CN111882119A - 基于sa-bp神经网络的电池soh预测优化方法 - Google Patents
基于sa-bp神经网络的电池soh预测优化方法 Download PDFInfo
- Publication number
- CN111882119A CN111882119A CN202010667356.6A CN202010667356A CN111882119A CN 111882119 A CN111882119 A CN 111882119A CN 202010667356 A CN202010667356 A CN 202010667356A CN 111882119 A CN111882119 A CN 111882119A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- algorithm
- battery
- soh
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000005457 optimization Methods 0.000 title claims abstract description 24
- 230000006870 function Effects 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000006243 chemical reaction Methods 0.000 claims abstract description 9
- 238000012546 transfer Methods 0.000 claims abstract description 8
- 238000012886 linear function Methods 0.000 claims abstract description 5
- 238000002922 simulated annealing Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 22
- 210000002569 neuron Anatomy 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 7
- 230000015556 catabolic process Effects 0.000 claims description 6
- 238000006731 degradation reaction Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000013501 data transformation Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000013178 mathematical model Methods 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明的采用模拟退火算法SA对BP神经网络进行优化即SA‑BP神经网络优化算法对电池SOH值进行预测的方法,从数据库将原始数据导入至Hadoop大数据集群下的HBase数据库,通过Spark内存计算框架对存入的数据集进行数据预处理;对处理后的数据使用线性函数转换方法,进行数据标准化处理,使数据落入一个小的特定区间,消除数据量纲的影响;构建BP神经网络预测模型,确定其传递函数和参数,作为算法优化的基础;使用SA算法得到全局最优解,再使用全局最优解进行BP神经网络预测电池SOH值。本发明通过SA算法对BP神经网络进行优化,基于SA算法优化BP神经网络能够获取全局最优解,并提高电池SOH估算精度。
Description
技术领域
本发明属于新能源车电池SOH值预测技术领域,具体涉及一种基于SA-BP神经网络的电池SOH预测优化方法。
背景技术
传统汽车是交通领域能源消耗的主体,发展新能源车技术是解决交通领域能源消耗的重要举措,是我国国家能源安全与能源结构调整的重要手段。新能源车不使用传统化石燃料,可以有效降低城市空气污染问题,是能源结构提升的重要体现,具有很高的实际应用价值。
新能源车具有极好的充放电性能,能量密度大,使用寿命长,充放电过程无噪声、不对环境造成污染等特点。新能源车在国家政策的大力扶持下迅速发展,但是新能源车还需要自身有过硬的质量才能够拥有更大的市场。相较于传统汽车,新能源车售后问题十分突出,一旦遇到电池故障,更是“剪不断理还乱”。相较于国外发达国家,我国的新能源车技术还不是太成熟,新能源车的运营还需要稳定的监控平台。因此,为了更好的发展与管理新能源车,实现其社会效益最大化,对新能源车电池SOH值的预测是十分必要的。
发明内容
发明目的:对于SOH的预测可以采用神经网络算法,BP神经网络是解决非线性问题的有效方法,对于电池的非线性退化问题十分有效。BP神经网络包括信号的前向传播和误差的反向传播两个过程。在信号的前向传播过程中,输入信号通过隐含层的处理,输出结果。如果输出的结果不满足期望,则进行误差的反向传播,重新分配权值,再进行计算,最终使误差最小。经过训练的神经网络可以处理类似的样本。但是BP神经网络容易陷入局部最优解,为了避免这种情况的出现,本发明采用了模拟退火算法(SA)对BP神经网络进行优化,提高了SOH估算的准确性。
本发明是采用模拟退火算法(SA)对BP神经网络进行优化,解决传统BP神经网络对SOH估算容易陷入局部最优解的问题,提供一种基于SA-BP神经网络的电池SOH估算方法。
技术方案:一种基于SA-BP神经网络的电池SOH预测优化方法,所述方法包括如下步骤:
步骤1)从数据库将包含有新能源车电池相关数据的原始数据导入至Hadoop大数据集群下的HBase数据库,通过Spark内存计算框架对存入的数据集进行数据预处理;
步骤2)对处理后的数据使用线性函数转换的方法,进行数据标准化处理,使数据落入一个小的特定区间,消除数据量纲的影响;
步骤3)构建BP神经网络预测模型,确定传递函数和参数,作为算法优化的基础;
步骤4)使用SA算法得到全局最优解,解决BP神经网络容易陷入局部最优解的问题,再使用全局最优解进行BP神经网络预测电池SOH值,提高预测精准度。
作为优化:所述的步骤1)中对存入的数据集进行数据预处理具体为:通过Hadoop大数据平台对HBase数据库下的原始数据进行数据读取,对原始数据中的时间数据进行数据处理,将时间格式处理成时间戳格式,并将缺失的数据进行填补,将错误的数据剔除。数据预处理主要是实时测量数据中的缺失值、奇异值和数据补偿工作,主要步骤包括:数据清理、数据集成、数据规约和数据变换。
作为优化:所述的步骤2)中针对电池预处理后的数据进行标准化和归一化处理,电池预处理后的数据具有不同的量纲和单位,这会影响估算的结果,为了消除数据量纲的影响,对原始数据进行标准化处理,标准化处理后的数据可以实现不同单位或者量级的数据进行比较和加权,将数据按比例进行缩放,使之落入一个小的特定区间。
作为优化:所述的步骤3)中BP神经网络预测模型的构建,BP神经网络可以模仿神经元去处理非线性问题,采用三层结构的BP神经网络处理非线性问题,能够得到较为精确的结果,三层结构的BP神经网络分别是输入层、隐藏层和输出层,输入层神经元个数就是有多少参数输入到神经网络,本发明中的输入参数有三个,分别是电池电压、电流和电池容量,由于输出层输出的是电池SOH这一个标量,所以输出层的神经元只有一个,对于隐藏层的神经元个数的通过公式(1)计算:
公式中n为输入层神经元个数,m为输出层神经元个数,a取0到10之间的常数,本发明中a取5,得到M值为7;
正向传递过程:如果设节点i与节点j之间的权值为Wij,节点j的阀值为bj,每个节点的输出值为xj,而每一个节点的输出值是根据激活函数、上层所有节点的输出值、当前节点与上一层所有节点的权值和当前节点的阀值来实现的,公式(2)、(3)中f为激活函数,本发明中选取S型函数;
xj=f(Sj) (3)
正向传递过程比较简单,当输出结果的误差大于期望值时,会进行误差反向传递反向,重新分配权值,然后再次进行正向传递,找到更优的模型;
反向传递过程:误差信号反向传递过程比前向传递过程更复杂,如果假设所有输出层的结果为dj,则误差函数公式为(4)
作为优化:所述的步骤4)中,使用SA算法对BP神经网络进行模型优化,SA算法通过在寻找全局最优解的过程中引入概率变量来接受一个劣化解,使得网络能够脱离局部最优解,得到全局最优解,为找到全局最优解,需要设置代价函数p,公式如(5)
公式中OySOH为BP神经网络预测输出的SOH,ySOH为真实的SOH值;
SA算法中,当前权值的状态解为x(n),在x(n)附近有一种随机扰动并产生新的状态解x'(n),x'(n)的值如公式(6)
x'(n)=x(n)+αβ (6)
公式中α为随机扰动幅值,β为服从正态分布的函数;
接受x'(n)在温度θ下为下一个权值状态解的几率,如公式(7)
如果p[x'(n)]≥p[x(n)],则引入逃逸函数γ,大小在[0,1]之间产生;如果γ<P,则接受x'(n)作为下一个权值状态解,否者拒绝;下一个权值状态解的计算公式如(8)
算法不断地判断是否接受新的状态,当达到一定次数没有接受新的状态,则算法终止,结果为全局最优解。
有益效果:本发明的基于SA-BP神经网络的电池SOH估算方法,首先通过Hadoop大数据平台对原始数据进行数据标准化处理;然后利用最小绝对收缩和选择算法对数据特征中关联性比较弱的特征进行剔除;最后利用BP神经网络构建电池SOH估算模型,并通过SA算法进行优化,得到SOH的最优估算结果。与现有技术相比,使用SA算法得到全局最优解,再使用全局最优解进行BP神经网络预测电池SOH值,解决BP神经网络容易陷入局部最优解的问题,提高了预测的精准度。
附图说明
图1是本发明实施例子中所述基于SA-BP神经网络优化算法的电池SOH值预测方法的流程示意图。
图2是本发明实施例子中新能源车电池数据处理流程示意图。
图3是本发明实施例子中BP神经网络算法拓扑图。
图4是本发明实施例子中所述BP神经网络的算法流程示意图。
图5是基于SA-BP神经网络优化算法流程示意图。
图6是单独使用BP神经网络与使用SA-BP神经网络预测的误差示意图。
图7是基于SA-BP神经网络电池SOH值预测结果可视化展示界面示意图。
具体实施方式
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。
如图1,在本发明实施例中,提供了一种基于SA-BP神经网络的电池SOH值预测方法,具体包括步骤如下:
步骤1)将电池电压、电流、温度等原始数据导入到Hadoop大数据集群下的HBase数据库,利用Spark内存计算框架对存入的数据集进行数据预处理,消除原始数据中数据紊乱、数据缺失和数据错误;结合图2,HBase数据库存储电池的各项原始数据,原始数据在传输的过程中可能出现干扰、重复、延误等问题。所以,本发明方法首先调用Hadoop集群中的HBase分布式数据库和Spark内存运算框架对原始的电池数据进行数据预处理,包括数据清理、数据集成、数据规约、数据变换四个步骤,最后利用HBase的数据调用接口将处理完成的数据存放入数据库。
步骤2)针对电池预处理后的数据进行标准化和归一化处理。电池预处理后的数据具有不同的量纲和单位,这会影响估算的结果,为了消除数据量纲的影响,对原始数据进行标准化处理。标准化处理后的数据可以实现不同单位或者量级的数据进行比较和加权,将数据按比例进行缩放,使之落入一个小的特定区间。对于电池的数据本发明使用的是线性函数转换的方法,进行归一化处理。线性函数转换,公式如下:
式中,X、Y分别为转换前、后的值,MAX、MIN分别为样本的最大值和最小值,最终的结果区间落在[0,1]区间内。
对数据进行标准化处理,一是提高了模型收敛的速度;二是解决了数据量纲和数据单位不同的问题;三是保证输出数据中数值小的不被吞食。
经过了预处理的数据满足了数据处理运算的基本条件,但是还不可以直接用于数据的样本训练,因为数据中的某些参数是算法无法识别的。比如某些开关选项需要转换成0、1,时间格式需要转换成时间戳。表1为原始数据的时间格式:
表1
通过数据转换,将时间转换成时间戳格式,转换后的数据如表2所示。
表2
步骤3)对于SOH的估算可以采用神经网络算法,BP神经网络是解决非线性问题的有效方法,对于电池的非线性退化问题十分有效。BP神经网络包括信号的前向传播和误差的反向传播两个过程。在信号的前向传播过程中,输入信号通过隐含层的处理,输出结果。如果输出的结果不满足期望,则进行误差的反向传播,重新分配权值,再进行计算,最终使误差最小。经过训练的神经网络可以处理类似的样本。
BP神经网络无需事先确定输入输出映射之间的数学模型,仅通过样本集的训练,学习某种规则,在给定输入时就可以得到相应的输出。BP神经网络预测电池SOH流程图如图4所示。
对于SOH的估算采用神经网络算法,BP神经网络是解决非线性问题的有效方法,对于电池的非线性退化问题十分有效。但是BP神经网络容易陷入局部最优解,为了避免这种情况的出现,本发明采用了模拟退火算法(SA)对BP神经网络进行优化,提高了SOH估算的准确性。
步骤4)为确保电池SOH估算结果的准确性,需要对结果进行调节修正,而BP神经网络具有误差反向传播的功能,可以对误差进行修正,避免误差积累,出现估算结果偏差较大的情况。但是BP神经网络容易陷入局部收敛,得到局部最优解,为了解决这个问题,本发明利用SA算法得到全局最优解的能力,可以弥补BP神经网络的不足。
SA算法通过在寻找全局最优解的过程中引入概率变量来接受一个劣化解,使得网络能够脱离局部最优解,得到全局最优解,所以SA算法是一种优化算法。为找到全局最优解,需要设置代价函数p,公式如(1)所示。
公式中OySOH为BP神经网络预测输出的SOH,ySOH为真实的SOH值。
SA算法中,当前权值的状态解为x(n),在x(n)附近有一种随机扰动并产生新的状态解x'(n),x'(n)的值如公式(2)所示。
x'(n)=x(n)+αβ (2)
公式中α为随机扰动幅值,β为服从正态分布的函数。
接受x'(n)在温度θ下为下一个权值状态解的几率,如公式(3)所示。
如果p[x'(n)]≥p[x(n)],则引入逃逸函数γ,大小在[0,1]之间产生。如果γ<P,则接受x'(n)作为下一个权值状态解,否者拒绝。下一个权值状态解的计算公式如(4)所示。
算法不断地判断是否接受新的状态,当达到一定次数没有接受新的状态,则算法终止,结果为全局最优解。基于SA-BP神经网络估算电池SOH值的算法流程如图5所示。
SA算法是一种贪心算法,关注全局最优解。使用SA算法对BP神经网络进行优化,可以降低电池SOH预测的误差值,从而提高算法预测的精确度。单独使用BP神经网络预测的误差,与使用SA-BP神经网络预测的误差对比如图6所示。其中y轴代表误差值,x轴代表电池的循环使用次数,浅色折线图是BP神经网络预测的误差曲线,深色折线图是SA-BP神经网络预测的误差曲线。
本发明在计算完电池SOH值的基础上,对新能源车检查大数据进行可视化平台设计,用户可以通过该平台实现新能源车电池SOH值的查询功能,图7详细展示了可视化界面的具体情况。
综上可知,本发明的基于SA-BP神经网络优化算法的电池SOH值预测方法,首先从数据库将原始数据导入至Hadoop大数据集群下的HBase数据库,通过Spark内存计算框架对存入的数据集进行数据预处理和标准化处理;然后构建BP神经网络;最后利用SA-BP神经网络构建电池SOH值预测模型,实现对新能源车电池SOH预测操作;与现有技术相比,使用SA算法得到全局最优解,再使用全局最优解进行BP神经网络预测电池SOH值,解决BP神经网络容易陷入局部最优解的问题,提高了预测的精准度。
以上所计算的结果为本发明在试验阶段的较佳实施案例,但不局限与本发明专利范围内,本发明针对本领域的技术人员而言,可以对前述个具体实施的方案进行修改,或对其中部分的技术内容进行相应的修改和替换。
Claims (5)
1.一种采用模拟退火算法SA对BP神经网络进行优化即SA-BP神经网络优化算法对电池SOH值进行预测的方法,其特征在于:所述方法包括如下步骤:
步骤1)从数据库将包含有新能源车电池相关数据的原始数据导入至Hadoop大数据集群下的HBase数据库,通过Spark内存计算框架对存入的数据集进行数据预处理;
步骤2)对处理后的数据使用线性函数转换的方法,进行数据标准化处理,使数据落入一个小的特定区间,消除数据量纲的影响;
步骤3)构建BP神经网络预测模型,确定传递函数和参数,作为算法优化的基础;
步骤4)使用SA算法得到全局最优解,解决BP神经网络容易陷入局部最优解的问题,再使用全局最优解进行BP神经网络预测电池SOH值,提高预测精准度。
2.根据权利要求1所述的基于SA-BP神经网络的电池SOH预测优化方法,其特征在于:所述的步骤1)中对存入的数据集进行数据预处理具体为:通过Hadoop大数据平台对HBase数据库下的原始数据进行数据读取,对原始数据中的时间数据进行数据处理,将时间格式处理成时间戳格式,并将缺失的数据进行填补,将错误的数据剔除;数据预处理主要是实时测量数据中的缺失值、奇异值和数据补偿工作,主要步骤包括:数据清理、数据集成、数据规约和数据变换。
3.根据权利要求1所述的基于SA-BP神经网络的电池SOH预测优化方法,其特征在于:所述的步骤2)中针对电池预处理后的数据进行标准化和归一化处理,电池预处理后的数据具有不同的量纲和单位,这会影响估算的结果,为了消除数据量纲的影响,对原始数据进行标准化处理,标准化处理后的数据可以实现不同单位或者量级的数据进行比较和加权,将数据按比例进行缩放,使之落入一个小的特定区间。
4.根据权利要求1所述的基于SA-BP神经网络的电池SOH预测优化方法,其特征在于:所述的步骤3)中BP神经网络预测模型的构建,BP神经网络可以模仿神经元去处理非线性问题,采用三层结构的BP神经网络处理非线性问题,能够得到较为精确的结果,三层结构的BP神经网络分别是输入层、隐藏层和输出层,输入层神经元个数就是有多少参数输入到神经网络,本发明中的输入参数有三个,分别是电池电压、电流和电池容量,由于输出层输出的是电池SOH这一个标量,所以输出层的神经元只有一个,对于隐藏层的神经元个数的通过公式(1)计算:
公式中n为输入层神经元个数,m为输出层神经元个数,a取0到10之间的常数,本发明中a取5,得到M值为7;
正向传递过程:如果设节点i与节点j之间的权值为Wij,节点j的阀值为bj,每个节点的输出值为xj,而每一个节点的输出值是根据激活函数、上层所有节点的输出值、当前节点与上一层所有节点的权值和当前节点的阀值来实现的,公式(2)、(3)中f为激活函数,本发明中选取S型函数;
xj=f(Sj) (3)
正向传递过程比较简单,当输出结果的误差大于期望值时,会进行误差反向传递反向,重新分配权值,然后再次进行正向传递,找到更优的模型。
反向传递过程:误差信号反向传递过程比前向传递过程更复杂,如果假设所有输出层的结果为dj,则误差函数公式为(4)
优化BP神经网络通过反复的修正权值和误差,得到最优解,从而使误差最小,BP神经网络无需事先确定输入输出映射之间的数学模型,仅通过样本集的训练,学习某种规则,在给定输入时就可以得到相应的输出。
5.根据权利要求1所述的基于SA-BP神经网络的电池SOH预测优化方法,其特征在于:所述的步骤4)中,使用SA算法对BP神经网络进行模型优化,
SA算法通过在寻找全局最优解的过程中引入概率变量来接受一个劣化解,使得网络能够脱离局部最优解,得到全局最优解,为找到全局最优解,需要设置代价函数p,公式如(5)
公式中OySOH为BP神经网络预测输出的SOH,ySOH为真实的SOH值;
SA算法中,当前权值的状态解为x(n),在x(n)附近有一种随机扰动并产生新的状态解x'(n),x'(n)的值如公式(6)
x'(n)=x(n)+αβ (6)
公式中α为随机扰动幅值,β为服从正态分布的函数;
接受x'(n)在温度θ下为下一个权值状态解的几率,如公式(7)
如果p[x'(n)]≥p[x(n)],则引入逃逸函数γ,大小在[0,1]之间产生;如果γ<P,则接受x'(n)作为下一个权值状态解,否者拒绝;下一个权值状态解的计算公式如(8)
算法不断地判断是否接受新的状态,当达到一定次数没有接受新的状态,则算法终止,结果为全局最优解。
使用SA算法得到全局最优解,再使用全局最优解进行BP神经网络预测电池SOH值,解决BP神经网络容易陷入局部最优解的问题。本发明通过SA算法对BP神经网络进行优化,相较于传统BP神经网络,优化算法预测最大误差降低了4.73%,平均误差降低2.3%。基于SA算法优化BP神经网络能够获取全局最优解,并提高电池SOH估算精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010667356.6A CN111882119A (zh) | 2020-07-10 | 2020-07-10 | 基于sa-bp神经网络的电池soh预测优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010667356.6A CN111882119A (zh) | 2020-07-10 | 2020-07-10 | 基于sa-bp神经网络的电池soh预测优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111882119A true CN111882119A (zh) | 2020-11-03 |
Family
ID=73151230
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010667356.6A Pending CN111882119A (zh) | 2020-07-10 | 2020-07-10 | 基于sa-bp神经网络的电池soh预测优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111882119A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580211A (zh) * | 2020-12-23 | 2021-03-30 | 天津大学 | 基于sa和ann算法的铅酸蓄电池soh估计方法 |
CN115115102A (zh) * | 2022-06-21 | 2022-09-27 | 南通大学 | 一种基于bp神经网络和条件生成对抗网络的汽油辛烷值损失预测及优化方法 |
CN117808375A (zh) * | 2024-02-28 | 2024-04-02 | 蒙娜丽莎集团股份有限公司 | 一种陶瓷辊道窑烧成制度的优化方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102662039A (zh) * | 2012-04-17 | 2012-09-12 | 戴会超 | 一种基于bp神经网络的水体溶解氧饱和度预测方法 |
-
2020
- 2020-07-10 CN CN202010667356.6A patent/CN111882119A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102662039A (zh) * | 2012-04-17 | 2012-09-12 | 戴会超 | 一种基于bp神经网络的水体溶解氧饱和度预测方法 |
Non-Patent Citations (4)
Title |
---|
任普: "基于大数据的桥梁监测数据清洗方法研究", 中国优秀硕士学位论文全文数据库(工程科技辑), no. 5, 15 May 2020 (2020-05-15), pages 1 - 2 * |
应海松: "小波神经网络在铁矿石检验中的应用", 31 March 2010, 冶金工业出版社, pages: 37 * |
徐元中,等: "基于SA-BP神经网络算法的电池SOH预测", 电源技术, vol. 44, no. 3, 31 March 2020 (2020-03-31), pages 1 - 4 * |
朱浩,等: "基于SA + BP 混合算法的动力电池放电峰值功率估算", 江苏大学学报(自然科学版), vol. 41, no. 2, 31 March 2020 (2020-03-31) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580211A (zh) * | 2020-12-23 | 2021-03-30 | 天津大学 | 基于sa和ann算法的铅酸蓄电池soh估计方法 |
CN115115102A (zh) * | 2022-06-21 | 2022-09-27 | 南通大学 | 一种基于bp神经网络和条件生成对抗网络的汽油辛烷值损失预测及优化方法 |
CN117808375A (zh) * | 2024-02-28 | 2024-04-02 | 蒙娜丽莎集团股份有限公司 | 一种陶瓷辊道窑烧成制度的优化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11409347B2 (en) | Method, system and storage medium for predicting power load probability density based on deep learning | |
CN108510006B (zh) | 一种基于数据挖掘的企业用电量分析与预测方法 | |
CN111882119A (zh) | 基于sa-bp神经网络的电池soh预测优化方法 | |
CN107436409B (zh) | 一种电动汽车动力电池soc智能预测装置 | |
CN109919356B (zh) | 一种基于bp神经网络区间需水预测方法 | |
CN112418518A (zh) | 基于时间特征权重和线网拓扑的客流预测方法及装置 | |
CN110766190A (zh) | 一种配电网负荷预测方法 | |
CN113988441A (zh) | 电力无线网络链路质量预测、模型训练方法及装置 | |
CN114066503A (zh) | 一种基于构建虚拟服务片区进行出租车需求预测的方法 | |
CN113469425A (zh) | 深度交通拥堵预测方法 | |
CN115051925A (zh) | 一种基于迁移学习的时空序列预测方法 | |
Niu et al. | An improved prediction model combining inverse exponential smoothing and Markov chain | |
CN114564513A (zh) | 基于神经网络的海雾预测方法、装置、设备及存储介质 | |
CN114692956A (zh) | 基于多层优化核极限学习机的充电设施负荷预测方法及系统 | |
CN113837473A (zh) | 基于bp神经网络的充电设备故障率分析系统和方法 | |
CN117350336A (zh) | 充电负荷预测及模型训练方法、装置、设备及存储介质 | |
CN117407665A (zh) | 一种基于生成对抗网络的退役电池时序数据缺失值填充方法 | |
CN117665620A (zh) | 基于新能源汽车数据的电池健康度评估方法 | |
Liu et al. | Wavelet neural network based link quality prediction for fluctuating low power wireless links | |
CN112543481B (zh) | 一种边缘节点算力负载均衡的方法、装置及系统 | |
Yang et al. | Vehicle information influence degree screening method based on GEP optimized RBF neural network | |
CN111062538B (zh) | 空间负荷预测中确定元胞负荷合理最大值的ceemd方法 | |
Han et al. | SOC estimation for lithium-ion batteries based on BiGRU with SE attention and Savitzky-Golay filter | |
CN113312105B (zh) | 一种基于q学习的车辆任务部分卸载策略方法 | |
CN117852229B (zh) | 含新能源的配电网供电可靠性影响因素分析方法及系统 |
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 |