CN114384427A - 基于量子神经网络的锂离子电池容量非线性退化预测方法 - Google Patents
基于量子神经网络的锂离子电池容量非线性退化预测方法 Download PDFInfo
- Publication number
- CN114384427A CN114384427A CN202210036258.1A CN202210036258A CN114384427A CN 114384427 A CN114384427 A CN 114384427A CN 202210036258 A CN202210036258 A CN 202210036258A CN 114384427 A CN114384427 A CN 114384427A
- Authority
- CN
- China
- Prior art keywords
- quantum
- data
- encoder
- model
- output
- 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
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]
- G01R31/378—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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提供了一种基于量子神经网络的锂离子电池容量非线性退化预测方法,其包括:以量子神经元为基本单元,构建以编码器与解码器为基本结构的QREDNN模型,定义损失函数和优化方法,对数据进行预处理并划分为训练集与测试集,将预处理后的数据输入QREDNN模型中对参数进行训练,采用QREDNN模型对锂离子电池的容量退化趋势进行预测,所述QREDNN模型包括编码器Encoder、解码器Decoder和语义变量。本发明在传统数据驱动方法的基础上,借助量子计算基本原理,利用量子旋转矩阵表征权重值建立量子神经元模型,对于异常锂离子电池的容量退化趋势具有较好的非线性拟合能力,对于正常锂离子电池的预测效果优于经典模型。
Description
技术领域
本发明属于锂离子电池性能预测领域,特别是一种基于量子神经网络的锂离子电池容量非线性退化预测方法。
背景技术
锂离子电池具有自放电率低、循环寿命长、环保、能量密度高等特点,因此在新能源汽车等领域应用广泛。锂离子电池的一个研究方向是通过电池容量退化早期的相关特征数据对电池后期的退化趋势进行预测,并对锂电池的寿命进行更加准确地估算,以此减少锂离子电池寿命周期内的测试成本,具有很高的应用价值。
在实际的应用过程中,生产厂家希望收集到某个电池前期一定数量的容量退化数据,就能预测出其后期的容量退化情况,从而判断该电池在某一循环处是否应该更换。因此,在对锂离子电池的实际测试过程中,厂家希望仅对电池进行较少次数的充放电循环测试,就可以知道后期某个循环处的容量值。在这个过程中常常采用的方式是对每一个电池单独进行预测,首先进行一段时间的测试并提取其一部分退化数据,学习其退化过程中的特征,从而预测出该电池后续的退化情况。
对于锂电池剩余寿命的预测方法有很多,研究也较为深入。然而,锂电池内部具有复杂的结构与电化学反应,常在退化后期出现容量加速下降的情况,其容量退化趋势呈现出明显的非线性,现有的锂电池容量退化预测方法往往无法很好地拟合该部分非线性退化特征,预测结果较差。因此,为更好地拟合锂电池退化后期非线性退化特征,寻求一种基于量子神经网络的锂离子电池容量非线性退化预测方法,对后期出现退化速度加快现象的锂离子电池进行更准确地预测是十分迫切且必要的。
发明内容
本发明针对上述现有技术中的缺陷,提出一种基于量子神经网络的锂离子电池容量非线性退化预测方法。该方法包括以量子神经元为基本单元,构建以编码器与解码器为基本结构的QREDNN模型,定义损失函数和优化方法,对数据进行预处理并划分为训练集与测试集,将预处理后的数据输入QREDNN模型中对参数进行训练,采用QREDNN模型对锂离子电池的容量退化趋势进行预测,所述QREDNN模型包括编码器Encoder、解码器Decoder和语义变量。本发明在传统数据驱动方法的基础上,借助量子计算基本原理,利用量子旋转矩阵表征权重值建立量子神经元模型,对于异常锂离子电池的容量退化趋势具有较好的非线性拟合能力,对于正常锂离子电池的预测效果不逊于经典模型。
本发明提供一种基于量子神经网络的锂离子电池容量非线性退化预测方法,其包括以下步骤:
S1、构建量子循环编码-解码神经网络QREDNN模型:以量子神经元为基本单元,构建以编码器与解码器为基本结构的QREDNN模型,所述QREDNN模型包括编码器Encoder、解码器Decoder和语义变量,所述编码器Encoder的输入为表示t时刻下编码器输入的数据序列;所述语义变量采用所述编码器Encoder与解码器Decoder的相关参数计算得出;所述解码器Decoder的输入为T时刻下的语义变量序列为其输出为其中m表示编码器隐藏层神经元个数,为T时刻的输出数据序列;所述编码器Encoder的隐藏层为所述解码器Decoder的隐藏层为其中τ表示编码器中输入的时间长度,μ表示解码器中输入的时间长度;
S2、定义损失函数和优化方法,所述优化方式采用梯度下降法;
S3、对数据进行预处理,并划分为训练集与测试集;
S4、将预处理后的数据输入QREDNN模型中对参数进行训练;
S5、采用QREDNN模型对锂离子电池的容量退化趋势进行预测;
S51、将用来对QREDNN模型进行训练的时间序列前一段的k个数据中最后d个数据[xk-d+1,xk-d+2,...,xk]输入QREDNN模型中进行预测,得到第一输出与进行训练的输入矩阵不同,进行预测时的输入仅有一个批次;
S52、根据所述第一输出将前一次输入的数据集[xk-d+1,xk-d+2,...,xk]中xk-d+1去除,并将与数据集中其他数据构成一个新的输入数据向量将其输入QREDNN模型中进行预测,得到第二输出
进一步,所述步骤S1具体包括以下步骤:
可优选的,所述步骤S3具体包括以下步骤:
可优选的,所述步骤S4具体包括以下步骤:
S41、对模型中需要进行训练的各种参数进行初值的设置;
S42、使用原数据集中其他数据进行预训练,确定学习率α、正则项系数l;
S44、根据预测输出y′和输出预测向量中对应批次的原时间序列真实值y,计算本次训练的损失函数E;
S45、进行反向传播,对模型中需要进行训练的各种参数进行更新;
S46、重复步骤S43到S45,直到损失值满足要求;
进一步,所述步骤S1中所述编码器Encoder的计算具体包括以下步骤:
S114、重复步骤S111到S113,得到t=1到t=τ的各个时刻编码器隐藏层量子神经元的量子态输出状态;
所述解码器Decoder的计算具体包括以下步骤:
S124、重复步骤S121到S123,得到T=1到T=μ的各个时刻解码器隐藏层量子神经元的量子态输出状态;
所述语义变量的计算具体包括以下步骤:
S133、计算相关系数lt,T:
S134、重复步骤S142和S143,计算t=1到t=τ时刻下所有的相关系数lt,T;
进一步,所述步骤S2中所述优化方式具体包括以下步骤:
S21、对输入数据进行预测,并计算出损失函数E;
S22、对参数进行更新:
S23、重复进行步骤S21与S22,直到损失函数E降低到一定值,模型的训练便可结束;所述损失函数E为:
可优选的,所述步骤S111中转化为编码器量子态数据和所述步骤S121中转化为解码器量子态数据均采用计算数据x的量子态公式:
其中,θ表示量子参数,且θ=2arcsinx。
可优选的,所述步骤S1中所述QREDNN模型还包括输入输出关系,所述输入输出关系的计算具体包括以下步骤:
S141、获取输入到量子神经元g中的所有量子态数据|x1>,|x2>,...,|xs>;
S142、计算量子神经元g:
其中,R表示旋转矩阵;δi表示待训练的变量;F(·)表示计算坐标该变量之和的函数,且F(R(δi)|xk>)=sinθkcosφk+sinθksinφk+cosθk,θk、φk表示量子态数据|xk>中的参数;f(·)表示激活函数;s表示输入到量子神经元g的数据个数;
S143、计算量子神经元g的量子态输出:
其中,θ′表示量子神经元参数,且θ′=2arcsing,φ表示相位。
与现有技术相比,本发明的技术效果为:
1、本发明设计的一种基于量子神经网络的锂离子电池容量非线性退化预测方法,对于异常电池,其容量衰减速度随循环数的增加而加快,容量退化趋势呈现明显的非线性,量子循环编码-解码神经网络模型对于锂离子电池的容量退化趋势具有较好的非线性拟合能力,预测效果优于经典模型,误差也更低。
2、本发明设计的一种基于量子神经网络的锂离子电池容量非线性退化预测方法,对于正常电池,其容量衰减速度随循环数增加基本不变,量子循环编码-解码神经网络模型对于正常的线性拟合也有一定的能力,预测效果与经典模型接近,对趋势的拟合程度与误差都相似。
3、本发明设计的一种基于量子神经网络的锂离子电池容量非线性退化预测方法,采用量子循环编码-解码神经网络模型在传统数据驱动方法的基础上,借助量子计算基本原理,利用量子旋转矩阵表征权重值以建立量子神经元模型,具有较强的非线性逼近能力,对后期出现退化速度加快现象的锂离子电池进行更准确地预测。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显。
图1是本发明的基于量子神经网络的锂离子电池容量非线性退化预测方法流程图;
图2是本发明的实施例中QREDNN模型的整体结构图;
图3是本发明的实施例中编码器中隐藏层t时刻第i个元素的输入示意图;
图4是本发明的实施例中解码器中隐藏层T时刻第i个元素的输入示意图;
图5是本发明的实施例中解码器各时刻输入与输出关系的示意图;
图6是本发明的实施例中T时刻输出向量中第i个元素的示意图;
图7是本发明的实施例中量子神经元的结构示意图;
图8a是本发明的实施例中1号异常电池QREDNN模型和BP模型预测结果示意图;
图8b是本发明的实施例中2号异常电池QREDNN模型和BP模型预测结果示意图;
图8c是本发明的实施例中3号异常电池QREDNN模型和BP模型预测结果示意图;
图8d是本发明的实施例中4号异常电池QREDNN模型和BP模型预测结果示意图;
图8e是本发明的实施例中5号异常电池QREDNN模型和BP模型预测结果示意图;
图9a是本发明的实施例中1号正常电池QREDNN模型和BP模型预测结果示意图;
图9b是本发明的实施例中2号正常电池QREDNN模型和BP模型预测结果示意图;
图9c是本发明的实施例中3号正常电池QREDNN模型和BP模型预测结果示意图;
图9d是本发明的实施例中4号正常电池QREDNN模型和BP模型预测结果示意图;
图9e是本发明的实施例中5号正常电池QREDNN模型和BP模型预测结果示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了本发明的基于量子神经网络的锂离子电池容量非线性退化预测方法,该方法包括以下步骤:
S1、构建量子循环编码-解码神经网络QREDNN(Quantum Recurrent Encoder–decoder Neural Network)模型:以量子神经元为基本单元,构建以编码器与解码器为基本结构的QREDNN模型。
如图2所示,QREDNN模型包括编码器Encoder、解码器Decoder和语义变量,编码器Encoder的输入为表示t时刻下编码器输入的数据序列;语义变量采用编码器Encoder与解码器Decoder的相关参数计算得出;解码器Decoder的输入为T时刻下的语义变量序列为其输出为其中m表示编码器隐藏层神经元个数,为T时刻的输出数据序列;编码器Encoder的隐藏层为解码器Decoder的隐藏层为其中τ表示编码器中输入的时间长度,μ表示解码器中输入的时间长度。
S11、在编码器Encoder中,由t时刻下编码器输入的数据序列与t-1时刻编码器隐藏层量子神经元的量子态输出状态全连接并通过量子神经元得到t时刻编码器隐藏层量子神经元的量子态输出状态中第i个元素的输入如图3所示。
S12、在解码器Decoder中,由T时刻下的语义变量序列为与T-1时刻解码器隐藏层量子神经元的量子态输出状态全连接并通过量子神经元得到T时刻解码器隐藏层量子神经元的量子态输出状态中第i个元素的输入如图4所示。
编码器Encoder的计算具体包括以下步骤:
S114、重复步骤S111到S113,得到t=1到t=τ的各个时刻编码器隐藏层量子神经元的量子态输出状态。
解码器Decoder的计算具体包括以下步骤:
S124、重复步骤S121到S123,得到T=1到T=μ的各个时刻解码器隐藏层量子神经元的量子态输出状态。
步骤S111中转化为编码器量子态数据和步骤S121中转化为解码器量子态数据均采用计算数据x的量子态公式:
其中,θ表示量子参数,且θ=2arcsinx。
语义变量的计算具体包括以下步骤:
S133、计算相关系数lt,T:
S134、重复步骤S142和S143,计算t=1到t=τ时刻下所有的相关系数lt,T。
QREDNN模型还包括输入输出关系,输入输出关系的计算具体包括以下步骤:
S141、获取输入到量子神经元g中的所有量子态数据|x1>,|x2>,...,|xs>。
S142、如图7所示,计算量子神经元g:
其中,R表示旋转矩阵;δi表示待训练的变量;F(·)表示计算坐标该变量之和的函数,且F(R(δi)|xk>)=sinθkcosφk+sinθksinφk+cosθk,θk、φk表示量子态数据|xk>中的参数;f(·)表示激活函数;s表示输入到量子神经元g的数据个数。
S143、计算量子神经元g的量子态输出:
其中,θ′表示量子神经元参数,且θ′=2arcsing,φ表示相位。
S2、定义损失函数和优化方法,优化方式采用梯度下降法。
优化方式具体包括以下步骤:
S21、对输入数据进行预测,并计算出损失函数E。
S22、对参数进行更新:
S23、重复进行步骤S21与S22,直到损失函数E降低到一定值,模型的训练便可结束。
损失函数E为:
S3、对数据进行预处理,并划分为训练集与测试集。
S4、将预处理后的数据输入QREDNN模型中对参数进行训练。
S41、对模型中需要进行训练的各种参数进行初值的设置。
S42、使用原数据集中其他数据进行预训练,确定学习率α、正则项系数l。
S44、根据预测输出y′和输出预测向量中对应批次的原时间序列真实值y,计算本次训练的损失函数E。
S45、进行反向传播,对模型中需要进行训练的各种参数进行更新。
S46、重复步骤S43到S45,直到损失值满足要求。
S5、采用QREDNN模型对锂离子电池的容量退化趋势进行预测。
S51、将用来对QREDNN模型进行训练的时间序列前一段的k个数据中最后d个数据[xk-d+1,xk-d+2,...,xk]输入QREDNN模型中进行预测,得到第一输出与进行训练的输入矩阵不同,进行预测时的输入仅有一个批次。
下面结合选定的一组锂离子电池容量退化数据过程对本发明做进一步的详细说明。
S1、构建量子循环编码-解码神经网络QREDNN模型:
本过程中,隐藏层层数为1,隐藏层中的神经元个数为50,隐藏层的激活函数选用tanh函数,输出层的激活函数选用relu函数,语义变量中待优化的参数设为ω。
S2、定义损失函数和优化方法:
本过程中学习率α设为0.1,正则项系数l设为0.01,损失E达到10-4即认为训练结束。
S3、对数据进行预处理,并划分为训练集与测试集:
本过程中选用的数据为每个循环的锂离子电池剩余容量值。由于只采用剩余容量值,t时刻的输入数据序列只有一维,即n=1,此刻输入为xt。每次进行预测时输出为一个值,即p=1,μ=1。
它们可被描述如下:
S4、将预处理后的数据输入QREDNN模型中对参数进行训练。
将ω中的元素初值设为(0,1)之间的随机数,其余待优化的参数初值均设为(0,2π)之间的随机数。将每一行数据输入QREDNN中进行训练后对模型的参数进行一次更新,进行训练的次数为k-d+1。
S5、采用QREDNN模型对锂离子电池的容量退化趋势进行预测。
预测过程中将每个电池容量退化数据的前500循环作为模型的输入,后300循环作为模型的输出真值。
为更好地评估预测精度,使用第800循环处的相对误差、绝对误差和501-800循环的平均相对误差、平均绝对误差(Mean Absolute Error-MAE)作为评价预测效果好坏的定量指标。
针对异常电池,计算了采用QREDNN模型与经典前馈神经网络BP模型分别对5个锂离子电池的预测误差,预测结果分别如图8a~图8e所示,其中QREDNN模型误差结果如表1所示,BP模型误差结果如表2所示。
表1
表2
从表中的定量结果来看,QREDNN模型在对锂离子电池容量非线性退化趋势的预测上相比BP模型具有很大的优势。对于1号电池来说,QREDNN模型的预测效果以绝对优势超过BP模型。
针对数据集中退化趋势比较正常的5条锂离子电池容量退化曲线,其趋势的非线性体现并不明显,随着循环数的提高,容量退化的速度也没有明显加快。QREDNN模型和BP模型预测结果分别如图9a~图9e所示,其中QREDNN模型误差结果如表3所示,BP模型误差结果如表4所示。QREDNN模型对它们的预测效果比对异常电池的预测效果差,但和BP模型相比较为接近,可认为对于正常电池的容量退化趋势预测二者的效果相近。
表3
表4
通过对比QREDNN模型与BP模型的预测结果,从定量指标和图像表示中都可以看出,对于非线性特征较强的、退化速度随循环数增加而加快的锂离子电池数据,QREDNN模型的预测效果明显优于BP模型。而对于退化较为规律的正常电池来说,QREDNN模型与BP模型的预测效果很接近。以生产厂商最关注的第800循环处相对误差这个指标为例,对于5个异常电池,QREDNN模型的预测误差相比经典前馈神经网络模型分别降低了17.33%、5.43%、2.81%、0.78%、3.48%,说明QREDNN模型对于锂离子电池容量非线性退化趋势的预测效果更优。而从QREDNN模型与BP模型对正常电池的预测误差来看,对于1号、3号电池,QREDNN模型的预测误差较小,对于2号、4号、5号电池,BP模型的预测误差较小,且二者的预测误差差别并不大,可认为对于非线性特征不明显的锂离子电池容量退化趋势,QREDNN模型的预测效果与BP模型接近并不逊色。
本发明设计的一种基于量子神经网络的锂离子电池容量非线性退化预测方法,对于异常电池,其容量衰减速度随循环数的增加而加快,容量退化趋势呈现明显的非线性,量子循环编码-解码神经网络模型对于锂离子电池的容量退化趋势具有较好的非线性拟合能力,预测效果优于经典模型,误差也更低;对于正常电池,其容量衰减速度随循环数增加基本不变,量子循环编码-解码神经网络模型对于正常的线性拟合也有一定的能力,预测效果与经典模型接近,对趋势的拟合程度与误差都相似;采用量子循环编码-解码神经网络模型在传统数据驱动方法的基础上,借助量子计算基本原理,利用量子旋转矩阵表征权重值以建立量子神经元模型,具有较强的非线性逼近能力,对后期出现退化速度加快现象的锂离子电池进行更准确地预测。
最后所应说明的是:以上实施例仅以说明而非限制本发明的技术方案,尽管参照上述实施例对本发明进行了详细说明,本领域的普通技术人员应当理解:依然可以对本发明进行修改或者等同替换,而不脱离本发明的精神和范围的任何修改或局部替换,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种基于量子神经网络的锂离子电池容量非线性退化预测方法,其特征在于,其包括以下步骤:
S1、构建量子循环编码-解码神经网络QREDNN模型:以量子神经元为基本单元,构建以编码器与解码器为基本结构的QREDNN模型,所述QREDNN模型包括编码器Encoder、解码器Decoder和语义变量,所述编码器Encoder的输入为 表示t时刻下编码器输入的数据序列;所述语义变量采用所述编码器Encoder与解码器Decoder的相关参数计算得出;所述解码器Decoder的输入为T时刻下的语义变量序列其输出为其中m表示编码器隐藏层神经元个数,为T时刻的输出数据序列;所述编码器Encoder的隐藏层为所述解码器Decoder的隐藏层为其中τ表示编码器中输入的时间长度,μ表示解码器中输入的时间长度;
S2、定义损失函数和优化方法,所述优化方式采用梯度下降法;
S3、对数据进行预处理,并划分为训练集与测试集;
S4、将预处理后的数据输入QREDNN模型中对参数进行训练;
S5、采用QREDNN模型对锂离子电池的容量退化趋势进行预测;
S51、将用来对QREDNN模型进行训练的时间序列前一段的k个数据中最后d个数据[xk-d+1,xk-d+2,...,xk]输入QREDNN模型中进行预测,得到第一输出与进行训练的输入矩阵不同,进行预测时的输入仅有一个批次;
S52、根据所述第一输出将前一次输入的数据集[xk-d+1,xk-d+2,...,xk]中xk-d+1去除,并将与数据集中其他数据构成一个新的输入数据向量将其输入QREDNN模型中进行预测,得到第二输出
2.根据权利要求1所述的基于量子神经网络的锂离子电池容量非线性退化预测方法,其特征在于,所述步骤S1具体包括以下步骤:
4.根据权利要求1所述的基于量子神经网络的锂离子电池容量非线性退化预测方法,其特征在于,所述步骤S4具体包括以下步骤:
S41、对模型中需要进行训练的各种参数进行初值的设置;
S42、使用原数据集中其他数据进行预训练,确定学习率α、正则项系数l;
S44、根据预测输出y′和输出预测向量中对应批次的原时间序列真实值y,计算本次训练的损失函数E;
S45、进行反向传播,对模型中需要进行训练的各种参数进行更新;
S46、重复步骤S43到S45,直到损失值满足要求;
5.根据权利要求1所述的基于量子神经网络的锂离子电池容量非线性退化预测方法,其特征在于,所述步骤S1中所述编码器Encoder的计算具体包括以下步骤:
S114、重复步骤S111到S113,得到t=1到t=τ的各个时刻编码器隐藏层量子神经元的量子态输出状态;
所述解码器Decoder的计算具体包括以下步骤:
S124、重复步骤S121到S123,得到T=1到T=μ的各个时刻解码器隐藏层量子神经元的量子态输出状态;
所述语义变量的计算具体包括以下步骤:
S133、计算相关系数lt,T:
S134、重复步骤S142和S143,计算t=1到t=τ时刻下所有的相关系数lt,T;
8.根据权利要求1所述的基于量子神经网络的锂离子电池容量非线性退化预测方法,其特征在于,所述步骤S1中所述QREDNN模型还包括输入输出关系,所述输入输出关系的计算具体包括以下步骤:
S141、获取输入到量子神经元g中的所有量子态数据|x1>,|x2>,...,|xs>;
S142、计算量子神经元g:
其中,R表示旋转矩阵;δi表示待训练的变量;F(·)表示计算坐标该变量之和的函数,且F(R(δi)|xk>)=sinθkcosφk+sinθksinφk+cosθk,θk、φk表示量子态数据|xk>中的参数;f(·)表示激活函数;s表示输入到量子神经元g的数据个数;
S143、计算量子神经元g的量子态输出:
其中,θ′表示量子神经元参数,且θ′=2arcsin g,φ表示相位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210036258.1A CN114384427A (zh) | 2022-01-11 | 2022-01-11 | 基于量子神经网络的锂离子电池容量非线性退化预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210036258.1A CN114384427A (zh) | 2022-01-11 | 2022-01-11 | 基于量子神经网络的锂离子电池容量非线性退化预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114384427A true CN114384427A (zh) | 2022-04-22 |
Family
ID=81201587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210036258.1A Pending CN114384427A (zh) | 2022-01-11 | 2022-01-11 | 基于量子神经网络的锂离子电池容量非线性退化预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114384427A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117563184A (zh) * | 2024-01-15 | 2024-02-20 | 东营昆宇电源科技有限公司 | 一种基于物联网的储能消防控制系统 |
-
2022
- 2022-01-11 CN CN202210036258.1A patent/CN114384427A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117563184A (zh) * | 2024-01-15 | 2024-02-20 | 东营昆宇电源科技有限公司 | 一种基于物联网的储能消防控制系统 |
CN117563184B (zh) * | 2024-01-15 | 2024-03-22 | 东营昆宇电源科技有限公司 | 一种基于物联网的储能消防控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112241608B (zh) | 一种基于lstm网络和迁移学习的锂电池寿命预测方法 | |
Li et al. | Lithium-ion battery capacity estimation—A pruned convolutional neural network approach assisted with transfer learning | |
CN109472110B (zh) | 一种基于lstm网络和arima模型的航空发动机剩余使用寿命预测方法 | |
CN110488202B (zh) | 基于深度神经网络的车辆电池荷电状态估计方法 | |
She et al. | Wear indicator construction of rolling bearings based on multi-channel deep convolutional neural network with exponentially decaying learning rate | |
WO2020176295A1 (en) | Artificial neural network compression via iterative hybrid reinforcement learning approach | |
CN112966432A (zh) | 一种锂离子电池剩余有效寿命预测方法及装置 | |
CN112488235A (zh) | 一种基于深度学习的电梯时序数据的异常诊断方法 | |
CN109766745B (zh) | 强化学习三态组合长短时记忆神经网络系统及训练和预测方法 | |
CN111813084A (zh) | 一种基于深度学习的机械装备故障诊断方法 | |
CN112734002B (zh) | 一种基于数据层和模型层联合迁移学习的寿命预测方法 | |
CN116362398A (zh) | 基于模态分解和重构及lstm-mlr混合模型的电力负荷预测方法 | |
CN111709577B (zh) | 基于长程相关性gan-lstm的rul预测方法 | |
CN114384427A (zh) | 基于量子神经网络的锂离子电池容量非线性退化预测方法 | |
CN111044926A (zh) | 质子交换膜燃料电池寿命预测方法 | |
CN116679211A (zh) | 一种锂电池健康状态的预测方法 | |
CN114154743A (zh) | 基于vetmrrn的空间滚动轴承剩余寿命预测方法 | |
CN114266201B (zh) | 一种基于深度学习的自注意力电梯困人预测方法 | |
CN116052254A (zh) | 基于扩展卡尔曼滤波神经网络的视觉连续情感识别方法 | |
CN115062528A (zh) | 一种针对工业过程时序数据的预测方法 | |
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 | |
CN108538301B (zh) | 一种基于神经网络音频技术的智能数码乐器 | |
CN114239397A (zh) | 基于动态特征提取与局部加权深度学习的软测量建模方法 | |
CN117312835A (zh) | 一种基于混合概率数据驱动模型的燃料电池性能预测方法 | |
CN117034762A (zh) | 一种基于多算法加权和的复合模型锂电池寿命预测方法 |
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 |