CN111257754A - 一种基于plstm序列映射的电池soc鲁棒评估方法 - Google Patents

一种基于plstm序列映射的电池soc鲁棒评估方法 Download PDF

Info

Publication number
CN111257754A
CN111257754A CN202010207047.0A CN202010207047A CN111257754A CN 111257754 A CN111257754 A CN 111257754A CN 202010207047 A CN202010207047 A CN 202010207047A CN 111257754 A CN111257754 A CN 111257754A
Authority
CN
China
Prior art keywords
sequence
soc
plstm
training
state
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
Application number
CN202010207047.0A
Other languages
English (en)
Other versions
CN111257754B (zh
Inventor
陶来发
马梁
杨帆
吕琛
王自力
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.)
Beihang University
Original Assignee
Beihang 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 Beihang University filed Critical Beihang University
Priority to CN202010207047.0A priority Critical patent/CN111257754B/zh
Publication of CN111257754A publication Critical patent/CN111257754A/zh
Application granted granted Critical
Publication of CN111257754B publication Critical patent/CN111257754B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • G01R31/367—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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种基于PLSTM序列映射的电池SOC鲁棒评估方法，具体步骤如下：步骤一：训练及测试数据归一化；步骤二：滑窗序列切片；步骤三：构建并训练基于PLSTM的自编码器；步骤四：构建并调优基于PLSTM的序列映射模型；步骤五：使用测试数据完成SOC评估。本发明在基础LSTM单元的基础上，在输入和门控中引入了过程信息，提出PLSTM，并基于PLSTM单元在基于自编码器预训练的基础上构建并训练序列映射模型，完成SOC的鲁棒评估。本发明的评估模型不但能够学习电池状态与SOC之间的关联，同时能够学习充放电历经过程对SOC的影响，使之能够在变采样频率、位置载荷剖面等不利条件下完成高准确度的SOC评估，具有较高的实际工程应用价值。

Description

一种基于PLSTM序列映射的电池SOC鲁棒评估方法
技术领域
本发明涉及电池荷电状态评估领域，尤其涉及一种基于PLSTM序列映射的电池SOC鲁棒评估方法。
背景技术
随着化石燃料的使用，人类在得以实现大规模工业生产的同时，也为环境带来了极大的负面影响，能源危机和环境污染等给人类带来了严峻的考研。因此，以锂电池为代表的清洁能源近年来得到了极大发展。电池的荷电状态(state-of-charge,SOC)表征电池当前可用容量与其额定容量之间的比值，准确的SOC评估对掌握电池剩余可用容量起到关键作用，是电动汽车车载电池管理等系统的重要功能。因此，需要研发准确的电池SOC评估方法。
现有的SOC评估方法可分为开路电压法、安时积分法、基于模型的方法和数据驱动的方法。开路电压法通过测量电池静置时的OCV，与试验得到的OCV-SOC曲线进行比对，查表得到当前电池SOC。安时积分法通过确定初值，计算充电电流在时间上的积分完成SOC评估。基于模型的SOC评估方法通过建立电池的电化学模型，进而通过测量电池的状态，估计模型参数，完成SOC的估计。传统的数据驱动SOC评估方法只需要获得电池的测量参数，使用历史数据训练模型，并在新测得的数据上完成SOC评估。现有方法或仅考虑电池充放电过程中的状态信息，建立电池状态参数与SOC之间的映射关系，这类方法忽略了电池的动态特性，在面临变采样频率等状态间过程不同的情况时无法完整学习到输入中的完整信息；或仅考虑过程信息，这类方法一方面对初值设定的准确度要求较高，另一方面没有状态信息对时间累积效应的修正，会给SOC估计带来累积误差，影响估计准确度。因此，亟需提出一种结合电池充放电过程中的状态信息与过程信息完成SOC评估的方法。同时，避免建立复杂的电池电化学模型。
发明内容
为解决上述问题，本发明提出了一种基于PLSTM序列映射的电池SOC鲁棒评估方法：对基本LSTM(long short-term memory,长短期记忆)单元进行改进，成为PLSTM(LSTMwith process information)，使之能够在处理多步状态信息的同时，处理状态之间的过程信息；然后基于PLSTM构建序列映射模型，完成电池状态-过程信息序列到电池SOC序列的映射，进而完成SOC评估。具体步骤如下：
步骤一：训练及测试数据归一化
首先针对训练数据和测试数据中所有状态信息参数和过程信息参数进行归一化处理，使每个参数的幅值范围在0-1之间。其中，测试数据归一化时，使用训练数据对应列的归一化参数。
步骤二：滑窗序列切片
使用一定宽度的单步滑窗对步骤一得到的归一化处理后的训练集中状态信息参数序列、过程信息参数序列进行切片，每个切片样本包含一定采样点数的状态信息参数、过程信息参数，称为状态-过程序列样本；同时使用相同宽度的单步滑窗对相应的SOC参数序列进行切片，每个切片样本包含与状态/过程信息参数切片相同采样点数的SOC值，称为SOC序列样本。
步骤三：构建并训练基于PLSTM的自编码器
使用步骤二获得的所有状态-过程序列样本训练基于PLSTM的自编码器。PLSTM是在基础LSTM单元基础上，在输入和门控机制中引入状态信息参数的一种改进。PLSTM单元在基础LSTM单元的基础上，加入了对过程信息参数向量的计算和处理。相比于基础LSTM，PLSTM在输入、门控的计算过程中，同时加入了对过程信息参数的处理，因此其能够同时学习输入序列多步状态之间所经历的过程。使用PLSTM单元作为编码层，LSTM单元作为解码层，构建自编码器，学习对过程-状态序列样本的重构，直至损失收敛，自编码器能够以较低误差完成对输入数据的压缩和重构。
步骤四：构建并调优基于PLSTM的序列映射模型
提取步骤三中训练得到的基于PLSTM的自编码器的编码层，在其之后接入一层LSTM层、一个LSTM输出单元，完成基于PLSTM的序列映射模型构建。使用步骤二中获得的状态-过程序列样本作为训练输入，与每个样本对应的SOC序列样本作为训练输出，对上述基于PLSTM的序列映射模型进行调优训练，直至损失收敛。此时模型能够建立状态-过程信息参数序列到电池SOC序列的映射，进而完成SOC评估。
步骤五：使用测试数据完成SOC评估
使用一定宽度的单步滑窗对步骤一得到的归一化处理后的测试集中状态信息参数序列、过程信息参数序列进行切片，同时使用相同宽度的单步滑窗对相应的SOC参数序列进行切片，切片方法与步骤二相同，得到用于测试的状态-过程序列样本和对应的SOC序列样本。将测试用状态-过程序列样本输入步骤四中训练得到的基于PLSTM的序列映射模型，得到模型输出的估计SOC序列，完成SOC评估；将估计SOC序列与测试集中真实SOC序列进行比较，验证模型的性能和效果。
本发明的优点与积极效果在于：
(1)本发明针对基础LSTM单元进行了改进，在其输入和门控机制中引入了过程信息，使之不仅能够学习电池状态参数与电池SOC之间的映射关系，还能够同时学习多步电池状态间所经历过程与电池SOC之间的映射关系，使得利用充放电剖面信息更加充分，提升了SOC评估方法克服电池动态特性等不利影响的能力；
(2)基于PLSTM单元，本发明提出了一种可以同时考虑电池充放电状态信息与过程信息的序列映射模型，并在调优训练之前首先经过基于自编码器的预训练，能够鲁棒地建立多步电池状态、状态间过程与电池SOC间的序列映射关系，且不需建立复杂的电池模型；
(3)本发明所提出的模型，由于过程信息的引入，能够有效在变采样频率条件下，以及在未知放电剖面下实现高准确度的SOC评估，具有较大实际应用价值。
附图说明
图1是本发明的基于PLSTM序列映射的电池SOC鲁棒评估方法流程图；
图2是本发明的基础LSTM单元原理图；
图3是本发明实施例的电池动态载荷放电剖面放电电流示意图；
图4是本发明实施例的基于PLSTM的自编码器训练损失变化图；
图5是本发明实施例的基于PLSTM的序列映射模型训练损失变化图；
图6是本发明实施例的0℃时本发明内容与相似技术SOC评估结果误差对比；
图7是本发明实施例的25℃时本发明内容与相似技术SOC评估结果误差对比；
图8是本发明实施例的45℃时本发明内容与相似技术SOC评估结果误差对比；
具体实施方式
本申请的基于PLSTM序列映射的电池SOC鲁棒评估方法，主要包括以下步骤：
步骤一：训练及测试数据归一化
首先针对训练数据和测试数据中所有状态信息参数和过程信息参数进行归一化处理，使每个参数的幅值范围在0-1之间。其中，测试数据归一化时，使用训练数据对应列的归一化参数。针对训练集/测试集的第i个参数进行归一化的公式如下：
Figure BDA0002421477290000031
其中
Figure BDA0002421477290000032
为归一化后的参数向量，
Figure BDA0002421477290000033
为归一化前的原始参数向量，
Figure BDA0002421477290000034
和
Figure BDA0002421477290000035
为由训练集相应参数最大最小值得到的归一化参数，被同时使用至测试集的归一化中。
步骤二：滑窗序列切片
使用宽度为w单步滑窗对步骤一得到的归一化处理后的训练集中状态信息参数序列、过程信息参数序列进行切片，每个切片样本包含w步的状态信息参数、过程信息参数，称为状态-过程序列样本，记作
Figure BDA0002421477290000036
同时使用相同宽度的单步滑窗对相应的SOC参数序列进行切片，每个切片样本包含w个SOC值，称为SOC序列样本，记作y(j)。其中，j为样本序号。
步骤三：构建并训练基于PLSTM的自编码器
使用步骤二获得的所有状态-过程序列样本训练基于PLSTM的自编码器。
PLSTM是在基础LSTM单元基础上，在输入和门控机制中引入状态信息参数的一种改进。基础LSTM单元原理如图2所示。
基础LSTM单元的计算过程如下式，其中i,f,m和o分别代表输入门、遗忘门、记忆单元和输出门。σ(·)和tanh(·)分别代表sigmoid函数和tanh函数。W是每个门的权重矩阵，b是偏置向量。Sk是第k步的状态信息参数向量，hk-1是第k-1步的隐藏状态向量。
ik＝σ(Wi×[Sk,hk-1]+bi)
fk＝σ(Wf×[Sk,hk-1]+bf)
Figure BDA0002421477290000041
ok＝σ(Wo×[Sk,hk-1]+bo)
Figure BDA0002421477290000042
PLSTM单元在基础LSTM单元的基础上，加入了对过程信息参数向量的计算和处理。其计算过程如下式：
ik＝σ(Wi×[Sk,Pk,hk-1]+bi)
fk＝σ(Wf×[Sk,Pk,hk-1]+bf)
Figure BDA0002421477290000043
ok＝σ(Wo×[Sk,Pk,hk-1]+bo)
Figure BDA0002421477290000044
除Pk外，其余参数与基础LSTM单元计算过程公式相同；Pk是第k步的过程信息参数向量。可以看出，相比于基础LSTM，PLSTM在输入、门控的计算过程中，同时加入了对过程信息参数的处理，因此其能够同时学习输入序列多步状态之间所经历的过程。
使用PLSTM作为输入编码层，LSTM作为输出解码层，构建自动编码器。自动编码器旨在学习一个恒等函数，由编码器将输入数据压缩至编码向量，然后由解码器将编码向量解码重构生成输出数据，使得输出数据与输入数据之间差异尽可能小。设编码器和解码器表达的非线性函数分别为E(·)和D(·)。首先，对于状态-过程序列样本
Figure BDA0002421477290000045
首先被编码器编码为向量
Figure BDA0002421477290000046
其维度为自动编码器的隐含层维度m。接着，编码向量被重构维度为矩阵
Figure BDA0002421477290000047
其内容不变，维度变成w行p列，其中w即为步骤二中滑窗的宽度，p＝m/w。解码器将编码矩阵重构为
Figure BDA0002421477290000048
对于含有n个样本的数据集来说，选取均方误差为损失函数，则自编码器重构损失函数如下式：
Figure BDA0002421477290000051
使用Adam优化器对其进行迭代训练，直至损失收敛，能够准确重构输入的状态-过程序列样本。
步骤四：构建并调优基于PLSTM的序列映射模型
提取步骤三中训练得到的基于PLSTM的自编码器的编码层，在其之后接入一层LSTM层、一个LSTM输出单元，完成基于PLSTM的序列映射模型构建。对于一组样本
Figure BDA0002421477290000052
首先被编码为
Figure BDA0002421477290000053
其中编码器为步骤三中训练得到的自编码器的编码层。然后编码向量被输入一层LSTM单元，一个输出LSTM单元，得到输出序列
Figure BDA0002421477290000054
作为模型给出的SOC估计值。使用均方误差衡量评估误差，如下式
Figure BDA0002421477290000055
使用步骤二中获得的状态-过程序列样本作为训练输入，与每个样本对应的SOC序列样本作为训练输出，对上述基于PLSTM的序列映射模型使用Adam优化器进行调优训练，直至损失收敛。此时模型能够建立状态-过程信息参数序列到电池SOC序列的映射，进而完成SOC评估。
步骤五：使用测试数据完成SOC评估
使用一定宽度的单步滑窗对步骤一得到的归一化处理后的测试集中状态信息参数序列、过程信息参数序列进行切片，同时使用相同宽度的单步滑窗对相应的SOC参数序列进行切片，切片方法与步骤二相同，得到用于测试的状态-过程序列样本和对应的SOC序列样本。将测试用状态-过程序列样本输入步骤四中训练得到的基于PLSTM的序列映射模型，得到模型输出的估计SOC序列，完成SOC评估；将估计SOC序列与测试集中真实SOC序列进行比较，验证模型的性能和效果。
实施例
本实施例采用马里兰大学先进生命周期工程中心(CALCE)所公开的锂电池动态负载放电数据，采用本发明方法开展电池SOC评估，以对所发明内容进行阐述，并进一步说明本发明内容的使用过程。
在本实施例中，所选取的电池状态信息参数包括电压(U)、电流(I)，电池过程信息参数指采样时刻之间的时间间隔δk＝tk-tk-1。
数据集中包含四种不同的动态载荷放电剖面，分别是动态压力测试剖面(DST)、联邦城市驾驶剖面(FUDS)、高速公路驾驶剖面(US06)和北京动态压力测试剖面(BJDST)，其放电电流情况如图3所示。
在本实施例中，所有训练过程均只使用DST剖面的数据，测试过程在FUDS、US06和BJDST剖面上展开，以验证本发明内容在未知载荷剖面上进行SOC评估的能力。
为验证本发明内容的效果，对所有数据进行重采样处理，采用在1-10步之间的随机间隔对数据进行重新采样。原始数据以1hz的频率进行采样，在重采样处理之后，每两个状态之间所经历的时间间隔在1s到10s间随机变化。
首先对四个放电剖面的数据进行归一化处理及滑窗序列切片处理。在切片时，采用的滑窗宽度为10，即每个状态-过程序列样本中包含10个采样时刻的数据，对应的SOC序列样本中包含10个电池SOC数值。
构建并训练基于PLSTM的自编码器。自编码器的输入编码层包含100个PLSTM单元，隐藏编码向量维度为100，输出解码层包含100个LSTM单元。针对DST剖面样本，使用Adam优化器对其进行迭代训练，直至损失收敛，能够准确重构输入的状态-过程序列样本。Adam优化器的学习参数中，学习率lr＝0.001,β1＝0.9,β2＝0.999。在训练过程中，损失值随训练迭代循环次数变化情况如图4所示。可见损失函数趋于收敛，模型能够以较低误差对输入状态-过程序列样本进行重构生成。
提取上述训练得到的基于PLSTM的自编码器的编码层，在其之后接入一层LSTM层、一个LSTM输出单元，完成基于PLSTM的序列映射模型构建。对于一组样本
Figure BDA0002421477290000061
首先被编码为
Figure BDA0002421477290000062
其中编码器为步骤三中训练得到的自编码器的编码层。然后编码向量被输入一层LSTM单元，一个输出LSTM单元，得到输出序列
Figure BDA0002421477290000063
作为模型给出的SOC估计值。使用均方误差衡量评估误差，如下式
Figure BDA0002421477290000064
使用步骤二中获得的DST剖面下状态-过程序列样本作为训练输入，与每个样本对应的SOC序列样本作为训练输出，对上述基于PLSTM的序列映射模型使用Adam优化器进行调优训练，直至损失收敛，如图5。此时模型能够建立状态-过程信息参数序列到电池SOC序列的映射，进而完成SOC评估。
使用上述训练完毕的基于PLSTM的序列映射模型对FUDS、US06和BJDST放电剖面进行SOC评估，其结果如表1所示。
表1本发明内容方法在0℃、25℃、45℃条件下针对三种不同剖面的SOC评估结果绝对误差
Figure BDA0002421477290000065
从表中可以看出，在不同温度、变采样频率条件下，本发明内容均能够以较低的误差完成SOC评估，具有较高的鲁棒性。
为体现本发明内容相较于现有类似方法的优越性，以相同的试验设定和数据条件，使用基于基础LSTM的序列映射模型进行SOC评估，与本发明内容评估结果误差对比如图6、图7、图8所示。相比基础LSTM序列映射模型，基于PLSTM序列映射模型，针对三种未知放电剖面的SOC评估结果误差在0℃、25℃和45℃时分别平均降低了9.36％、34.07％和21.29％。
除非另有定义，本申请中使用的所有技术和/或科学术语具有与由本发明所涉及的领域的普通技术人员通常理解的相同含义。本申请中提到的材料、方法和实施例仅为说明性的，而非限制性的。
虽然已结合具体实施方式对本发明进行了描述，在本申请的发明主旨下，本领域的技术人员可以进行适当的替换、修改和变化，这种替换、修改和变化仍属于本申请的保护范围。

Claims (6)

1.一种基于PLSTM序列映射的电池SOC鲁棒评估方法，其特征在于包括：
步骤一：训练及测试数据归一化；
步骤二：滑窗序列切片；
步骤三：构建并训练基于PLSTM的自编码器；
步骤四：构建并调优基于PLSTM的序列映射模型；
步骤五：使用测试数据完成SOC评估。
2.如权利要求1的电池SOC鲁棒评估方法，其特征在于：
首先针对训练数据和测试数据中所有状态信息参数和过程信息参数进行归一化处理，使每个参数的幅值范围在0-1之间；其中，测试数据归一化时，使用训练数据对应列的归一化参数。
3.如权利要求2的电池SOC鲁棒评估方法，其特征在于：
使用一定宽度的单步滑窗对步骤一得到的归一化处理后的训练集中状态信息参数序列、过程信息参数序列进行切片，每个切片样本包含一定采样点数的状态信息参数、过程信息参数，称为状态-过程序列样本；同时使用相同宽度的单步滑窗对相应的SOC参数序列进行切片，每个切片样本包含与状态/过程信息参数切片相同采样点数的SOC值，称为SOC序列样本。
4.如权利要求3的电池SOC鲁棒评估方法，其特征在于：
使用步骤二获得的所有状态-过程序列样本训练基于PLSTM的自编码器；PLSTM是在基础LSTM单元基础上，在输入和门控机制中引入状态信息参数的一种改进：PLSTM单元在基础LSTM单元的基础上，加入了对过程信息参数向量的计算和处理。相比于基础LSTM，PLSTM在输入、门控的计算过程中，同时加入了对过程信息参数的处理，因此其能够同时学习输入序列多步状态之间所经历的过程；使用PLSTM单元作为编码层，LSTM单元作为解码层，构建自编码器，学习对过程-状态序列样本的重构，直至损失收敛，自编码器能够以较低误差完成对输入数据的压缩和重构。
5.如权利要求4的电池SOC鲁棒评估方法，其特征在于：
提取步骤三中训练得到的基于PLSTM的自编码器的编码层，在其之后接入一层LSTM层、一个LSTM输出单元，完成基于PLSTM的序列映射模型构建；使用步骤二中获得的状态-过程序列样本作为训练输入，与每个样本对应的SOC序列样本作为训练输出，对上述基于PLSTM的序列映射模型进行调优训练，直至损失收敛；此时模型能够建立状态-过程信息参数序列到电池SOC序列的映射，进而完成SOC评估。
6.如权利要求5的电池SOC鲁棒评估方法，其特征在于：
使用一定宽度的单步滑窗对步骤一得到的归一化处理后的测试集中状态信息参数序列、过程信息参数序列进行切片，同时使用相同宽度的单步滑窗对相应的SOC参数序列进行切片，切片方法与步骤二相同，得到用于测试的状态-过程序列样本和对应的SOC序列样本；将测试用状态-过程序列样本输入步骤四中训练得到的基于PLSTM的序列映射模型，得到模型输出的估计SOC序列，完成SOC评估；将估计SOC序列与测试集中真实SOC序列进行比较，验证模型的性能和效果。
CN202010207047.0A 2020-03-23 2020-03-23 一种基于plstm序列映射的电池soc鲁棒评估方法 Active CN111257754B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010207047.0A CN111257754B (zh) 2020-03-23 2020-03-23 一种基于plstm序列映射的电池soc鲁棒评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010207047.0A CN111257754B (zh) 2020-03-23 2020-03-23 一种基于plstm序列映射的电池soc鲁棒评估方法

Publications (2)

Publication Number Publication Date
CN111257754A true CN111257754A (zh) 2020-06-09
CN111257754B CN111257754B (zh) 2021-03-16

Family

ID=70949987

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010207047.0A Active CN111257754B (zh) 2020-03-23 2020-03-23 一种基于plstm序列映射的电池soc鲁棒评估方法

Country Status (1)

Country Link
CN (1) CN111257754B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348158A (zh) * 2020-11-04 2021-02-09 重庆大学 基于多参数深度分布学习的工业设备状态评估方法
CN112379269A (zh) * 2020-10-14 2021-02-19 武汉蔚来能源有限公司 电池异常检测模型训练及其检测方法、装置
CN113076689A (zh) * 2021-03-25 2021-07-06 华中科技大学 一种基于自动编码器的电池状态评估方法
CN113435235A (zh) * 2021-01-13 2021-09-24 北京航空航天大学 一种基于递归融合编码器的装备状态表征提取方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108090558A (zh) * 2018-01-03 2018-05-29 华南理工大学 一种基于长短期记忆网络的时间序列缺失值自动填补方法
CN108519556A (zh) * 2018-04-13 2018-09-11 重庆邮电大学 一种基于循环神经网络的锂离子电池soc预测方法
CN109561084A (zh) * 2018-11-20 2019-04-02 四川长虹电器股份有限公司 基于lstm自编码网络的url参数异常值检测方法
CN110210495A (zh) * 2019-05-21 2019-09-06 浙江大学 基于并行LSTM自编码器动态特征提取的XGBoost软测量建模方法
CN110488202A (zh) * 2019-07-24 2019-11-22 北京航空航天大学 基于深度神经网络的车辆电池荷电状态估计方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108090558A (zh) * 2018-01-03 2018-05-29 华南理工大学 一种基于长短期记忆网络的时间序列缺失值自动填补方法
CN108519556A (zh) * 2018-04-13 2018-09-11 重庆邮电大学 一种基于循环神经网络的锂离子电池soc预测方法
CN109561084A (zh) * 2018-11-20 2019-04-02 四川长虹电器股份有限公司 基于lstm自编码网络的url参数异常值检测方法
CN110210495A (zh) * 2019-05-21 2019-09-06 浙江大学 基于并行LSTM自编码器动态特征提取的XGBoost软测量建模方法
CN110488202A (zh) * 2019-07-24 2019-11-22 北京航空航天大学 基于深度神经网络的车辆电池荷电状态估计方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
MOHAMED BOUAZIZ ET AL.: "PARALLEL LONG SHORT-TERM MEMORY FOR MULTI-STREAM CLASSIFICATION", 《2016 IEEE SPOKEN LANGUAGE TECHNOLOGY WORKSHOP (SLT)》 *
SAFA ONUR SAHIN ET AL.: "Nonuniformly Sampled Data Processing Using LSTM Networks", 《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》 *
吴腾: "面向数据挖掘的网络流量预测及业务识别算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
耿攀 等: "基于LSTM循环神经网络的电池SOC预测方法", 《上海海事大学学报》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112379269A (zh) * 2020-10-14 2021-02-19 武汉蔚来能源有限公司 电池异常检测模型训练及其检测方法、装置
CN112379269B (zh) * 2020-10-14 2024-03-05 武汉蔚来能源有限公司 电池异常检测模型训练及其检测方法、装置
CN112348158A (zh) * 2020-11-04 2021-02-09 重庆大学 基于多参数深度分布学习的工业设备状态评估方法
CN112348158B (zh) * 2020-11-04 2024-02-13 重庆大学 基于多参数深度分布学习的工业设备状态评估方法
CN113435235A (zh) * 2021-01-13 2021-09-24 北京航空航天大学 一种基于递归融合编码器的装备状态表征提取方法
CN113435235B (zh) * 2021-01-13 2022-08-02 北京航空航天大学 一种基于递归融合编码器的装备状态表征提取方法
CN113076689A (zh) * 2021-03-25 2021-07-06 华中科技大学 一种基于自动编码器的电池状态评估方法
CN113076689B (zh) * 2021-03-25 2024-03-19 华中科技大学 一种基于自动编码器的电池状态评估方法

Also Published As

Publication number Publication date
CN111257754B (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
CN111257754B (zh) 一种基于plstm序列映射的电池soc鲁棒评估方法
CN108896914B (zh) 一种锂电池健康状况的梯度提升树建模与预测方法
CN110488202B (zh) 基于深度神经网络的车辆电池荷电状态估计方法
CN113419187B (zh) 一种锂离子电池健康估计方法
CN110286332B (zh) 一种基于多新息理论的电动汽车动力电池soc估计方法
CN109061514B (zh) 一种基于大数据的动力电池衰退情况分析方法及系统
CN111832220A (zh) 一种基于编解码器模型的锂离子电池健康状态估算方法
CN111007400A (zh) 基于自适应双扩展卡尔曼滤波法的锂电池soc估算方法
CN112051511A (zh) 基于多通道技术的动力电池健康状态的估计方法及系统
CN111426957B (zh) 一种模拟车辆工况动力电池荷电状态soc估算优化方法
CN113917334B (zh) 基于进化lstm自编码器的电池健康状态估计方法
CN112557907A (zh) 一种基于gru-rnn的电动汽车锂离子电池的soc估计方法
CN113093017A (zh) 一种锂离子电池等效电路模型在线构建方法
CN115980588A (zh) 基于自编码器提取特征的锂离子电池健康状态估计方法
CN113311337A (zh) 基于相关向量回归的锂离子电池剩余寿命检测方法
CN116298934A (zh) 一种用于锂电池健康状态估算的预测网络的建模方法
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
CN115389946A (zh) 一种基于等压升能量和改进gru的锂电池健康状态估计方法
CN113791351B (zh) 基于迁移学习和差值概率分布的锂电池寿命预测方法
CN115186579A (zh) 一种基于容量增量变化量曲线的锂电池健康状态估计方法
CN116679213A (zh) 基于集成深度学习的电动汽车动力电池soh估算方法
CN116449219A (zh) 一种改进vffrls的锂电池模型参数辨识方法
CN116224074A (zh) 一种软包锂离子电池荷电状态估计方法、装置及存储介质
CN115598546A (zh) 锂离子电池soh、soc和rul的联合估计方法
CN112098846B (zh) 一种退役动力锂电池的混合建模方法

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
GR01 Patent grant
GR01 Patent grant