CN112327165B - 一种基于无监督迁移学习的电池soh预测方法 - Google Patents
一种基于无监督迁移学习的电池soh预测方法 Download PDFInfo
- Publication number
- CN112327165B CN112327165B CN202010994429.2A CN202010994429A CN112327165B CN 112327165 B CN112327165 B CN 112327165B CN 202010994429 A CN202010994429 A CN 202010994429A CN 112327165 B CN112327165 B CN 112327165B
- Authority
- CN
- China
- Prior art keywords
- battery
- soh
- matrix
- data
- characteristic
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013526 transfer learning Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 62
- 230000008569 process Effects 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 19
- 238000007600 charging Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 15
- 230000036541 health Effects 0.000 claims description 12
- 238000000513 principal component analysis Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 10
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000010277 constant-current charging Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000010280 constant potential charging Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000283690 Bos taurus Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012545 processing 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种基于无监督迁移学习的电池SOH预测方法,通过提取两个电池的特征,用域匹配算法对两个特征空间进行调整,使两个特征空间的条件分布和边缘分布相匹配,并且通过调整样本权重使得两个空间相关的样本权重变大,不相关的样本权重变小;这样通过域匹配方式可以利用一个电池数据做训练,用普通的机器学习算法来预测另一个电池的SOH,从而具有适用性高,预测精度高,实现简单等优点。
Description
技术领域
本发明属于电池健康状态评估技术领域,更为具体地讲,涉及一种基于无监督迁移学习的电池SOH预测方法。
背景技术
电池的健康状态与电动汽车的续航里程、安全性以及可靠性密切相关。由于电池的劣化机制复杂,影响因素众多,因此电池的健康状态SOH的准确可靠估计是电池管理技术中的难点问题。
以机器学习为代表的数据驱动方法灵活,无需建模,并且有着良好的非线性映射能力,是目前该领域的研究热点。研究者们提出了多种基于数据驱动的SOH估计方法,然而,目前研究主要关注实验条件下特定的动力电池健康状态的建模过程,如何对没有历史SOH数据的新电池进行性能预测仍是一个未解决的问题。由于电池类型以及使用环境不同,难以保障训练数据与预测对象有着相同的数据分布,而当训练数据与实际被预测的电池的数据分布存在差异时,一般数据驱动模型的可靠性将难以得到保证。因此如何将实验室获得的数据知识应用于被测对象时电池SOH估计中研究中的现实问题。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于无监督迁移学习的电池SOH预测方法,从现有电池中提取特征并处理,通过无监督迁移学习算法预测出新电池的SOH。
为实现上述发明目的,本发明一种基于无监督迁移学习的电池SOH预测方法,其特征在于,包括以下步骤:
(1)、提取特征
(1.1)、提取现有电池S在每一次完整充放电过程中的m个特征向量,以及健康状态SOH,再将这m个特征向量与SOH构成数据集其中,x和y分别表示单次提取的特征向量和SOH,n表示电池S在整个寿命周期中的总循环次数;
(2)、数据预处理
(3)、利用主成分分析法PCA进行降维
(3.2)、利用主成分分析法PCA对协方差矩阵X*进行分解,然后选取协方差矩阵X*的前k个大的特征值对应的特征向量构成正交变换矩阵k≤m是降维后的维度,从而使协方差最小,即满足:进而得到降维之后的矩阵X'=ATX;
(4)、电池S和电池T对应的数据域的分布匹配
(4.1)、边缘分布匹配
使用最大均值差异MMD作为两个数据集DS和DT之间的分布距离量度,边缘分布匹配的过程即为最小化MMD距离的过程,即为:
其中,M0为矩阵,tr()表示矩阵的迹;
(4.2)、条件分布匹配
(4.2.1)、将电池S的不同SOH组成集合C={c1,c2,…,cr,…,cl},l表示不同SOH的个数;
(4.2.2)、对每一个cr∈C,计算最小化条件分布概率QS(xS||yS-cr|<0.1)和QT(xT||yT-cr|<0.1),然后计算最小化条件分布概率之间的MMD距离:
其中,为矩阵;是电池S中SOH值与cr距离小于0.1对应的x的集合,表示电池S中xi对应的真实SOH,且表示中含有的元素个数;类似的是电池T中SOH值与cr距离小于0.1对应的x的集合,表示xj对应的真实标签,且表示中含有的元素个数;
(4.2.3)、使用MATLAB的fitcknn函数构建KNN模型,再将XS,YS作为KNN模型的输入,并将KNN模型中的超参数NumNeighbors设置为2,训练得到KNN模型,然后将XT输入至训练好的KNN模型,利用predict函数对电池SOH进行预测,从而预测得到电池T的SOH伪标签;最后再将伪SOH标签带入至步骤(4.2.2)中的分布匹配公式,从而实现条件分布匹配;具体伪标签生成步骤如下:
KNN_=fitcknn(XS,YS,'NumNeighbors',2)
Pseudo_SOH=KNN_.predict(XT)
(5)、通过正则化器对电池S和电池T的特征数据进行权重调整;
(6)、建立优化目标及求解
(6.1)、建立优化目标
(6.2)、优化目标求解
将协方差矩阵X*的前k个大的特征值构成对角矩阵Φ=diag(φ1,φ2,…,φk),并作为拉格朗日乘子,然后计算优化目标对应的拉格朗日函数,即:
(7)、SOH估计
(7.1)、获取域匹配之后的电池S和电池T对应的数据域Z=ATX;
(7.2)、计算电池S的特征X'S=ZS,其中,ZS=(Z)i,k,i=1,2,…,ns,k=1,2,…,m;计算电池T的特征X'T=ZT,其中,ZT=(Z)j,k,j=1,2,…,nt,k=1,2,…,m;
(7.3)、利用MATLAB的newff函数建立两层前馈反向传播网络,通过将X'S与YS作为输入数据训练网络,然后通过输入X'T预测电池T的SOH即YT。
本发明的发明目的是这样实现的:
本发明基于无监督迁移学习的电池SOH预测方法,通过提取两个电池的特征,用域匹配算法对两个特征空间进行调整,使两个特征空间的条件分布和边缘分布相匹配,并且通过调整样本权重使得两个空间相关的样本权重变大,不相关的样本权重变小;这样通过域匹配方式可以利用一个电池数据做训练,用普通的机器学习算法来预测另一个电池的SOH,从而具有适用性高,预测精度高,实现简单等优点。
同时,本发明基于无监督迁移学习的电池SOH预测方法还具有以下有益效果:
(1)、利用域匹配方法实现迁移学习,使得不同环境下的电池数据对彼此有参考意义,这意味着可以通过实验室采取得到的数据预测实际使用中的电池SOH,或者通过以前使用的旧电池数据预测新制造出来的电池SOH变化曲线,这对于实际应用提供了很大的便利。
(2)、对特征的依赖性不强,在实施例中只使用了充电过程中提取的三个特征就可以实现对电池SOH的较准确估计,这意味着我们可以只用其某一阶段(例如充电阶段)的数据就可以预测得到当前SOH,这对于电池健康状态监管以及安全问题有重要意义;
(3)、我们的方法主要着重于两个电池特征空间的匹配,在两个特征空间匹配后,在实际预测阶段可以搭配各种各样的机器学习算法,例如人工神经网络、高斯过程回归、支持向量机等,这为发明的适用性提供了很大的保障,机器学习算法的发展很容易能用到我们这个发明的框架里来实现电池SOH的估计。
附图说明
图1是本发明基于无监督迁移学习的电池SOH预测方法流程图;
图2是在实施例中用CX2_34电池预测CS2_38电池SOH的效果图;
图3是本发明与一些现有的域匹配迁移算法的对比图;
图4是本发明与ANN算法结合在其他一些实验数据集设置下的预测效果。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
为了方便描述,先对具体实施方式中出现的相关专业术语进行说明:
ANN(Artificial Neural Network):人工神经网络;
newff:matlab中训练前馈反向传播网络的函数
GPR(Gaussian Process Regression)高斯过程回归;
fitgpr:matlab的GPML工具箱中训练GPR模型的函数
KNN(K-Nearest Neighbor)K近邻节点算法;
fitcknn:matlab中训练KNN的函数
TCA(Transfer Componet Analysis)迁移成分分析;
JDA(Joint Domain Adaption)联合域匹配;
DDA(Dual Domain Adaption)双重域匹配,我们提出的新的域匹配算法;
图1是本发明基于无监督迁移学习的电池SOH预测方法流程图。
在本实施例中,如图1所示,本发明一种基于无监督迁移学习的电池SOH预测方法,包括以下步骤:
S1、提取特征
S1.1、对于一个已有电池,在使用过程中记录其循环充放电次数及其每一次充放电过程中的电压、电流等数据,依托这些数据,我们以马里兰的公开数据集为例,首先提取编号为CX2_34的电池S在充电过程中的恒流充电时间、恒压充电时间和容量增量曲线最大值三个特征向量,在放电过程中提取放电容量,并将放电容量与标称容量的百分比作为真实SOH,再将这三个特征向量与SOH构成数据集其中,x和y分别表示单次提取的特征向量和SOH,ns表示电池S在整个寿命周期中的总循环次数;
在本实施例中,提取特征是目前使用SOH预测领域经常使用的一些特征,这里我们仅从充电过程中提取三个特征,是由于生活场景的考虑,可以在充电过程中就得到电池健康状态。这对于放电过程(也就是使用过程)是很具有参考价值的。本方法不仅限于这几种特征,根据实际情况,在添加特征的情况下会有更为良好的表现。
在本实施例中,我们利用CX2_34电池的数据来预测CS2_38电池的SOH。CX2_34电池和CS2_38电池属于不同类型的电池,并且CX2_34电池的充电电流为0.5C,CS2_38电池的充电电流为1C。在这种情况下,普通机器学习算法例如支持向量机、高斯过程回归等都无法实现预测,甚至像人工神经网络、长短期记忆网络等深度学习算法也没有实际的效果。但在经过我们的算法对数据域处理后,预测精度和可靠性有极大的提升。
S2、数据预处理
S3、利用主成分分析法PCA进行降维
S3.2、利用主成分分析法PCA对协方差矩阵X*进行分解,然后选取协方差矩阵X*的前k个大的特征值对应的特征向量构成正交变换矩阵k≤m是降维后的维度,从而使协方差最小,即满足:进而得到降维之后的矩阵X'=ATX;
S4、电池S和电池T对应的数据域的分布匹配
S4.1、边缘分布匹配
使用最大均值差异MMD作为两个数据集DS和DT之间的分布距离量度,边缘分布匹配的过程即为最小化MMD距离的过程,即为:
其中,tr()表示矩阵的迹,M0为矩阵,表示如下;
其中,(m0)i'j'为矩阵M0的第i'行第j'列元素;
S4.2、条件分布匹配
S4.2.1、将电池S的不同SOH组成集合C={c1,c2,…,cl};
S4.2.2、要减少条件分布差异,对每一个cr∈C,计算最小化条件分布概率QS(xS|yS=cr)和QT(xT|yT=cr)之间的距离更改为QS(xS||yS-cr|<0.1)和QT(xT||yT-cr|<0.1),然后再计算最小化条件分布概率之间的MMD距离:
其中,为矩阵的第i'行第j'列元素;是电池S中SOH值与cr距离小于0.1对应的x的集合,表示电池S中xi对应的真实SOH,且表示中含有的元素个数;类似的是电池T中SOH值与cr距离小于0.1对应的x的集合,表示xj对应的真实标签,且表示中含有的元素个数;
S4.2.3、由于我们没有电池T的SOH数据,因此在这里使用MATLAB的fitcknn函数构建KNN模型,再将XS,YS作为KNN模型的输入,并将KNN模型中的超参数NumNeighbors设置为2,训练得到KNN模型,然后将XT输入至训练好的KNN模型,利用predict函数对电池SOH进行预测,从而预测得到电池T的SOH伪标签;最后再将伪SOH标签带入至步骤S4.2.2中的分布匹配公式,从而实现条件分布匹配;具体伪标签生成步骤如下:
KNN_=fitcknn(XS,YS,'NumNeighbors',2)
Pseudo_SOH=KNN_.predict(XT)
S5、通过正则化器对电池S和电池T的特征数据进行权重调整;
S6、建立优化目标及求解
S6.1、联合降维、分布匹配以及样本权重调整,我们得建立如下优化目标;
由于降维的优化目标是与分布匹配的优化目标有重叠的,在实现分布匹配的同时可以实现降维,因此这里的优化目标不再包含降维的部分;
S6.2、优化目标求解
将协方差矩阵X*的前k=3个大的特征值构成对角矩阵Φ=diag(φ1,φ2,…,φk),并作为拉格朗日乘子,然后计算优化目标对应的拉格朗日函数,即:
S7、SOH估计
S7.1、获取域匹配之后的电池S和电池T对应的数据域Z=ATX;
S7.2、计算电池S的特征X'S=ZS,其中,ZS=(Z)i,k,i=1,2,…,ns,k=1,2,…,m;计算电池T的特征X'T=ZT,其中,ZT=(Z)j,k,j=1,2,…,nt,k=1,2,…,m;
S7.3、在本实施例中,我们利用MATLAB的newff函数建立两层前馈反向传播网络,通过将X'S与YS作为输入数据训练网络,然后通过输入X'T预测电池T的SOH即YT;如图2所示,我们结合人工神经网络算法,用CX2_34电池预测CS2_38电池,实验效果如图2。
当然,我们还可以通过高斯过程回归来估计电池T的SOH,同样以X'S,YS作为输入训练模型,然后带入X'T即可得到电池T的SOH。为简单起见可采用MATLAB的GPML-V4.1工具箱,通过如下步骤得到:
GPR_=fitrgp(X'S,YS)
SOHT=GPR_(X'T)
实例展示
电池编号 | 标称容量 | 恒流充电电流 | 截止电压 |
CS2-33 | 1100mAh | 0.5C | 2.7V |
CS2-35 | 1100mAh | 1C | 2.7V |
CS2-36 | 1100mAh | 1C | 2.7V |
CS2-38 | 1100mAh | 1C | 2.7V |
CX2-34 | 1350mAh | 0.5C | 2.7V |
CX2-36 | 1350mAh | 0.5C | 2.7V |
表1
表1是我们对使用到的电池及其充电条件的一个简单介绍。
如表1所示,CS2电池和CX2电池是两种标称容量不同的电池,这对于我们做电池SOH预测是一个很大的不同,直接影响其SOH值。CS2电池在这里用到的几个电池有两种恒流充电电流,电池的使用方式也会导致其寿命和健康状态发生变化。
图2是在实施例中展示的用CX2_34电池预测CS2_38的实验效果图。
参考表1,CX2_34电池和CS2_38电池标称容量和充电电流都不同,这对于一般机器学习算法乃至深度学习算法也是一个较大的挑战。用本发明所介绍的域匹配方法对特征空间进行处理,使用过后的数据再用机器学习算法进行预测,其效果如图2所示,精确度得到了极大的提升和保障。
图3是现有的一些域匹配算法与我们的域匹配算法结合人工神经网络对电池SOH预测效果的对比图。
TCA(Transfer Componet Analysis),JDA(Joint Domain Adaption),均是有迁移学习领域的大牛提出的域匹配算法,在图像分类领域有极好的效果。我们将这几种域匹配算法与人工神经网络算法相结合,来实现对电池SOH的预测,并用这几组实验与我们的发明作对比。效果如图3所示,我们的算法显然精度更好,趋势更贴合真实值。
图4是本算法结合人工神经网络算法对SOH预测的效果图。
图4(a)是用CX2_34电池预测CS2_38电池,这组实验数据设置是为了体现在电池标称容量和充电电流不同时本发明结合ANN的预测效果。图4(b)是用CS2_33电池预测CS2_38电池,本实验集的设置是为了验证充电电流不同时本发明结合ANN的预测效果。图4(c)是用CX2_34电池预测CS2_36电池,本实验集的设置是为了验证电池标称容量不同时本发明结合ANN的预测效果。综合来说,本发明结合ANN算法基本可以实现对不同容量、不同充电电流的电池之间SOH的精确估计。尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (3)
1.一种基于无监督迁移学习的电池SOH预测方法,其特征在于,包括以下步骤:
(1)、提取特征
(1.1)、提取现有电池S在每一次完整充放电过程中的m个特征向量,以及健康状态SOH,再将这m个特征向量与SOH构成数据集其中,x和y分别表示单次提取的特征向量和SOH,ns表示电池S在整个寿命周期中的总循环次数;
(2)、数据预处理
(3)、利用主成分分析法PCA进行降维
(3.2)、利用主成分分析法PCA对协方差矩阵X*进行分解,然后选取协方差矩阵X*的前k个大的特征值对应的特征向量构成正交变换矩阵k≤m是降维后的维度,从而使协方差最小,即满足:进而得到降维之后的矩阵X'=ATX;
(4)、电池S和电池T对应的数据域的分布匹配
(4.1)、边缘分布匹配
使用最大均值差异MMD作为两个数据集DS和DT之间的分布距离量度,边缘分布匹配的过程即为最小化MMD距离的过程,即为:
其中,M0为矩阵,tr()表示矩阵的迹;
(4.2)、条件分布匹配
(4.2.1)、将电池S的不同SOH组成集合C={c1,c2,…,cr,…,cl},l表示不同SOH的个数;
(4.2.2)、对每一个cr∈C,计算最小化条件分布概率QS(xS||yS-cr|<0.1)和QT(xT||yT-cr|<0.1),然后计算最小化条件分布概率之间的MMD距离:
其中,Mcr为矩阵;是电池S中SOH值与cr距离小于0.1对应的x的集合,yxi表示电池S中xi对应的真实SOH,且表示中含有的元素个数;类似的是电池T中SOH值与cr距离小于0.1对应的x的集合,表示xj对应的真实标签,且表示中含有的元素个数;
(4.2.3)、使用MATLAB的fitcknn函数构建KNN模型,再将XS,YS作为KNN模型的输入,并将KNN模型中的超参数NumNeighbors设置为2,训练得到KNN模型,然后将XT输入至训练好的KNN模型,利用predict函数对电池SOH进行预测,从而预测得到电池T的SOH伪标签;最后再将伪SOH标签带入至步骤(4.2.2)中的分布匹配公式,从而实现条件分布匹配;具体伪标签生成步骤如下:
KNN_=fitcknn(XS,YS,'NumNeighbors',2)
Pseudo_SOH=KNN_.predict(XT)
(5)、通过正则化器对电池S和电池T的特征数据进行权重调整;
(6)、建立优化目标及求解
(6.1)、建立优化目标
(6.2)、优化目标求解
将协方差矩阵X*的前k个大的特征值构成对角矩阵Φ=diag(φ1,φ2,…,φk),并作为拉格朗日乘子,然后计算优化目标对应的拉格朗日函数,即:
(7)、SOH估计
(7.1)、获取域匹配之后的电池S和电池T对应的数据域Z=ATX;
(7.2)、计算电池S的特征X'S=ZS,其中,ZS=(Z)i,k,i=1,2,…,ns,k=1,2,…,m;计算电池T的特征X'T=ZT,其中,ZT=(Z)j,k,j=1,2,…,nt,k=1,2,…,m;
(7.3)、利用MATLAB的newff函数建立两层前馈反向传播网络,通过将X'S与YS作为输入数据训练网络,然后通过输入X'T预测电池T的SOH即YT。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010994429.2A CN112327165B (zh) | 2020-09-21 | 2020-09-21 | 一种基于无监督迁移学习的电池soh预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010994429.2A CN112327165B (zh) | 2020-09-21 | 2020-09-21 | 一种基于无监督迁移学习的电池soh预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112327165A CN112327165A (zh) | 2021-02-05 |
CN112327165B true CN112327165B (zh) | 2021-07-13 |
Family
ID=74302977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010994429.2A Active CN112327165B (zh) | 2020-09-21 | 2020-09-21 | 一种基于无监督迁移学习的电池soh预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112327165B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113891244B (zh) * | 2021-11-16 | 2023-05-30 | 电子科技大学 | 一种DoS攻击下的无线传感器网络定位方法 |
CN117096070B (zh) * | 2023-10-19 | 2024-01-05 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种基于领域自适应的半导体加工工艺异常检测方法 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101369006A (zh) * | 2008-08-08 | 2009-02-18 | 涂金龙 | 智能型蓄电池巡检监测仪 |
CN104346659A (zh) * | 2014-11-26 | 2015-02-11 | 北京邮电大学 | 应用于高倍聚光光伏发电系统的短期发电量预测方法 |
CN104459552A (zh) * | 2014-11-28 | 2015-03-25 | 上海交通大学 | 评估充电行为对电动汽车电池健康状况的影响的方法 |
CN105548902A (zh) * | 2016-01-07 | 2016-05-04 | 北京北交新能科技有限公司 | 一种动力锂离子电池循环寿命等效测试方法 |
CN106548182A (zh) * | 2016-11-02 | 2017-03-29 | 武汉理工大学 | 基于深度学习和主成因分析的路面裂纹检测方法及装置 |
CN106597311A (zh) * | 2016-12-21 | 2017-04-26 | 哈尔滨工业大学 | 基于主成分分析的融合hi等效性锂离子电池退化预测方法 |
CN108181591A (zh) * | 2018-01-08 | 2018-06-19 | 电子科技大学 | 一种基于改进型bp神经网络的电池soc值的预测方法 |
CN108536753A (zh) * | 2018-03-13 | 2018-09-14 | 腾讯科技(深圳)有限公司 | 重复信息的确定方法及相关装置 |
CN108537337A (zh) * | 2018-04-04 | 2018-09-14 | 中航锂电技术研究院有限公司 | 基于优化深度信念网络的锂离子电池soc预测方法 |
CN108535656A (zh) * | 2018-03-22 | 2018-09-14 | 中北大学 | 基于pca-narx神经网络的锂离子电池剩余使用寿命预测方法和系统 |
CN108896924A (zh) * | 2018-07-09 | 2018-11-27 | 哈尔滨工业大学 | 基于深度置信网络和卡尔曼滤波融合的锂离子电池荷电状态估计方法 |
KR20180130294A (ko) * | 2017-05-29 | 2018-12-07 | 부경대학교 산학협력단 | 사운드 기반 기계고장 진단방법 |
CN109325526A (zh) * | 2018-09-05 | 2019-02-12 | 福州大学 | 一种采用卷积深度置信网络的配电网故障分类方法 |
CN109978250A (zh) * | 2019-03-20 | 2019-07-05 | 广州中国科学院工业技术研究院 | 一种电池极片涂布生产面密度的质量预测方法 |
CN110031110A (zh) * | 2019-03-05 | 2019-07-19 | 安徽力高新能源技术有限公司 | 一种电池管理系统的红外场演化监测系统及方法 |
CN110058178A (zh) * | 2019-05-14 | 2019-07-26 | 郑州大学 | 一种锂电池健康状态检测方法和系统 |
WO2019169044A1 (en) * | 2018-02-27 | 2019-09-06 | Cornell University | Systems and methods for detection of residual disease |
CN111103544A (zh) * | 2019-12-26 | 2020-05-05 | 江苏大学 | 基于长短时记忆lstm和粒子滤波pf的锂离子电池剩余使用寿命预测方法 |
CN111222584A (zh) * | 2020-01-15 | 2020-06-02 | 北京辉腾格勒石墨烯科技有限公司 | 基于大数据和深度神经网络的锂电池实时评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2701995C2 (ru) * | 2018-03-23 | 2019-10-02 | Общество с ограниченной ответственностью "Аби Продакшн" | Автоматическое определение набора категорий для классификации документа |
-
2020
- 2020-09-21 CN CN202010994429.2A patent/CN112327165B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101369006A (zh) * | 2008-08-08 | 2009-02-18 | 涂金龙 | 智能型蓄电池巡检监测仪 |
CN104346659A (zh) * | 2014-11-26 | 2015-02-11 | 北京邮电大学 | 应用于高倍聚光光伏发电系统的短期发电量预测方法 |
CN104459552A (zh) * | 2014-11-28 | 2015-03-25 | 上海交通大学 | 评估充电行为对电动汽车电池健康状况的影响的方法 |
CN105548902A (zh) * | 2016-01-07 | 2016-05-04 | 北京北交新能科技有限公司 | 一种动力锂离子电池循环寿命等效测试方法 |
CN106548182A (zh) * | 2016-11-02 | 2017-03-29 | 武汉理工大学 | 基于深度学习和主成因分析的路面裂纹检测方法及装置 |
CN106597311A (zh) * | 2016-12-21 | 2017-04-26 | 哈尔滨工业大学 | 基于主成分分析的融合hi等效性锂离子电池退化预测方法 |
KR20180130294A (ko) * | 2017-05-29 | 2018-12-07 | 부경대학교 산학협력단 | 사운드 기반 기계고장 진단방법 |
CN108181591A (zh) * | 2018-01-08 | 2018-06-19 | 电子科技大学 | 一种基于改进型bp神经网络的电池soc值的预测方法 |
WO2019169044A1 (en) * | 2018-02-27 | 2019-09-06 | Cornell University | Systems and methods for detection of residual disease |
CN108536753A (zh) * | 2018-03-13 | 2018-09-14 | 腾讯科技(深圳)有限公司 | 重复信息的确定方法及相关装置 |
CN108535656A (zh) * | 2018-03-22 | 2018-09-14 | 中北大学 | 基于pca-narx神经网络的锂离子电池剩余使用寿命预测方法和系统 |
CN108537337A (zh) * | 2018-04-04 | 2018-09-14 | 中航锂电技术研究院有限公司 | 基于优化深度信念网络的锂离子电池soc预测方法 |
CN108896924A (zh) * | 2018-07-09 | 2018-11-27 | 哈尔滨工业大学 | 基于深度置信网络和卡尔曼滤波融合的锂离子电池荷电状态估计方法 |
CN109325526A (zh) * | 2018-09-05 | 2019-02-12 | 福州大学 | 一种采用卷积深度置信网络的配电网故障分类方法 |
CN110031110A (zh) * | 2019-03-05 | 2019-07-19 | 安徽力高新能源技术有限公司 | 一种电池管理系统的红外场演化监测系统及方法 |
CN109978250A (zh) * | 2019-03-20 | 2019-07-05 | 广州中国科学院工业技术研究院 | 一种电池极片涂布生产面密度的质量预测方法 |
CN110058178A (zh) * | 2019-05-14 | 2019-07-26 | 郑州大学 | 一种锂电池健康状态检测方法和系统 |
CN111103544A (zh) * | 2019-12-26 | 2020-05-05 | 江苏大学 | 基于长短时记忆lstm和粒子滤波pf的锂离子电池剩余使用寿命预测方法 |
CN111222584A (zh) * | 2020-01-15 | 2020-06-02 | 北京辉腾格勒石墨烯科技有限公司 | 基于大数据和深度神经网络的锂电池实时评估方法 |
Non-Patent Citations (2)
Title |
---|
Yuanyuan Li 等.Lithium-ion Battery State of Health Monitoring Based on Ensemble Learning.《2019 IEEE International Instrumentation and Measurement Technology Conference (I2MTC)》.2019,第1-6页. * |
庞晓琼 等.基于PCA-NARX的锂离子电池剩余使用寿命预测.《北京理工大学学报》.2019,第39卷(第4期),第406-412页. * |
Also Published As
Publication number | Publication date |
---|---|
CN112327165A (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sui et al. | A review of non-probabilistic machine learning-based state of health estimation techniques for Lithium-ion battery | |
Ren et al. | A review of machine learning state-of-charge and state-of-health estimation algorithms for lithium-ion batteries | |
Che et al. | Data efficient health prognostic for batteries based on sequential information-driven probabilistic neural network | |
Lin et al. | A multi-feature-based multi-model fusion method for state of health estimation of lithium-ion batteries | |
Zhang et al. | Cloud-based in-situ battery life prediction and classification using machine learning | |
Tian et al. | Deep learning framework for lithium-ion battery state of charge estimation: Recent advances and future perspectives | |
CN111985156B (zh) | 一种预测电池健康状态的方法 | |
Bian et al. | Cross-domain state-of-charge estimation of Li-ion batteries based on deep transfer neural network with multiscale distribution adaptation | |
Sheng et al. | Small sample state of health estimation based on weighted Gaussian process regression | |
Meng et al. | Evolutionary design of spatio–temporal learning model for thermal distribution in lithium-ion batteries | |
Fei et al. | A deep attention-assisted and memory-augmented temporal convolutional network based model for rapid lithium-ion battery remaining useful life predictions with limited data | |
CN112327165B (zh) | 一种基于无监督迁移学习的电池soh预测方法 | |
CN113466710B (zh) | 含新能源受端电网中储能电池的soc与soh协同估算方法 | |
Valladares et al. | Gaussian process-based prognostics of lithium-ion batteries and design optimization of cathode active materials | |
Takyi-Aninakwa et al. | A hybrid probabilistic correction model for the state of charge estimation of lithium-ion batteries considering dynamic currents and temperatures | |
Tang et al. | Health and lifespan prediction considering degradation patterns of lithium-ion batteries based on transferable attention neural network | |
CN115201686A (zh) | 一种不完备充放电数据下的锂离子电池健康状态评估方法 | |
CN112731183A (zh) | 一种基于改进的elm的锂离子电池寿命预测方法 | |
CN113406503A (zh) | 基于深度神经网络的锂电池soh在线估算方法 | |
CN114580262A (zh) | 一种锂离子电池健康状态估计方法 | |
Shen et al. | Transfer learning-based state of charge and state of health estimation for Li-ion batteries: A review | |
CN116027198A (zh) | 基于联合加权域对抗网络的锂电池健康状态估计方法 | |
Lin et al. | Algorithm of BPNN‐UKF based on a fusion model for SOC estimation in lithium‐ion batteries | |
Wang et al. | Long short-term memory network with transfer learning for lithium-ion battery capacity fade and cycle life prediction | |
CN112285565B (zh) | 基于rkhs域匹配的迁移学习预测电池soh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 |