CN108537337A - 基于优化深度信念网络的锂离子电池soc预测方法 - Google Patents
基于优化深度信念网络的锂离子电池soc预测方法 Download PDFInfo
- Publication number
- CN108537337A CN108537337A CN201810292659.7A CN201810292659A CN108537337A CN 108537337 A CN108537337 A CN 108537337A CN 201810292659 A CN201810292659 A CN 201810292659A CN 108537337 A CN108537337 A CN 108537337A
- Authority
- CN
- China
- Prior art keywords
- dbn
- ion battery
- lithium ion
- network
- training
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于优化深度信念网络的锂离子电池SOC预测方法,该方法以锂离子电池电压、电流归一化后的数据为Re‑DBN预测模型的输入,利用量子遗传(QGA)算法优化Re‑DBN预测结果,得到最优SOC为输出,采用深度信念网络(DBN)训练锂离子电池SOC预测模型,并针对所述的锂离子电池SOC预测模型的网络深度问题,基于深度信念网络模型中每层RBM训练的重构误差(Rerror),建立一种优化深度信念网络(Re‑DBN)预测模型,利用QGA算法自动寻优,得到每个Re‑DBN预测模型输出SOC值的权值,得到最优SOC预测结果。以提高锂离子电池SOC预测预测模型的自主学习和预测能力,并提高锂离子电池SOC预测的准确性。
Description
技术领域
本发明涉及锂离子电池SOC预测技术领域,特别是涉及一种基于优化深度信念网络的锂离子电池SOC预测方法。
背景技术
目前,为防止锂离子电池过充、过放,保证锂离子电池的安全性和使用寿命,必须准确预测锂离子电池的荷电状态(SOC)。传统的SOC预测方法有开路电压法、安时积分法、负载放电法等,这些预测方法涉及对电池的离线操作。而在线算法如卡尔曼滤波法、电化学阻抗谱法、神经网络法。其中卡尔曼滤波法和电化学阻抗谱法均需要对锂离子电池建立精确的数学模型,模型中含有大量假设条件和经验参数,而电池本身具有强非线性特性,导致预测精度有限。人工神经网络具有逼近多输入输出参数函数、高度的非线性、容错性和鲁棒性等特点,对于外部激励能够给出相应的输出,非常适用于电池SOC值的预测。
但传统BP神经网络采用基于梯度下降的学习算法,难以确定合适学习步长,各权阈值最优解需迭代多次获得,导致训练时间过长,甚至出现陷入局部极小值的问题。
对锂离子电池SOC预测模型性能的评价需要综合预测的准确性和稳定性两个指标。锂离子电池SOC模型稳定性不足,可能会出现准确性过低的预测结果,导致制定的干预措施出现偏差。
发明内容
本发明所要解决的技术问题是:为了克服传统方法锂离子电池SOC预测结果稳定性不足的缺点,有效处理锂离子电池SOC预测问题,本发明提供一种基于优化深度信念网络(Reconstruction error DBN,Re-DBN)的锂离子电池SOC预测方法,该方法以锂离子电池电压、电流归一化后的数据为Re-DBN预测模型的输入,利用量子遗传(QGA)算法优化Re-DBN预测结果,得到最优SOC为输出,采用深度信念网络(DBN)训练锂离子电池SOC预测模型,并针对所述的锂离子电池SOC预测模型的网络深度问题,基于深度信念网络模型中每层RBM训练的重构误差(Rerror),建立一种优化深度信念网络(Re-DBN)预测模型,利用QGA算法自动寻优,得到每个Re-DBN预测模型输出SOC值的权值,得到最优SOC预测结果。
本发明解决其技术问题所要采用的技术方案是:一种基于优化深度信念网络的锂离子电池SOC预测方法,包括以下步骤:
S1:输入训练样本,对训练样本的电压U、电流I进行归一化处理;
S2:构建锂离子电池SOC的Re-DBN预测模型。
S2.1:构建一个深度信念网络,即DBN网络,包括位于底部的多个依次连接的RBM单元和一个位于顶部的BP网络,每个RBM单元包括位于下层的可视层和位于上层的隐含层,且以下层RBM单元的隐含层作为上层RBM单元的可视层,由最底层RBM单元的可视层输入数据,最后以BP网络对全局的训练参数反向微调;设定DBN网络的参数初始值,具体包括分别设置学习速率η、初始误差er、重构误差ε、每个RBM最大训练周期及样本子集个数;并随机初始化RBM的网络权重w、可视层偏置a和隐层偏置b等网络参数;
S2.2:对DBN网络参数进行训练,训练过程包括预训练阶段和微调阶段;
S2.2.1:预训练阶段,将步骤S1中归一化处理后的训练样本数据由第一个RBM单元的可视层输入到DBN网络,采用贪婪算法对RBM单元进行逐层无监督预训练,获得预训练后DBN网络参数;
具体的,在每层RBM预训练过程中,利用对比散度(CD)算法更新参数直至重构误差最小,获得最佳参数组合,具体包括以下步骤:
1)利用对比散度(CD)算法训练第i个RBM,获取重构后的输出数据,以重构后的输出数据和输入样本数据之差计算重构误差(Rerror),并保存可视层V和隐含层H的权值和偏置;
2)判断Rerror是否满足深度累加标准,若满足,则输出训练好的DBN结构和参数,若不满足,则隐含层层数加1(i=i+1),更新后,返回到1)继续执行;
3)将训练好的DBN结构和参数传递给BP网络,构建相同深度反向传递网络。
S2.2.2:微调阶段,构建与DBN网络具有相同深度的BP网络为微调网络,以预训练后的各层网络参数为初始值,以与DBN网络具有相同深度的BP网络为微调网络,以顶层RBM的输出为BP网络的输入,同时导入训练样本的SOC值,利用BP算法对DBN网络模型进行有监督的学习,以DBN网络自上而下的重构误差ε为标准,对各层RBM进行微调,获得调整后的DBN网络参数,得到锂离子电池SOC的Re-DBN预测模型;
S3:锂离子电池SOC预测,
S3.1:输入测试样本,对其电压U、电流I数据进行归一化处理,将归一化处理后的测试样本导入到锂离子电池SOC的Re-DBN预测模型,通过网络计算,得到测试样本SOC预测值;
S3.2:利用QGA算法自动寻优,确定测试样本SOC预测值的权值,得到最优SOC预测结果。
本发明的有益效果是:本发明提供的一种基于优化深度信念网络的锂离子电池SOC预测方法,该方法以锂离子电池电压、电流归一化后的数据为Re-DBN预测模型的输入,SOC为输出,采用深度信念网络(DBN)训练锂离子电池SOC预测模型,并针对所述的锂离子电池SOC预测模型的网络深度问题,基于深度信念网络模型中每层RBM训练的重构误差(Rerror),优化深度信念网络(Re-DBN)预测模型,以QGA算法自动寻优,优化SOC预测值,提出一种优化深度信念网络(Re-DBN-QGA)的锂离子电池SOC预测方法,在提高锂离子电池SOC预测模型的自主学习和预测能力的同时,提高锂离子电池SOC预测的准确性。解决了传统方法锂离子电池SOC预测结果稳定性不足的问题。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1是DBN网络结构图;
图2是DBN训练流程图;
图3是RBM自训练流程图;
图4是基于Re-DBN算法的锂离子电池SOC预测模型训练流程图;
图5是利用QGA算法的锂离子电池SOC预测测试流程图;
具体实施方式
现在结合附图对本发明作详细的说明。此图为简化的示意图,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。
本实施例中以锂离子电池不同倍率的充放电实验数据中的电压U、电流I和SOC值作为训练样本,训练样本中某种倍率下的实验数据对应一个样本子集;以锂离子电池实际使用时充放电过程中的电压U、电流I的作为测试样本。并对将训练样本和测试样本的电压U、电流I进行归一化处理,由于SOC值的范围为0-1,无需进行归一化处理。
如图1所示是DBN网络结构图,DBN网络是由多个RBM单元相连接构成的,由最底层RBM的可视层输入数据,以上层RBM的隐含层为下层RBM的可视层,最后以BP网络对全局的训练参数反向微调。图中,v和h分别表示可视层和隐含层内的节点值,w表示两层之间的权值。
DBN的训练过程为:首先,预训练阶段:采用贪婪算法对RBM进行逐层无监督预训练,获得网络参数的初始值;然后,微调阶段:采用BP算法对整个网络参数进行微调。
预训练阶段:利用贪婪逐层训练算法,以无监督地依次学习各层RBM的参数θ={wij,ai,bj}。首先由第一层RBM的可视层接收训练样本数据的电压、电流值产生状态v1,通过初始化的权值矩阵w1向上生成隐单元状态h1,利用h1重构可视层状态v'1,通过w1再次映射给隐含层生成新的隐单元h'1,利用CD算法更新参数直至重构误差最小,即完成第一层RBM的训练。根据贪婪学习规则逐层训练堆叠的RBM,在每层映射更深层次的数据特征。最顶层的RBM双向连接,构成联想记忆层,能关联记忆各层得到的最优参数。通过无监督的学习方式,使网络获得因素间的先验知识,在顶层获得的更加抽象的特征,能更好地反映训练数据真实的结构信息。
微调阶段:以预训练后的各层网络参数为初始值,利用训练样本数据的SOC值对模型进行有监督的学习,以网络自上而下的重构误差ε为标准进行微调。以与DBN网络具有相同深度的BP网络为微调网络,并作为回归预测的输出层。用预训练得到的最佳参数组合初始化BP网络,从而缓解浅层神经网络参数随机初始化带来的缺陷,降低了网络输出的波动区间,提高模型输出的稳定性。
DBN训练流程如图2所示,整个训练流程步骤如下:
S1:设定网络层数、隐含层单元数等参数,随机初始化整个DBN的网络参数。
S2:将训练样本输入到第1个RBM,采用CD算法对RBM进行训练,保存网络参数。
S3:将下一层RBM的隐含层输出作为输入数据训练下一个RBM,直到所有的RBM训练完毕。通过无监督的预训练,可获得整个DBN的网络参数。
S4:将训练好的DBN结构和参数传递给BP网络,构建相同深度反向传递网络。
S5:以顶层RBM的输出为BP网络的输入,利用BP算法进行有监督学习,微调网络参数,得到预测模型。
从图2中可以看出,在DBN训练过程中,RBM自训练是核心,通过RBM的逐层训练,实现DBN的网络参数的初始化,这些网络参数虽然不是最优参数,但是它们往往落在最优值附近,可有效避免BP算法在训练分类器时由于随机初始化网络参数而导致陷入局部最优、训练时间过长等缺陷。RBM含有1个可视层和1个隐含层,其中,可视层和隐含层之间对称双向连接,而同一层内单元之间没有连接,隐单元可获取输入可视单元的高阶相关性,且所有单元的状态都是二元变量,只能取0或1。
对于RBM,其可视层v和隐含层h处于某个状态的概率由以下能量函数决定:
E(v,h)=-∑iaivi-∑jbjhj-∑i,jvihjwij (1)
其中,vi和hj分别为可视单元i和隐含单元j,wij为可视单元vi和隐含单元hj之间的连接权值,ai和bj为相应的偏置。
基于能量函数的可视层v和隐含层h的联合概率分布p(v,h)可表示为:
其中,Z=∑v,hexp(-E(v,h))为归一化因子。
因此,RBM分配给可视层v的概率ρ(v)为:
在RBM中,由于同一层内单元之间没有连接,因此,隐含单元hj的条件概率分布为:
ρ(hj=1|v)=σ(bj+∑iviwij) (4)
同理,隐含单元vj的条件概率分布为:
ρ(vi=1|h)=σ(aj+∑jhiwij) (5)
其中,σ(x)=1/(1+exp(-x))为Sigmoid函数。
RBM的训练目标是获取生成性权值,w表示可视层和隐含层之间的权值。RBM通常采用CD算法进行训练来获得网络参数θ={wij,ai,bj},具体训练过程如图3所示,步骤如下:
S1:设定训练次数、样本子集个数等参数,随机初始化RBM的网络参数;
S2:对第i个样本子集训练多个回合,每次训练完成后,更新网络参数,直到达到最大训练次数;
S3:按照步骤S2的方法训练下一个样本子集,直到所有的样本子集训练完毕,保存RBM的网络参数,结束训练。
DBN的网络结构越复杂,对问题的求解能力则越强,预测的准确性越高。同时,网络层数越高,训练将越困难,训练误差的积累也更严重,锂离子电池SOC预测的准确性反而降低。在基于DBN建立合适锂离子电池SOC预测模型网络结构时,需要依赖经验设置网络深度和隐单元数,致使建模过程中易出现偏差。因此,针对锂离子电池SOC预测模型网络深度的问题,基于模型中每层RBM训练的重构误差(Rerror),建立一种优化深度信念网络(Re-DBN)的锂离子电池SOC预测模型,以提高锂离子电池SOC预测模型的自主学习和预测能力。
在每层RBM中,经过Gibbs转移并由CD算法计算,重构可视层输入数据,再次映射到隐藏层,以重构后的输出数据和初始的训练数据之差计算重构误差:
其中,n为训练样本个数;m为输入数据的个数,本发明中以锂离子电池的电压、电流为输入,SOC为输出,因此m为2;pij为每层RBM训练样本重构值;xij为训练样本真实值;px为计算时取值的个数。
为防止训练数据过拟合或重构数据偏差较大,同时平衡网络模型的训练代价,以两次重构误差之差小于设定值为深度累加停止标准,即:
其中,L为DBN的隐层数;k为当前层Rerror;ε为预设值。在无监督预训练阶段,当达到目标值的层数后,则以顶层训练好的输出作为BP算法的输入,开始反向微调参数。
本发明根据以上原理说明和算法流程,提出了基于优化深度信念网络的锂离子电池SOC预测方法。图4是基于优化深度信念网络的锂离子电池SOC预测方法训练阶段的整体流程图。如图4所示,包括以下步骤:
S401:输入训练样本,对训练样本的电压U、电流I进行归一化处理:
样本中含有电压、电流两种变量,其量纲不同,为了消除各变量的数量级差别,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,对样本进行归一化处理。本发明采用最大最小法对电压、电流变量进行归一化处理,而静态SoC的范围为0~1,无需进行数据处理,归一化处理依据下式。
其中:umax、umin、imax、imin分别为单次样本电压电流的最大、最小值。
S402:设定网络初始值,学习速率η设置为1,初始误差er为0,重构误差ε设置为0.03,每个RBM最大训练周期设置为50次,样本子集个数20个,权重w、可视层偏置a、隐层偏置b随机初始化。学习速率η和初始误差er的初始值根据经验设定,重构误差ε的大小根据设计要求进行设定,由于训练周期和样本子集的取值与训练的效率和最后的模型的预测精度有关,训练周期和样本子集取值越大,训练时间越长,效率越低,但是模型的预测精度会越高,因此,训练周期和样本子集取值由训练效率和预测精度两方面的要求来确定,本实施例中采用上述取值进行说明,但不限于上述一组数值。
S403:设置隐含层层数i=1。
S404:利用CD算法训练第i个RBM,获取重构后的输出数据:
利用输入数据构建隐单元状态:
利用构建的隐层重构输入:
再次利用重构的输入构建隐层:
根据下式更新各参数,并计算误差,重复以上步骤,直至RBM自训练满足结束条件。
S405:以重构后的输出数据和输入样本数据之差计算重构误差(Rerror)。
S406:保存可视层和隐含层的权值和偏置。
S407:判断Rerror是否满足深度累加标准,若满足,则输出训练好的DBN结构和参数,若不满足,则隐含层层数加1(i=i+1),更新后以h'1为输入进行下一层训练,返回到S404继续执行。
S408:将训练好的DBN结构和参数传递给BP网络,构建相同深度反向传递网络。
S409:导入训练样本的SOC值,利用BP算法进行有监督学习,微调网络参数,得到锂离子电池SOC的Re-DBN预测模型。
S410:循环N次执行步骤S403到S409得到N个锂离子电池SOC的Re-DBN预测模型。
由于Re-DBN作为一种深度神经网络,输出结果不可避免带有一定的随机性,因此,为了提高Re-DBN预测模型预测结果的可靠性和稳定性,利用量子遗传算法(QuantumGenetic Algorithm,QGA)对多个Re-DBN预测模型的预测结果自适应加权,提高锂离子电池SOC的预测精度。基于此,本发明提出一种基于优化深度信念网络(Re-DBN-QGA)的锂离子电池SOC预测方法。如图5所示,为本发明锂离子电池SOC预测的测试阶段,包括以下步骤:
基于QGA算法,使用加权平均技术计算每个Re-DBN预测模型的预测结果:
式中,N为Re-DBN预测模型的个数;为第k个Re-DBN预测模型预测结果;wk为赋予第k个Re-DBN预测模型的权值。具体实施步骤如图5所示:
S501:输入测试样本,对其电压、电流数据进行归一化处理。
S502:将归一化后的测试数据分别导入到N个Re-DBN预测模型,得到预测结果k=1,2,……N。
S503:根据QGA算法得到对应于预测结果的N个加权值w加,最后输出加权计算后的预测结果
S504:加权计算后的预测结果即为测试样本最优SOC预测值。
该方法以锂离子电池电压、电流归一化后的数据为Re-DBN预测模型的输入,利用量子遗传(QGA)算法优化Re-DBN预测结果,得到最优SOC为输出,采用深度信念网络(DBN)训练锂离子电池SOC预测模型,并针对所述的锂离子电池SOC预测模型的网络深度问题,基于深度信念网络模型中每层RBM训练的重构误差(Rerror),建立一种优化深度信念网络(Re-DBN)预测模型,利用QGA算法自动寻优,得到每个Re-DBN预测模型输出SOC值的权值,得到最优SOC预测结果。以提高锂离子电池SOC预测预测模型的自主学习和预测能力,并提高锂离子电池SOC预测的准确性。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关的工作人员完全可以在不偏离本发明的范围内,进行多样的变更以及修改。本项发明的技术范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (5)
1.一种基于优化深度信念网络的锂离子电池SOC预测方法,其特征在于:包括以下步骤:
S1:输入训练样本,对训练样本的电压U、电流I进行归一化处理;
S2:构建锂离子电池SOC的Re-DBN预测模型,
S2.1:构建一个深度信念网络,即DBN网络,包括位于底部的多个依次连接的RBM单元和一个位于顶部的BP网络,每个RBM单元包括位于下层的可视层和位于上层的隐含层,且以下层RBM单元的隐含层作为上层RBM单元的可视层;设定DBN网络的参数初始值,并随机初始化RBM的参数;
S2.2:对DBN网络参数进行训练,训练过程包括预训练阶段和微调阶段;
S2.2.1:预训练阶段,将步骤S1中归一化处理后的训练样本数据由第一个RBM单元的可视层输入到DBN网络,采用贪婪算法对RBM单元进行逐层无监督预训练,获得预训练后DBN网络参数;
S2.2.2:微调阶段,构建与DBN网络具有相同深度的BP网络为微调网络,以预训练后的各层网络参数为初始值,以与DBN网络具有相同深度的BP网络为微调网络,导入训练样本数据的SOC值对DBN网络模型进行有监督的学习,以DBN网络自上而下的重构误差ε为标准,对各层RBM进行微调,获得调整后的DBN网络参数,得到锂离子电池SOC的Re-DBN预测模型;
S3:锂离子电池SOC预测,
S3.1:输入测试样本,对其电压U、电流I数据进行归一化处理,将归一化处理后的测试样本导入到锂离子电池SOC的Re-DBN预测模型,计算得到测试样本SOC预测值;
S3.2:利用QGA算法自动寻优,确定测试样本SOC预测值的权值,得到最优SOC预测结果。
2.如权利要求1所述的基于优化深度信念网络的锂离子电池SOC预测方法,其特征在于:所述步骤S2.2.1中,在每层RBM预训练过程中,利用对比散度(CD)算法更新参数直至重构误差最小,获得最佳参数组合,具体包括以下步骤:
1)利用对比散度(CD)算法训练第i个RBM单元,获取重构后的输出数据,以重构后的输出数据和输入的样本数据之差计算重构误差(Rerror),并保存可视层和隐含层的权值和偏置;
2)判断Rerror是否满足深度累加标准,若满足,则输出训练好的DBN结构和参数,若不满足,则隐含层层数加1(i=i+1),更新后,返回到1)继续执行;
3)将训练好的DBN结构和参数传递给BP网络,构建相同深度反向传递网络。
3.如权利要求1所述的基于优化深度信念网络的锂离子电池SOC预测方法,其特征在于:所述步骤S2.1中设定DBN网络的参数初始值,具体包括分别设置学习速率、初始误差、重构误差、每个RBM最大训练周期及样本子集个数。
4.如权利要求1所述的基于优化深度信念网络的锂离子电池SOC预测方法,其特征在于:所述步骤S2.1中RBM的参数包括网络权重、可视层偏置和隐层偏置。
5.如权利要求1所述的基于优化深度信念网络的锂离子电池SOC预测方法,其特征在于:所述步骤S2.2.2中以顶层RBM的输出为BP网络的输入,同时导入训练样本的SOC值,利用BP算法进行有监督学习,微调网络参数,得到锂离子电池SOC的Re-DBN预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810292659.7A CN108537337A (zh) | 2018-04-04 | 2018-04-04 | 基于优化深度信念网络的锂离子电池soc预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810292659.7A CN108537337A (zh) | 2018-04-04 | 2018-04-04 | 基于优化深度信念网络的锂离子电池soc预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108537337A true CN108537337A (zh) | 2018-09-14 |
Family
ID=63482614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810292659.7A Withdrawn CN108537337A (zh) | 2018-04-04 | 2018-04-04 | 基于优化深度信念网络的锂离子电池soc预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108537337A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492319A (zh) * | 2018-11-23 | 2019-03-19 | 东北电力大学 | 一种火电厂锅炉烟气含氧量软测量方法 |
CN110032747A (zh) * | 2018-12-05 | 2019-07-19 | 太原理工大学 | 一种燃煤锅炉NOx排放在线测量方法 |
CN110175672A (zh) * | 2019-05-30 | 2019-08-27 | 北斗航天信息网络技术有限公司 | 基于扩展卡尔曼滤波和遗传bp神经网络组合的电池充电状态评估系统及评估方法 |
CN110220725A (zh) * | 2019-05-30 | 2019-09-10 | 河海大学 | 一种基于深度学习与bp集成的地铁车轮健康状态预测方法 |
CN110852365A (zh) * | 2019-10-31 | 2020-02-28 | 北京交通大学 | 一种zpw-2000a型无绝缘轨道电路故障诊断方法 |
CN111104739A (zh) * | 2019-12-16 | 2020-05-05 | 中国工程物理研究院化工材料研究所 | 一种sa优化深度置信网络的含能材料成球质量优化方法 |
CN111612029A (zh) * | 2020-03-30 | 2020-09-01 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 机载电子产品故障预测方法 |
CN111624495A (zh) * | 2020-04-28 | 2020-09-04 | 合肥工业大学 | 基于深度置信网络优化ekf的锂电池soc区间估计方法和系统 |
CN112327165A (zh) * | 2020-09-21 | 2021-02-05 | 电子科技大学 | 一种基于无监督迁移学习的电池soh预测方法 |
CN112758295A (zh) * | 2021-01-25 | 2021-05-07 | 广东海洋大学 | 一种船舶混合动力推进系统及管理策略 |
CN114167295A (zh) * | 2021-11-30 | 2022-03-11 | 北京理工大学 | 基于多算法融合的锂离子电池soc估算方法与系统 |
CN115563704A (zh) * | 2022-09-23 | 2023-01-03 | 四川新能源汽车创新中心有限公司 | 电池状态预测模型的优化方法、容量预测方法及相关装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105974327A (zh) * | 2016-06-12 | 2016-09-28 | 广州市香港科大霍英东研究院 | 一种基于神经网络和ukf的锂电池组soc预测方法 |
CN106443453A (zh) * | 2016-07-04 | 2017-02-22 | 陈逸涵 | 一种基于bp神经网络的锂电池soc估算方法 |
CN106501721A (zh) * | 2016-06-03 | 2017-03-15 | 湘潭大学 | 一种基于生物进化的锂电池soc估算方法 |
CN106709820A (zh) * | 2017-01-11 | 2017-05-24 | 中国南方电网有限责任公司电网技术研究中心 | 一种基于深度置信网络的电力系统负荷预测方法及装置 |
CN107506590A (zh) * | 2017-08-26 | 2017-12-22 | 郑州大学 | 一种基于改进深度信念网络的心血管疾病预测模型 |
-
2018
- 2018-04-04 CN CN201810292659.7A patent/CN108537337A/zh not_active Withdrawn
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106501721A (zh) * | 2016-06-03 | 2017-03-15 | 湘潭大学 | 一种基于生物进化的锂电池soc估算方法 |
CN105974327A (zh) * | 2016-06-12 | 2016-09-28 | 广州市香港科大霍英东研究院 | 一种基于神经网络和ukf的锂电池组soc预测方法 |
CN106443453A (zh) * | 2016-07-04 | 2017-02-22 | 陈逸涵 | 一种基于bp神经网络的锂电池soc估算方法 |
CN106709820A (zh) * | 2017-01-11 | 2017-05-24 | 中国南方电网有限责任公司电网技术研究中心 | 一种基于深度置信网络的电力系统负荷预测方法及装置 |
CN107506590A (zh) * | 2017-08-26 | 2017-12-22 | 郑州大学 | 一种基于改进深度信念网络的心血管疾病预测模型 |
Non-Patent Citations (2)
Title |
---|
FU ZHUMU等: "SOC estimation of lithium-ion power battery for HEV based on advanced wavelet neural network", 《JOURNAL OF SOUTHEAST UNIVERSITY (ENGLISH EDITION)》 * |
侯朋飞等: "基于深度学习和量子遗传算法的电池SoC估算方法研究", 《微型机与应用》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492319A (zh) * | 2018-11-23 | 2019-03-19 | 东北电力大学 | 一种火电厂锅炉烟气含氧量软测量方法 |
CN109492319B (zh) * | 2018-11-23 | 2022-08-12 | 东北电力大学 | 一种火电厂锅炉烟气含氧量软测量方法 |
CN110032747A (zh) * | 2018-12-05 | 2019-07-19 | 太原理工大学 | 一种燃煤锅炉NOx排放在线测量方法 |
CN110175672A (zh) * | 2019-05-30 | 2019-08-27 | 北斗航天信息网络技术有限公司 | 基于扩展卡尔曼滤波和遗传bp神经网络组合的电池充电状态评估系统及评估方法 |
CN110220725A (zh) * | 2019-05-30 | 2019-09-10 | 河海大学 | 一种基于深度学习与bp集成的地铁车轮健康状态预测方法 |
CN110852365A (zh) * | 2019-10-31 | 2020-02-28 | 北京交通大学 | 一种zpw-2000a型无绝缘轨道电路故障诊断方法 |
CN111104739A (zh) * | 2019-12-16 | 2020-05-05 | 中国工程物理研究院化工材料研究所 | 一种sa优化深度置信网络的含能材料成球质量优化方法 |
CN111612029A (zh) * | 2020-03-30 | 2020-09-01 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 机载电子产品故障预测方法 |
CN111624495B (zh) * | 2020-04-28 | 2022-08-02 | 合肥工业大学 | 基于深度置信网络优化ekf的锂电池soc区间估计方法和系统 |
CN111624495A (zh) * | 2020-04-28 | 2020-09-04 | 合肥工业大学 | 基于深度置信网络优化ekf的锂电池soc区间估计方法和系统 |
CN112327165B (zh) * | 2020-09-21 | 2021-07-13 | 电子科技大学 | 一种基于无监督迁移学习的电池soh预测方法 |
CN112327165A (zh) * | 2020-09-21 | 2021-02-05 | 电子科技大学 | 一种基于无监督迁移学习的电池soh预测方法 |
CN112758295A (zh) * | 2021-01-25 | 2021-05-07 | 广东海洋大学 | 一种船舶混合动力推进系统及管理策略 |
CN114167295A (zh) * | 2021-11-30 | 2022-03-11 | 北京理工大学 | 基于多算法融合的锂离子电池soc估算方法与系统 |
CN115563704A (zh) * | 2022-09-23 | 2023-01-03 | 四川新能源汽车创新中心有限公司 | 电池状态预测模型的优化方法、容量预测方法及相关装置 |
CN115563704B (zh) * | 2022-09-23 | 2023-12-08 | 四川新能源汽车创新中心有限公司 | 电池状态预测模型的优化方法、容量预测方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108537337A (zh) | 基于优化深度信念网络的锂离子电池soc预测方法 | |
Qu et al. | A neural-network-based method for RUL prediction and SOH monitoring of lithium-ion battery | |
CN109102126B (zh) | 一种基于深度迁移学习的理论线损率预测模型 | |
Liu et al. | Transfer learning for battery smarter state estimation and ageing prognostics: Recent progress, challenges, and prospects | |
CN108197751A (zh) | 基于多层Bi-GRU的Seq2seq网络短期电力负荷预测方法 | |
CN110568359A (zh) | 一种锂电池剩余寿命预测方法 | |
CN106529820A (zh) | 一种运营指标的预测方法及系统 | |
CN108051660A (zh) | 一种变压器故障组合诊断模型建立方法及诊断方法 | |
CN109490814A (zh) | 基于深度学习和支持向量数据描述的计量自动化终端故障诊断方法 | |
He et al. | Research on a novel combination system on the basis of deep learning and swarm intelligence optimization algorithm for wind speed forecasting | |
Zhang et al. | Intelligent state of charge estimation of battery pack based on particle swarm optimization algorithm improved radical basis function neural network | |
CN110007235A (zh) | 一种电动汽车蓄电池soc在线预测方法 | |
CN112434848A (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
CN112834927A (zh) | 锂电池剩余寿命预测方法、系统、设备及介质 | |
CN108009585A (zh) | 基于局部信息融合的铅酸电池健康状态预测方法 | |
CN116345578B (zh) | 基于深度确定性策略梯度的微电网运行优化调度方法 | |
Naduvil-Vadukootu et al. | Evaluating preprocessing strategies for time series prediction using deep learning architectures | |
Li et al. | A method of rainfall runoff forecasting based on deep convolution neural networks | |
CN111079926A (zh) | 基于深度学习的具有自适应学习率的设备故障诊断方法 | |
Huang et al. | Resilient power network structure for stable operation of energy systems: A transfer learning approach | |
CN114660497A (zh) | 一种针对容量再生现象的锂离子电池寿命预测方法 | |
CN112257348B (zh) | 一种锂电池长期退化趋势预测方法 | |
Yao et al. | Semi-supervised adversarial deep learning for capacity estimation of battery energy storage systems | |
Zhang et al. | Research for SOC prediction of lithium battery based on GA-ESN | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 |
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 | ||
CB02 | Change of applicant information |
Address after: 166 Kejiao Road, Jintan District, Changzhou City, Jiangsu Province Applicant after: Kaibo Energy Technology Co.,Ltd. Applicant after: AVIC lithium (Luoyang) Co.,Ltd. Address before: No.88 Jintan Avenue, Jintan District, Changzhou City, Jiangsu Province Applicant before: CHINA AVIATION LITHIUM BATTERY RESEARCH INSTITUTE Co.,Ltd. Applicant before: AVIC lithium (Luoyang) Co.,Ltd. |
|
CB02 | Change of applicant information | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180914 |
|
WW01 | Invention patent application withdrawn after publication |