CN112051506A - 一种相似产品可迁移样本筛选方法、系统及用途 - Google Patents
一种相似产品可迁移样本筛选方法、系统及用途 Download PDFInfo
- Publication number
- CN112051506A CN112051506A CN202010888563.4A CN202010888563A CN112051506A CN 112051506 A CN112051506 A CN 112051506A CN 202010888563 A CN202010888563 A CN 202010888563A CN 112051506 A CN112051506 A CN 112051506A
- Authority
- CN
- China
- Prior art keywords
- data
- training data
- screening
- target sample
- life
- 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
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
Abstract
本发明公开一种相似产品可迁移样本筛选方法及系统,涉及似产品迁移学习技术领域,包括预处理待测配方相似产品短期循环寿命测试数据得到目标样本数据,预处理其他配方电池全寿测试容量数据得到多个训练数据;通过进行曲线形态筛选、容量退化率相似度筛选、寿命分布相似度筛选和距离度量最小筛选,获得用于跨配方相似产品寿命预测的可迁移样本数据,本发明从不同配方电池的历史全寿测试数据中,获得与被预测电池容量退化规律相似度最高的数据,并迁移应用于被预测电池寿命预测模型的训练,实现了锂动力电池跨配方剩余寿命的准确预测,预测准确度最高可以达到99.9%,可以有效节省锂电池设计开发过程中的测试时间和费用,具有可观的经济效益和应用价值。
Description
技术领域
本发明涉及相似产品迁移学习技术领域,尤其涉及一种相似产品可迁移样本 筛选法、系统和用途。
背景技术
随着储能技术和能源产业的发展,锂离子电池因其质量轻、低放电率和长寿 命等优点,广泛应用于军事电子产品、航空电子器件、电动汽车以及各种便携式 电子装置(例如笔记本电脑、数码相机、平板电脑、手机等)的主要储能器件。 循环寿命是锂电池产品的重要设计性能。在锂电池的设计开发过程中,为了准确 的获得设计矩阵中不同配方电池的寿命情况,并为配方选择和设计优化提供反馈, 需要针对设计矩阵中各个配方的电池开展循环寿命测试。该项测试需要持续进行 到电池容量保持率达到规定的阈值,即锂电池的寿命终止点。然而,由于设计矩 阵中的锂电池配方数量众多,导致现有的循环寿命测试时间和资金成本太高,尤 其对寿命周期长达多年的动力锂电池的而言,其设计开发效率过低,企业难以承 受。
锂电池寿命预测,通常被用于锂电池的使用阶段,主要根据少量的已知历 史数据,预测电池当前时刻的剩余寿命。由于被预测锂电池的测试循环数量要尽 可能少,难以获得足够多的电池测试数据量以满足剩余寿命预测模型的设计开发 需要。因此,利用电池企业同一电池平台的其他配方海量历史循环寿命测试数据, 可为设计开发所需的剩余寿命预测模型提供数据支持。然而如何定义和度量数据 可迁移性,并用于设计可迁移样本的筛选策略,从其他大量差异化配方电池数据 中获得最相似的样本,对相似产品的寿命预测具有重大意义和应用需求。
发明内容
为解决现有技术存在的问题,本发明利用短期实测数据及迁移学习预测方法 提供了一种更适用于电池设计开发过程中不同配方间的电池寿命预测的可迁移 样本筛选方法及系统,本发明提供的可迁移样本筛选方法及系统能提高寿命预测 的准确率,有效避免由于长期测试所产生的能耗及资源浪费,预测准确度高,普 适性强。
为实现本发明的技术目的,本发明一方面提供一种相似产品可迁移样本筛选 方法,包括:
预处理待测配方相似产品短期循环寿命测试数据得到目标样本数据,预处理 其他配方电池全寿测试容量数据得到多个训练数据;
通过进行曲线形态筛选,从多个训练数据中筛选出与目标样本数据曲线类型 相似的第一训练数据;
通过容量退化率相似度筛选,从第一训练数据筛选出与目标样本数据的容量 退化趋势相似的第二训练数据;
通过寿命分布相似度筛选,从第二训练数据筛选出与目标样本数据寿命分布 相似的第三训练数据;
通过距离度量最小筛选,从第三训练数据中筛选出与目标样本数据的距离度 量最小的第四训练数据;
将第四训练数据用于跨配方相似产品寿命预测的可迁移样本数据。
其中,从多个训练数据中筛选出与目标样本数据曲线类型相似的第一训练数 据包括:
将目标样本数据和多个训练数据分别图形化为目标样本数据曲线和多个训 练数据曲线;
将目标样本数据曲线和多个训练数据曲线分为直线,凹曲线和凸曲线三类;
根据直线、凹曲线和凸曲线类型进行筛选,排除与目标样本数据曲线类型不 同的训练数据曲线,得到第一训练数据。
其中,从第一训练数据筛选出与目标样本数据的容量退化趋势相似的第二训 练数据包括:
计算第一训练数据从初始状态退化到测试结束时容量曲线的变化率,保留与 目标样本数据最近接的几个第一训练数据;
将保留的第一训练数据作为第二训练数据。
其中,从第二训练数据筛选出与目标样本数据寿命分布相似的第三训练数据 包括:
通过测量运行到试验停止阈值时的循环次数,比较第二训练数据的寿命分布, 并保留最接近目标样本数据的寿命分布的几个第二训练数据;
将保留的最接近目标样本数据的寿命分布的第二训练数据作为第三训练数 据。
其中,从第三训练数据中筛选出与目标样本数据的距离度量最小的第四训练 数据包括:
选用切比雪夫距离对容量曲线进行筛选,计算几个第三训练数据的退化曲线 与目标样本数据的容量退化曲线间的切比雪夫距离;
选择切比雪夫距离最小的第三训练数据作为第四训练数据。
其中,所述预处理包括:
剔除待测配方电池短期测试样本数据和其他配方电池全寿测试容量数据库 中不稳定的起始数据和未体现退化趋势的数据;
对剔除后的短期测试样本数据和全寿测试容量数据库中的数据进行平滑处 理,得到目标样本数据和预测训练数据。
其中,所述进行平滑处理之前还包括:
对剔除后的短期测试样本数据和全寿测试容量数据库中的数据进行归一化 处理。
其中,所述相似产品是锂电池。
为实现本发明的技术目的,本发明另一方面提供一种相似产品可迁移样本筛 选系统,包括:
数据处理模块,用于处理待测配方相似产品短期循环寿命测试数据得到目标 样本数据,处理其他配方电池全寿测试容量数据得到训练数据;
数据筛选模块,用于根据目标样本数据对训练数据进行多级筛选,得到用于 跨配方相似产品寿命预测的可迁移样本数据。
特别是,所述数据筛选模块包括:
第一筛选单元,用于通过进行曲线形态筛选,从多个训练数据中筛选出与目 标样本数据曲线类型相似的第一训练数据;
第二筛选单元,用于通过容量退化率相似度筛选,从第一训练数据筛选出与 目标样本数据的容量退化趋势相似的第二训练数据;
第三筛选单元,用于通过寿命分布相似度筛选,从第二训练数据筛选出与目 标样本数据寿命分布相似的第三训练数据;
第四筛选单元,用于通过距离度量最小筛选,从第三训练数据中筛选出与目 标样本数据的距离度量最小的第四训练数据。
为实现本发明的技术目的,本发明再一方面提供一种将上述的相似产品可迁 移样本筛选方法或上述的相似产品可迁移样本筛选系统用于相似产品寿命预测 的用途。
有益效果:
由于被预测电池较短的测试数据难以有效凸显其容量退化规律,导致寿命预 测模型难以有效训练和给出准确的预测结果。针对这一问题,本发明提供一种基 于迁移学习的思想,采用四次筛选的可迁移样本筛选方法,从不同配方电池的历 史全寿测试数据中,获得与被预测电池容量退化规律相似度最高的数据,并迁移 应用于被预测电池寿命预测模型的训练,实现了锂动力电池跨配方剩余寿命的准 确预测,预测准确度最高可以达到99.9%,可以有效节省锂电池设计开发过程中 的测试时间和费用,具有可观的经济效益和应用价值。
附图说明
图1是本发明实施例1提供的相似产品可迁移样本筛选方法流程图;
图2是本发明实施例2提供的相似产品可迁移样本筛选系统;
图3是本发明应用实施例1提供的锂离子电池的可迁移样本筛选方法的流程 图;
图4是应用实施例1提供的25℃、45℃和60℃三种温度条件下的电池退化 数据数据预处理结果图,其中,图4(a)25℃的数据曲线,图4(b)是45℃的 数据曲线,图4(c)是60℃的数据曲线;
图5是应用实施例1提供的25℃、45℃和60℃三种温度条件下可迁移样本 筛选结果示意图。
具体实施方式
下面将结合示意图对本发明方法和系统进行更详细的描述,其中表示了本发 明的优选实施例,应该理解本领域技术人员可以修改在此描述的本发明,而仍然 实现本发明的有利效果。因此,下列描述应当被理解为对于本领域技术人员的广 泛知道,而并不作为对本发明的限制。
在下列段落中参照附图以举例方式更具体地描述本发明。根据下面说明和权 利要求书,本发明的优点和特征将更清楚。需说明的是,附图均采用非常简化的 形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施例的目的。
下述实施例中所使用的实验方法如无特殊说明,均为常规方法。下述实施例 中所用的结构、材料等,如无特殊说明,均可从商业途径得到。
实施例1
如图1所示,本发明提供的一种相似产品可迁移样本筛选方法,包括:
步骤S101预处理待测配方相似产品短期循环寿命测试数据得到目标样本 数据,预处理其他配方电池全寿测试容量数据得到多个训练数据;
具体的,所述预处理包括:
剔除待测配方电池短期测试样本数据和其他配方电池全寿测试容量数据库 中不稳定的起始数据和未体现退化趋势的数据;
对剔除后的短期测试样本数据和全寿测试容量数据库中的数据进行平滑处 理,得到目标样本数据和预测训练数据。
进一步的,所述进行平滑处理之前还包括:
对剔除后的短期测试样本数据和全寿测试容量数据库中的数据进行归一化 处理。
为了保证跨配方预测时的数据尺度一致性,本发明首先基于局部加权回归 的方法对锂电池容量保持率的原始数据曲线进行平滑处理,得到规整化后的预处 理数据。本发明选取锂电池初始容量的80%为寿命终止点(失效阈值),对其容 量数据和循环寿命数据进行归一化处理,初始容量值化为1,运行至失效阈值时 的容量值化为0,得到预测模型输入数据和对应的循环寿命标签,具体的计算步 骤如下:
1)数据归一化
选取锂电池初始容量的82%为失效阈值,将锂电池容量值归一化为1-0(初 始容量为1,初始容量的82%为0)。同时,RUL标签代表每个测试循环对应的 电池RUL值,也需要对其进行归一化处理(初始容量对应的剩余寿命为1,初始 容量的82%对应的剩余寿命为0),归一化过程如下所示。
2)基于局部加权回归的锂电池容量曲线平滑预处理
由于在试验过程中存在人为干扰、非正常停止等因素影响,部分电池的容 量曲线原始数据往往存在突变和异常值,会导致结果存在偏差,因此需要对电池 原始数据进行平滑预处理。
本发明使用局部加权回归算法对容量曲线进行平滑处理,局部加权回归算 法(LWR,Locally Weighted Regression)是一种对于普通回归算法实现效果提升 的回归算法,就是对局部观测数据进行多项式加权拟合,并用最小二乘法进行估 计,最终得到需要拟合的点,具体原理为:
对每一个点qi,确定一个窗口范围,在窗口内所有的qk上,k=1,2,…,n, 由权值函数可得到权值αk(qi),使用带有权值αk(qi)的加权最小二乘法对qi进 行d阶多项式拟合(公式1),得到拟合值pi。利用αk(qi)得到pi就称为局部加 权回归。
pi=α0(qi)+α1(qi)qi+…+αm(qi)qi β+εi,i=1,2,…,n
其中α0(qi),α1(qi),…,αm(qi)为相对于qi未知的参数,εi,i=1,2,…,n为独 立同分布的随机误差项,β为事先给定的值。
LWR具有以下优点:自适应滤除局部数据之间的噪声干扰,保持原始信号 的特征;通过减少噪声干扰提高预测精度,有效避免过拟合和欠拟合问题。
本发明为确保样本数据的代表性和准确性,提高电池剩余寿命预测准确度, 以一定的测试数据长度为基准计算目标电池和同温度同倍率不同配方的其他电 池容量退化曲线的四种相似度(容量曲线形态、容量退化率、寿命分布和切比雪 夫距离相似度)进行筛选。从大量历史电池中选出与目标电池相似度最高的电池, 作为最终用于迁移寿命预测的可迁移样本,具体步骤如S102-S105所示。
步骤S102通过进行曲线形态筛选,从多个训练数据中筛选出与目标样本数 据曲线类型相似的第一训练数据;
具体的,所述从多个训练数据中筛选出与目标样本数据曲线类型相似的第一 训练数据包括:
将目标样本数据和多个训练数据分别图形化为目标样本数据曲线和多个训 练数据曲线;
将目标样本数据曲线和多个训练数据曲线分为直线,凹曲线和凸曲线三类;
根据直线、凹曲线和凸曲线类型进行筛选,排除与目标样本数据曲线类型不 同的训练数据曲线,得到第一训练数据。
本发明根据曲线类型进行第一次筛选,排除与目标曲线类型不同的训练曲线, 高效率的缩小相似度度量的范围。原始曲线的类型判别可依据二次斜率统计规律 进行:直线二次斜率等于0,凹曲线二次斜率大于0,凸曲线二次斜率一般小于 0。
S1=f″(x)
其中,S1表示第一次筛选。
步骤S103通过容量退化率相似度筛选,从第一训练数据筛选出与目标样本 数据的容量退化趋势相似的第二训练数据;
具体的,所述从第一训练数据筛选出与目标样本数据的容量退化趋势相似的 第二训练数据包括:
计算第一训练数据从初始状态退化到测试结束时容量曲线的变化率,保留与 目标样本数据最近接的几个第一训练数据;
将保留的第一训练数据作为第二训练数据。
其中x0,xEOT表示初始状态的额定容量值和测试停止时的容量值,CyclesEOT表 示运行到试验停止阈值EOT的测试循环数,S1表示第二次筛选。
步骤S104通过寿命分布相似度筛选,从第二训练数据筛选出与目标样本数 据寿命分布相似的第三训练数据;
具体的,所述从第二训练数据筛选出与目标样本数据寿命分布相似的第三训 练数据包括:
通过测量运行到试验停止阈值时的循环次数,比较第二训练数据的寿命分布, 并保留最接近目标样本数据的寿命分布的几个第二训练数据;
将保留的最接近目标样本数据的寿命分布的第二训练数据作为第三训练数 据。
步骤S105通过距离度量最小筛选,从第三训练数据中筛选出与目标样本数 据的距离度量最小的第四训练数据;
具体的,所述从第三训练数据中筛选出与目标样本数据的距离度量最小的第 四训练数据包括:
选用切比雪夫距离对容量曲线进行筛选,计算几个第三训练数据的退化曲线 与目标样本数据的容量退化曲线间的切比雪夫距离;
选择切比雪夫距离最小的第三训练数据作为第四训练数据。
切比雪夫距离(Chebyshev Distance)是:若两个点p和q,其坐标分别为pi及 qi,则两者之间的切比雪夫距离DChebyshev(p,q),定义为其各坐标数值差的最大值, 形式如下:
发明人经过大量实验发现,基于切比雪夫距离计算的相似曲线聚敛性更好, 筛选出的曲线退化趋势更相似,因此本申请将基于切比雪夫距离的相似性度量方 法与上述筛选方法结合,实现了深度学习和协同过滤的预测精度的提升。
具体的,所述相似产品是锂电池。
进一步的,所述相似产品为锂离子电池。
实施例2
如图2所示,本发明提供一种相似产品可迁移样本筛选系统,包括:数据处 理模块1,用于处理待测配方相似产品短期循环寿命测试数据得到目标样本数据, 处理其他配方电池全寿测试容量数据得到训练数据;数据筛选模块2,用于根据 目标样本数据对训练数据进行多级筛选,得到用于跨配方相似产品寿命预测的可 迁移样本数据;
具体的,所述数据筛选模块包括:第一筛选单元11,用于通过进行曲线形 态筛选,从多个训练数据中筛选出与目标样本数据曲线类型相似的第一训练数据; 第二筛选单元12,用于通过容量退化率相似度筛选,从第一训练数据筛选出与 目标样本数据的容量退化趋势相似的第二训练数据;第三筛选单元13,用于通 过寿命分布相似度筛选,从第二训练数据筛选出与目标样本数据寿命分布相似的 第三训练数据;第四筛选单元14,用于通过距离度量最小筛选,从第三训练数 据中筛选出与目标样本数据的距离度量最小的第四训练数据。
应用实施例1
本发明采用的锂离子电池可迁移样本筛选方法流程如图3所示,具体筛选步 骤及用于锂离子电池寿命预测的步骤如下:
1、数据收集
为验证本发明在不同配方电池之间的寿命迁移预测能力,本发明从已经完成 电池寿命测试的相同电池平台不同配方的相似产品中筛选10组不同配方的电池 样本数据,,分别为A,B,……,I,J组,进行跨配方电池剩余寿命预测,每 组样本数据包括了25℃、45℃及60℃三种不同温度下的试验数据。
2、数据预处理
本发明中以电池容量退化数据作为反映系统退化的性能指标,通过对数据的 初步分析,将失效阈值定为0.82,也即当容量退化至初始容量的82%时,认为该 电池到达寿命终止点。
按照数据归一化标准,将电池容量退化数据归一化为1-0(初始容量为1, 初始容量的82%为0),同时将对应的剩余寿命也归一化为1-0(初始容量对应的 剩余寿命为1,初始容量的82%对应的剩余寿命为0)。归一化后的电池容量退化 原始数据可以看出原始数据曲线存在较大的跳变波动,这是由于锂电池放电过程 中复杂的化学反应过程导致的,为了便于进行数据分析,采用局部加权回归的方 法对原始数据进行平滑处理。基于局部加权回归方法的锂电池容量平滑预处理的 效果图如图4所示。
基于局部加权回归方法对锂电池容量曲线进行平滑处理后,经过筛选,最终 本研究共选择147个不同电池开展研究,具体如表1所示:
表1 电池筛选结果
3、可迁移样本选择结果
本发明的研究限制在同温度同倍率不同配方情况下电池寿命的迁移预测,设 置不同的实验终止阈值,如TS失效=90%,表示当容量退化至初始容量的90%时停 止试验。通过四次筛选方法,比较目标电池容量退化曲线与同温度同倍率下其余 样本电池(不同配方)容量退化至90%长度时曲线的相似度,选取最优的样本电 池作为可迁移样本预测目标电池的剩余循环寿命,提高寿命预测精度。可迁移样 本筛选结果如图4所示。
4、寿命迁移预测
将可迁移样本用于LSTM模型中,对锂离子电池进行预测,其中,25℃实 验条件下的预测结果如表2所示:
表2 25℃电池寿命预测结果
根据表2的结果可知,利用本发明提供的可迁移样本进行寿命预测的精度最 高可达99.9%,节约了分析电池配方性能的成本,由不同配方电池的数据相似性 分析,可以节约大量试验成本,实现有效的数据共享。为电池循环寿命试验带来 了新的选择,具有很好的经济性和实用性。
尽管上文对本发明进行了详细说明,但是本发明不限于此,本技术领域技术 人员可以根据本发明的原理进行各种修改。因此,凡按照本发明原理所作的修改, 都应当理解为落入本发明的保护范围。
Claims (10)
1.一种相似产品可迁移样本筛选方法,其特征在于,包括:
预处理待测配方相似产品短期循环寿命测试数据得到目标样本数据,预处理其他配方电池全寿测试容量数据得到多个训练数据;
通过进行曲线形态筛选,从多个训练数据中筛选出与目标样本数据曲线类型相似的第一训练数据;
通过容量退化率相似度筛选,从第一训练数据筛选出与目标样本数据的容量退化趋势相似的第二训练数据;
通过寿命分布相似度筛选,从第二训练数据筛选出与目标样本数据寿命分布相似的第三训练数据;
通过距离度量最小筛选,从第三训练数据中筛选出与目标样本数据的距离度量最小的第四训练数据;
将第四训练数据作为用于跨配方相似产品寿命预测的可迁移样本数据。
2.如权利要求1所述的方法,其特征在于,从多个训练数据中筛选出与目标样本数据曲线类型相似的第一训练数据包括:
将目标样本数据和多个训练数据分别图形化为目标样本数据曲线和多个训练数据曲线;
将目标样本数据曲线和多个训练数据曲线分为直线,凹曲线和凸曲线三类;
根据直线、凹曲线和凸曲线类型进行筛选,排除与目标样本数据曲线类型不同的训练数据曲线,得到第一训练数据。
3.如权利要求2所述的方法,其特征在于,从第一训练数据筛选出与目标样本数据的容量退化趋势相似的第二训练数据包括:
计算第一训练数据从初始状态退化到测试结束时容量曲线的变化率,保留与目标样本数据最近接的几个第一训练数据;
将保留的第一训练数据作为第二训练数据。
4.如权利要求3所述的方法,其特征在于,从第二训练数据筛选出与目标样本数据寿命分布相似的第三训练数据包括:
通过测量运行到试验停止阈值时的循环次数,比较第二训练数据的寿命分布,并保留最接近目标样本数据的寿命分布的几个第二训练数据;
将保留的最接近目标样本数据的寿命分布的第二训练数据作为第三训练数据。
5.如权利要求4所述的方法,其特征在于,从第三训练数据中筛选出与目标样本数据的距离度量最小的第四训练数据包括:
选用切比雪夫距离对容量曲线进行筛选,计算几个第三训练数据的退化曲线与目标样本数据的容量退化曲线间的切比雪夫距离;
选择切比雪夫距离最小的第三训练数据作为第四训练数据。
6.如权利要求1所述的方法,其特征在于,所述预处理包括:
剔除待测配方电池短期测试样本数据和其他配方电池全寿测试容量数据库中不稳定的起始数据和未体现退化趋势的数据;
对剔除后的短期测试样本数据和全寿测试容量数据库中的数据进行平滑处理,得到目标样本数据和预测训练数据。
7.如权利要求6所述的方法,其特征在于,所述进行平滑处理之前还包括:
对剔除后的短期测试样本数据和全寿测试容量数据库中的数据进行归一化处理。
8.如上述权利要求任一项所述方法,其特征在于,所述相似产品是锂电池。
9.一种相似产品可迁移样本筛选系统,其特征在于,包括:
数据处理模块,用于处理待测配方相似产品短期循环寿命测试数据得到目标样本数据,处理其他配方电池全寿测试容量数据得到训练数据;
数据筛选模块,用于根据目标样本数据对训练数据进行多级筛选,得到用于跨配方相似产品寿命预测的可迁移样本数据;
其中,所述数据筛选模块包括:
第一筛选单元,用于通过进行曲线形态筛选,从多个训练数据中筛选出与目标样本数据曲线类型相似的第一训练数据;
第二筛选单元,用于通过容量退化率相似度筛选,从第一训练数据筛选出与目标样本数据的容量退化趋势相似的第二训练数据;
第三筛选单元,用于通过寿命分布相似度筛选,从第二训练数据筛选出与目标样本数据寿命分布相似的第三训练数据;
第四筛选单元,用于通过距离度量最小筛选,从第三训练数据中筛选出与目标样本数据的距离度量最小的第四训练数据。
10.一种将权利要求1所述的相似产品可迁移样本筛选方法及权利要求9所述的相似产品可迁移样本筛选系统用于相似产品寿命预测的用途。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010888563.4A CN112051506B (zh) | 2020-08-28 | 2020-08-28 | 一种相似产品可迁移样本筛选方法、系统及用途 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010888563.4A CN112051506B (zh) | 2020-08-28 | 2020-08-28 | 一种相似产品可迁移样本筛选方法、系统及用途 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112051506A true CN112051506A (zh) | 2020-12-08 |
CN112051506B CN112051506B (zh) | 2021-07-27 |
Family
ID=73607554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010888563.4A Active CN112051506B (zh) | 2020-08-28 | 2020-08-28 | 一种相似产品可迁移样本筛选方法、系统及用途 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112051506B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734002A (zh) * | 2020-12-28 | 2021-04-30 | 北京航空航天大学 | 一种基于数据层和模型层联合迁移学习的寿命预测方法 |
CN112798960A (zh) * | 2021-01-14 | 2021-05-14 | 重庆大学 | 一种基于迁移深度学习的电池组剩余寿命预测方法 |
CN112834945A (zh) * | 2020-12-31 | 2021-05-25 | 东软睿驰汽车技术(沈阳)有限公司 | 评估模型建立方法、电池健康状态评估方法及相关产品 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102749589A (zh) * | 2012-07-13 | 2012-10-24 | 哈尔滨工业大学深圳研究生院 | 电动汽车动力电池衰退模式预测方法 |
CN103778280A (zh) * | 2014-01-08 | 2014-05-07 | 上海交通大学 | 具有模型主动更新策略的锂离子电池剩余寿命预测方法 |
CN107797067A (zh) * | 2016-09-05 | 2018-03-13 | 北京航空航天大学 | 一种基于深度学习的锂离子电池寿命迁移预测方法 |
CN110188920A (zh) * | 2019-04-26 | 2019-08-30 | 华中科技大学 | 一种锂电池剩余寿命预测方法 |
CN111398837A (zh) * | 2020-04-01 | 2020-07-10 | 重庆大学 | 一种基于数据驱动的车用电池健康状态估计方法 |
-
2020
- 2020-08-28 CN CN202010888563.4A patent/CN112051506B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102749589A (zh) * | 2012-07-13 | 2012-10-24 | 哈尔滨工业大学深圳研究生院 | 电动汽车动力电池衰退模式预测方法 |
CN103778280A (zh) * | 2014-01-08 | 2014-05-07 | 上海交通大学 | 具有模型主动更新策略的锂离子电池剩余寿命预测方法 |
CN107797067A (zh) * | 2016-09-05 | 2018-03-13 | 北京航空航天大学 | 一种基于深度学习的锂离子电池寿命迁移预测方法 |
CN110188920A (zh) * | 2019-04-26 | 2019-08-30 | 华中科技大学 | 一种锂电池剩余寿命预测方法 |
CN111398837A (zh) * | 2020-04-01 | 2020-07-10 | 重庆大学 | 一种基于数据驱动的车用电池健康状态估计方法 |
Non-Patent Citations (4)
Title |
---|
JIAN MA, ET AL.: "Cycle life test optimization for different Li-ion power battery formulations using a hybrid remaining-useful-life prediction method", 《APPLIED ENERGY》 * |
KRISTEN A. SEVERSON, ET AL.: "Data-driven prediction of battery cycle life before capacity degradation", 《NATURE ENERGY》 * |
包塔拉等: "基于几何特征与流形距离的锂电池健康评估", 《山东大学学报(工学版)》 * |
张洋: "基于相关向量机的锂离子电池在线剩余寿命预测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734002A (zh) * | 2020-12-28 | 2021-04-30 | 北京航空航天大学 | 一种基于数据层和模型层联合迁移学习的寿命预测方法 |
CN112734002B (zh) * | 2020-12-28 | 2023-01-13 | 北京航空航天大学 | 一种基于数据层和模型层联合迁移学习的寿命预测方法 |
CN112834945A (zh) * | 2020-12-31 | 2021-05-25 | 东软睿驰汽车技术(沈阳)有限公司 | 评估模型建立方法、电池健康状态评估方法及相关产品 |
CN112798960A (zh) * | 2021-01-14 | 2021-05-14 | 重庆大学 | 一种基于迁移深度学习的电池组剩余寿命预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112051506B (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112051506B (zh) | 一种相似产品可迁移样本筛选方法、系统及用途 | |
CN112036084B (zh) | 一种相似产品寿命迁移筛选方法和系统 | |
CN109061504B (zh) | 同类型不同锂离子电池剩余使用寿命预测方法和系统 | |
CN110224192B (zh) | 一种梯次利用动力电池寿命预测方法 | |
CN108037460B (zh) | 一种批产锂离子电池容量实时评估方法 | |
CN111695301A (zh) | 电池电荷状态的预测方法及预测装置、存储介质、设备 | |
CN106295003B (zh) | 一种基于退化轨迹坐标重构和多元线性回归的锂电池寿命预测方法 | |
CN112036083B (zh) | 一种相似产品剩余寿命预测方法及系统 | |
CN107797067A (zh) | 一种基于深度学习的锂离子电池寿命迁移预测方法 | |
CN113671381B (zh) | 一种基于时间卷积网络的锂离子动力电池估算方法 | |
WO2022198616A1 (zh) | 一种电池寿命预测方法、系统、电子装置及存储介质 | |
CN112883531A (zh) | 锂离子电池数据处理方法、计算机设备和存储介质 | |
CN112327194B (zh) | 一种锂电池容量跳水识别方法及装置 | |
Bai et al. | Study on distributed lithium-ion power battery grouping scheme for efficiency and consistency improvement | |
CN111983474A (zh) | 一种基于容量衰退模型的锂离子电池寿命预测方法和系统 | |
CN116699446A (zh) | 退役电池快速分选方法、装置、设备及存储介质 | |
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 | |
CN111680712A (zh) | 基于日内相似时刻的变压器油温预测方法、装置及系统 | |
CN114970665A (zh) | 模型训练方法、电解电容剩余寿命预测方法及系统 | |
CN112084459A (zh) | 电池充放电循环寿命的预测方法、装置、电子终端、及存储介质 | |
Jiao et al. | A lightgbm based framework for lithium-ion battery remaining useful life prediction under driving conditions | |
CN112180258B (zh) | 电池平均库伦效率的测定方法、装置、介质、终端、及系统 | |
CN113933718B (zh) | 一种退役电池容量分选方法、装置、设备及存储介质 | |
CN112307652B (zh) | 基于平均剩余寿命重要度的复杂装备系统快速维修方法 | |
CN114879042A (zh) | 电芯分容放电容量预测方法、装置及电子设备 |
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 |