史資料；設定一回朔訓練點以及一預測起始點，並以該回朔訓練點與該預測起始點之間的歷史資料作為一訓練集；將該訓練集輸入至一機器學習模型，以獲得在該預測起始點之後未來的多個時間點上的多個預測參數；以及將該些預測參數輸入至一深度學習模型，藉此計算一殘餘壽命，其中將該些預測參數輸入至該深度學習模型，藉此計算該殘餘壽命的步驟包括：將該些預測參數輸入至該深度學習模型以獲得在該些時間點上的多個能量預測值；判斷該些能量預測值是否小於一閾值；在該些能量預測值中取出小於該閾值且最接近該閾值的其中一個能量預測值，將該其中一個能量預測值對應的時間點作為該最終壽命時間；以及以該最終壽命時間與該預測起始點之間的差作為該殘餘壽命。
- 如請求項1所述的線上電池壽命預測方法，更包括：設定一預測步數為N，並設定每一步為O小時；以及設定在該預測起始點之後未來的N個時間點；其中，在判斷該些能量預測值是否小於該閾值之後，更包括： 倘若該些能量預測值皆未小於該閾值，重新設定自該預測起始點經過N×O小時後的未來N個時間點，以透過該機器學習模型與該深度學習模型來重新計算該殘餘壽命。
- 如請求項1所述的線上電池壽命預測方法，其中在獲得該些預測參數之後，更包括：將該些預測參數回傳至該訓練集。
- 如請求項1所述的線上電池壽命預測方法，其中該機器學習模型採用支持向量迴歸演算法、迴歸演算法以及隨機森林演算法其中一個，該深度學習演算法採用卷積神經網路以及稀疏自動編碼器(Sparse autoencoder)結合深度神經網路其中一個。
- 如請求項1所述的線上電池壽命預測方法，其中該些預測參數包括在每一該些時間點上的一預測電壓值以及一預測電流值。
- 如請求項1所述的線上電池壽命預測方法，更包括：透過一蒙地卡羅隨機關閉神經元方法來獲得一預測區間。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW110113159A TWI794787B (zh) | 2021-04-13 | 2021-04-13 | 線上電池壽命預測方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW110113159A TWI794787B (zh) | 2021-04-13 | 2021-04-13 | 線上電池壽命預測方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202240477A TW202240477A (zh) | 2022-10-16 |
| TWI794787B true TWI794787B (zh) | 2023-03-01 |
Family
ID=85460452
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW110113159A TWI794787B (zh) | 2021-04-13 | 2021-04-13 | 線上電池壽命預測方法 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI794787B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI591359B (zh) * | 2016-10-21 | 2017-07-11 | 聖約翰科技大學 | 鋰電池健康狀態估測器及其訓練方法與估測方法 |
| CN108279383A (zh) * | 2017-11-30 | 2018-07-13 | 深圳市科列技术股份有限公司 | 电池寿命预测方法、电池数据服务器及电池数据处理*** |
| US20190113577A1 (en) * | 2017-10-17 | 2019-04-18 | The Board Of Trustees Of The Leland Stanford Junior University | Data-driven Model for Lithium-ion Battery Capacity Fade and Lifetime Prediction |
| CN109934294A (zh) * | 2019-03-18 | 2019-06-25 | 常伟 | 一种基于大数据机器学习进行电动汽车电池soh预测的方法 |
| US20190257886A1 (en) * | 2018-02-21 | 2019-08-22 | Nec Laboratories America, Inc. | Deep learning approach for battery aging model |
-
2021
- 2021-04-13 TW TW110113159A patent/TWI794787B/zh active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI591359B (zh) * | 2016-10-21 | 2017-07-11 | 聖約翰科技大學 | 鋰電池健康狀態估測器及其訓練方法與估測方法 |
| US20190113577A1 (en) * | 2017-10-17 | 2019-04-18 | The Board Of Trustees Of The Leland Stanford Junior University | Data-driven Model for Lithium-ion Battery Capacity Fade and Lifetime Prediction |
| CN108279383A (zh) * | 2017-11-30 | 2018-07-13 | 深圳市科列技术股份有限公司 | 电池寿命预测方法、电池数据服务器及电池数据处理*** |
| US20190257886A1 (en) * | 2018-02-21 | 2019-08-22 | Nec Laboratories America, Inc. | Deep learning approach for battery aging model |
| CN109934294A (zh) * | 2019-03-18 | 2019-06-25 | 常伟 | 一种基于大数据机器学习进行电动汽车电池soh预测的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202240477A (zh) | 2022-10-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110413227B (zh) | 一种硬盘设备的剩余使用寿命在线预测方法和*** | |
| CN111680848A (zh) | 基于预测模型融合的电池寿命预测方法及存储介质 | |
| CN111984513A (zh) | 一种预测性维护方法、装置、设备以及存储介质 | |
| CN109117566B (zh) | 一种基于产品寿命预测模型的混合维修规划方法 | |
| CN112433896B (zh) | 一种服务器磁盘故障预测方法、装置、设备及存储介质 | |
| CN111639783A (zh) | 一种基于lstm神经网络的线损预测方法及*** | |
| CN109242169B (zh) | 一种面向电力大客户的短期负荷预测方法 | |
| KR102656115B1 (ko) | 연료전지 시스템의 잔여 수명 예측 방법 및 이를 수행하는 디지털 트윈 장치 | |
| US11402889B2 (en) | Storage medium, job power estimation method, and job power estimating device | |
| CN116683588A (zh) | 锂离子电池充放电控制方法及*** | |
| CN117613421B (zh) | 一种基于神经网络的储能电池组管理***的均衡方法及介质 | |
| CN108459991B (zh) | 一种获得设备可靠性数据的方法 | |
| Jin et al. | A methodology for equipment condition simulation and maintenance threshold optimization oriented to the influence of multiple events | |
| TWI794787B (zh) | 線上電池壽命預測方法 | |
| CN117054892B (zh) | 一种储能电站电池健康状态的评估方法、装置及管理方法 | |
| US11977126B1 (en) | Systems and methods for state of health assessment in rechargeable batteries | |
| Kunlong et al. | SOH estimation for lithium-ion batteries: A cointegration and error correction approach | |
| CN115544803B (zh) | 一种变压器剩余寿命预测方法、装置、设备及存储介质 | |
| Qian et al. | An attention-based GRU encoder decoder for hostload prediction in a data center | |
| CN115640542A (zh) | 基于贝叶斯理论的智能电能表状态评估方法及评估装置 | |
| Singh et al. | A preliminary study towards conceptualization and implementation of a load learning model for smart automated demand response | |
| US8812674B2 (en) | Controlling state transitions in a system | |
| Wang et al. | HARRD: Real-time software rejuvenation decision based on hierarchical analysis under weibull distribution | |
| CN102096624B (zh) | 一种对机群运行状况进行预测的方法和机群平台管理装置 | |
| Bisi et al. | Prediction of software inter-failure times using artificial neural network and particle swarm optimisation models |