CN115438588B - 一种锂电池的温度预测方法、系统、设备及存储介质 - Google Patents

一种锂电池的温度预测方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN115438588B
CN115438588B CN202211198217.9A CN202211198217A CN115438588B CN 115438588 B CN115438588 B CN 115438588B CN 202211198217 A CN202211198217 A CN 202211198217A CN 115438588 B CN115438588 B CN 115438588B
Authority
CN
China
Prior art keywords
neural network
fully
space
lithium battery
connected neural
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
Application number
CN202211198217.9A
Other languages
English (en)
Other versions
CN115438588A (zh
Inventor
王冰川
吉振东
王勇
邓海鹏
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.)
Central South University
Original Assignee
Central South University
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 Central South University filed Critical Central South University
Priority to CN202211198217.9A priority Critical patent/CN115438588B/zh
Publication of CN115438588A publication Critical patent/CN115438588A/zh
Application granted granted Critical
Publication of CN115438588B publication Critical patent/CN115438588B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/13—Differential equations
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Optimization (AREA)
  • Software Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Geometry (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种锂电池的温度预测方法、系统、设备及存储介质，本方法可以根据实际情况选取少量真实温度数据或者不需要使用真实温度数据以及不需要计算数据损失函数，主要利用热方程损失函数所携带的物理信息或者利用热方程损失函数所携带的物理信息结合少量真实温度数据对神经网络模型进行训练。相比数值计算方法和数据驱动方法，本方法不仅在预测准确度上能够达到更优的效果，而且能够使训练成本进一步下降，学习到的解是来自实际物理约束，且不需要进行方程离散化和网格化，可迁移性好，运行速度快，更容易进行目标温度方程的修改。

Description

一种锂电池的温度预测方法、系统、设备及存储介质
技术领域
本发明涉及锂电池的热预测技术领域，特别涉及一种锂电池的温度预测方法、系统、设备及存储介质。
背景技术
作为新能源汽车的能源储存装置，锂电池拥有单体额定电压高、能量密度大、自放电率低、循环使用寿命长，无污染等优点，使其成为当前电动汽车电池的最佳选择。然而锂电池对工作温度、电流和电压都有比较严格的要求，并且锂电池的工作温度会影响其性能、循环寿命、自放电率、容量、热失控以及电均衡等重要指标。因此需要获取准确的锂电池的热模型，预测锂电池温度，从而更有效地建立锂电池热管理系统，保证锂电池可以长期工作在一个合适的温度区间内，这对锂电池的可持续性和安全性具有重要意义。现有的锂电池热模型主要有热集中模型和分布参数系统模型，其中分布参数系统模型能够更准确的预测温度，并能反应温度在空间和时间上的变化情况。
而在锂电池热模型的求解方面，由于锂电池分布参数系统模型描述的锂电池热过程是一个时空耦合的非线性偏微分方程组，无法获得解析解。通常采用有限差分法或者有限元方法进行离散求解。随着精度的提升，产生的离散节点数量会非常多，需要使用非常庞大的计算资源进行求解。这也限制了使用相关方法进行实施预测和控制的可能性。使用传统神经网络等机器学习方法构建代理模型，其不能很好的利用锂电池第一性原理，仅依靠数据拟合，则无法有效融合物理信息，产生的部分解也并不满足物理约束，同时需要的数据量非常大，间接增加了计算资源的需求。
发明内容
本发明旨在至少解决现有技术中存在的技术问题。为此，本发明提出一种锂电池的温度预测方法、系统、设备及存储介质，能够实现对锂电池运行温度的准确、快速预测，而且能够在较少使用，甚至在不使用标签数据的情况下，依赖热方程物理信息，完成对神经网络的训练。
本发明的第一方面，提供了一种锂电池的温度预测方法，所述锂电池的温度预测方法包括：
步骤S101、构建全连接神经网络，并获取于锂电池的时空采样点上采集的时空坐标和电压电流；
步骤S102、根据所述时空采样点的所述时空坐标和电压电流训练所述全连接神经网络，得到所述全连接神经网络输出的所述时空采样点的预测温度；
步骤S103、根据所述时空采样点的预测温度、所述时空坐标和电压电流，并利用所述全连接神经网络反向自动求导，得到用于计算损失函数的所需数据；
步骤S104、根据所述所需数据计算热方程损失函数；
步骤S105、根据所述热方程损失函数计算损失值，并根据所述损失值和所述全连接神经网络的正向传播的传播梯度更新所述全连接神经网络的参数；或者，选取少量的所述时空采样点的真实温度，根据所述时空采样点的预测温度和所述少量的所述时空采样点的真实温度计算数据损失函数，并根据所述数据损失函数和所述热方程损失函数计算损失值，根据所述损失值和所述全连接神经网络的正向传播的传播梯度更新所述全连接神经网络的参数；
步骤S106、若所述全连接神经网络的迭代次数满足阈值或者所述全连接神经网络收敛，则形成所述全连接神经网络收敛后的锂电池热方程的代理模型；否则，跳转至步骤S102；
步骤S107、根据所述锂电池热方程的代理模型，预测所述锂电池的热反应时空过程中任意一点的温度。
根据本发明的实施例，至少具有如下技术效果：
本方法提出了基于PINN的热方程代理模型框架，一方面，可以根据情况不使用真实温度数据，仅利用热方程损失函数来计算神经网络模型的损失值，依靠方程损失函数所携带的物理信息驱动训练神经网络，使得神经网络学习物理信息，进行温度预测；另一方面，可以根据情况选择少量真实温度数据，利用所述数据损失函数和所述热方程损失函数计算损失值，依靠锂电池热方程的物理信息和数据驱动共同训练神经网络，使得神经网络不仅可以依赖数据，还可以从方程中学习物理信息，进行温度预测。训练神经网络收敛后能获得稳定高效的热方程代理模型，通过获得的热方程代理模型进行锂电池的温度预测，可以以更快的预测速度达到有限元等传统计算方法的精度，运行速度可以满足实时预测的要求，同时结构简单、使用方便、可迁移性高、不需要进行方程离散和网格化、所需计算资源少。
相比纯数据驱动的神经网络，本方法可以根据实际情况选取少量真实温度数据或者不需要使用真实温度数据以及不需要计算数据损失函数，主要利用热方程损失函数所携带的物理信息或者利用热方程损失函数所携带的物理信息结合少量真实温度数据进行训练，不仅在预测准确度上能够达到既定效果，而且能够使其训练成本进一步下降，且学习到的解是来自实际物理约束。
本发明的第二方面，提供了一种锂电池的温度预测系统，所述锂电池的温度预测系统包括：
参数获取单元，用于构建全连接神经网络，并获取于锂电池的时空采样点上采集的时空坐标和电压电流；
预测模型生成单元，用于执行如下步骤S102至步骤S106，其中，步骤S102至步骤S106包括：
步骤S102、根据所述时空采样点的所述时空坐标和电压电流训练所述全连接神经网络，得到所述全连接神经网络输出的所述时空采样点的预测温度；
步骤S103、根据所述时空采样点的预测温度、所述时空坐标和电压电流，并利用所述全连接神经网络反向自动求导，得到用于计算损失函数的所需数据；
步骤S104、根据所述所需数据计算热方程损失函数；
步骤S105、根据所述热方程损失函数计算损失值，并根据所述损失值和所述全连接神经网络的正向传播的传播梯度更新所述全连接神经网络的参数；或者，选取少量的所述时空采样点的真实温度，根据所述时空采样点的预测温度和所述少量的所述时空采样点的真实温度计算数据损失函数，并根据所述数据损失函数和所述热方程损失函数计算损失值，根据所述损失值和所述全连接神经网络的正向传播的传播梯度更新所述全连接神经网络的参数；
步骤S106、若所述全连接神经网络的迭代次数满足阈值或者所述全连接神经网络收敛，则形成所述全连接神经网络收敛后的锂电池热方程的代理模型；否则，跳转至步骤S102；
温度预测单元，用于根据所述锂电池热方程的代理模型，预测所述锂电池的热反应时空过程中任意一点的温度。
本发明的第三方面，提供了一种电子设备，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如上述的锂电池的温度预测方法。
本发明的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上述的锂电池的温度预测方法。
可以理解的是，上述第二方面至第四方面与相关技术相比存在的有益效果与上述第一方面与相关技术相比存在的有益效果相同，可以参见上述第一方面中的相关描述，在此不再赘述。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明一个实施例提供的一种锂电池的温度预测方法的流程示意图；
图2是本发明一个实施例提供的构建锂电池热方程的代理模型PINN的流程示意图；
图3是本发明一个实施例提供的全连接神经网络的结构示意图；
图4是本发明一个实施例提供的一种锂电池的温度预测系统的结构示意图；
图5是本发明一个实施例提供的电子设备的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
作为新能源汽车的能源储存装置，锂电池拥有单体额定电压高、能量密度大、自放电率低、循环使用寿命长，无污染等优点，使其成为当前电动汽车电池的最佳选择。然而锂电池对工作温度、电流和电压都有比较严格的要求，并且锂电池的工作温度会影响其性能、循环寿命、自放电率、容量、热失控以及电均衡等重要指标。因此需要获取准确的锂电池的热模型，预测锂电池温度，从而更有效地建立锂电池热管理系统，保证锂电池可以长期工作在一个合适的温度区间内，这对锂电池的可持续性和安全性具有重要意义。现有的锂电池热模型主要有热集中模型和分布参数系统模型，其中分布参数系统模型能够更准确的预测温度，并能反应温度在空间和时间上的变化情况。
而在锂电池热模型的求解方面，由于锂电池分布参数系统模型描述的锂电池热过程是一个时空耦合的非线性偏微分方程组，无法获得解析解。通常采用有限差分法或者有限元方法进行离散求解。随着精度的提升，产生的离散节点数量会非常多，需要使用非常庞大的计算资源进行求解。这也限制了使用相关方法进行实施预测和控制的可能性。使用传统神经网络等机器学习方法构建代理模型，其不能很好的利用锂电池第一性原理，仅依靠数据拟合，则无法有效融合物理信息，产生的部分解也并不满足物理约束，同时需要的数据量非常大，间接增加了计算资源的需求。
在介绍实施例之前，先对本申请的技术特征进行解释：
代理模型：大多数工程设计问题，需要模拟实验来评估采用不同设计参数时的目标函数和约束函数。对于许多实际问题，需要数千、甚至数百万次模拟的任务，直接对原模型求解将是不可能的。改善这种情况的一个办法就是使用近似模型，也被称为代理模型，减少计算负担。
偏微分方程PDE：包含未知函数的偏导数(或偏微分)的方程。
PINN（嵌入物理信息的神经网络或基于物理信息的神经网络）：指在神经网络中加入物理信息约束，从而让网络学习到数据本身代表的物理信息。PINN能够充分利用实验数据和物理公式信息的深度学习方法，通过建立神经网络，利用数据损失和方程损失进行梯度计算和参数的反向传播更新，建立PINN模型，能够将各种物理模型的求解速度和准确性较好地权衡。训练好的PINN模型是非离散的无网格模型，并且推理速度在毫秒级别。
双曲正切函数Tanh：常用的激活函数，可缓解梯度爆炸。
自动求导Autograd：是神经网络反向传播中运用的自动微分系统。在神经网络正向传播之后，通过追踪计算图，可以使用链式法则自动计算梯度，并得到输出对输入的导数。
拉丁超立方采样（LHS）：是一种分层随机抽样，能够从变量的分布区间进行高效采样。
实施例部分；
为了解决上述技术缺陷，参照图1和图2，本发明的一个实施例，提供了一种锂电池的温度预测方法，本方法包括如下步骤S101至S107：
步骤S101、构建全连接神经网络，并获取于锂电池的时空采样点上采集的时空坐标和电压电流。
首先，对于一个锂电池热方程
Figure 430685DEST_PATH_IMAGE001
的神经网络代理模型的优化问题，可以做如下描述：
Figure 474864DEST_PATH_IMAGE002
（1）
Figure 280009DEST_PATH_IMAGE003
（2）
Figure 67837DEST_PATH_IMAGE004
为神经网络的权重，
Figure 642037DEST_PATH_IMAGE005
为最优神经网络权重，
Figure 106386DEST_PATH_IMAGE006
为输入的空间坐标值，
Figure 133247DEST_PATH_IMAGE007
为输入的时间，热方程边界条件为方程
Figure 724766DEST_PATH_IMAGE008
，初始条件为方程
Figure 887894DEST_PATH_IMAGE009
，有锂电池变量定义域
Figure 273876DEST_PATH_IMAGE010
，
Figure 53613DEST_PATH_IMAGE011
为锂电池变量空间坐标域，且研究锂电池反应时间范围
Figure 183243DEST_PATH_IMAGE012
，
Figure 217189DEST_PATH_IMAGE013
为求导符号。
在本申请的一些实施例中，在步骤S101中的获取于锂电池的时空采样点上采集的时空坐标和电压电流之前，还包括步骤：
步骤S100、根据拉丁超立方采样选择锂电池的时空采样点；其中，时空采样点包括
Figure 39652DEST_PATH_IMAGE014
个边界损失点
Figure 41106DEST_PATH_IMAGE015
，
Figure 974427DEST_PATH_IMAGE016
个初始条件损失点
Figure 112147DEST_PATH_IMAGE017
，
Figure 105511DEST_PATH_IMAGE018
个偏微分方程损失点
Figure 594261DEST_PATH_IMAGE019
，
Figure 65694DEST_PATH_IMAGE020
个实际数据采样点。
PINN的一个偏微分方程的信息包括：1.偏微分方程本身；2.偏微分方程对应的初始条件等式；3.偏微分方程对应的边界条件等式。其作用域分别在：1.整个采样空间；2.初始时刻的采样空间；3.边界采样空间；分别对应“偏微分方程损失点”、“初始条件损失点”、“边界损失点”的采样点。这样可以利用三个方面的物理信息，而数据信息则对应实际数据采样点。
步骤S102、根据时空采样点的时空坐标和电压电流训练全连接神经网络，得到全连接神经网络输出的时空采样点的预测温度。
对于全连接神经网络（Fully Connected Neural Network , FCNN），全连接神经网络的输入是步骤S101于时空采样点采集的时空坐标和电压电流（即图3左侧的
Figure 572767DEST_PATH_IMAGE021
）。全连接神经网络的输出是预测温度（即图3中的
Figure 737032DEST_PATH_IMAGE022
）。
在本申请的一些实施例中，为了更好的适应PINN训练方式，采用tanh激活函数。同时，考虑到PINN难以训练收敛的特点，使用了较宽的隐藏层以获取相关性低的多样性特征，即在一最优实施例中，本全连接神经网络包括8个隐藏层，每层30个神经节点。
步骤S103、根据时空采样点的预测温度、时空坐标和电压电流，并利用全连接神经网络反向自动求导，得到用于计算损失函数的所需数据。
如图3，针对一维电池热方程，有四个输入（
Figure 447499DEST_PATH_IMAGE023
）。将预测得到的温度，利用神经网络的Autograd自动求导方法，获得热方程和方程条件所需的各个求导项和偏导项，结合输入项，可以获得计算损失函数所需的所有数据，该些数据用于步骤S104的计算热方程损失函数中。
步骤S104、根据所需数据计算热方程损失函数。
通过步骤S104计算热方程损失函数，使得后续能够主要利用热方程损失函数所携带的物理信息进行训练。
步骤S105、根据热方程损失函数计算损失值，并根据损失值和全连接神经网络的正向传播的传播梯度更新全连接神经网络的参数；或者，选取少量的时空采样点的真实温度，根据时空采样点的预测温度和少量的时空采样点的真实温度计算数据损失函数，并根据数据损失函数和热方程损失函数计算损失值，根据损失值和全连接神经网络的正向传播的传播梯度更新全连接神经网络的参数。
在一些实施例的步骤S105中，损失函数包括数据损失函数和热方程损失函数，这里将两种损失函数一同进行介绍（即介绍利用热方程损失函数所携带的物理信息结合少量真实温度数据进行训练的情况），其中：
（1）数据损失函数包括：
Figure 722623DEST_PATH_IMAGE024
（3）
其中，
Figure 100515DEST_PATH_IMAGE025
表示时空采样点的真实温度，
Figure 170102DEST_PATH_IMAGE026
表示全连接神经网络输出的时空采样点的预测温度，
Figure 633444DEST_PATH_IMAGE027
表示数据损失项。
（2）热方程损失函数
Figure 446679DEST_PATH_IMAGE028
包括：
Figure 161301DEST_PATH_IMAGE029
（4）
热方程损失函数
Figure 401790DEST_PATH_IMAGE028
由偏微分方程损失项
Figure 352428DEST_PATH_IMAGE030
、边界条件损失项
Figure 969354DEST_PATH_IMAGE031
和初始条件损失项
Figure 56259DEST_PATH_IMAGE032
三部分组成。
其中，偏微分方程损失项
Figure 733228DEST_PATH_IMAGE030
包括：
Figure 905583DEST_PATH_IMAGE033
（5）
将偏微分方程等式作为损失函数，计算其均方误差，作为损失值。
Figure 309889DEST_PATH_IMAGE034
为目标热方程，方程中
Figure 516879DEST_PATH_IMAGE035
对输入参数各项导数
Figure 99170DEST_PATH_IMAGE036
等使用神经网络的自动求导方法获得。使全连接神经网络能够学习到热方程的物理信息。
其中，边界条件损失项
Figure 758822DEST_PATH_IMAGE031
包括：
Figure 717550DEST_PATH_IMAGE037
（6）
使用偏微分方程的边界条件，作为损失函数，计算均方误差。
Figure 779047DEST_PATH_IMAGE038
为热方程的边界条件，
Figure 797819DEST_PATH_IMAGE039
为环境温度常数使得全连接神经网络学习到热方程的边界条件信息。
其中，初始条件损失项
Figure 944766DEST_PATH_IMAGE032
包括：
Figure 192339DEST_PATH_IMAGE040
（7）
其中，使用偏微分方程的初始条件，作为损失函数，计算均方误差。
Figure 108343DEST_PATH_IMAGE041
为热方程的初始条件，使得全连接神经网络学习到热方程的初始条件信息。
针对热方程损失函数，本步骤将锂电池热方程的偏微分方程、边界条件和初始条件嵌入全连接神经网络的损失函数中，使得全连接神经网络不仅可以依赖数据，还可以从方程中学习物理信息，进行温度预测。
在后续流程中，热方程损失函数和数据损失函数将共同作用于网络的损失函数，以实现热方程物理信息与数据信息融合。将“锂电池热方程”嵌入神经网络损失函数，结合数据驱动，实现构建基于物理信息神经网络的锂电池热方程的代理模型。
由于嵌入物理信息神经网络的损失项项数比较多，且各项之间绝对数据大小差异很大，所以使用自适应损失权重来平衡各项损失。
针对各项损失权重有：
Figure 298015DEST_PATH_IMAGE042
（8）
Figure 666680DEST_PATH_IMAGE043
为损失函数
Figure 232790DEST_PATH_IMAGE044
在训练时刻
Figure 737721DEST_PATH_IMAGE045
时，所对应的损失权重。这样能够对上述的各个损失值在相邻训练世代的变化情况进行归一化，并动态调整权重，使得模型训练加速，更容易收敛。
需要注意的是，本申请对少量的真实温度数据不作具体数量的限制，可以根据实际情况进行选择。
在一些实施例的步骤S105中，这里的损失函数包括热方程损失函数（即介绍不需要使用真实温度数据以及不需要计算数据损失函数，利用热方程损失函数所携带的物理信息的情况）。具体热方程损失函数已经在上述进行介绍，因此此处不再赘述。
步骤S106、若全连接神经网络的迭代次数满足阈值或者全连接神经网络收敛，则形成全连接神经网络收敛后的锂电池热方程的代理模型；否则，跳转至步骤S102。
利用计算出的损失值和神经网络正向传播的传播梯度，更新神经网络的参数，循环训练足够的代数直至神经网络达到收敛（即最终使得神经网络的预测误差小于给定的限值）。
步骤S107、根据锂电池热方程的代理模型，预测锂电池的热反应时空过程中任意一点的温度。
训练好的PINN锂电池热方程的代理模型可以在几至几十毫秒内对锂电池热反应时空过程中的任一点进行端到端的温度预测（在使用过程中只需要输入该时刻的输入参数，即可获得该时刻的温度输出，即从原始数据输入到预测结果输出只经过了网络模型，不需要其他操作），精度和传统方法相当。
本实施例提供的锂电池的温度预测方法具有如下有益效果：
（1）本方法将基于物理信息的全连接神经网络用于构建锂电池热方程的代理模型，一方面，通过将“锂电池热方程”嵌入神经网络损失函数，结合少量的数据驱动，充分利用“少量的锂电池数据”和“热方程物理信息”，在满足快速运算的同时，既保持解的高精度，也遵循解的现实物理约束，还能减少对训练数据的依赖；另外一方面，区别于传统数据驱动神经网络的代理模型，能够在不使用标签数据的情况下，主要依赖热方程物理信息，完成对全连接神经网络的训练。
（2）本方法可以用于各种锂电池热方程而不限于某一特定的锂电池热方程。相比传统有限元、有限差分算法，针对不同的锂电池热方程，并不需要重新设计变量和重新编写程序，仅仅需要修改损失函数和网络输入层结构；
（3）本方法相比传统有限元、有限差分算法求解热方程，不需要离散化；是无网格方法，不需要设定网格精度；没有截断误差。
为了进一步对本申请进行阐述，参照图2和图3，提供了一种锂电池的温度预测方法，本方法包括如下步骤S201至S206，其中：
锂电池热方程神经网络代理模型的优化问题描述式（1）和式（2）
步骤S202、构建全连接神经网络，全连接网络包括8个隐藏层，每层30个神经节点，全连接神经网络的输入为模型采样点的时空坐标和电压电流，全连接神经网络的输出为该采样点的预测温度。激活函数采用tanh激活函数以更好地适应PINN训练方式，采用的结构设计考虑到了PINN难以训练收敛的特点，使用了较宽的隐藏层以获取相关性低的多样性特征，全连接神经网络的输出为预测温度
Figure 98295DEST_PATH_IMAGE046
，全连接神经网络的输入则根据热方程的具体参数数目而定，包括温度预测点的空间坐标、时间、电流、电压。如图3，对于一维电池热方程则有四个输入（
Figure 469103DEST_PATH_IMAGE047
）。将预测得到的温度，利用神经网络的Autograd自动求导方法，获得热方程和方程条件所需的各个求导项和偏导项，结合输入项，可以获得计算损失函数所需的所有数据。
步骤S203、构建损失函数，损失函数包括数据损失函数和热方程损失函数，其中，热方程损失函数包括偏微分方程损失、边界条件损失、和初始条件损失；
1、数据损失函数如式（3），使全连接神经网络从数据中学习方程信息。
在实际操作中，由于融合了物理信息，可以只使用少量的标签数据加入训练，亦或不使用数据，使得
Figure 307746DEST_PATH_IMAGE048
为0，只使用热方程损失函数单独训练神经网络，从而大大减小数据获取成本。
2、热方程损失函数如式（4）至式（7）所示，偏微分方程损失
Figure 198341DEST_PATH_IMAGE049
使全连接神经网络能够学习到热方程的物理信息。边界条件损失
Figure 729817DEST_PATH_IMAGE050
使得全连接神经网络学习到热方程的边界条件信息。初始条件损失
Figure 73073DEST_PATH_IMAGE051
使得全连接神经网络学习到热方程的初始条件信息。
步骤S204、根据数据损失函数和热方程损失函数构建自适用损失权重。使用自适应损失权重来平衡各项损失，如式（8）这样能对上述的各个损失值在相邻训练迭代的变化情况进行归一化，并动态调整权重，使得模型训练加速，更容易收敛。
步骤S205、利用计算出的损失值和神经网络正向传播的传播梯度，更新神经网络的参数，循环训练足够的代数，最终使得神经网络的预测误差小于给定的限值。
步骤S206、利用训练好的神经网络对锂电池热反应时空过程中的任一点进行温度预测。
本实施例提供的锂电池的温度预测方法具有如下有益效果：
（1）本方法提出了基于PINN的热方程代理模型框架，将基于物理信息的神经网络用于构建锂电池热方程的代理模型，使用锂电池热方程的物理信息和少量的数据驱动共同训练神经网络，或者使用锂电池热方程的物理信息驱动训练神经网络，以获得稳定高效的热方程代理模型，进行锂电池温度预测；本方法将锂电池热方程的偏微分方程、边界条件和初始条件嵌入全连接神经网络损失函数中，使得神经网络可以从方程中学习物理信息，进行温度预测；
（2）本方法可以以更快的预测速度达到有限元等传统计算方法的精度，运行速度可以满足实时预测的要求，同时结构简单、使用方便、可迁移性高、不需要进行方程离散和网格化、所需计算资源少；
（3）相比纯数据驱动的神经网络，本方法可以只使用少量标签数据，甚至不使用标签数据进行训练，达到既定效果，使其训练成本进一步下降，并且学习到的解是来自实际物理约束的。
参照图4，本申请的一个实施例，提供了一种锂电池的温度预测系统，本系统包括参数获取单元1100、预测模型生成单元1200和温度预测单元1300，其中：
参数获取单元1100用于构建全连接神经网络，并获取于锂电池的时空采样点上采集的时空坐标和电压电流；
预测模型生成单元1200用于执行如下步骤S102至步骤S106，其中，步骤S102至步骤S106包括：
步骤S102、根据时空采样点的时空坐标和电压电流训练全连接神经网络，得到全连接神经网络输出的时空采样点的预测温度。
步骤S103、根据时空采样点的预测温度、时空坐标和电压电流，并利用全连接神经网络反向自动求导，得到用于计算损失函数的所需数据；
步骤S104、根据时空采样点的真实温度和预测温度计算数据损失函数；并根据所需数据计算热方程损失函数；
步骤S105、根据数据损失函数和热方程损失函数计算损失值，并根据损失值和全连接神经网络的正向传播的传播梯度更新全连接神经网络的参数；
步骤S106、若全连接神经网络的迭代次数满足阈值或者全连接神经网络收敛，则形成全连接神经网络收敛后的锂电池热方程的代理模型；否则，跳转至步骤S102。
温度预测单元1300用于根据锂电池热方程的代理模型，预测锂电池的热反应时空过程中任意一点的温度。
需要注意的是，本系统实施例与上述的方法实施例是基于相同的发明构思，因此上述方法实施例的相关内容同样适用于本系统实施例，因此此处不再赘述。
参照图5，本申请实施例还提供了一种电子设备，本电子设备包括：
至少一个存储器；
至少一个处理器；
至少一个程序；
程序被存储在存储器中，处理器执行至少一个程序以实现本公开实施上述的锂电池的温度预测方法。
该电子设备可以为包括手机、平板电脑、个人数字助理（Personal DigitalAssistant，PDA）、车载电脑等任意智能终端。
电子设备包括：
处理器1600，可以采用通用的中央处理器(Central Processing Unit，CPU)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本公开实施例所提供的技术方案；
存储器1700，可以采用只读存储器（Read Only Memory，ROM）、静态存储设备、动态存储设备或者随机存取存储器(Random Access Memory，RAM)等形式实现。存储器1700可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1700中，并由处理器1600来调用执行本公开实施例的锂电池的温度预测方法。
输入/输出接口1800，用于实现信息输入及输出；
通信接口1900，用于实现本设备与其他设备的通信交互，可以通过有线方式（例如USB、网线等）实现通信，也可以通过无线方式（例如移动网络、WIFI、蓝牙等）实现通信；
总线2000，在设备的各个组件（例如处理器1600、存储器1700、输入/输出接口1800和通信接口1900）之间传输信息；
其中处理器1600、存储器1700、输入/输出接口1800和通信接口1900通过总线2000实现彼此之间在设备内部的通信连接。
本公开实施例还提供了一种存储介质，该存储介质是计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令用于使计算机执行上述锂电池的温度预测方法。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本公开实施例描述的实施例是为了更加清楚的说明本公开实施例的技术方案，并不构成对于本公开实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本公开实施例提供的技术方案对于类似的技术问题，同样适用。
本领域技术人员可以理解的是，图中示出的技术方案并不构成对本公开实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台电子设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory， ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序的介质。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (10)

1.一种锂电池的温度预测方法，其特征在于，所述锂电池的温度预测方法包括：
步骤S101、构建全连接神经网络，并获取于锂电池的时空采样点上采集的时空坐标和电压电流；
步骤S102、根据所述时空采样点的所述时空坐标和电压电流训练所述全连接神经网络，得到所述全连接神经网络输出的所述时空采样点的预测温度；
步骤S103、根据所述时空采样点的预测温度、所述时空坐标和电压电流，并利用所述全连接神经网络反向自动求导，得到用于计算损失函数的所需数据；
步骤S104、根据所述所需数据计算热方程损失函数；
步骤S105、根据所述热方程损失函数计算损失值，并根据所述损失值和所述全连接神经网络的正向传播的传播梯度更新所述全连接神经网络的参数；或者，选取少量的所述时空采样点的真实温度，根据所述时空采样点的预测温度和所述少量的所述时空采样点的真实温度计算数据损失函数，并根据所述数据损失函数和所述热方程损失函数计算损失值，根据所述损失值和所述全连接神经网络的正向传播的传播梯度更新所述全连接神经网络的参数；
步骤S106、若所述全连接神经网络的迭代次数满足阈值或者所述全连接神经网络收敛，则形成所述全连接神经网络收敛后的锂电池热方程的代理模型；否则，跳转至步骤S102；
步骤S107、根据所述锂电池热方程的代理模型，预测所述锂电池的热反应时空过程中任意一点的温度。
2.根据权利要求1所述的锂电池的温度预测方法，其特征在于，在获取锂电池的时空采样点上采集的时空坐标和电压电流之前，所述锂电池的温度预测方法还包括：
根据拉丁超立方采样选择锂电池的时空采样点；其中，所述时空采样点包括NB个边界损失点
Figure FDA0004159015110000021
NC个初始条件损失点{(x,t)|x∈Ωf,t＝0}，Nf个偏微分方程损失点{(x,t)|x,t∈Ωf,t}，Nm个实际数据采样点；x表示空间坐标值，t表示时间，Ωf表示锂电池变量空间坐标域，所述锂电池的反应时间范围包括[0,tmax]，
Figure FDA0004159015110000022
表示求导符号。
3.根据权利要求2所述的锂电池的温度预测方法，其特征在于，所述热方程损失函数包括：
Figure FDA0004159015110000023
Figure FDA0004159015110000024
Figure FDA0004159015110000025
Figure FDA0004159015110000026
其中，
Figure FDA0004159015110000027
表示偏微分方程损失项，
Figure FDA0004159015110000028
表示边界条件损失项，
Figure FDA0004159015110000029
表示初始条件损失项，
Figure FDA00041590151100000210
表示热方程损失项，I表示电流，v表示电压，θ表示所述全连接神经网络的权重，
Figure FDA00041590151100000211
表示锂电池热方程，
Figure FDA00041590151100000212
表示热方程边界条件方程，T∞表示环境温度常数，
Figure FDA00041590151100000213
表示初始条件方程，
Figure FDA00041590151100000214
表示用于计算损失函数的所需数据，
Figure FDA00041590151100000215
表示全连接神经网络输出的时空采样点的预测温度。
4.根据权利要求3所述的锂电池的温度预测方法，其特征在于，所述数据损失函数包括：
Figure FDA0004159015110000031
其中，所述TData表示所述时空采样点的真实温度，所述
Figure FDA0004159015110000032
表示所述全连接神经网络输出的所述时空采样点的预测温度，
Figure FDA0004159015110000033
表示数据损失项。
5.根据权利要求4所述的锂电池的温度预测方法，其特征在于，所述根据所述数据损失函数和所述热方程损失函数，计算损失值，包括：
Figure FDA0004159015110000034
其中，
Figure FDA0004159015110000035
表示损失函数
Figure FDA0004159015110000036
在训练时刻t时，所对应的损失权重。
6.根据权利要求1至5任一项所述的锂电池的温度预测方法，其特征在于，所述全连接神经网络包括8个隐藏层，每层30个神经节点。
7.根据权利要求6所述的锂电池的温度预测方法，其特征在于，所述全连接神经网络的激活函数采用tanh激活函数。
8.一种锂电池的温度预测系统，其特征在于，所述锂电池的温度预测系统包括：
参数获取单元，用于构建全连接神经网络，并获取于锂电池的时空采样点上采集的时空坐标和电压电流；
预测模型生成单元，用于执行如下步骤S102至步骤S106，其中，步骤S102至步骤S106包括：
步骤S102、根据所述时空采样点的所述时空坐标和电压电流训练所述全连接神经网络，得到所述全连接神经网络输出的所述时空采样点的预测温度；
步骤S103、根据所述时空采样点的预测温度、所述时空坐标和电压电流，并利用所述全连接神经网络反向自动求导，得到用于计算损失函数的所需数据；
步骤S104、根据所述所需数据计算热方程损失函数；
步骤S105、根据所述热方程损失函数计算损失值，并根据所述损失值和所述全连接神经网络的正向传播的传播梯度更新所述全连接神经网络的参数；或者，选取少量的所述时空采样点的真实温度，根据所述时空采样点的预测温度和所述少量的所述时空采样点的真实温度计算数据损失函数，并根据所述数据损失函数和所述热方程损失函数计算损失值，根据所述损失值和所述全连接神经网络的正向传播的传播梯度更新所述全连接神经网络的参数；
步骤S106、若所述全连接神经网络的迭代次数满足阈值或者所述全连接神经网络收敛，则形成所述全连接神经网络收敛后的锂电池热方程的代理模型；否则，跳转至步骤S102；
温度预测单元，用于根据所述锂电池热方程的代理模型，预测所述锂电池的热反应时空过程中任意一点的温度。
9.一种电子设备，其特征在于：包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1至7任一项所述的锂电池的温度预测方法。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的锂电池的温度预测方法。
CN202211198217.9A 2022-09-29 2022-09-29 一种锂电池的温度预测方法、系统、设备及存储介质 Active CN115438588B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211198217.9A CN115438588B (zh) 2022-09-29 2022-09-29 一种锂电池的温度预测方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211198217.9A CN115438588B (zh) 2022-09-29 2022-09-29 一种锂电池的温度预测方法、系统、设备及存储介质

Publications (2)

Publication Number Publication Date
CN115438588A CN115438588A (zh) 2022-12-06
CN115438588B true CN115438588B (zh) 2023-05-09

Family

ID=84251642

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211198217.9A Active CN115438588B (zh) 2022-09-29 2022-09-29 一种锂电池的温度预测方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115438588B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116430245A (zh) * 2023-06-14 2023-07-14 威海谱跃光电科技有限公司 基于梯度优化多物理信息神经网络的电池热失控预测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111829688A (zh) * 2019-03-27 2020-10-27 中南大学 一种锂离子电池工作过程中的温度场分布预测方法
CN112906861A (zh) * 2021-02-05 2021-06-04 中国科学院半导体研究所 神经网络优化方法及装置
CN113687242A (zh) * 2021-09-29 2021-11-23 温州大学 基于ga算法优化改进gru神经网络的锂离子电池soh估计方法
CN113919222A (zh) * 2021-10-09 2022-01-11 北京理工大学 一种电池组的内部温度在线计算方法
CN114325404A (zh) * 2021-12-09 2022-04-12 重庆大学 一种基于热-神经网络耦合模型的电池温度估计方法
WO2022101769A1 (en) * 2020-11-13 2022-05-19 Kpit Technologies Limited A hybrid system and method for estimating state of charge of a battery
CN114966409A (zh) * 2022-05-09 2022-08-30 中国电波传播研究所（中国电子科技集团公司第二十二研究所） 一种基于多层感知机算法的动力锂电池荷电状态的估计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108446434B (zh) * 2018-02-07 2020-02-11 清华大学 动力电池热失控安全性的预测方法、装置及计算机可读存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111829688A (zh) * 2019-03-27 2020-10-27 中南大学 一种锂离子电池工作过程中的温度场分布预测方法
WO2022101769A1 (en) * 2020-11-13 2022-05-19 Kpit Technologies Limited A hybrid system and method for estimating state of charge of a battery
CN112906861A (zh) * 2021-02-05 2021-06-04 中国科学院半导体研究所 神经网络优化方法及装置
CN113687242A (zh) * 2021-09-29 2021-11-23 温州大学 基于ga算法优化改进gru神经网络的锂离子电池soh估计方法
CN113919222A (zh) * 2021-10-09 2022-01-11 北京理工大学 一种电池组的内部温度在线计算方法
CN114325404A (zh) * 2021-12-09 2022-04-12 重庆大学 一种基于热-神经网络耦合模型的电池温度估计方法
CN114966409A (zh) * 2022-05-09 2022-08-30 中国电波传播研究所（中国电子科技集团公司第二十二研究所） 一种基于多层感知机算法的动力锂电池荷电状态的估计方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Lei Ren .etc."A Data-Driven Auto-CNN-LSTM Prediction Model for Lithium-Ion Battery Remaining Useful Life ".《IEEE Transactions on Industrial Informatics》.2021,第17卷(第5期),第3478-3487页. *
Shuai Ma .etc."Temperature effect and thermal impact in lithium-ion batteries: A review（Progress in Natural Science: Materials International".《Progress in Natural Science: Materials International》.2018,第28卷(第6期),第653-666页. *
刘新天 等."基于简化可变参数热模型的锂电池内部温度估计".《华南理工大学学报（自然科学版）》.2019,第47卷(第4期),第44-52页. *
尹安东 等."基于神经网络的磷酸铁锂电池SOC预测研究".《电子测量与仪器学报》.2011,第25卷(第5期),第433-437页. *
李旭昊 等."耦合温度的锂离子电池机理建模及仿真试验".《储能科学与技术》.2020,第9卷(第6期),第1991-1999页. *

Also Published As

Publication number Publication date
CN115438588A (zh) 2022-12-06

Similar Documents

Publication Publication Date Title
CN104299034B (zh) 基于bp神经网络的三芯电缆导体暂态温度计算方法
CN110481536B (zh) 一种应用于混合动力汽车的控制方法及设备
CN113361680A (zh) 一种神经网络架构搜索方法、装置、设备及介质
CN109062041A (zh) 基于事件触发的t-s模糊网络系统的控制方法
CN113205233B (zh) 基于灰狼算法和多核支持向量回归的锂电池寿命预测方法
CN106227043A (zh) 自适应最优控制方法
Song et al. Online traffic flow prediction for edge computing-enhanced autonomous and connected vehicles
CN104217258A (zh) 一种电力负荷条件密度预测方法
CN115438588B (zh) 一种锂电池的温度预测方法、系统、设备及存储介质
Zhao et al. Adaptive swarm intelligent offloading based on digital twin-assisted prediction in VEC
Mishra et al. Leveraging augmented intelligence of things to enhance lifetime of UAV-enabled aerial networks
CN115080795A (zh) 一种多充电站协同负荷预测方法及装置
Lu et al. An adaptive neural architecture search design for collaborative edge-cloud computing
CN110851911B (zh) 终端状态计算模型训练方法、控制序列搜索方法及装置
Nie et al. A general real-time OPF algorithm using DDPG with multiple simulation platforms
CN117092510A (zh) 电池运行模拟方法、装置及系统
CN117131979A (zh) 基于有向超图及注意力机制的交通流速度预测方法及系统
CN116796624A (zh) 结合多源退化特征的自适应增量式电池rul预测方法
CN113868916B (zh) 基于lfvpso-bpnn的多回路沟槽敷设电缆温升预测方法
CN115718883A (zh) 电池储能系统热预警方法及装置
CN105260556B (zh) 发夹变异操作rna遗传算法的桥式吊车建模方法
Adducul et al. Edge-based Battery Remaining Useful Life Estimation Using Deep Learning
CN102055694A (zh) 基于粒子群的非线性系统辨识方法
Wei et al. Multiswarm particle swarm optimization with transfer of the best particle
CN105512754A (zh) 一种基于共轭先验的单模分布估计优化方法

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