CN114565151A - 基于eemd与lstm模型电动汽车电池寿命预测方法 - Google Patents
基于eemd与lstm模型电动汽车电池寿命预测方法 Download PDFInfo
- Publication number
- CN114565151A CN114565151A CN202210177302.0A CN202210177302A CN114565151A CN 114565151 A CN114565151 A CN 114565151A CN 202210177302 A CN202210177302 A CN 202210177302A CN 114565151 A CN114565151 A CN 114565151A
- Authority
- CN
- China
- Prior art keywords
- new energy
- characteristic data
- prediction
- eemd
- decomposition
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims abstract description 4
- 230000015654 memory Effects 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 24
- 230000007787 long-term memory Effects 0.000 claims description 11
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims 2
- 238000006731 degradation reaction Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 4
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 3
- 238000007792 addition Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 229910052744 lithium Inorganic materials 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 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
- 238000013499 data model Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012706 support-vector machine 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明提供一种基于EEMD与LSTM模型电动汽车电池寿命预测方法,本发明首先采集新能源汽车电池特征数据,将采集到的特征数据序列进行EEMD分解;再对分解后的多个分量进行分类处理,其中高频信号记作Za(t),低频信号记作Zb(t);放入LSTM模型训练,进行预测;经过LSTM模型预测得到的预测结果进行重构,以均方误差损失函数最小化为优化目标,采用优化器来更新调整模型参数,减少预测误差,并利用测试集进行测试,得到理想的预测模型。
Description
技术领域
本发明属于新能源汽车电池领域中的电池寿命预测技术领域,具体涉及一种基于EEMD与LSTM模型电动汽车电池寿命预测方法。
背景技术
近年来,随着汽车工业的飞速发展,新能源汽车愈加受到消费者的青睐。推动新能源汽车的发展,不仅有利于节能减排,还能推进技术进步,实现我国汽车工业的可持续发展。目前来说,新能源汽车主要以纯电动汽车为主,而电动汽车主要受电池寿命、成本和维护等因素的制约,不能得到大范围的推广。电池的寿命直接决定着车辆的成本和性能,是影响新能源汽车的发展最关键因素之一。锂离子电池剩余寿命研究可以归纳为两大类:基于模型预测和基于数据驱动预测。基于数据驱动的RUL预测研究方法较多,其中包括:人工神经网络、支持向量机、高斯过程回归、相关向量机,AR模型等。基于数据驱动的方法避免了对锂电池内部复杂机理的化学反应过程的研究,直接从电池数据中挖掘能够表征电池退化性能的特征。
发明内容
针对上述问题,本发明提出一种基于EEMD与LSTM模型电动汽车电池寿命预测方法,将集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)与长短期记忆(Long Short-Term Memory,LSTM)模型相结合,通过将新能源汽车电池特征数据进行高频与低频的分类,重新新能源汽车电池特征数据模型,通过LSTM深度学习进行预测,进而得到更为精确的预测结果。
为实现以上目的,本发明通过以下技术方案予以实现:
一种基于EEMD与LSTM模型电动汽车电池寿命预测方法,该方法包括如下步骤:
第一步:采集新能源汽车电池特征数据,将采集到的原始新能源汽车电池特征数据序列计做z(t);
第二步:将原始新能源汽车电池特征数据序列z(t)进行EEMD分解;
第三步:将EEMD分解后的多个分量进行分类处理,根据频率的大小分别高频信号和低频信号两种类别,高频信号对应新能源汽车电池特征数据使用密集的时间段,低频信号对应新能源汽车电池特征数据使用不密集的时间段,其中高频信号记作Za(t),低频信号记作Zb(t);
第四步:将选好的高频信号Za(t),低频信号Zb(t)放入LSTM模型训练,进行预测;
第五步:将第四步经过LSTM模型预测得到的预测结果进行重构,选取新能源汽车电池特征数据中的高频数据作为特征向量来训练长短时记忆网络,构建预测模型,然后选取新能源汽车电池特征数据中的高频数据,利用已训练的长短时记忆网络预测经纬度,重构数据,记作以均方误差损失函数最小化为优化目标,采用优化器来更新调整模型参数,减少预测误差,并利用测试集进行测试,得到理想的预测模型。
进一步地,第二步所述将原始新能源汽车电池特征数据序列z(t)进行EEMD分解具体包括如下流程:
2)混合信号序列进行EEMD分解,此时得到新能源汽车电池特征数据的各个本征模函数(Intrinsic Mode Function,IMF)分量li(t),其中i=1,2,...,m,t=1,2,...,n,n为样本容量,其取值由采集到的新能源汽车电池特征数据确定,m为最终分解次数,其取值由分解函数的的分解次数确定;
3)重复p次步骤1)、步骤2),直到满足阈值收敛条件,得到p组不同的IMF分量,记为li,k(t),其中k=1,2,...,p,p的取值由分解函数的的分解次数确定;值得注意的是每次重复步骤1,都需要加入一个白噪声,避免出现模态混叠的可能;
进一步地,第四步所述LSTM模型采用3个门式的结构来替代循环神经网络网络中的隐含层,LSTM模型在标准循环神经网络的基础上加入了输入门、输出门、遗忘门和记忆单元,记忆单元由Sigmoid函数和点乘运算组成,LSTM利用Sigmoid函数的取值范围设置了信息的通过比例,记忆单元的取值为0表示没有信息通过,记忆单元的取值为1表示全部信息均可通过,从而控制信息的记忆和遗忘;
LSTM模型通过记忆单元Ct来保持长期记忆,其更新流程如下:
ft=sigmoid(Wf[ht-1,xt]+ (5)
it=sigmoid(Wi[ht-1,xt]+bi (6)
Ct=sigmoid(WC[ht-1,xt]+b (7)
其中,ft和it分别表示遗忘门和输入门,表示收到输入门控制下的新的记忆;Ct为t时刻的记忆单元,Ct-1为t-1时刻的记忆单元根据公式可知,ft和it为Sigmoid的函数,取值范围为[0,1];为tanh的函数,取值范围为[-1,1],在记忆单元Ct的影响下,状态矩阵ht的更新方式变为ht-1=ot×tanh(Ct-1),并通过输出门ot=sigmoid(Wo[ht-1,xt]+bo)输出当前状态。
有益效果:
目前,针对锂电池剩余寿命的预测进行了大量研究。其中,通过研究锂电池的性能退化过程来获取能预测电池寿命的可靠数据是最重要的方法。其中包括通过刻画电池内部发生的物理化学反应,研究了电池单粒子退化过程且分析了其对状态变量的影响;利用该原理进行了RUL预测;构建了考虑放电电压和放电速率耦合的容量退化模型,并在模型中加入综合的退化影响因素(如温度),最终成功完成了RUL的估计。以上电池寿命预测方法均考虑了电池材料和环境等因素,而由于电池内部的退化过程非常复杂导致构建的模型具有很大的不确定性,因此使得建立的模型不具备很高的完备性,以至于预测出的电池寿命误差较大。但是这些算法在新能源汽车电池寿命预测过程中存在计算时间长、预测精度低、占用资源高等问题,因此本文提出一种基于深度学习的新能源汽车电池领域中的电池寿命预测方法,通过将新能源汽车电池领域中的电池特征数据进行高频与低频的分类,重新构建新能源汽车电池领域中的电池特征数据信号模型,通过LSTM深度学习进行预测,进而得到更为精确的预测结果。
附图说明
图1为本发明的LSTM算法流程图;
图2为本发明的方法流程图;
图3为本发明与其他预测方法对比。
具体实施方式
如图1所示,本实施例提供一种基于EEMD与LSTM模型电动汽车电池寿命预测方法,该方法包括如下步骤:
第一步:采集新能源汽车电池特征数据,将采集到的原始新能源汽车电池特征数据序列计做z(t);
第二步:将原始新能源汽车电池特征数据序列z(t)进行EEMD分解;
第三步:将EEMD分解后的多个分量进行分类处理,根据频率的大小分别高频信号和低频信号两种类别,高频信号对应新能源汽车电池特征数据使用密集的时间段,低频信号对应新能源汽车电池特征数据使用不密集的时间段,其中高频信号记作Za(t),低频信号记作Zb(t);
第四步:将选好的高频信号Za(t),低频信号Zb(t)放入LSTM模型训练,进行预测;
第五步:将第四步经过LSTM模型预测得到的预测结果进行重构,选取新能源汽车电池特征数据中的高频数据作为特征向量来训练长短时记忆网络,构建预测模型,然后选取新能源汽车电池特征数据中的高频数据,利用已训练的长短时记忆网络预测经纬度,重构数据,记作以均方误差损失函数最小化为优化目标,采用优化器来更新调整模型参数,减少预测误差,并利用测试集进行测试,得到理想的预测模型。
进一步地,第二步所述将原始新能源汽车电池特征数据序列z(t)进行EEMD分解具体包括如下流程:
2)混合信号序列进行EEMD分解,此时得到新能源汽车电池特征数据的各个本征模函数(Intrinsic Mode Function,IMF)分量li(t),其中i=1,2,...,m,t=1,2,...,n,n为样本容量,其取值由采集到的新能源汽车电池特征数据确定,m为最终分解次数,其取值由分解函数的的分解次数确定;
3)重复p次步骤1)、步骤2),直到满足阈值收敛条件,得到p组不同的IMF分量,记为li,k(t),其中k=1,2,...,p,p的取值由分解函数的的分解次数确定;值得注意的是每次重复步骤1,都需要加入一个白噪声,避免出现模态混叠的可能;
进一步地,第四步所述LSTM模型采用3个门式的结构来替代循环神经网络网络中的隐含层,LSTM模型在标准循环神经网络的基础上加入了输入门、输出门、遗忘门和记忆单元,记忆单元由Sigmoid函数和点乘运算组成,LSTM利用Sigmoid函数的取值范围设置了信息的通过比例,记忆单元的取值为0表示没有信息通过,记忆单元的取值为1表示全部信息均可通过,从而控制信息的记忆和遗忘;
LSTM模型通过记忆单元Ct来保持长期记忆,其更新流程如下:
ft=sigmoid(Wf[ht-1,xt]+ (5)
it=sigmoid(Wi[ht-1,xt]+bi (6)
Ct=sigmoid(WC[ht-1,xt]+b (7)
其中,ft和it分别表示遗忘门和输入门,表示收到输入门控制下的新的记忆;Ct为t时刻的记忆单元,Ct-1为t-1时刻的记忆单元根据公式可知,ft和it为Sigmoid的函数,取值范围为[0,1];为tanh的函数,取值范围为[-1,1],在记忆单元Ct的影响下,状态矩阵ht的更新方式变为ht-1=ot×tanh(Ct-1),并通过输出门ot=sigmoid(Wo[ht-1,xt]+bo)输出当前状态。
为了验证改进后的算法是否新能源汽车电池寿命预测中得到有效应用,选取30组新能源汽车电池的特征数据对寿命进行了预测,并且传统的预测方法进行对比,详情见图3,由图3可以看出,本专利提出的算法可以更好地对新能源汽车电池的寿命进行预测,相比其他算法,在准确率和精确度方面有很大提升。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (3)
1.一种基于EEMD与LSTM模型电动汽车电池寿命预测方法,其特征在于,该方法包括如下步骤:
第一步:采集新能源汽车电池特征数据,将采集到的原始新能源汽车电池特征数据序列计做z(t);
第二步:将原始新能源汽车电池特征数据序列z(t)进行EEMD分解;
第三步:将EEMD分解后的多个分量进行分类处理,根据频率的大小分别高频信号和低频信号两种类别,高频信号对应新能源汽车电池特征数据使用密集的时间段,低频信号对应新能源汽车电池特征数据使用不密集的时间段,其中高频信号记作Za(t),低频信号记作Zb(t);
第四步:将选好的高频信号Za(t),低频信号Zb(t)放入LSTM模型训练,进行预测;
2.根据权利要求1所述的一种基于EEMD与LSTM模型电动汽车电池寿命预测方法,其特征在于,第二步所述将原始新能源汽车电池特征数据序列z(t)进行EEMD分解具体包括如下流程:
2)混合信号序列进行EEMD分解,此时得到新能源汽车电池特征数据的各个本征模函数(Intrinsic Mode Function,IMF)分量li(t),其中i=1,2,...,m,t=1,2,...,n,n为样本容量,其取值由采集到的新能源汽车电池特征数据确定,m为最终分解次数,其取值由分解函数的的分解次数确定;
3)重复p次步骤1)、步骤2),直到满足阈值收敛条件,得到p组不同的IMF分量,记为li,k(t),其中k=1,2,...,p,p的取值由分解函数的的分解次数确定;值得注意的是每次重复步骤1,都需要加入一个白噪声,避免出现模态混叠的可能;
3.根据权利要求1所述的一种基于EEMD与LSTM模型电动汽车电池寿命预测方法,其特征在于,第四步所述LSTM模型采用3个门式的结构来替代循环神经网络网络中的隐含层,LSTM模型在标准循环神经网络的基础上加入了输入门、输出门、遗忘门和记忆单元,记忆单元由Sigmoid函数和点乘运算组成,LSTM利用Sigmoid函数的取值范围设置了信息的通过比例,记忆单元的取值为0表示没有信息通过,记忆单元的取值为1表示全部信息均可通过,从而控制信息的记忆和遗忘;
LSTM模型通过记忆单元Ct来保持长期记忆,其更新流程如下:
ft=sigmoid(Wf[ht-1,xt]+ (5)
it=sigmoid(Wi[ht-1,xt]+bi (6)
Ct=sigmoid(WC[ht-1,xt]+b (7)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210177302.0A CN114565151A (zh) | 2022-02-24 | 2022-02-24 | 基于eemd与lstm模型电动汽车电池寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210177302.0A CN114565151A (zh) | 2022-02-24 | 2022-02-24 | 基于eemd与lstm模型电动汽车电池寿命预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114565151A true CN114565151A (zh) | 2022-05-31 |
Family
ID=81716306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210177302.0A Pending CN114565151A (zh) | 2022-02-24 | 2022-02-24 | 基于eemd与lstm模型电动汽车电池寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114565151A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111210049A (zh) * | 2019-12-05 | 2020-05-29 | 云南电网有限责任公司玉溪供电局 | 基于lstm的变电站铅酸阀控蓄电池退化趋势预测方法 |
CN112016237A (zh) * | 2019-05-13 | 2020-12-01 | 北京航空航天大学 | 锂电池寿命预测的深度学习方法、装置及系统 |
CN112241608A (zh) * | 2020-10-13 | 2021-01-19 | 国网湖北省电力有限公司电力科学研究院 | 一种基于lstm网络和迁移学习的锂电池寿命预测方法 |
CN112966432A (zh) * | 2021-02-09 | 2021-06-15 | 东北电力大学 | 一种锂离子电池剩余有效寿命预测方法及装置 |
CN113065283A (zh) * | 2021-03-26 | 2021-07-02 | 深圳技术大学 | 一种电池寿命预测方法、系统、电子装置及存储介质 |
CN113406521A (zh) * | 2021-06-11 | 2021-09-17 | 上海电力大学 | 一种基于特征分析的锂电池健康状态在线估计方法 |
-
2022
- 2022-02-24 CN CN202210177302.0A patent/CN114565151A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112016237A (zh) * | 2019-05-13 | 2020-12-01 | 北京航空航天大学 | 锂电池寿命预测的深度学习方法、装置及系统 |
CN111210049A (zh) * | 2019-12-05 | 2020-05-29 | 云南电网有限责任公司玉溪供电局 | 基于lstm的变电站铅酸阀控蓄电池退化趋势预测方法 |
CN112241608A (zh) * | 2020-10-13 | 2021-01-19 | 国网湖北省电力有限公司电力科学研究院 | 一种基于lstm网络和迁移学习的锂电池寿命预测方法 |
CN112966432A (zh) * | 2021-02-09 | 2021-06-15 | 东北电力大学 | 一种锂离子电池剩余有效寿命预测方法及装置 |
CN113065283A (zh) * | 2021-03-26 | 2021-07-02 | 深圳技术大学 | 一种电池寿命预测方法、系统、电子装置及存储介质 |
CN113406521A (zh) * | 2021-06-11 | 2021-09-17 | 上海电力大学 | 一种基于特征分析的锂电池健康状态在线估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | A data-driven approach with uncertainty quantification for predicting future capacities and remaining useful life of lithium-ion battery | |
Zhao et al. | A recurrent neural network approach for remaining useful life prediction utilizing a novel trend features construction method | |
CN109214575B (zh) | 一种基于小波长短期记忆网络的超短期风电功率预测方法 | |
CN112487702B (zh) | 一种锂离子电池剩余使用寿命预测方法 | |
CN108900346B (zh) | 基于lstm网络的无线网络流量预测方法 | |
Toughzaoui et al. | State of health estimation and remaining useful life assessment of lithium-ion batteries: A comparative study | |
CN110187290B (zh) | 一种基于融合型算法的锂离子电池剩余寿命预测方法 | |
Ji et al. | An RUL prediction approach for lithium-ion battery based on SADE-MESN | |
Fan et al. | A novel machine learning method based approach for Li-ion battery prognostic and health management | |
CN112966432A (zh) | 一种锂离子电池剩余有效寿命预测方法及装置 | |
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 | |
CN110598902A (zh) | 一种基于支持向量机与knn相结合的水质预测方法 | |
CN112686372A (zh) | 基于深度残差gru神经网络的产品性能预测方法 | |
CN116542382A (zh) | 基于混合优化算法的污水处理溶解氧浓度预测方法 | |
CN113627661A (zh) | 一种电动汽车充电负荷预测的方法 | |
CN112634992A (zh) | 分子性质预测方法及其模型的训练方法及相关装置、设备 | |
CN115166534A (zh) | 一种锂离子电池剩余使用寿命预测方法和系统 | |
CN111141879A (zh) | 一种深度学习的空气质量监测方法以及装置、设备 | |
CN114578234A (zh) | 一种考虑因果性特征的锂离子电池退化与容量预测模型 | |
Izadi et al. | A novel WaveNet-GRU deep learning model for PEM fuel cells degradation prediction based on transfer learning | |
Zhang et al. | Remaining useful life prediction of lithium-ion batteries based on TCN-DCN fusion model combined with IRRS filtering | |
CN114565151A (zh) | 基于eemd与lstm模型电动汽车电池寿命预测方法 | |
CN113365298B (zh) | 基于高阶模糊认知图的mr网络信号强度预测方法及系统 | |
CN114580250A (zh) | 基于量子粒子群算法的gru网络的能耗预测方法、装置 | |
CN112800670B (zh) | 驾驶认知模型多目标结构优化方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220531 |