CN111856287B - 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法 - Google Patents
基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法 Download PDFInfo
- Publication number
- CN111856287B CN111856287B CN202010689054.9A CN202010689054A CN111856287B CN 111856287 B CN111856287 B CN 111856287B CN 202010689054 A CN202010689054 A CN 202010689054A CN 111856287 B CN111856287 B CN 111856287B
- Authority
- CN
- China
- Prior art keywords
- residual
- neural network
- causal
- network
- battery
- 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.)
- Expired - Fee Related
Links
- 230000001364 causal effect Effects 0.000 title claims abstract description 76
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 39
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 33
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 33
- 230000036541 health Effects 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 230000007787 long-term memory Effects 0.000 claims abstract description 7
- 230000006403 short-term memory Effects 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 230000015654 memory Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000014759 maintenance of location Effects 0.000 claims description 2
- 238000005065 mining Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims 2
- 230000032683 aging Effects 0.000 abstract description 4
- 239000000126 substance Substances 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 4
- 239000000306 component Substances 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 229910001416 lithium ion Inorganic materials 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000001453 impedance spectrum Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
一种基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法，通过传感器采集锂电池的工况数据，经预处理得到输入特征；通过传感器采集锂电池的工况数据，经预处理得到输入特征；根据输入特征设计堆叠残差因果卷积神经网络，训练该堆叠残差因果卷积神经网络后，利用训练得到的堆叠残差因果卷积神经网络对锂电池的健康状态进行估计；堆叠残差因果卷积神经网络，该网络将残差网络和长短期记忆网络的输入门结构有机地集成到因果卷积网络中。本发明可以有效的帮助锂电池用户准确获取电池实际可用容量及老化状态相关信息，进而为电池管理的控制决策提供参考。
Description
技术领域
本发明涉及的是一种锂电池制造领域的技术，具体是一种基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法。
背景技术
随着科技的飞速发展和技术的不断革新，国家对新能源尤其是环保能源的要求进一步提高，新能源汽车的发展可以促进我国能源结构的改革，从而实现绿色经济的可持续发展。锂电池作为新能源汽车的核心部件之一，有效的估计电池健康状态意义重大。健康状态(State of charge，SOH)是从多次使用的角度评价电池，预测电池在其整个生命周期中的状态，它可以帮助电池管理系统掌握电池老化影响因素，在电池的全生命周期管理提供使用和维护的理论支持，避免电池的不当使用，充分发挥电池的使用价值。目前对电池的健康状态的定义主要有两种计算方式，一种是基于电池的容量的退化，另一种是基于电池的内阻。两种定义方式分别为：
其中，Qaged为电池在当前充放电循环下的电池容量，Qnew为电池的额定容量；
其中：R0为电池的初始内阻，Raged为电池在当前充放电循环下的电池内阻。
电池的老化主要是电池内部化学成分的损失和失效，所有可能造成电池内部化学成分发生改变的因素都会是电池健康状态退化的影响因子。目前针对锂电池SOH主要的研究难点包括：
1)复杂的化学反应。电池内部的化学成分构成复杂，这些化学成分之间的化学反应虽然是按照电池原本设计进行的，但是受各种不可控因素影响，可能会发生一些意想不到的化学反应。因此，在实际工作中，电池内部发生的化学反应非常复杂，无法观测和控制。
2)影响因素多。一般来说，电池的工作环境都很不固定，尤其对于纯电动汽车，工作环境更加复杂，温度波动范围广，而且充放电的电流值也无法保证稳定，并且很容易发生过充过放的行为。此外，电池本身也会发生自充电和自放电的现象，这些都是影响电池健康状态退化的因素。这些影响因素相互作用，存在很强的耦合关系，难以直接找出它们和SOH的映射关系。
3)难以建立精确模型(非线性系统)。电池内部的化学反应复杂导致了电池内部系统的强非线性，并且当电池处于正常工作时，内部化学成分和发生的反应无法观测，仅可以依靠电池的工作电压和电流等信息。因此，电池精确模型的建立是最大的难点。
目前对SOH的研究方法大致可分为两种：一种是基于物理和化学机理或等效模型，另一种是基于数据驱动的方法。基于物理和化学机理的电池健康状态估计通常是考虑影响电池内部化学反应的影响因素，挖掘其中的规律并建立模型，常用的模型有电化学阻抗谱模型、电化学第一原理模型和其他多因子综合模型等电化学模型从电池内部机理分析，原理清晰且准确度高，但是由于建立电化学模型的实验过程复杂，而且实用价值有限，更多的用于实验环境下的研究。等效电路模型将电池视作一个简单的电路模型，通过估算等效电路中的电池内阻参数，从而获得电池的健康状态。随着大数据时代的到来，电池运行数据的获取为使用数据驱动方法评估电池SOH提供了可能，数据驱动的方法可以不用考虑电池内部的复杂化学机理过程，直接通过电池测量数据挖掘电池退化规律，以此来得到电池SOH的估计值。常见的方法有支持向量回归算法、高斯过程回归以及神经网络等方法。
现有的SOH估计方法仍然有很多不足，基于模型的评估方法需要考虑的影响因素太多，无法建立精确的数学模型。数据驱动的方法可以从获得的数据中找到隐藏的电池状态信息和变化规律，而无需内部物理和化学过程。然而由于数据的不完整和不确定性，现有的数据驱动模型具有较低的泛化能力，预测精度较低，不能满足实际工作需求。
发明内容
本发明针对现有技术存在的上述不足，提出一种基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法，通过因果卷积网络、长短期记忆网络和残差网络来挖掘电池运行数据中蕴含的关联关系并有效去除数据噪声，大大提高了锂电池健康状态的预测精度，可以有效的帮助锂电池用户准确获取电池实际可用容量及老化状态相关信息，进而为电池管理的控制决策提供参考。
本发明是通过以下技术方案实现的：
本发明涉及一种基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法，通过传感器采集锂电池的工况数据，经预处理得到输入特征；根据输入特征设计堆叠残差因果卷积神经网络，训练该堆叠残差因果卷积神经网络后，利用训练得到的堆叠残差因果卷积神经网络对锂电池的健康状态进行估计。
所述的堆叠残差因果卷积神经网络，将残差网络和长短期记忆网络的输入门结构有机地集成到因果卷积网络中。
所述的工况数据包括：环境温度、充电到4.2V时间、恒压充电电流降至1.4A时间、恒压充电电流从1.4降至1.2A时间、电池充电温度、电池放电时电压从4.2V降至4V的时间、电池放电时电压从4V降至3.8V的时间、电池放电时电压从3.8V降至3.6V的时间、电池放电时电压从3.6V降至3.4V的时间、电池放电时电压从3.4V降至3.2V的时间、电池放电温度、电池SOH。
所述的预处理是指：数据归一化处理，即采用min-max标准化，使数据值都映射到[0,1]之间。
所述的堆叠残差因果卷积神经网络包括：多个残差因果卷积层，每个残差因果卷积层使用多个卷积核以充分挖掘样本特征，第k个残差因果卷积层的计算过程具体为：Yk＝tanh(W1*Xk,k+1)⊙σ(W2*Xk,k+1)+W3*Xk,k+1，其中：*为卷积算符，⊙为乘法算子，σ为sigmoid函数，k为网络层数，W1、W2和W3为卷积运算的权值。
所述的堆叠残差因果卷积神经网络，采用Adam算法对网络误差梯度做最速下降优化，以均方误差为损失函数进行离线训练；训练的样本集采用但不限于美国宇航局(NASA)艾姆斯预测数据仓库中的锂离子电池数据。
技术效果
本发明整体解决了现有技术无法对锂电池健康状态SOH进行准确预测的问题。
与现有技术相比，本发明通过因果卷积神经网络、长短期记忆网络和残差网络结构有机协同组成的堆叠残差因果卷积神经网络进行高精度锂电池健康状态SOH预测。
附图说明
图1为本发明流程图；
图2为堆叠残差因果卷积神经网络结构图；
图3为因果卷积网络结构示意图；
图4为长短期记忆网络神经元结构图；
图5为残差网络结构原理图；
图6为本发明的残差因果卷积层计算细节图；
图7为本发明的实验结果图；
具体实施方式
如图1所示，为本实施例涉及一种用于锂电池健康状态检测的堆叠残差因果卷积神经网络，包括以下步骤：
步骤A、从传感器所采集数据进行处理并确定输入特征：构建输入特征和数据归一化处理，本方法所构建的输入特征如下表1，数据的归一化处理采用min-max标准化，使数据值都映射到[0,1]之间，具体为：
其中：xnew为预处理后的数据；xi为工况数据变量，具体见表1；xmin为变量数据的最小值；xmax为变量数据的最大值。
表1变量编号解释
步骤B、根据所选择特征设计堆叠残差因果卷积神经网络，具体为：堆叠残差因果卷积神经网络，该网络将残差网络和长短期记忆网络的输入门结构有机地集成到因果卷积网络中。
如图2所示。堆叠残差因果卷积神经网络包括多个残差因果卷积层，其中每个残差因果卷积层使用多个卷积核以充分挖掘样本特征，通过将长短期记忆神经网络的输入门结构和残差网络巧妙地集成到因果卷积网络中获得残差因果卷积层。如图6所示，堆叠残差因果卷积神经网络中第k个残差因果卷积层的计算过程具体为：Yk＝tanh(W1*Xk,k+1)⊙σ(W2*Xk,k+1)+W3*Xk,k+1，其中：*为卷积算符，⊙为乘法算子，σ为sigmoid函数，k为网络层数，W1、W2和W3为卷积运算的权值。由于将Xi加入到网络计算值得到Xi+1，梯度的计算值
很难接近0，通过这种方式，残差网络完美地解决由太多网络层引起的梯度消失问题。
如图3所示，所述的残差因果卷积层为非全连接网络，包括：输入层和多个堆叠的卷积层并且舍弃池化层；该残差因果卷积层不使用上采样和合并策略，从而可以避免在某些任务中使用深层卷积神经网络的致命缺陷。
如图4所示，现有长短期记忆网络从左自右依次包括：遗忘门、输入门和输出门，本方法仅保留输入门结构，通过σ函数和tanh函数确定新输入的信息是否放入当前节点状态值中，将其与因果卷积层融合可以有效去除噪声并筛选有效信息，从而大大提高模型的预测能力，其中tanh函数创建一个新的候选向量
σ函数得到一个值it(取值0-1)和
进行相乘的操作从而决定新得到的向量的保留程度。
如图5所示，所述的残差网络的前向传播过程具体为：Xi为某层网络输出值，Xi+1为下几层网络输出值，即Xi+1＝Xi+F(Xi,Wi)，在反向传播中，梯度计算
其中：E为均方差损失函数，F为残差函数。
C、训练和测试所设计的堆叠残差因果卷积神经网络：基于传感器采集的锂电池工况数据，采用Adam算法对堆叠残差因果卷积神经网络的误差梯度做最速下降优化，以均方误差为损失函数进行离线训练。
D、利用训练的堆叠残差因果卷积神经网络对锂电池的健康状态进行估计：将待估计数据经过归一化处理后，利用步骤C训练得到的堆叠残差因果卷积神经网络对锂电池的健康状态进行估计，具体为：采用因果卷积的结构用于充分挖掘电池观测数据和电池SOH之间的因果关系，并利用训练数据集中观测到的电流电压以及温度数据和健康状态值构建条件概率模型，即使用残差因果卷积层构建条件概率模型：预测yt(x1|x2)，其中：yt为时间t的状态值，x1,x2为时刻t下的参数值。
本方法可以很好的挖掘数据中的有效信息以及各个数据特征和SOH之间的关系，并且网络模型在离线状态下训练好之后可以实现在线实时估计，即使在电池的环境温度出现波动的情况下也有很好的预测效果，总体来说估计精度可以控制在3％左右。
经过具体实际实验，在windows10/python3.7环境下，采用美国宇航局(NASA)艾姆斯预测数据仓库中的锂离子电池数据测试本发明，得到的实验结果如图7所示。
与现有技术相比，本发明采用在回归问题上表现不俗的岭回归和支持向量回归算法进行了对比实验，验证实验的评价指标采用平均绝对误差(Mean Absolute Error，MAE)和均方根误差(Root Mean Square Error，RMSE)，记录了三者在训练阶段的平均绝对误差和均方根误差，其中堆叠残差因果卷积神经网络的MAE和RMSE分别为0.000248744679966和0.0151120505614，是三者中训练效果最好的，而岭回归和支持向量回归的MAE都在0.0005左右，RMSE基本在0.020左右，证明了堆叠残差因果卷积神经网络具有优良的模型拟合能力。
表2模型对比
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。
Claims (6)
1.一种基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法，其特征在于，通过传感器采集锂电池的工况数据，经预处理得到输入特征；根据输入特征设计堆叠残差因果卷积神经网络，训练该堆叠残差因果卷积神经网络后，利用训练得到的堆叠残差因果卷积神经网络对锂电池的健康状态进行估计；
所述的堆叠残差因果卷积神经网络，将残差网络和长短期记忆网络的输入门结构有机地集成到因果卷积网络中；
所述的堆叠残差因果卷积神经网络包括：多个残差因果卷积层，每个残差因果卷积层使用多个卷积核以充分挖掘样本特征，第k个残差因果卷积层的计算过程具体为：Yk＝tanh(W1*Xk,k+1)⊙σ(W2*Xk,k+1)+W3*Xk,k+1，其中：*为卷积算符，⊙为乘法算子，σ为sigmoid函数，k为网络层数，W1、W2和W3为卷积运算的权值；
所述的残差网络的前向传播过程具体为：Xi为某层网络输出值，Xi+1为下几层网络输出值，Xi+1＝Xi+F(Xi,Wi)，在反向传播中，梯度计算
其中：E为均方差损失函数，F为残差函数。
2.根据权利要求1所述的基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法，其特征是，所述的堆叠残差因果卷积神经网络，采用Adam算法对网络误差梯度做最速下降优化，以均方误差为损失函数进行离线训练。
3.根据权利要求1所述的基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法，其特征是，所述的工况数据包括：环境温度、充电到4.2V时间、恒压充电电流降至1.4A时间、恒压充电电流从1.4降至1.2A时间、电池充电温度、电池放电时电压从4.2V降至4V的时间、电池放电时电压从4V降至3.8V的时间、电池放电时电压从3.8V降至3.6V的时间、电池放电时电压从3.6V降至3.4V的时间、电池放电时电压从3.4V降至3.2V的时间、电池放电温度、电池SOH。
4.根据权利要求1所述的基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法，其特征是，所述的预处理是指：数据归一化处理，即采用min-max标准化，使数据值都映射到[0,1]之间。
5.根据权利要求1所述的基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法，其特征是，所述的长短期记忆网络仅包括输入门结构，通过σ函数和tanh函数确定新输入的信息是否放入当前节点状态值中，将其与因果卷积层融合可以有效去除噪声并筛选有效信息，其中tanh函数创建一个新的候选向量
σ函数得到一个值it和
进行相乘的操作从而决定新得到的向量的保留程度。
6.根据权利要求1～5中任一所述基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法，其特征是，具体包括：
步骤A、从传感器所采集数据进行处理并确定输入特征：构建输入特征和数据归一化处理；
步骤B、根据所选择特征设计堆叠残差因果卷积神经网络，具体为：堆叠残差因果卷积神经网络，该网络将残差网络和长短期记忆网络的输入门结构有机地集成到因果卷积网络中；
C、训练和测试所设计的堆叠残差因果卷积神经网络：基于传感器采集的锂电池工况数据，采用Adam算法对堆叠残差因果卷积神经网络的误差梯度做最速下降优化，以均方误差为损失函数进行离线训练；
D、利用训练的堆叠残差因果卷积神经网络对锂电池的健康状态进行估计：将待估计数据经过归一化处理后，利用步骤C训练得到的堆叠残差因果卷积神经网络对锂电池的健康状态进行估计，具体为：采用因果卷积的结构用于充分挖掘电池观测数据和电池SOH之间的因果关系，并利用训练数据集中观测到的电流电压以及温度数据和健康状态值构建条件概率模型，即使用残差因果卷积层构建条件概率模型：预测yt(x1|x2)，其中：yt为时间t的状态值，x1,x2为时刻t下的参数值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010689054.9A CN111856287B (zh) | 2020-07-17 | 2020-07-17 | 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010689054.9A CN111856287B (zh) | 2020-07-17 | 2020-07-17 | 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111856287A CN111856287A (zh) | 2020-10-30 |
| CN111856287B true CN111856287B (zh) | 2021-07-13 |
Family
ID=72983988
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010689054.9A Expired - Fee Related CN111856287B (zh) | 2020-07-17 | 2020-07-17 | 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111856287B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112666479B (zh) * | 2020-12-02 | 2023-05-16 | 西安交通大学 | 一种基于充电循环融合的电池寿命预测方法 |
| CN112666480B (zh) * | 2020-12-02 | 2023-04-28 | 西安交通大学 | 一种基于充电过程特征注意力的电池寿命预测方法 |
| CN113128672B (zh) * | 2021-04-16 | 2022-11-29 | 昆明理工大学 | 一种基于迁移学习算法的锂离子电池组soh估计方法 |
| CN113219358B (zh) * | 2021-04-29 | 2024-08-20 | 东软睿驰汽车技术（沈阳）有限公司 | 电池包健康状态计算方法、系统及电子设备 |
| CN113702855B (zh) * | 2021-08-31 | 2022-06-03 | 北京航空航天大学 | 一种基于多物理场仿真与神经网络方法的锂电池组健康状态在线预测方法 |
| CN113777499A (zh) * | 2021-09-24 | 2021-12-10 | 山东浪潮科学研究院有限公司 | 一种基于卷积神经网络的锂电池容量估计方法 |
| US11921163B2 (en) * | 2021-12-16 | 2024-03-05 | Volkswagen Aktiengesellschaft | Modular machine learning structure for electric vehicle battery state of health estimation |
| CN114325450A (zh) * | 2022-01-11 | 2022-04-12 | 青岛科技大学 | 基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法 |
| CN116449218B (zh) * | 2023-04-26 | 2024-03-12 | 淮阴工学院 | 一种锂电池健康状态的估计方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110097209A (zh) * | 2019-03-26 | 2019-08-06 | 朗坤智慧科技股份有限公司 | 一种基于参数残差的设备劣化分析方法 |
| CN110633792A (zh) * | 2019-10-22 | 2019-12-31 | 西安交通大学 | 端到端基于卷积循环神经网络的轴承健康指标构建方法 |
| CN110988839A (zh) * | 2019-12-25 | 2020-04-10 | 中南大学 | 基于一维卷积神经网络的墙体健康状况的快速识别方法 |
| WO2020087991A1 (zh) * | 2018-11-01 | 2020-05-07 | 山东浪潮人工智能研究院有限公司 | 一种卷积神经网络推理硬件加速方法及其装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11171498B2 (en) * | 2017-11-20 | 2021-11-09 | The Trustees Of Columbia University In The City Of New York | Neural-network state-of-charge estimation |
| CN108803552B (zh) * | 2018-08-31 | 2021-08-03 | 承德建龙特殊钢有限公司 | 一种设备故障的监测系统及监测方法 |
| US10657447B1 (en) * | 2018-11-29 | 2020-05-19 | SparkCognition, Inc. | Automated model building search space reduction |
-
2020
- 2020-07-17 CN CN202010689054.9A patent/CN111856287B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020087991A1 (zh) * | 2018-11-01 | 2020-05-07 | 山东浪潮人工智能研究院有限公司 | 一种卷积神经网络推理硬件加速方法及其装置 |
| CN110097209A (zh) * | 2019-03-26 | 2019-08-06 | 朗坤智慧科技股份有限公司 | 一种基于参数残差的设备劣化分析方法 |
| CN110633792A (zh) * | 2019-10-22 | 2019-12-31 | 西安交通大学 | 端到端基于卷积循环神经网络的轴承健康指标构建方法 |
| CN110988839A (zh) * | 2019-12-25 | 2020-04-10 | 中南大学 | 基于一维卷积神经网络的墙体健康状况的快速识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于深度学习的车用动力电池健康状态估算研究;宋新月;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20200415;第C035-233页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111856287A (zh) | 2020-10-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111856287B (zh) | 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法 | |
| Lin et al. | State of health estimation of lithium-ion battery based on an adaptive tunable hybrid radial basis function network | |
| Yang et al. | State-of-charge estimation of lithium-ion batteries based on gated recurrent neural network | |
| Semeraro et al. | Battery monitoring and prognostics optimization techniques: challenges and opportunities | |
| Liu et al. | State of health estimation of power batteries based on multi-feature fusion models using stacking algorithm | |
| Jiang et al. | State of health estimation for lithium-ion battery using empirical degradation and error compensation models | |
| CN113406521B (zh) | 一种基于特征分析的锂电池健康状态在线估计方法 | |
| Qin et al. | State of health prediction for lithium-ion battery using a gradient boosting-based data-driven method | |
| Zou et al. | Advancements in Artificial Neural Networks for health management of energy storage lithium-ion batteries: A comprehensive review | |
| CN112731183B (zh) | 一种基于改进的elm的锂离子电池寿命预测方法 | |
| Li et al. | Lithium-ion battery remaining useful life prognostics using data-driven deep learning algorithm | |
| Lin et al. | Lithium-ion batteries SOH estimation with multimodal multilinear feature fusion | |
| CN115856678A (zh) | 一种锂离子电池健康状态估计方法 | |
| Xu et al. | State-of-charge estimation and health prognosis for lithium-ion batteries based on temperature-compensated Bi-LSTM network and integrated attention mechanism | |
| CN115656824A (zh) | 基于cnn-lstm模型的锂电池核电状态预测方法 | |
| Lin et al. | Algorithm of BPNN‐UKF based on a fusion model for SOC estimation in lithium‐ion batteries | |
| CN114839537A (zh) | 电池荷电状态预测方法和装置 | |
| CN116930769A (zh) | 一种基于双向生成式对抗神经网络的锂电池建模方法 | |
| CN117022048A (zh) | 一种电动汽车电池荷电状态的评估方法 | |
| CN114896865B (zh) | 一种面向数字孪生的自适应演化神经网络健康状态在线预测方法 | |
| Dang et al. | Differential Equation-Informed Neural Networks for State of Charge Estimation | |
| CN115372827A (zh) | 一种基于长短时记忆网络的电池soc预测方法 | |
| Sun et al. | Data-driven state-of-charge estimation of a lithium-ion battery pack in electric vehicles based on real-world driving data | |
| Jorge | Machine-learning-based predictive maintenance for lithium-ion batteries in electric vehicles | |
| Miaomiao et al. | Indirect Prediction Method for Remaining Useful Life of Lithium-ion Battery based on Gray Wolf Optimized Extreme Learning Machine |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210713 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |