CN111178383A - 一种基于多核支持向量机的电池单体品质分类方法 - Google Patents
一种基于多核支持向量机的电池单体品质分类方法 Download PDFInfo
- Publication number
- CN111178383A CN111178383A CN201911206609.3A CN201911206609A CN111178383A CN 111178383 A CN111178383 A CN 111178383A CN 201911206609 A CN201911206609 A CN 201911206609A CN 111178383 A CN111178383 A CN 111178383A
- Authority
- CN
- China
- Prior art keywords
- support vector
- vector machine
- quality
- data
- core support
- 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
Links
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 81
- 239000000178 monomer Substances 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 10
- 230000009467 reduction Effects 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000000513 principal component analysis Methods 0.000 claims abstract description 5
- 238000005259 measurement Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 27
- 230000008859 change Effects 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 11
- 238000013145 classification model Methods 0.000 claims description 10
- 238000002922 simulated annealing Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 238000000137 annealing Methods 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 6
- 238000001816 cooling Methods 0.000 claims description 5
- 238000012847 principal component analysis method Methods 0.000 claims description 5
- 230000015556 catabolic process Effects 0.000 claims description 4
- 238000006731 degradation reaction Methods 0.000 claims description 4
- 230000014509 gene expression Effects 0.000 claims description 4
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Abstract
本发明的一种基于多核支持向量机的电池单体品质分类方法,可解决现有技术对多级别的电池单体品质分类难以处理且精度不高的技术问题。包括以下步骤:S100、确定并提取影响样本电池单体品质的因素,并且量化成衡量指标数据;S200、构建多核支持向量机,从已有数据中提取包含优、良、中、差四个等级品质标签的电池单体样本数据,通过主成分分析标准化降维处理,将处理后的数据代入多核支持向量机进行训练,再利用优化算法进行参数优化;S300、利用训练后的多核支持向量机,对步骤S100中提取的样本电池单体的指标数据进行分类,得到最终分类结果。本发明通过构建多核次支持向量机网络,解决了单一支持向量机无法多分类的问题,具有较高的分类精确度。
Description
技术领域
本发明涉及动力电池单体品质分类技术领域,具体涉及一种基于多核支持向量机的电池单体品质分类方法。
背景技术
基于随着电动汽车行业的飞速发展,动力电池的使用管理问题越来越受到专家们的重视。而动力电池的基本组成单元电池单体的分析则是整个电池模组的关键。而电池模组一旦装进电动汽车里。电池单体的运行管理就只能通过监控数据的分析得到推测结论。除非将电池模组拆除,否则不能轻易将单体拿来实验室分析取样。所以说,单体电池的各项数据指标分析方法就显得十分关键。
而支持向量机是机器学习中快速可靠的分类算法。通过对主观分类结果的学习,快速掌握分类的标准并有效的根据各项指标进行分类。然而普通支持向量机方法在电池单体分类运用中存在一定的问题。一方面支持向量机主要运用于二分类问题,对多级别的电池单体品质分类难以处理。另一方面单核函数、默认参数下分类的精确度不高。
发明内容
本发明提出的一种基于多核支持向量机的电池单体品质分类方法,可解决普通支持向量机方法在电池单体分类运用中对多级别的电池单体品质分类难以处理且精度不高的技术问题。
为实现上述目的,本发明采用了以下技术方案:
一种基于多核支持向量机的电池单体品质分类方法,包括以下步骤:
S100、确定并提取影响样本电池单体品质的因素,并且量化成衡量指标数据;
S200、构建多核支持向量机,从已有数据中提取包含优、良、中、差四个等级品质标签的电池单体样本数据,通过主成分分析标准化降维处理,将处理后的数据代入多核支持向量机进行训练,再利用优化算法进行参数优化;
S300、利用训练后的多核支持向量机,对步骤S100中提取的样本电池单体的指标数据进行分类,得到最终分类结果。
进一步的,所述步骤S100中影响样本电池单体品质的因素,包括:
(1)样本电池单体的充电和放电时电压变化速率,(2)电池单体电压与总平均电压的方差,(3)电压分布均值,(4)电压变化方差,(5)电压变化的偏度,(6)电压变化分布的峰度,六个缩降维后的二维向量。
所述电池单体电压与总平均电压的方差即每个具体单体与所有单体电压均值的方差计算公式如下:vi_var=(vi-vmean)2,其中Vi代表第i个编号的单体,Vmean表示所有单体电压在采样时刻的平均值;
其中,每个单体电压的一周内所出现的电压记录数据平均值,记为vi_in0;
每个单体电压的一周内所出现的电压记录数据方差,记为vi_m1;
进一步的,所述步骤S200中从已有数据中提取包含优、良、中、差四个等级品质标签的电池单体样本数据,通过主成分分析标准化降维处理,包括:
将电池单体样本数据标准化处理后,创建为指标构成标准化矩阵,再利用主成分分析法进行降维,提取两个最重要的主成分;
包括需要求解标准化矩阵Z两两指标间的相关系数rij,利用它建的相关系数矩阵R;
其中,cov(Zi,Zj)为各个分向量i与j的协方差,Var(Zi)为i指标的方差;
然后求解特征方程|R-λE|=0;;
计算相关系数矩阵R的五个特征根,并构成特征根向量b,求解由五维压缩至二维的主成分U这里,Uij=Zibj,j=1,2。
进一步的,所述步骤S200中将处理后的数据代入多核支持向量机进行训练,具体包括:
具体包括:
首先将特优、优、良三类电池单体合并为优质类,将中、差两类电池单体合并为劣质类,并以优质类与劣质类为标签进行第一层支持向量机的学习,已分为优质类的电池单体以优、良为标签进行第二层支持向量机优质类分类的学习,将已分类为劣质类的电池单体以中、差为标签进行第二层支持向量机劣质类分类的学习对优类电池单体进行第三层支持向量机的学习,以优、特优为标签进行第三层支持向量机的学习。
进一步的,所述步骤S200中各层的多核支持向量机的电池单体品质分类模型如下式所示:
其中,x为分类模型输入数据,yi为训练集的标签数据,f(x)为分类模型的输出数据,取值为1或-1;l为指标集中训练样本个数,αi为拉格朗日乘子,k1为高斯核函数,k2为线性核函数,k1和k2表达式分别为:
其中σ2,αi均为待优化参数。
进一步的,所述步骤S200中再利用优化算法进行参数优化步骤包括:
将参数优化问题转化为如下求解的数学模型:
将核函数参数σ和惩罚系数C作为待寻优的参数,在样本中选定的样本的75%进行训练,再利用25%样本进行检验;
利用模拟退火算法进行寻优,求解相应的αi值;
计算过程包括以下步骤:
(1)设置定初始温度,退化温度比率设定为0.99,设置最低温度Tmin=0.5,最小步长S;
(2)计算在现有参数下训练的样本的精确程度作为函数评价值、计算进入下一阶段与本阶段模拟退火函数评价函数值的差值dE,若dE>0则改变参数继续向前搜索;
进一步的,所述步骤S300中最终的品质分类方法为若第一支持向量机预测结果为,则将其归入优质类若预测结果为一,则将其归入劣质类
若第二支持向量机优质类预测结果为,则将其归入优类若预测结果为一,则将其归入良等若第二层支持向量机劣质类预测结果为,则将其归入中等,若预测结果为一,则将其归入差等若第三层支持向量机优类预测结果为,则将其归入特优等,若预测结果为一,则将其归入为优等。
由上述技术方案可知,本发明的基于多核支持向量机的电池单体品质分类方法,该方法通过构建多核次支持向量机网络,解决了单一支持向量机无法多分类的问题。同时通过构建多核核函数并通过模拟退火算法对核函数参数进行优化,具有较高的分类精确度。
附图说明
图1是本发明的方法流程示意图;
图2是本发明的多核支持向量机分类过程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
如图1所示,本实施例所述的基于多核支持向量机的电池单体品质分类方法,包括:
S100、确定并提取影响样本电池单体品质的指标数据,并进行数据处理;
S200、从已有数据中提取包含优、良、中、差四个等级品质标签的样本数据,构建多核支持向量机并进行训练;
S300、利用训练后的多核支持向量机,对步骤S100中提取的样本电池单体的指标数据进行分类,得到最终分类结果。
以下具体说明:
其中,步骤S100可以理解为从影响电池单体品质的外在因素与内在因素中,选择不同类型的指标;
所述步骤S100中影响电池单体品质的指标数据,包括:提取样本电池单体的多种电压变化指标,包括充电和放电时电压变化速率(每30秒),单体电压与总平均电压的方差,电压分布均值、电压变化方差、电压变化的偏度、电压变化分布的偏度缩降维后的二维向量。
其中,相关指标数据就算方法如下:
(1)电压的变化速率计算公式为:其中vi(k+1)、vi(k)分别表示第i个编号的单体在k+1、k时刻的单体电压,t(k)表示第k个采样时刻,这里我们系统一般每隔30s采样一次。再将一周之内所有采样时刻的数值求平均值
(2)每个具体单体与所有单体电压均值的方差计算按照如下:vi_var=(vi-vmean)2,其中Vi代表第i个编号的单体,Vmean表示所有单体电压在采样时刻的平均值。
(3)每个单体电压的一周内所出现的电压记录数据平均值。记为vi_m0
(4)每个单体电压的一周内所出现的电压记录数据方差。记为vi_m1
(5)每个单体电压的一周内所出现的电压记录数据偏度。记为vi_m2
将上述提到的若干个电压指标值标准化处理后,创建为指标构成标准化矩阵,再利用主成分分析法进行降维,提取两个最重要的主成分。防止由于各种电压指标数量上的不同对支持向量机预测结果产生影响。在此,需要求解标准化矩阵Z两两指标间的相关系数rij,利用它建的相关系数矩阵R。
其中,cov(Zi,Zj)为各个分向量i与j的协方差,Var(Zi)为i指标的方差。接着需要求解特征方程|R-λE|。计算相关系数矩阵R的五个特征根,并构成特征根向量b,求解由五维压缩至二维的主成分U这里,Uij=Zibj,j=1,2。
所述步骤S200中,首先将特优、优、良三类电池单体合并为优质类,将中、差两类电池单体合并为劣质类,并以优质类与劣质类为标签进行第一层支持向量机的学习,已分为优质类的电池单体以优、良为标签进行第二层支持向量机优质类分类的学习,将已分类为劣质类的电池单体以中、差为标签进行第二层支持向量机劣质类分类的学习对优类电池单体进行第三层支持向量机的学习,以优、特优为标签进行第三层支持向量机的学习。
其中,各层的多核支持向量机的电池单体品质分类模型如下式所示:
其中,x为分类模型输入数据,yi为训练集的标签数据,f(x)为分类模型的输出数据,取值为1或-1。l为指标集中训练样本个数,αi为拉格朗日乘子,k1为高斯核函数,k2为线性核函数,表达式分别为
其中σ2,αi均为待优化参数。
所述步骤中,将参数优化问题转化为如下求解的数学模型
为更准确的进行分类,将核函数参数σ和惩罚系数C作为待寻优的参数,在样本中选定的样本的75%进行训练,再利用25%样本进行检验。利用模拟退火算法进行寻优,求解相应的αi值。计算过程包括以下步骤:
使用模拟退火算法求解该目标规划,有如下步骤:(1)设置定初始温度T0=1000,退化温度比率设定为0.99,设置最低温度Tmin=0.5,最小步长S。(2)计算在现有参数下训练的样本的精确程度作为函数评价值、计算进入下一阶段与本阶段模拟退火函数评价函数值的差值dE若dE>0则改变参数继续向前搜索。反之则比较与rand(0,1)。其中T为当前温度,,rand(0,1)是0-1之间的随机数。当则改变参数继续向前搜索降温退火,直到降温至最低温度,结束搜索。
如图2所示,所述步骤中,最终的品质分类方法为若第一支持向量机预测结果为“+1”,则将其归入优质类;若预测结果为“-1”,则将其归入劣质类;
若第二支持向量机优质类预测结果为“+1”,则将其归入优类若预测结果为“-1”,则将其归入良等若第二层支持向量机劣质类预测结果为“+1”,则将其归入中等,若预测结果为“-1”,则将其归入差等;若第三层支持向量机优类预测结果为“+1”,则将其归入特优等,若预测结果为“-1”,则将其归入为优等。
以下是具体应用实例:
首先选择影响电池单体品质的外在品质指标和内在品质指标工其中提取样本电池单体的外在品质指标,包括充电和放电时电压变化速率(每30秒),单体电压与总平均电压的方差,电压分布均值、电压变化方差、电压变化的偏度、电压变化分布的偏度步骤二从已有数据中提取包含特优、优、良、中、差五个等级品质标签的样本数据,训练集如下表所示。
下表包含特优、优、良、中、差各个等级品质标签的样本数据训练集
之后将各个指标转化为标准化后的待计算指标,再利用主成分分析法对内在品质指标进行降维。将标准化处理后的内在品质指标构成标准化矩阵,利用主成分分析法进行降维处理,提取两个最重要的主成分,防止由于内在指标与外在指标数量上的不同对支持向量机预测。根据权利要求书中的计算主成分的方法计算得到主成分向量,将二维主成分向量值列表展示:
序号 | 主成分一 | 主成分二 |
1 | -0.7811 | 1.3985 |
2 | 0.2697 | 0.8122 |
3 | 0.314 | -1.3509 |
4 | 1.7459 | -0.6612 |
5 | 1.7459 | -0.1626 |
6 | -0.03172 | 1.468 |
7 | -0.225 | -0.334 |
在此之后再将特优、优、良划分为优质类,记标签为+1;将中、差划分为劣质类,记标签为-1;构成标签集。将压缩后的内在品质指标以及外在品质指标作为指标集(即上面分析的各个参数)。再设定该层次支持向量机模型为
其中,x为分类模型输入数据,yi为训练集的标签数据,f(x)为分类模型的输出数据,取值为1或-1。l为指标集中训练样本个数,αi为拉格朗日乘子,k1为高斯核函数,k2为线性核函数,表达式分别为
其中σ2,αi均为待优化参数。
将参数优化问题转化为如下的对偶问题
为更准确的进行分类,将核函数参数σ和惩罚系数C作为待寻优的参数,在样本中选定的样本的75%进行训练,再利用25%样本进行检验。利用模拟退火算法进行寻优,求解相应的αi值。计算过程包括以下步骤:
使用模拟退火算法求解该目标规划,有如下步骤:
(1)设置定初始温度T0=1000,退化温度比率设定为0.99,设置最低温度Tmin=0.5,最小步长S。
(2)计算在现有参数下训练的样本的精确程度作为函数评价值、计算进入下一阶段与本阶段模拟退火函数评价函数值的差值dE;
其中T为当前温度,rand(0,1)是0-1之间的随机数。当则改变参数继续向前搜索降温退火,直到降温至最低温度,结束搜索。降温退火,T=r*T,直到降温至最低温度,结束搜索,得到参数σ1=96和惩罚系数C1=337.64。之后再将已划分为优质类的训练样本中特优、优划分为优类,记标签为将良记标签为+1。重复步骤对该层次支持向量机进行训练,得到寻优后的参数σ2=72和惩罚系数C2=221.4。
将已经划分为劣质类的训练样本中记标签为将差记标签为-1。重复步骤对该层次支持向量机进行训练,计算出已经优化了参数的分类支持向量机模型,并且该模型的分类标签为“-1”时,则将该类电池单体归为差。当第二层寻优分类支持向量机分类标签为“+1”时,将该类电池单体归为良。当第二层寻优分类支持向量机分类标签为“+1”时,将该类归为优类,将处理后的数据带入第三层寻优分类支持向量机。当该第三层的支持向量机的分类标签为“+1”时,将该类归为“特优”,而当分类标签为“-1”时,则该单体类归为优。对上述结果汇总,得到最终分类结果如下表分类结果表:
样本序号 | 品质类别 |
201 | 优 |
202 | 良 |
203 | 中 |
204 | 优 |
205 | 良 |
206 | 良 |
207 | 差 |
以上实施例仅用以说明本发明的技术方案,而非对其限制;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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于多核支持向量机的电池单体品质分类方法,其特征在于:包括以下步骤:
S100、确定并提取影响样本电池单体品质的因素,并且量化成衡量指标数据;
S200、构建多核支持向量机,从已有数据中提取包含优、良、中、差四个等级品质标签的电池单体样本数据,通过主成分分析标准化降维处理,将处理后的数据代入多核支持向量机进行训练,再利用优化算法进行参数优化;
S300、利用训练后的多核支持向量机,对步骤S100中提取的样本电池单体的指标数据进行分类,得到最终分类结果。
2.根据权利要求1所述的基于多核支持向量机的电池单体品质分类方法,其特征在于:所述步骤S100中影响样本电池单体品质的因素,包括:
(1)样本电池单体的充电和放电时电压变化速率,(2)电池单体电压与总平均电压的方差,(3)电压分布均值,(4)电压变化方差,(5)电压变化的偏度,(6)电压变化分布的峰度,六个缩降维后的二维向量。
3.根据权利要求2所述的基于多核支持向量机的电池单体品质分类方法,其特征在于:步骤S100中,
所述电池单体电压与总平均电压的方差即每个具体单体与所有单体电压均值的方差计算公式如下:vi_var=(vi-vmean)2,其中Vi代表第i个编号的单体,Vmean表示所有单体电压在采样时刻的平均值;
其中,每个单体电压的一周内所出现的电压记录数据平均值,记为vi_m0;
每个单体电压的一周内所出现的电压记录数据方差,记为vi_m1;
4.根据权利要求3所述的基于多核支持向量机的电池单体品质分类方法,其特征在于:所述步骤S200中从已有数据中提取包含优、良、中、差四个等级品质标签的电池单体样本数据,通过主成分分析标准化降维处理,包括:
将电池单体样本数据标准化处理后,创建为指标构成标准化矩阵,再利用主成分分析法进行降维,提取两个最重要的主成分;
包括需要求解标准化矩阵Z两两指标间的相关系数rij,利用它建的相关系数矩阵R;
其中,cov(Zi,Zj)为各个分向量i与j的协方差,Var(Zi)为i指标的方差;
然后求解特征方程|R-λE|=0;
计算相关系数矩阵R的五个特征根,并构成特征根向量b,求解由五维压缩至二维的主成分U这里,Uij=Zibj,j=1,2。
5.根据权利要求1所述的基于多核支持向量机的电池单体品质分类方法,其特征在于:所述步骤S200中将处理后的数据代入多核支持向量机进行训练,包括:
首先将特优、优、良两三类电池单体合并为优质类,将中、差两类电池单体合并为劣质类,并以优质类与劣质类为标签进行第一层支持向量机的学习,已分为优质类的电池单体以优、良为标签进行第二层支持向量机优质类分类的学习,将已分类为劣质类的电池单体以中、差为标签进行第二层支持向量机劣质类分类的学习对优类电池单体进行第三层支持向量机的学习,以优、特优为标签进行第三层支持向量机的学习。
7.根据权利要求6所述的基于多核支持向量机的电池单体品质分类方法,其特征在于:所述步骤S200中再利用优化算法进行参数优化步骤包括:
将参数优化问题转化为如下求解的数学模型:
将核函数参数σ和惩罚系数C作为待寻优的参数,在样本中选定的样本的75%进行训练,再利用25%样本进行检验;
利用模拟退火算法进行寻优,求解相应的αi值;
计算过程包括以下步骤:
(1)设置定初始温度,退化温度比率设定为0.99,设置最低温度Tmin=0.5,最小步长S;
(2)计算在现有参数下训练的样本的精确程度作为函数评价值、计算进入下一阶段与本阶段模拟退火函数评价函数值的差值dE,若dE>0则改变参数继续向前搜索;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911206609.3A CN111178383A (zh) | 2019-11-29 | 2019-11-29 | 一种基于多核支持向量机的电池单体品质分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911206609.3A CN111178383A (zh) | 2019-11-29 | 2019-11-29 | 一种基于多核支持向量机的电池单体品质分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111178383A true CN111178383A (zh) | 2020-05-19 |
Family
ID=70657184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911206609.3A Pending CN111178383A (zh) | 2019-11-29 | 2019-11-29 | 一种基于多核支持向量机的电池单体品质分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111178383A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657459A (zh) * | 2021-07-28 | 2021-11-16 | 合肥国轩高科动力能源有限公司 | 基于主成分与支持向量机组合的电池soc预测方法及介质 |
CN114669508A (zh) * | 2022-03-01 | 2022-06-28 | 常州大学 | 一种退役电池梯次利用单体筛选方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4633418A (en) * | 1984-07-11 | 1986-12-30 | The United States Of America As Represented By The Secretary Of The Air Force | Battery control and fault detection method |
CN1264471A (zh) * | 1997-06-19 | 2000-08-23 | 斯耐普昂仪器有限公司 | 电池试验和分类 |
CN102749585A (zh) * | 2011-04-21 | 2012-10-24 | 李昌 | 一种基于多层支持向量机的蓄电池在线监测方法 |
CN106569136A (zh) * | 2016-10-19 | 2017-04-19 | 广州市香港科大霍英东研究院 | 一种电池健康状态在线估计方法及系统 |
CN107611513A (zh) * | 2017-09-21 | 2018-01-19 | 公安部天津消防研究所 | 一种用于监测电动汽车锂离子电池热失控的方法 |
US20180108925A1 (en) * | 2016-10-18 | 2018-04-19 | Hyundai Motor Company | Apparatus and Method for Diagnosing State of Fuel Cell Stack |
CN108334900A (zh) * | 2018-01-29 | 2018-07-27 | 上海电气分布式能源科技有限公司 | 动力电池的分类模型的生成方法及系统、分类方法及系统 |
CN108985336A (zh) * | 2018-06-19 | 2018-12-11 | 三峡大学 | 一种基于多层支持向量机的水果品质分类方法 |
CN109165687A (zh) * | 2018-08-28 | 2019-01-08 | 哈尔滨理工大学 | 基于多分类支持向量机算法的车用锂电池故障诊断方法 |
CN109375116A (zh) * | 2018-08-09 | 2019-02-22 | 上海国际汽车城(集团)有限公司 | 一种基于自编码器的电池系统异常电池识别方法 |
CN109856551A (zh) * | 2019-01-28 | 2019-06-07 | 蜂巢能源科技有限公司 | 车辆及其基于电压值的电池异常检测方法和装置 |
-
2019
- 2019-11-29 CN CN201911206609.3A patent/CN111178383A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4633418A (en) * | 1984-07-11 | 1986-12-30 | The United States Of America As Represented By The Secretary Of The Air Force | Battery control and fault detection method |
CN1264471A (zh) * | 1997-06-19 | 2000-08-23 | 斯耐普昂仪器有限公司 | 电池试验和分类 |
CN102749585A (zh) * | 2011-04-21 | 2012-10-24 | 李昌 | 一种基于多层支持向量机的蓄电池在线监测方法 |
US20180108925A1 (en) * | 2016-10-18 | 2018-04-19 | Hyundai Motor Company | Apparatus and Method for Diagnosing State of Fuel Cell Stack |
CN106569136A (zh) * | 2016-10-19 | 2017-04-19 | 广州市香港科大霍英东研究院 | 一种电池健康状态在线估计方法及系统 |
CN107611513A (zh) * | 2017-09-21 | 2018-01-19 | 公安部天津消防研究所 | 一种用于监测电动汽车锂离子电池热失控的方法 |
CN108334900A (zh) * | 2018-01-29 | 2018-07-27 | 上海电气分布式能源科技有限公司 | 动力电池的分类模型的生成方法及系统、分类方法及系统 |
CN108985336A (zh) * | 2018-06-19 | 2018-12-11 | 三峡大学 | 一种基于多层支持向量机的水果品质分类方法 |
CN109375116A (zh) * | 2018-08-09 | 2019-02-22 | 上海国际汽车城(集团)有限公司 | 一种基于自编码器的电池系统异常电池识别方法 |
CN109165687A (zh) * | 2018-08-28 | 2019-01-08 | 哈尔滨理工大学 | 基于多分类支持向量机算法的车用锂电池故障诊断方法 |
CN109856551A (zh) * | 2019-01-28 | 2019-06-07 | 蜂巢能源科技有限公司 | 车辆及其基于电压值的电池异常检测方法和装置 |
Non-Patent Citations (7)
Title |
---|
A. CHATTOPADHYAYA 等: "Skewness based voltage sag assessment in power systems", 《MICHAEL FARADAY IET INTERNATIONAL SUMMIT 2015》 * |
E. GULSKI 等: "Recognition of defects in high voltage cables using statistical tools", 《[1992] PROCEEDINGS OF THE 4TH INTERNATIONAL CONFERENCE ON CONDUCTION AND BREAKDOWN IN SOLID DIELECTRICS》 * |
吴雪平: "锂离子电池品质异常原因分析及检查方法", 《电池工业》 * |
康锐: "《可靠性数据分析》", 30 April 2011, 北京:国防工业出版社 * |
杨佳云: "基于机器学习的动力电池自动配组技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
杨光垚: "基于特征寻优与深度学习的高压电缆局部放电模式识别研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
胡威: "镍氢电池循环寿命表征方法的研究", 《中国优秀高级论文全文数据库工程科技Ⅱ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657459A (zh) * | 2021-07-28 | 2021-11-16 | 合肥国轩高科动力能源有限公司 | 基于主成分与支持向量机组合的电池soc预测方法及介质 |
CN114669508A (zh) * | 2022-03-01 | 2022-06-28 | 常州大学 | 一种退役电池梯次利用单体筛选方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109543737B (zh) | 一种基于fahp_fca组合赋权的信息系统健康度评估方法 | |
CN111950918B (zh) | 一种基于电力交易数据的市场风险评估方法 | |
CN105930976B (zh) | 基于加权理想点法的节点电压暂降严重程度综合评估方法 | |
CN104574220A (zh) | 基于最小二乘支持向量机的电力客户信用评估方法 | |
CN111949939B (zh) | 基于改进topsis和聚类分析的智能电表运行状态评价方法 | |
CN112287980B (zh) | 基于典型特征向量的动力电池筛选方法 | |
CN111178383A (zh) | 一种基于多核支持向量机的电池单体品质分类方法 | |
CN112327192A (zh) | 一种基于曲线形态的电池容量跳水现象识别方法 | |
CN111210170A (zh) | 基于90%用电分布特征指标的环保管控监测及评价方法 | |
CN111343147A (zh) | 一种基于深度学习的网络攻击检测装置及方法 | |
CN111967535A (zh) | 一种储粮管理场景温度传感器故障诊断方法及其诊断装置 | |
CN116383727A (zh) | 一种电厂系统测量粗大误差识别方法、系统、设备及介质 | |
CN116699446A (zh) | 退役电池快速分选方法、装置、设备及存储介质 | |
US20150242676A1 (en) | Method for the Supervised Classification of Cells Included in Microscopy Images | |
CN105095690A (zh) | 一种评定杜洛克公猪受精能力的数学模型及其建立方法 | |
CN108920428B (zh) | 一种基于联合模糊扩张原理的模糊距离判别方法 | |
CN116189909B (zh) | 基于推举算法的临床医学判别方法及系统 | |
CN108446213A (zh) | 一种静态代码质量分析方法和装置 | |
CN112485694B (zh) | 电池组的检测方法及装置 | |
CN116010884A (zh) | 基于主成分分析的SSA-LightGBM油浸式变压器的故障诊断方法 | |
CN114091908A (zh) | 计及多模式储能站的配电网综合评价方法、装置和设备 | |
CN114139408A (zh) | 一种电力变压器健康状态评估方法 | |
Miao et al. | An innovative Bayesian sequential censored sampling inspection method and application to test design | |
CN117133473A (zh) | 一种预测完全受精情况的方法、系统、设备及介质 | |
CN117972964A (zh) | 审核模型建立方法、审核方法、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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200519 |