CN115327390A - 一种基于改进多层残差神经网络的锂电池寿命预测方法 - Google Patents
一种基于改进多层残差神经网络的锂电池寿命预测方法 Download PDFInfo
- Publication number
- CN115327390A CN115327390A CN202211113026.8A CN202211113026A CN115327390A CN 115327390 A CN115327390 A CN 115327390A CN 202211113026 A CN202211113026 A CN 202211113026A CN 115327390 A CN115327390 A CN 115327390A
- Authority
- CN
- China
- Prior art keywords
- network
- error
- residual error
- residual
- neural network
- 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]
- G01R31/367—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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Abstract
本发明公开了一种基于改进多层残差神经网络的锂电池寿命预测方法,包括如下步骤:S1、采集处于工作状态的锂离子电池实时数据,并构建指标体系;S2、根据所建指标体系将数据进行预处理,并对多层残差神经网络进行初始化;S3、由残差网络正向传播求解预测值;S4、代入成本函数,计算网络误差,并对误差情况进行判别,若不满足要求,则进行步骤S5,若满足要求,则进行步骤S6;S5、确定误差梯度并对权值学习进行调整,然后转到步骤S3;S6、完成网络学习,得到锂离子电池寿命模型,转到步骤S7;S7、结束本次计算。本发明提出一种基于改进多层残差神经网络的锂电池寿命预测方法,能精确快速地预测锂电池的剩余寿命,有助于指导新能源普及背景下充电站及电动汽车的调度方案,从而有效提高含储能系统的电动汽车充电站运行的合理性及经济性。
Description
技术领域
本发明涉及锂离子蓄电池寿命预测和储能充电站可靠运行及电动汽车调度管理方法,提出一种基于改进多层残差神经网络的锂电池寿命预测方法。
背景技术
随着新能源电动汽车的普及,蓄电池寿命预测在近年来被广泛研究。目前,锂离子电池在储能系统中比例迅速增大,针对锂离子蓄电池寿命预测主要有两种研究方法。
一是数据驱动方法,即以数据驱动实验,通过从大量对电池监测的实验数据中提取表征电池性能的特征对锂电池寿命进行估算预测;或是采用传统神经网络模型,通过大数据学习的方式预测锂电池剩余电量。此种方法需要大量数据作为支撑,且容易在深度预测时出现梯度爆炸等问题,预测误差较大。
二是模型驱动方法,即通过粒子滤波法或故障机理模型对储能电池剩余容量进行预测。粒子滤波法主要基于贝叶斯框架,而故障机理模型则主要基于蓄电池内部电化学反应原理。而因储能电池内部反应受影响因素较多且非常复杂,故模型驱动法在实际生活中应用较少。
近年来,使用锂离子电池储能已经成为最广泛的储能方式之一,其在电动汽车、分布式储能与国防工业中都有着广泛的应用。随着储能电池应用领域的扩大,储能电池的性能和材质也在升级,锂离子蓄电池在储能领域扮演着重要的角色。而近年来兴起的电动汽车产业,对电动汽车充电站的建设具有较高的要求。仅靠电网单一供电无法满足充电峰值时刻所需负荷,因此利用蓄电池储能的特点,建立包含蓄电池及储能系统的电动汽车充电站是大势所趋。
锂离子电池寿命预测不够准确会带来如下弊端:
一、对于储能电站及电动汽车充电站而言,不能精确预测其蓄电池设备的剩余容量及寿命,可能会造成蓄电池在某工作时刻停运而无法及时维修替换,造成设备和经济损失。
二、对于电动汽车车载电池而言,不能精确预测其蓄电池设备剩余容量,将影响用户驾驶判断,若在行驶过程中蓄电池到达使用寿命年限,将会引起经济损失甚至人身安全危险。
三、对于大电网而言,储能系统接入后,若对锂电池健康状态及寿命预测不准确可能会引起更严重的后果,持续使用临近寿命极限的锂离子电池更易引起故障,产生不可逆影响如可能造成电网超负荷运行引起范围停电;或导致充电供应不能满足需求,致使大量用户失电等。
因此,为避免上文简述以及更多因锂电池寿命预测不准确而带来的负面影响,需要新的技术来提高锂离子电池寿命预测的精确度。
发明内容
发明目的:提出一种基于改进多层残差神经网络的锂电池寿命预测方法,以提供更快速且精确的锂离子蓄电池寿命预测。
技术方案:一种基于改进多层残差神经网络的锂电池寿命预测方法,包括如下步骤:
S1、采集处于工作状态的锂离子电池实时数据,并构建指标体系;
S2、根据所建指标体系将数据进行预处理,并对多层残差神经网络网络进行初始化;
S3、将样本数据分为训练集和测试集,在此步骤中输入训练集,并由残差网络正向传播求解预测值;
S4、代入成本函数即所有训练样本损失函数和的平均值,计算网络误差,并对误差情况进行判别,若不满足要求,则进行步骤S5,若满足要求,则进行步骤S6;
S5、确定误差梯度并对权值学习进行调整,然后转到步骤S3;
S6、完成网络学习,得到锂离子电池寿命模型,转到步骤S7;
S7、结束本次计算。
在进一步的实施例中,步骤S1中的构建指标体系过程具体如下:
根据影响锂离子蓄电池寿命的因素,选取4个指标作为预测蓄电池寿命的影响因子,即:工作温度、充电电压、投运时长、健康状态。利用锂离子蓄电池的剩余容量SOC来反应锂离子电池的寿命;
所述工作温度为蓄电池所处的环境温度,范围为12℃~30℃;所述充电电压为锂离子蓄电池满电状态时充电器提供的稳定电压,范围为2.17V~2.25V;所述投运时长为蓄电池的投运时长,范围为1年~12年;所述健康状态,即蓄电池使用一段时间后性能参数与标称参数的比值,范围为5%~100%;所述剩余容量为锂电池在一定的放电倍率下,剩余电量与相同条件下额定容量的比值,一般以百分数形式表示,以公式计算,范围为0~100之间。
在进一步的实施例中,步骤S2中的数据预处理及多层残差BP深度学习网络初始化具体包括:
步骤S2中的数据预处理及多层残差神经网络初始化具体包括:
S21.将分类数据首先进行预处理,当分类数据为A类和B类两种时,则将该指标转换为0-1型的两个指标。其中以01表示A类,以10表示B类,当分类数据为A类、B类、C类三种时,则以001表示A类,以010表示B类,以100表示C类,以此类推;
S22.将属于数值数据的环境温度划分成若干环境温度范围的分类数据,12℃~15℃为A类,15℃~18℃为B类,18℃~21℃为C类,21℃~24℃为D类,24℃~27℃为E类,27℃~30℃为F类。
S23.对多层残差神经网络进行初始化,通过遗传算法确定残差网络块数及各隐含层节点数,选取堆叠6个多层残差BP深度学习网络模块即残差模块Ⅰ-Ⅵ,每个残差网络模块中均堆叠2层神经元。其中,在Ⅰ、Ⅱ、Ⅴ、Ⅵ这4个残差网络模块中,每层神经元的个数均为128,在Ⅲ、Ⅳ这2个残差网络模块中,每层神经元的个数均为256。神经网络的激活函数采用ReLU函数;
S24.所述的多层残差神经网络模型的输入数据x为影响锂电池寿命的影响因子,特征属性维度为4,输出层的神经元个数为6,将蓄电池的寿命范围以蓄电池剩余容量衡量,分类如下:剩余容量0~50为A类,表示寿命小于1年,建议更换;50~60为B类,表示寿命为1年~2年;60~70为C类,表示寿命为2年~3年;70~80为D类,表示寿命为3年~4年;80~90为E类,表示寿命为4年~5年;90~100为E类,表示寿命为5年~6年;
S25.设置残差网络模块的维度:
在残差网络模块Ⅰ中,每层神经元个数为128,在残差网络模块Ⅰ中调整权重wts1的维度为4×128,从而使a[2]的特征维度与wtsx的特征维度一致;
在残差网络模块Ⅲ中,每层神经元个数为256,在设置模块Ⅲ中调整权重wts2的维度为128×256,从而使输入,输出维度一致;
在残差网络模块Ⅴ中,设置权重wts3的维度为256×128;
在残差网络模块Ⅵ中,设置权重wts4的维度为128×6;
S26.数据预处理与残差网络初始化完成。
在进一步的实施例中,步骤S4中输入样本测试集,计算网络误差并对网络误差进行判别的具体步骤如下:
S41:输入测试集,通过之前训练的网络得到实验输出量;
S42:将测试集的实际值与实验值比较,计算误差;
S43:为判别误差是否满足要求,定义测试集诊断准确率低于90%为不满足要求,测试集诊断准确率大于等于90%为满足要求;
S44:误差判别结束,若不满足要求转入步骤S5,满足要求转入步骤S6。
本发明针对锂离子蓄电池寿命预测误差较大以及预测时间较长的问题,提出了一种基于改进多层残差神经网络的锂电池寿命预测方法,降低预测时间的同时,提高了预测的精确性,对含储能系统的电网和充电站的长期稳定运行提供保障。本发明结合锂离子电池退化机理,将工作温度、充电电压、健康状态、投运时长4种影响因素作为预测锂离子蓄电池剩余寿命的影响因子,提高了神经网络的预测准确率;针对传统BP神经网络在网络模型达到一定深度时,网络模型性能趋向饱和且准确性降低的问题,提出了一种基于改进多层残差神经网络的锂电池寿命预测方法。使用多层残差神经网络取代简单BP神经网络。本发明创新性地通过改进神经网络池化层,提高神经网络对特征信息的提取能力。同时加入批量标准化(BN),提升神经网络提取速率。并在卷积层中加入残差连接结构,以降低因网络层数增多而导致的过拟合问题。该方法能在训练样本较小时保证网络仍具有较高的预测准确性。
附图说明
图1是本发明的总体流程图。
图2是本发明的指标体系构件流程图。
图3是本发明的数据预处理流程图。
图4是本发明的多层残差神经网络初始化流程图。
图5是本发明的改进残差神经的示意图。
图6是本发明的多层残差神经网络模型示意图。
具体实施方式
根据图1~图6所示对本发明的技术方案做进一步详细的描述。
参考图1,本发明方法的总体流程,具体步骤如下:
步骤1.通过搜集各储能电站及电动汽车锂离子蓄电池的数据,完成样本采集;
步骤2.通过构建指标体系完成数据的量化;
步骤3.根据步骤2所建的指标体系对数据进行预处理;
步骤4.对多层残差神经网络进行初始化;
步骤5.将采集的样本划分为样本训练集和样本测试集,在此步骤中输入样本训练集;
步骤6.求解多层残差神经网络;
步骤7.输入样本测试集以检查网络训练程度;
步骤8.根据样本测试集的实际值和实验值计算网络误差;
步骤9.定义测试集诊断准确率大于或等于90%为符合要求,小于90%为不满足要求,不满足要求转入步骤10;满足要求转入步骤11;
步骤10.确定网络误差梯度,重新设定权值,进行权值学习调整,并转入步骤5;
步骤11.网络学习完成转入步骤12;
步骤12.求解锂离子蓄电池寿命,转入步骤13;
步骤13.本次计算结束。
为了更清楚的说明本发明,下面对相关内容进行展开说明。
(一)指标体系构建方法
如图2所示,指标体系构建方法主要是对复杂多样的数据进行分类,并通过一定手段的处理,选取数据中的一些指标作为模型计算的基础。
步骤1.选取影响因子,即选取4个指标作为预测蓄电池寿命的影响因子,即:工作温度、充电电压、投运时长、健康状态,选取剩余容量作为表证锂电池剩余寿命的数值量。
步骤2.对环境温度进行指标构建,即蓄电池所处的环境温度,是数值数据,并以摄氏度计算,范围为12℃~30℃。
步骤3.对充电电压进行指标构建,即锂离子蓄电池满电状态时,充电器提供的稳定电压,是数值数据,充电电压以伏特计算,范围为2.17V~2.25V。
步骤4.对投运时长进行指标构建,即蓄电池的投运时长,是数值数据,并以年份计算,范围为1年~12年。
步骤5.对健康状态SOH进行指标构建,即蓄电池使用一段时间后性能参数与标称参数的比值,是数值数据,健康状态以百分比计算,范围为5%~100%。
步骤6.对剩余容量进行指标构建,即蓄电池的剩余容量,是数值数据,剩余容量以百分比计算,范围为0%~100%之间。
步骤7.完成指标体系构建。
(二)数据预处理方法
如图3所示,数据预处理方法主要是对计算前的数据进行粗略的校验,剔除明显的错误数据和坏数据,以保证后续计算的顺利进行。
步骤1.对环境温度进行预处理,本文模型需要计算的是在一定的环境温度范围下蓄电池的寿命情况,即将温度范围设定为12℃~30℃。因此将属于数值数据的环境温度划分成若干环境温度范围的分类数据。12℃~15℃为A类,15℃~18℃为B类,18℃~21℃为C类,21℃~24℃为D类,24℃~27℃为E类,27℃~30℃为F类。若所收集的数据中存在不属于设定范围的数据,则将其剔除,转入步骤2。
步骤2.对充电电压进行预处理,将浮充电压的范围设定为2.17V~2.25V。若所收集的数据中存在不属于设定范围的数据,则将其剔除,转入步骤3。
步骤3.对投运时长进行预处理,将投运时长的范围设定为1年~12年。若所收集的数据中存在不属于设定范围的数据,则将其剔除,转入步骤4。
步骤4.对健康状态SOH进行预处理,将健康状态的范围设定为5%~100%。若所收集的数据中存在不属于设定范围的数据,则将其剔除,转入步骤5。
步骤5.对剩余容量进行预处理,剩余容量属数值数据,但由于本文拟用剩余容量反映蓄电池寿命,故需将其按一定范围进行分类。分类如下:0%~50%为A类,表示寿命小于1年,建议更换;50%~60%为B类,表示寿命为1年~2年;60%~70%为C类,表示寿命为2年~3年;70%~80%为D类,表示寿命为3年~4年;80%~90%为E类,表示寿命为4年~5年;90%~100%为E类,表示寿命为5年~6年。
步骤6.数据预处理结束。
(三)多层残差BP神经网络模型初始化
如图4所示,对多层残差BP深度学习网络模型进行初始化,需确定其激活函数及超参数和模型的初值,其步骤如下:
步骤1.首先根据数据机理确定激活函数的种类。
步骤2.判断是否有训练该类型数据样本的历史数据,若没有则转入步骤3,若有则转入步骤5。
步骤3.根据“宽泛策略”大致确定一个网络的架构,即确定残差网络中隐含层的数目及每一层中包含的神经元个数。
步骤4.在代价函数中先不考虑正则项对学习率进行迭代求解,确定初始范围,再取阀值的一半并加入正则项对学习率进行调整。
步骤5.根据历史数据,套用已有蓄电池寿命预测模型进行计算。
步骤6.根据训练样本对超参数的取值做最终优化训练。
步骤7.得到结果,确定超参数取值。
步骤8.利用遗传算法确定网络模型初值,及参数w[1]、b[1]。
步骤9.网络初始化完成。
(四)残差神经网络模型改进
如图5所示,对传统残差神经网络进行改进。
传统残差神经网络通过单个卷积层和池化层构建数据池化层,本发明拟用3个3×3的卷积层相串联来代替传统卷积层。该改进的卷积层拥有1个7×7的卷积层的感受野,但相比7×7的卷积层需要更少的参数数量,有效减少参数迭代引起的误差。
改进的卷积层使用ReLU激活函数的同时,加入批量标准化(BN)以进一步提升神经网络数据提取速率。在卷积层之间加入残差连接结构以降低因网络层数增加而引起的过拟合问题。
(五)多层残差神经网络模块初始化
如图6所示,对多层残差BP深度学习网络模块进行初始设定,本文通过堆叠6个多层残差BP深度学习网络模块(Ⅰ-Ⅵ),每个残差网络模块中均堆叠2层神经元。
其中,在Ⅰ、Ⅱ、Ⅴ、Ⅵ这4个残差网络模块中,每层神经元的个数均为128,在Ⅲ、Ⅳ这2个残差网络模块中,每层神经元的个数均为256。神经网络的激活函数采用ReLU函数。
本文采用的多层残差BP深度学习网络模型的输入数据x为影响蓄电池寿命的影响因子,特征属性维度为4,输出层的神经元个数为6,将蓄电池的寿命范围分为6类,包括1年以内为A类,1年~3年为B类,3年~5年为C类,5年~7年为D类,7年~10年为E类,10年及以上为F类。
设置残差网络模块的权重具体如下:
1)残差网络模块Ⅰ中,每层神经元个数为128,则残差网络模块Ⅰ中第2层网络的输出a[2]的特征维度为128,该特征维度与模块Ⅰ中输入的影响因子的特征维度4不匹配,因此,在残差网络模块Ⅰ中调整权重wts1的维度为4×128,从而使a[2]的特征维度与wtsx的特征维度一致。
2)在残差网络模块Ⅲ中,每层神经元个数为256,则残差网络模块Ⅲ中第二层网络的输出a[6]的特征维度为256,该特征维度与模块Ⅲ中输入的a[4]的特征维度128不匹配,因此,设置模块Ⅲ中调整权重wts2的维度为128×256,从而使输入,输出维度一致。
3)在残差网络模块Ⅴ中,同理,设置权重wts3的维度为256×128。
4)在残差网络模块Ⅶ中,同理,设置权重wts4的维度为128×6。
总之,针对现有研究,本发明引入改进的多层残差神经网络对锂离子蓄电池寿命进行预测。通过残差神经网络一定程度上缓解了BP神经网络预测时稳定性不高,深度不够的问题。综合考虑锂电池退化机理而引入4种影响因子,使预测模型更加全面,预测结果更加精确,有说服力。通过对残差网络池化层进行改进,减少参数的设置,加快计算速率,同时加入批量标准化和残差连接结构,进一步降低过拟合问题,提高预测网络模型的精确性。
以上结合附图详细描述了本发明所提方法的实现方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种等同变换,这些等同变换均属于本发明的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。
此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明的思想,其同样应当视为本发明所公开的内容。
Claims (4)
1.一种基于改进多层残差神经网络的锂电池寿命预测方法,其特征在于,包括如下步骤:
S1、采集处于工作状态的锂离子电池实时数据,并构建指标体系;
S2、根据所建指标体系将数据进行预处理,并对多层残差神经网络网络进行初始化;
S3、将样本数据分为训练集和测试集,在此步骤中输入训练集,并由残差网络正向传播求解预测值;
S4、代入成本函数即所有训练样本损失函数和的平均值,计算网络误差,并对误差情况进行判别,若不满足要求,则进行步骤S5,若满足要求,则进行步骤S6;
S5、确定误差梯度并对权值学习进行调整,然后转到步骤S3;
S6、完成网络学习,得到锂离子电池寿命模型,转到步骤S7;
S7、结束本次计算。
2.如权利要求1所述的一种基于改进多层残差神经网络的锂电池寿命预测方法,其特征在于,步骤S1中的构建指标体系过程具体如下:
根据影响锂离子蓄电池寿命的因素,选取4个指标作为预测蓄电池寿命的影响因子,即:工作温度、充电电压、投运时长、健康状态。利用锂离子蓄电池的剩余容量SOC来反应锂离子电池的寿命;
3.如权利要求1所述的一种基于改进多层残差神经网络的锂电池寿命预测方法,其特征在于,步骤S2中的数据预处理及多层残差神经网络初始化具体包括:
S21.将分类数据首先进行预处理,当分类数据为A类和B类两种时,则将该指标转换为0-1型的两个指标。其中以01表示A类,以10表示B类,当分类数据为A类、B类、C类三种时,则以001表示A类,以010表示B类,以100表示C类,以此类推;
S22.将属于数值数据的环境温度划分成若干环境温度范围的分类数据,12℃~15℃为A类,15℃~18℃为B类,18℃~21℃为C类,21℃~24℃为D类,24℃~27℃为E类,27℃~30℃为F类。
S23.对多层残差神经网络进行初始化,通过遗传算法确定残差网络块数及各隐含层节点数,选取堆叠6个多层残差BP深度学习网络模块即残差模块Ⅰ-Ⅵ,每个残差网络模块中均堆叠2层神经元。其中,在Ⅰ、Ⅱ、Ⅴ、Ⅵ这4个残差网络模块中,每层神经元的个数均为128,在Ⅲ、Ⅳ这2个残差网络模块中,每层神经元的个数均为256。神经网络的激活函数采用ReLU函数;
S24.所述的多层残差神经网络模型的输入数据x为影响锂电池寿命的影响因子,特征属性维度为4,输出层的神经元个数为6,将蓄电池的寿命范围以蓄电池剩余容量衡量,分类如下:剩余容量0~50为A类,表示寿命小于1年,建议更换;50~60为B类,表示寿命为1年~2年;60~70为C类,表示寿命为2年~3年;70~80为D类,表示寿命为3年~4年;80~90为E类,表示寿命为4年~5年;90~100为E类,表示寿命为5年~6年;
S25.设置残差网络模块的维度:
在残差网络模块Ⅰ中,每层神经元个数为128,在残差网络模块Ⅰ中调整权重wts1的维度为4×128,从而使a[2]的特征维度与wtsx的特征维度一致;
在残差网络模块Ⅲ中,每层神经元个数为256,在设置模块Ⅲ中调整权重wts2的维度为128×256,从而使输入,输出维度一致;
在残差网络模块Ⅴ中,设置权重wts3的维度为256×128;
在残差网络模块Ⅵ中,设置权重wts4的维度为128×6;
S26.数据预处理与残差网络初始化完成。
4.如权利要求1所述的一种基于改进多层残差神经网络的锂电池寿命预测方法,其特征在于,步骤S4中代入成本函数,计算网络误差并对网络误差进行判别的具体步骤如下:
S41:输入测试集,通过之前训练的网络得到实验预测量。
S42:将测试集的实际值与预测值进行比较,计算误差;
S43:为判别误差是否满足要求,定义测试集诊断准确率低于90%为不满足要求,测试集诊断准确率大于等于90%为满足要求;
S44:误差判别结束,若不满足要求转入步骤S5,满足要求转入步骤S6。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211113026.8A CN115327390A (zh) | 2022-09-14 | 2022-09-14 | 一种基于改进多层残差神经网络的锂电池寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211113026.8A CN115327390A (zh) | 2022-09-14 | 2022-09-14 | 一种基于改进多层残差神经网络的锂电池寿命预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115327390A true CN115327390A (zh) | 2022-11-11 |
Family
ID=83930666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211113026.8A Pending CN115327390A (zh) | 2022-09-14 | 2022-09-14 | 一种基于改进多层残差神经网络的锂电池寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115327390A (zh) |
-
2022
- 2022-09-14 CN CN202211113026.8A patent/CN115327390A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Caliwag et al. | Hybrid VARMA and LSTM method for lithium-ion battery state-of-charge and output voltage forecasting in electric motorcycle applications | |
Tian et al. | Consistency evaluation and cluster analysis for lithium-ion battery pack in electric vehicles | |
CN111523226B (zh) | 一种基于优化多层残差bp深度网络的蓄电池寿命预测方法 | |
CN112034356B (zh) | 基于gp-ukf的电动汽车动力电池在线soh估算方法 | |
CN114372417A (zh) | 基于充电网的电动汽车电池健康状态和剩余寿命评估方法 | |
CN106093778A (zh) | 电池状态预测方法及系统 | |
CN110247451B (zh) | 一种锂离子动力电池组全寿命周期均衡控制方法 | |
CN109633456B (zh) | 一种基于分段电压识别法的动力锂电池组soc估算方法 | |
CN112881914B (zh) | 一种锂电池健康状态预测方法 | |
CN113504482B (zh) | 考虑机械应变的锂离子电池健康状态估计与寿命预测方法 | |
CN114035098A (zh) | 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法 | |
CN115481363A (zh) | 基于组合赋权-模糊综合评价的电池组不一致性评估方法 | |
CN113447817B (zh) | 一种基于两点寿命特征的锂电池在线寿命预测方法 | |
Xu et al. | Safety warning analysis for power battery packs in electric vehicles with running data | |
CN114545275A (zh) | 一种锂离子电池剩余使用寿命间接预测方法 | |
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 | |
CN111762059B (zh) | 一种考虑电池充放电工况的多变量融合电池组的均衡方法 | |
CN113361692A (zh) | 一种锂电池剩余寿命结合预测方法 | |
CN112287597A (zh) | 基于vpga-gpr算法的铅酸蓄电池soh估计方法 | |
CN115327390A (zh) | 一种基于改进多层残差神经网络的锂电池寿命预测方法 | |
CN116819329A (zh) | 考虑多维性能衰减的储能电池系统运行可靠性评估方法 | |
CN113255215B (zh) | 一种基于电压片段的锂电池健康状态估计方法 | |
CN114545279A (zh) | 一种基于神经网络常微分方程的锂电池健康状态估计方法 | |
Hemdani et al. | Prediction of aging of battery for electric vehicles based on a modified version of neural networks | |
Chen et al. | Lithium-ion Battery State-of-Health Estimation via Histogram Data, Principal Component Analysis, and Machine Learning |
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 |