CN114757340A - 基于神经网络集成的锂电池健康状态预测方法及系统 - Google Patents

基于神经网络集成的锂电池健康状态预测方法及系统 Download PDF

Info

Publication number
CN114757340A
CN114757340A CN202210462396.6A CN202210462396A CN114757340A CN 114757340 A CN114757340 A CN 114757340A CN 202210462396 A CN202210462396 A CN 202210462396A CN 114757340 A CN114757340 A CN 114757340A
Authority
CN
China
Prior art keywords
lithium battery
network model
health state
coefficient
prediction
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
Application number
CN202210462396.6A
Other languages
English (en)
Inventor
许家璇
王云
吴迪
刘晓燕
李昊儒
弥济时
贾森
周芸
黄雨欣
陈雨涵
张恒山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Posts and Telecommunications
Original Assignee
Xian University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Posts and Telecommunications filed Critical Xian University of Posts and Telecommunications
Priority to CN202210462396.6A priority Critical patent/CN114757340A/zh
Publication of CN114757340A publication Critical patent/CN114757340A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/045—Combinations of networks
    • 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
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种基于神经网络集成的锂电池健康状态预测方法及系统，根据锂电池循环充放电过程采集的数据及预设的多组神经网络，构建多个锂电池健康状态预测模型；将多个模型的结果综合，迭代调整各网络模型的线性组合系数，得到综合后的锂电池健康状态预测模型；根据锂电池实际充电过程中的各项参数，运用锂电池健康状态综合预测模型，计算锂电池的健康状态；本发明相较于传统的只采用单一模型的预测方法能显著提高锂电池健康状态预测精度。

Description

基于神经网络集成的锂电池健康状态预测方法及系统
技术领域
本发明涉及锂离子电池健康状态评估领域，具体为基于神经网络集成的锂电池健康状态预测方法及系统。
背景技术
锂离子电池因其重量较轻、高能量密度、无记忆效应、自放电率低等优越性能，成为众多用电设备的核心供能部件。然而锂离子电池的充放电过程会形成固体电解质中间相，严重影响其电内部电化学反应，该不可逆过程会导致锂电池容量持续衰减。当锂电池不断进行充放电循环时，其化学成分会趋于老化，整个系统的安全性会受到电池性能退化的影响，如不能准确地对锂电池的健康状态(State of Health，SOH)进行评估，及时采取维护或更换等措施，可能会引发灾难性后果，造成严重经济损失甚至人员伤亡。故当锂电池退化到一定程度时应当退役，以确保锂电池供电系统的安全性和可靠性。评价锂电池性能退化的指标包括电池容量、输出功率、内阻等，预测这些指标的变化趋势能够估计锂电池的健康状态，及时对电池进行维护，这对系统运行的可靠性提供了有力支撑，对工业系统安全具有重要意义。
近些年，随着计算机算力的迅速提升，神经网络(Neural Network)技术得到迅猛的发展，在图像处理、自然语言处理等领域取得了非常瞩目的成就。因此，将神经网络技术应用到锂离子电池健康状态预测方面具有极大的现实意义和应用前景。但锂电池的退化过程具有高度不确定性，单一神经网络由于其结构特性限制，往往并不能捕捉到所有数据特征，难以做大较高的精度。
为了使锂离子电池在用电设备上能够安全、高效地运行，亟需一种多网络融合的锂离子电池健康状态预测方法来解决单一网络预测结果精度较低的问题。
发明内容
针对现有技术中存在的问题，本发明提供一种基于神经网络集成的锂电池健康状态预测方法及系统，解决了现有的单一网络预测结果精度较低的问题。
本发明是通过以下技术方案来实现：
一种基于神经网络集成的锂电池健康状态预测方法，包括以下步骤：
步骤1、根据多个神经网络构建多个锂电池健康状态预测网络模型；
步骤2、根据构建的各个网络模型的预测结果和初始系数，确定锂电池健康状态真实值在投影空间中的投影；
步骤3、确定投影与锂电池健康状态真实值的损失，根据损失对各个网络模型的初始系数进行调整，得到各个网络模型的调整系数；
步骤4、将调整系数作为初始系数，重复上述步骤3和步骤4，直至锂电池健康状态真实值在投影空间中的投影和给定标签的损失降到设置阈值时停止，得到各个网络模型的最终系数；
步骤5、根据每个网络模型的预测结果与最终系数确定加权后的预测结果，将各个网络模型加权后的预测结果相加，得到锂电池健康状态综合预测结果。
优选的，步骤1中所述多个锂电池健康状态预测网络模型包括卷积神经网络模型、残差网络模型、门控递归网络模型，以及卷积神经网络模型和残差网络模型分别与门控递归网络模型串联或并联形成的组合网络模型。
优选的，根据每个网络模型的预测结果与给定标签的损失，得到每个网络模型的初始系数。
优选的，步骤2中所述网络模型的初始系数的表达式如下：
Figure BDA0003622564570000021
其中，
Figure BDA0003622564570000022
表示第i个神经网络模型的初始系数；k为初始设定系数。
优选的，步骤2中所述锂电池健康状态真实值在投影空间中的投影的计算表达式如下：
Figure BDA0003622564570000031
Figure BDA0003622564570000032
其中，
Figure BDA0003622564570000033
表示第i个网络模型第k次调整时的系数，
Figure BDA0003622564570000034
为某锂电池组的实际退化状态，
Figure BDA0003622564570000035
为
Figure BDA0003622564570000036
在空间S中的投影。
优选的，步骤3中所述调整系数的表达式如下：
ωi (k+1)＝ωi (k)+ηZi
其中，ωi (k)表示第i个网络模型上次迭代过程中的系数，ωi (k+1)表示第i个网络模型调整后的系数，η表示学习率，Zi表示当前投影值与最优值的损失。
优选的，步骤5中将每个网络模型的预测结果与最终系数相乘得到加权后的预测结果；所述锂电池健康状态综合预测模型的表达式如下：
Figure BDA0003622564570000037
Figure BDA0003622564570000038
其中，
Figure BDA0003622564570000039
表示设定阈值；
Figure BDA00036225645700000310
表示第i组网络模型的最终系数；f表示锂电池健康状态综合预测模型。
优选的，还包括步骤6，将电池的一次充电过程中的电压、电流和温度输入锂电池健康状态综合预测模型，其输出锂电池健康状态综合预测结果。
一种基于神经网络集成的锂电池健康状态预测方法的系统，包括，
网络模型构建模块，用于构建多个锂电池健康状态预测网络模型；
投影模块，用于根据构建的各个网络模型的预测结果和初始系数，确定锂电池健康状态真实值在投影空间中的投影；
系数调整模块，用于确定投影与锂电池健康状态真实值的损失，根据损失对各个网络模型的初始系数进行调整，输出各个网络模型的调整系数；
系数优化模块，用于将调整系数作为初始系数进行迭代计算，直至锂电池健康状态真实值在投影空间中的投影和给定标签的损失降到设置阈值时停止，得到各个网络模型的最终系数；
预测模块，用于根据每个网络模型的预测结果与最终系数确定加权后的预测结果，将各个网络模型加权后的预测结果相加得到锂电池健康状态综合预测结果。
与现有技术相比，本发明具有以下有益的技术效果：
本发明提供的一种基于神经网络集成的锂电池健康状态预测方法，根据锂电池循环充放电过程采集的数据及预设的多组神经网络，构建多个锂电池健康状态预测网络模型；将多个网络模型的结果综合，迭代调整各网络模型的系数，得到综合后的锂电池健康状态预测模型；根据锂电池实际充电过程中的各项参数，运用锂电池健康状态综合预测模型，计算锂电池的健康状态；本发明相较于传统的只采用单一模型的预测方法能显著提高锂电池健康状态预测精度。
附图说明
图1为本发明基于神经网络集成的锂电池健康状态预测方法的流程图；
图2为本发明高维空间的结构示意图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。
参阅图1，一种基于神经网络集成的锂电池健康状态预测方法，包括以下步骤：
步骤1、根据锂电池循环充放电过程采集的数据及预设的多组神经网络，构建多个锂电池健康状态预测网络模型；
上述采集的数据为该型号锂电池在循环充放电过程中电压、电流、温度和荷电状态数据。
上述预设的多组神经网络包括用于提取局部特征的卷积神经网络模型(Convolutional Neural Network，CNN)、残差网络模型(Residual Networks，ResNet)，用于提取时序特征的门控递归网络模型(Gated Recurrent Unit，GRU)以及由上述三种网络模型经过串并联组合，共同提取局部特征与时序特征的组合网络模型。
组合网络模型包括卷积神经网络模型与门控递归网络模型串联的组合模型(CNN-GRU),卷积神经网络模型与门控递归网络模型并联的组合模型(CNN-GRU parallel),残差网络与门控递归网络串联的网络模型(ResNet-GRU),残差网络与门控递归网络并联的网络模型(ResNet-GRU parallel)。
下面将构建好的卷积神经网络模型、残差网络模型、门控递归模型和组合网络模型进行综合进行调整各个模型的系数，将每个网络模型的预测结果与对应系数相乘得到加权后的预测结果，将所有加权预测结果相加得到综合后的锂电池健康状态预测模型，具体方法如下：
步骤2、计算每个网络模型的预测结果与给定标签的损失，得到每个网络模型的初始系数。
初始化每个网络模型的初始调整系数，具体方法如下：
参阅图2，设空间H表示一个高维空间，可以表示锂电池的任意一种退化状态，其中
Figure BDA0003622564570000051
为某锂电池组的实际退化状态，空间S表示一个低维空间，各网络模型的预测结果为该空间的基底，
Figure BDA0003622564570000052
为
Figure BDA0003622564570000053
在空间S中的投影。
初始时先将锂电池健康状态真实值
Figure BDA0003622564570000054
在空间S中的投影设为原点，此时真实值与投影的损失为
Figure BDA0003622564570000055
定义d为该差值与基底的内积：
Figure BDA0003622564570000056
其中，
Figure BDA0003622564570000057
表示第i个神经网络的预测结果；di表示第i个网络的预测结果与真实值
Figure BDA0003622564570000058
的内积；N表示预设的神经网络模型数量。
各网络模型的初始系数可定义为：
Figure BDA0003622564570000061
其中，
Figure BDA0003622564570000062
表示第i个神经网络模型的初始系数；k为初始设定系数，取值为2。
步骤3、将每个网络模型的预测结果与对应的初始系数相乘，得到该网络模型加权后的预测结果，将所有加权后的预测结果相加得到锂电池健康状态真实值在投影空间中的投影，投影的计算表达式如下：
Figure BDA0003622564570000063
Figure BDA0003622564570000064
其中，
Figure BDA0003622564570000065
表示第i个网络模型第k次调整时的系数。
步骤4、计算投影与锂电池健康状态真实值的损失，根据损失对各个网络模型的调整系数进行调整，得到各个网络模型新的调整系数，具体方法如下：
若使空间S中的向量
Figure BDA0003622564570000066
与真实值
Figure BDA0003622564570000067
的误差最小，应满足如下条件：
Figure BDA0003622564570000068
但此时
Figure BDA0003622564570000069
并不是
Figure BDA00036225645700000610
在空间S中的投影，因此上式并不满足，令：
Figure BDA00036225645700000611
其中，Zi表示当前投影值与最优值的损失，通过下式计算调整系数，得到新的投影值：
ωi (k+1)＝ωi (k)+ηZi
其中，ωi (k)表示第i个网络模型上次迭代过程中的系数，ωi (k+1)表示第i个网络模型调整后的系数，η表示学习率，取值0.002。
步骤5、将新的调整系数作为初始系数，重复上述步骤3和步骤4，直至锂电池健康状态真实值在投影空间中的投影和给定标签的损失降到设置阈值时停止，得到各个网络模型的最终系数。
步骤6、将每个网络模型的预测结果与最终系数相乘得到加权后的输出结果，将所有加权后的输出结果相加得到锂电池健康状态综合预测模型，锂电池健康状态综合预测模型的表达式如下：
Figure BDA0003622564570000071
Figure BDA0003622564570000072
其中，SSE表示计算损失的一种方法；
Figure BDA0003622564570000073
表示设定阈值；
Figure BDA0003622564570000074
表示第i组网络模型最终系数；f表示锂电池健康状态综合预测模型。
步骤7、采集锂电池一次充电过程中的电压、电流、温度数据，将其输入各个网络模型，将每个网络模型的输出与对应的最终系数相乘得到加权后的输出结果，将所有加权后的输出结果相加得到锂电池健康状态综合预测结果。
该基于神经网络集成的锂电池健康状态预测方法，根据锂电池循环充放电过程采集的数据及预设的多组神经网络，构建多个锂电池健康状态预测模型；将多个模型的结果综合，迭代调整各网络模型的线性组合系数，得到综合后的锂电池健康状态预测模型；根据锂电池实际充电过程中的各项参数，运用锂电池健康状态综合预测模型，计算锂电池的健康状态；本发明相较于传统的只采用单一模型的预测方法能显著提高锂电池健康状态预测精度。
一种基于神经网络集成的锂电池健康状态预测方法的系统，包括，
网络模型构建模块，用于构建多个锂电池健康状态预测网络模型；
投影模块，用于根据构建的各个网络模型的预测结果和初始系数，确定锂电池健康状态真实值在投影空间中的投影；
系数调整模块，用于确定投影与锂电池健康状态真实值的损失，根据损失对各个网络模型的初始系数进行调整，输出各个网络模型的调整系数；
系数优化模块，用于将调整系数作为初始系数进行迭代计算，直至锂电池健康状态真实值在投影空间中的投影和给定标签的损失降到设置阈值时停止，得到各个网络模型的最终系数；
预测模块，用于根据每个网络模型的预测结果与最终系数确定加权后的预测结果，将各个网络模型加权后的预测结果相加得到锂电池健康状态综合预测模型。
本发明再一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于基于神经网络集成的锂电池健康状态预测方法的操作。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关基于神经网络集成的锂电池健康状态预测方法的相应步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (9)

1.一种基于神经网络集成的锂电池健康状态预测方法，其特征在于，包括以下步骤：
步骤1、根据多个神经网络构建多个锂电池健康状态预测网络模型；
步骤2、根据构建的各个网络模型的预测结果和初始系数，确定锂电池健康状态真实值在投影空间中的投影；
步骤3、确定投影与锂电池健康状态真实值的损失，根据损失对各个网络模型的初始系数进行调整，得到各个网络模型的调整系数；
步骤4、将调整系数作为初始系数，重复上述步骤3和步骤4，直至锂电池健康状态真实值在投影空间中的投影和给定标签的损失降到设置阈值时停止，得到各个网络模型的最终系数；
步骤5、根据每个网络模型的预测结果与最终系数确定加权后的预测结果，将各个网络模型加权后的预测结果相加，得到锂电池健康状态综合预测结果。
2.根据权利要求1所述的一种基于神经网络集成的锂电池健康状态预测方法，其特征在于，步骤1中所述多个锂电池健康状态预测网络模型包括卷积神经网络模型、残差网络模型、门控递归网络模型，以及卷积神经网络模型和残差网络模型分别与门控递归网络模型串联或并联形成的组合网络模型。
3.根据权利要求1所述的一种基于神经网络集成的锂电池健康状态预测方法，其特征在于，根据每个网络模型的预测结果与给定标签的损失，得到每个网络模型的初始系数。
4.根据权利要求1所述的一种基于神经网络集成的锂电池健康状态预测方法，其特征在于，步骤2中所述网络模型的初始系数的表达式如下：
Figure FDA0003622564560000011
其中，
Figure FDA0003622564560000012
表示第i个神经网络模型的初始系数；k为初始设定系数。
5.根据权利要求4所述的一种基于神经网络集成的锂电池健康状态预测方法，其特征在于，步骤2中所述锂电池健康状态真实值在投影空间中的投影的计算表达式如下：
Figure FDA0003622564560000021
Figure FDA0003622564560000022
其中，
Figure FDA0003622564560000023
表示第i个网络模型第k次调整时的系数，
Figure FDA0003622564560000024
为某锂电池组的实际退化状态，
Figure FDA0003622564560000025
为
Figure FDA0003622564560000026
在空间S中的投影。
6.根据权利要求1所述的一种基于神经网络集成的锂电池健康状态预测方法，其特征在于，步骤3中所述调整系数的表达式如下：
Figure FDA0003622564560000027
其中，ωi (k)表示第i个网络模型上次迭代过程中的系数，ωi (k+1)表示第i个网络模型调整后的系数，η表示学习率，Zi表示当前投影值与最优值的损失。
7.根据权利要求1所述的一种基于神经网络集成的锂电池健康状态预测方法，其特征在于，步骤5中将每个网络模型的预测结果与最终系数相乘得到加权后的预测结果；所述锂电池健康状态综合预测模型的表达式如下：
Figure FDA0003622564560000028
Figure FDA0003622564560000029
其中，
Figure FDA00036225645600000210
表示设定阈值；
Figure FDA00036225645600000211
表示第i组网络模型的最终系数；f表示锂电池健康状态综合预测模型。
8.根据权利要求1所述的一种基于神经网络集成的锂电池健康状态预测方法，其特征在于，还包括步骤6，将电池的一次充电过程中的电压、电流和温度输入锂电池健康状态综合预测模型，其输出锂电池健康状态综合预测结果。
9.一种权利要求1-8任一项所述的基于神经网络集成的锂电池健康状态预测方法的系统，其特征在于，包括，
网络模型构建模块，用于构建多个锂电池健康状态预测网络模型；
投影模块，用于根据构建的各个网络模型的预测结果和初始系数，确定锂电池健康状态真实值在投影空间中的投影；
系数调整模块，用于确定投影与锂电池健康状态真实值的损失，根据损失对各个网络模型的初始系数进行调整，输出各个网络模型的调整系数；
系数优化模块，用于将调整系数作为初始系数进行迭代计算，直至锂电池健康状态真实值在投影空间中的投影和给定标签的损失降到设置阈值时停止，得到各个网络模型的最终系数；
预测模块，用于根据每个网络模型的预测结果与最终系数确定加权后的预测结果，将各个网络模型加权后的预测结果相加得到锂电池健康状态综合预测结果。
CN202210462396.6A 2022-04-28 2022-04-28 基于神经网络集成的锂电池健康状态预测方法及系统 Pending CN114757340A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210462396.6A CN114757340A (zh) 2022-04-28 2022-04-28 基于神经网络集成的锂电池健康状态预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210462396.6A CN114757340A (zh) 2022-04-28 2022-04-28 基于神经网络集成的锂电池健康状态预测方法及系统

Publications (1)

Publication Number Publication Date
CN114757340A true CN114757340A (zh) 2022-07-15

Family

ID=82332480

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210462396.6A Pending CN114757340A (zh) 2022-04-28 2022-04-28 基于神经网络集成的锂电池健康状态预测方法及系统

Country Status (1)

Country Link
CN (1) CN114757340A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115291116A (zh) * 2022-10-10 2022-11-04 深圳先进技术研究院 储能电池健康状态预测方法、装置及智能终端
CN117393069A (zh) * 2023-11-06 2024-01-12 上海赫耳墨锶科技有限公司 基于神经网络确定目标金属的电解控制数据的方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115291116A (zh) * 2022-10-10 2022-11-04 深圳先进技术研究院 储能电池健康状态预测方法、装置及智能终端
CN117393069A (zh) * 2023-11-06 2024-01-12 上海赫耳墨锶科技有限公司 基于神经网络确定目标金属的电解控制数据的方法

Similar Documents

Publication Publication Date Title
CN107957562B (zh) 一种锂离子电池剩余寿命在线预测方法
Yang et al. Remaining useful life prediction of lithium-ion batteries based on a mixture of ensemble empirical mode decomposition and GWO-SVR model
Kim et al. Data-driven state of health estimation of li-ion batteries with RPT-reduced experimental data
CN107918103B (zh) 一种基于灰色粒子滤波的锂离子电池剩余寿命预测方法
CN114757340A (zh) 基于神经网络集成的锂电池健康状态预测方法及系统
CN113219343A (zh) 基于弹性网的锂电池健康状态预测方法、系统、设备及介质
JP7299274B2 (ja) 電池モデル構築方法及び電池劣化予測装置
Wang et al. A data-driven method with mode decomposition mechanism for remaining useful life prediction of lithium-ion batteries
CN108009585B (zh) 基于局部信息融合的铅酸电池健康状态预测方法
CN114881318A (zh) 基于生成对抗网络的锂电池健康状态预测方法及系统
Wei et al. State of health assessment for echelon utilization batteries based on deep neural network learning with error correction
Zhao et al. The li-ion battery state of charge prediction of electric vehicle using deep neural network
De Sousa et al. Comparison of different approaches for lead acid battery state of health estimation based on artificial neural networks algorithms
Xu et al. State-of-charge estimation and health prognosis for lithium-ion batteries based on temperature-compensated Bi-LSTM network and integrated attention mechanism
CN113791351A (zh) 基于迁移学习和差值概率分布的锂电池寿命预测方法
CN113361692A (zh) 一种锂电池剩余寿命结合预测方法
Tang et al. Parameter identification for lithium batteries: Model variable-coupling analysis and a novel cooperatively coevolving identification algorithm
CN117110884A (zh) 基于多核相关向量机的锂电池剩余使用寿命预测方法
Li et al. State-of-health and remaining-useful-life estimations of lithium-ion battery based on temporal convolutional network-long short-term memory
Adducul et al. Edge-based Battery Remaining Useful Life Estimation Using Deep Learning
Lin et al. Online estimation of diffusion-induced stress in cathode particles of li-ion batteries
Crocioni et al. Li-Ion Batteries Releasable Capacity Estimation with Neural Networks on Intelligent IoT Microcontrollers
Feng et al. A Lithium-ion Battery Remaining Useful Life Estimation Method Based on Nonlinear Autoregressive Fusion Model with Exogenous Variables
Takyi-Aninakwa A Novel Relevant Long Short-Term Memory-Squared Gain Extended Kalman Filter for the State of Charge Estimation of Lithium-Ion Batteries
Cai et al. DIICAN: Dual Time-scale State-Coupled Co-estimation of SOC, SOH and RUL for Lithium-Ion Batteries

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
CB03 Change of inventor or designer information

Inventor after: Zhang Hengshan

Inventor after: Huang Yuxin

Inventor after: Chen Yuhan

Inventor after: Xu Jiaxuan

Inventor after: Wang Yun

Inventor after: Wu Di

Inventor after: Liu Xiaoyan

Inventor after: Li Haoru

Inventor after: Mi Jishi

Inventor after: Jia Sen

Inventor after: Zhou Yun

Inventor before: Xu Jiaxuan

Inventor before: Chen Yuhan

Inventor before: Zhang Hengshan

Inventor before: Wang Yun

Inventor before: Wu Di

Inventor before: Liu Xiaoyan

Inventor before: Li Haoru

Inventor before: Mi Jishi

Inventor before: Jia Sen

Inventor before: Zhou Yun

Inventor before: Huang Yuxin

CB03 Change of inventor or designer information