CN115481796A - 基于贝叶斯混合神经网络的电池剩余使用寿命预测方法 - Google Patents
基于贝叶斯混合神经网络的电池剩余使用寿命预测方法 Download PDFInfo
- Publication number
- CN115481796A CN115481796A CN202211110628.8A CN202211110628A CN115481796A CN 115481796 A CN115481796 A CN 115481796A CN 202211110628 A CN202211110628 A CN 202211110628A CN 115481796 A CN115481796 A CN 115481796A
- Authority
- CN
- China
- Prior art keywords
- bayes
- neural network
- bayesian
- charge
- data
- 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
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种基于贝叶斯混合神经网络的电池剩余使用寿命预测方法。首先收集锂电池充放电过程中的运行数据,本发明在特征提取方面采用格拉姆角场的方法进行特征提取,将电池历史剩余容量序列转换成时间序列图片来丰富信息和降低测量噪声;在模型构造方面,将贝叶斯估计与深度学习方法融合,构建贝叶斯混合神经网络,其主要包括用于贝叶斯长短期记忆网络、贝叶斯卷积神经网络和贝叶斯深度神经网络。本发明克服了传统电池剩余寿命预测算法处理不平衡和小样本数据能力差、泛化性较弱、长期预测精度低的劣势,提高了电池剩余寿命预测的精准度。
Description
技术领域
本发明涉及电池管理技术领域的一种电池剩余使用寿命预测方法,涉及一种基于改进特征提取与贝叶斯混合神经网络的电池剩余使用寿命预测方法。
背景技术
锂离子电池以其高能量密度、低自放电率、无记忆效应等优良特性被广泛应用于电动汽车、储能系统、航空航天等众多重要领域。然而,目前在电池管理领域仍然存在大量影响锂离子电池使用的挑战,其中最为关键的问题就是估计电池剩余使用寿命。电池的退化受到内部和外部因素的影响,其中外部因素包括充放电电流大小,运行温度,电压范围等等;而内部因素则包括固体电解质界面膜退化,电解质降解,隔膜破坏等等。因此,老化的电池应在达到使用寿命终点(EOL)之前更换,以确保功率器件的可靠运行。
目前,对于锂电池剩余使用寿命预测的方法可以分为两种,包括基于模型的方法和数据驱动的方法。其中基于模型的方法需要特殊的实验装置,大量的先验专业知识和复杂的算力,而基于数据驱动的方法则能够有效避免这些问题。数据驱动模型通过对数据的训练来接近目标值,其泛化性和实用性都优于基于模型的预测方法。但是传统基于数据驱动的锂电池剩余使用寿命的预测方法仍存在大量可以改进的空间。一方面,其忽略了在实际应用中所获得电池数据的不平衡性,缺失性等问题,锂电池的退化具体可以分为3个阶段,每一阶段占电池全生命周期比例不同,第一和第三阶段一共占25%左右,第二阶段占75%左右。同时锂电池常常是无规律间断使用,其退化过程并不像实验室中平滑,因此采集到的数据一般具有容量再生导致的噪声;另一方面,随着技术的发展,目前锂电池的寿命可达到几百至上千次,而一般基于数据驱动的方法在长期预测问题上会出现严重的偏差,剩余使用寿命的预测精度会大大降低。
发明内容
有鉴于此,为了解决背景技术中存在的问题,本发明的目的在于提出一种基于改进特征提取与贝叶斯混合神经网络的电池剩余寿命预测方法,优化了对于噪声数据的特征提取,建立了一种能够应对数据不平衡和缺失情况,具备长期预测能力的电池剩余使用寿命预测模型,提高了电池剩余使用寿命预测的精确性,鲁棒性和泛化性。
为了实现以上目的,本发明采用的技术方案如下:
步骤1:采集多个锂电池在各个充放电周期内的充放电数据,所述充放电数据由充电电流、放电电流、外部温度、电压范围、充放电次数和实际电池剩余容量组成;并基于锂电池在各个充放电周期内的充放电数据计算对应充放电周期的剩余寿命;
步骤2:对多个锂电池在各个充放电周期内的充放电数据以及剩余寿命进行预处理,由预处理后的充放电数据和对应的剩余寿命构成训练集;
步骤3:将训练集输入到贝叶斯混合神经网络模型进行模型训练,获得训练好的贝叶斯混合神经网络模型;
步骤4:将待预测的充放电数据预处理后输入到训练好的贝叶斯混合神经网络模型进行寿命预测,输出预测的剩余寿命。
所述步骤1中,锂电池的剩余寿命的计算公式如下:
Ns=NEoL-Nt
其中,Ns表示当前时刻锂电池的剩余寿命,NEoL为电池容量从初始容量退化到失效容量的充放电循环次数,Nt为当前时刻的充放电次数;失效容量为初始容量的80%。
所述步骤2具体为:
2.1)多个锂电池在各个充放电周期内的充放电数据中,如果每个充放电周期内的充放电数据不完整,则去除,获得多个筛选后的充放电周期内的充放电数据和对应的剩余寿命;
2.2)将多个筛选后的充放电周期内的充放电数据和对应的剩余寿命分别进行归一化,获得归一化的充放电数据和对应的剩余寿命;
2.3)由各个归一化的充放电数据中归一化的充电电流、放电电流、外部温度、电压范围和充放电次数构成各个时间序列数据F,各个归一化的充放电数据中归一化的实际电池剩余容量通过格拉姆角场变换构成各个时序图片S,由各个时间序列数据F和对应的时序图片S以及剩余寿命构成训练集。
所述步骤3中,贝叶斯混合神经网络模型由贝叶斯卷积神经网络、贝叶斯长短期记忆网络和贝叶斯深度神经网络组成;时序图片S作为贝叶斯卷积神经网络的输入,时间序列数据F作为贝叶斯长短期记忆网络的输入,贝叶斯卷积神经网络的输出与贝叶斯长短期记忆网络的输出进行线性化融合后作为贝叶斯深度神经网络的输入,贝叶斯深度神经网络的输出作为贝叶斯混合神经网络模型的输出。
所述贝叶斯卷积神经网络包括2层贝叶斯卷积层、2层池化层和1层贝叶斯全连接层;
贝叶斯卷积神经网络的输入作为第一贝叶斯卷积层的输入,第一贝叶斯卷积层依次经第一池化层、第二贝叶斯卷积层和第二池化层后与第一贝叶斯全连接层相连,第一贝叶斯全连接层的输出作为贝叶斯卷积神经网络的输出。
所述贝叶斯长短期记忆网络主要由贝叶斯长短期记忆层和第二贝叶斯全连接层相连组成;贝叶斯长短期记忆网络的输入作为贝叶斯长短期记忆层的输入,第二贝叶斯全连接层的输出作为贝叶斯长短期记忆网络的输出。
所述贝叶斯深度神经网络包括3层贝叶斯全连接层;贝叶斯深度神经网络的输入作为第三贝叶斯全连接层的输入,第三贝叶斯全连接层经第四贝叶斯全连接层后与第五贝叶斯全连接层相连,第五贝叶斯全连接层的输出作为贝叶斯深度神经网络的输出。
所述待预测的充放电数据预处理后获得对应的时序图片S和时间序列数据F。
本发明的有益效果为:
(1)本发明通过格拉姆角场变换将具有严重噪声的电池剩余容量数据构成时序图片,丰富了特征信息,克服了测量噪声带来的干扰。其中严重噪声是指锂电池无规律间断使用产生的容量再生现象。
(2)本发明通过构建了一种将贝叶斯估计与深度学习结合的贝叶斯混合神经网络,提升了对于不平衡数据集,缺失数据集的处理能力以及长期剩余使用寿命预测能力。其中不平衡数据集指的是锂电池的退化具体可以分为3个阶段,每一阶段占电池全生命周期比例不同,第一和第三阶段一共占25%左右,第二阶段占75%左右,模型训练样本不平衡;缺失数据集指的是无法获得电池全生命周期的退化数据,仅仅使用其中的一小部分;长期是指能够预测1000步以上的剩余使用寿命。
附图说明
图1为本发明的系统流程图。
图2为本发明的贝叶斯混合神经网络的结构图。
图3为本发明实验结果对比图。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明,但本发明的保护范围并不限于此。
如图1所示,本发明包括以下步骤:
步骤1:采集多个锂电池在各个充放电周期内的充放电数据;充放电数据由充电电流、放电电流、外部温度、电压范围、充放电次数和实际电池剩余容量组成;并基于锂电池在各个充放电周期内的充放电数据计算对应充放电周期的剩余寿命;
步骤1中,锂电池的剩余寿命的计算公式如下:
Ns=NEoL-Nt
其中,Ns表示当前时刻锂电池的剩余寿命,NEoL为电池容量从初始容量退化到失效容量的充放电循环次数,Nt为当前时刻的充放电次数;失效容量为初始容量的80%。
步骤2:对多个锂电池在各个充放电周期内的充放电数据以及剩余寿命进行预处理,由预处理后的充放电数据和对应的剩余寿命构成训练集;
步骤2具体为:
2.1)多个锂电池在各个充放电周期内的充放电数据中,如果每个充放电周期内的充放电数据不完整,即每个充放电周期内的充电电流、放电电流、外部温度、电压范围、充放电次数和实际电池剩余容量都存在,则去除,获得多个筛选后的充放电周期内的充放电数据和对应的剩余寿命;
2.2)将多个筛选后的充放电周期内的充放电数据和对应的剩余寿命分别进行归一化,具体地,将充放电数据中的充电电流、放电电流、外部温度、电压范围、充放电次数和实际电池剩余容量分别进行归一化处理,获得归一化的充放电数据和对应的剩余寿命;
其中,归一化公式为:
其中,x为原始数据,xmax、xmin分别为原始数据中的最大值和最小值,xnorm为归一化处理后的数据;
2.3)由各个归一化的充放电数据中归一化的充电电流Ic、放电电流Id、外部温度T、电压范围V和充放电次数Ind构成各个时间序列数据F,具体为特征维度为5×n,各个归一化的充放电数据中归一化的实际电池剩余容量C={c1,c2,…,cn}通过格拉姆角场变换构成各个时序图片S,具体为,
特征维度为n×n,其中n为滑动窗口长度;对应的剩余寿命记为N,维度1×1。由各个时间序列数据F和对应的时序图片S以及剩余寿命N构成训练集。
步骤3:将训练集输入到贝叶斯混合神经网络模型进行模型训练,获得训练好的贝叶斯混合神经网络模型;
步骤3中,如图2所示,贝叶斯混合神经网络模型由贝叶斯卷积神经网络、贝叶斯长短期记忆网络和贝叶斯深度神经网络组成;时序图片S作为贝叶斯卷积神经网络的输入,时间序列数据F作为贝叶斯长短期记忆网络的输入,贝叶斯卷积神经网络的输出与贝叶斯长短期记忆网络的输出进行线性化融合后形成一维数据并作为贝叶斯深度神经网络的输入,贝叶斯深度神经网络的输出作为贝叶斯混合神经网络模型的输出。
贝叶斯卷积神经网络包括2层贝叶斯卷积层、2层池化层和1层贝叶斯全连接层;贝叶斯卷积神经网络的输入作为第一贝叶斯卷积层的输入,第一贝叶斯卷积层依次经第一池化层、第二贝叶斯卷积层和第二池化层后与第一贝叶斯全连接层相连,第一贝叶斯全连接层的输出作为贝叶斯卷积神经网络的输出。
贝叶斯长短期记忆网络主要由贝叶斯长短期记忆层和第二贝叶斯全连接层相连组成;贝叶斯长短期记忆网络的输入作为贝叶斯长短期记忆层的输入,第二贝叶斯全连接层的输出作为贝叶斯长短期记忆网络的输出。
贝叶斯深度神经网络包括3层贝叶斯全连接层;贝叶斯深度神经网络的输入作为第三贝叶斯全连接层的输入,第三贝叶斯全连接层经第四贝叶斯全连接层后与第五贝叶斯全连接层相连,第五贝叶斯全连接层的输出作为贝叶斯深度神经网络的输出。
其中,贝叶斯长短期记忆网络层、贝叶斯卷积层和贝叶斯全连接层可以表示为:
p(y|x)=∫lstm(y|x,ωl,bl)p(ωl)p(bl)dωldbl
p(y|x)=∫cnn(y|x,ωc,bc)p(ωc)p(bc)dωcdbc
p(y|x)=∫fc(y|x,ωf,bf)p(ωf)p(bf)dωfdbf
其中,x和y表示对应网络层的输入和输出;lstm,cnn,fc分别代表长短期记忆网络层,卷积层和全连接层;ωl,ωc,ωf和dl,dc,df分别代表长短期记忆网络层,卷积层和全连接层的权重和偏置。因此贝叶斯混合神经网络模型可以表示为:
其中,x*和y*分别表示为实际观测数据的输入和输出;表示观测数据集;和分别代表贝叶斯混合神经网络的权重和偏置的集合;表示为贝叶斯混合神经网络模型的输出;表示负对数极大似然函数;和代表贝叶斯混合神经网络的权重和偏置的后验分布。
为了验证本发明在缺失数据集上的预测效果,将收集到的数据集划分比例为20%的训练集和80%的测试集;构造损失函数,损失函数为贝叶斯混合神经网络的权重的后验分布和其对应近似分布的KL散度以及偏置的后验分布和其对应近似分布的KL散度,和为不同的变分后验参数;近似分布设置为独立高斯分布;损失函数通过变分推断和重参数化方法进行误差的反向传播和贝叶斯深度神经网络的参数更新,采用Adam优化器优化损失梯度。
模型的评价指标为平均最大绝对误差MAE,其可以表达为:
步骤4:将待预测的充放电数据预处理后输入到训练好的贝叶斯混合神经网络模型进行寿命预测,输出预测的剩余寿命。
待预测的充放电数据预处理后获得对应的时序图片S和时间序列数据F。
实施例中,收集124块APR18650A锂电池数据集,NEoL从300到2400分布不均,将数据集按步骤1-4进行特征提取,模型建立和剩余寿命的预测,其中使用前20块为训练集,后104块为验证集,随机取500个样本进行剩余使用寿命的预测。使用传统的长短期记忆神经网络,卷积神经网络进行对比实验。最终获得的锂电池的剩余寿命预测值和实际的电池剩余寿命如图3的(a)、(b)、(c)和(d)所示,平均最大绝对误差如表1所示:
表1
MAE | |
格拉姆角场转换+贝叶斯混合神经网络 | 10.32 |
贝叶斯混合神经网络 | 18.21 |
长短期记忆网络 | 51.65 |
卷积神经网络 | 56.42 |
通过本发明提出的方法与其他两种传统的预测方法进行对比,可以看到贝叶斯混合神经网络能够大幅度提升预测精度;同时加入格拉姆角场转换优化特征提取之后,预测精度得到进一步的提升,其平均最大绝对误差远远小于传统的数据驱动方法得到的结果。同时,从图3展现出,在长期预测情况下,本发明提出的方案更加接近实际值。
Claims (8)
1.一种基于贝叶斯混合神经网络的电池剩余使用寿命预测方法,其特征在于,包括以下步骤:
步骤1:采集多个锂电池在各个充放电周期内的充放电数据,所述充放电数据由充电电流、放电电流、外部温度、电压范围、充放电次数和实际电池剩余容量组成;并基于锂电池在各个充放电周期内的充放电数据计算对应充放电周期的剩余寿命;
步骤2:对多个锂电池在各个充放电周期内的充放电数据以及剩余寿命进行预处理,由预处理后的充放电数据和对应的剩余寿命构成训练集;
步骤3:将训练集输入到贝叶斯混合神经网络模型进行模型训练,获得训练好的贝叶斯混合神经网络模型;
步骤4:将待预测的充放电数据预处理后输入到训练好的贝叶斯混合神经网络模型进行寿命预测,输出预测的剩余寿命。
2.根据权利要求1所述的一种基于贝叶斯混合神经网络的电池剩余使用寿命预测方法,其特征在于,所述步骤1中,锂电池的剩余寿命的计算公式如下:
Ns=NEoL-Nt
其中,Ns表示当前时刻锂电池的剩余寿命,NEoL为电池容量从初始容量退化到失效容量的充放电循环次数,Nt为当前时刻的充放电次数;失效容量为初始容量的80%。
3.根据权利要求1所述的一种基于贝叶斯混合神经网络的电池剩余使用寿命预测方法,其特征在于,所述步骤2具体为:
2.1)多个锂电池在各个充放电周期内的充放电数据中,如果每个充放电周期内的充放电数据不完整,则去除,获得多个筛选后的充放电周期内的充放电数据和对应的剩余寿命;
2.2)将多个筛选后的充放电周期内的充放电数据和对应的剩余寿命分别进行归一化,获得归一化的充放电数据和对应的剩余寿命;
2.3)由各个归一化的充放电数据中归一化的充电电流、放电电流、外部温度、电压范围和充放电次数构成各个时间序列数据F,各个归一化的充放电数据中归一化的实际电池剩余容量通过格拉姆角场变换构成各个时序图片S,由各个时间序列数据F和对应的时序图片S以及剩余寿命构成训练集。
4.根据权利要求1所述的一种基于贝叶斯混合神经网络的电池剩余使用寿命预测方法,其特征在于,所述步骤3中,贝叶斯混合神经网络模型由贝叶斯卷积神经网络、贝叶斯长短期记忆网络和贝叶斯深度神经网络组成;时序图片S作为贝叶斯卷积神经网络的输入,时间序列数据F作为贝叶斯长短期记忆网络的输入,贝叶斯卷积神经网络的输出与贝叶斯长短期记忆网络的输出进行线性化融合后作为贝叶斯深度神经网络的输入,贝叶斯深度神经网络的输出作为贝叶斯混合神经网络模型的输出。
5.根据权利要求4所述的一种基于贝叶斯混合神经网络的电池剩余使用寿命预测方法,其特征在于,所述贝叶斯卷积神经网络包括2层贝叶斯卷积层、2层池化层和1层贝叶斯全连接层;
贝叶斯卷积神经网络的输入作为第一贝叶斯卷积层的输入,第一贝叶斯卷积层依次经第一池化层、第二贝叶斯卷积层和第二池化层后与第一贝叶斯全连接层相连,第一贝叶斯全连接层的输出作为贝叶斯卷积神经网络的输出。
6.根据权利要求4所述的一种基于贝叶斯混合神经网络的电池剩余使用寿命预测方法,其特征在于,所述贝叶斯长短期记忆网络主要由贝叶斯长短期记忆层和第二贝叶斯全连接层相连组成;贝叶斯长短期记忆网络的输入作为贝叶斯长短期记忆层的输入,第二贝叶斯全连接层的输出作为贝叶斯长短期记忆网络的输出。
7.根据权利要求4所述的一种基于贝叶斯混合神经网络的电池剩余使用寿命预测方法,其特征在于,所述贝叶斯深度神经网络包括3层贝叶斯全连接层;贝叶斯深度神经网络的输入作为第三贝叶斯全连接层的输入,第三贝叶斯全连接层经第四贝叶斯全连接层后与第五贝叶斯全连接层相连,第五贝叶斯全连接层的输出作为贝叶斯深度神经网络的输出。
8.根据权利要求1所述的一种基于贝叶斯混合神经网络的电池剩余使用寿命预测方法,其特征在于,所述待预测的充放电数据预处理后获得对应的时序图片S和时间序列数据F。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211110628.8A CN115481796A (zh) | 2022-09-13 | 2022-09-13 | 基于贝叶斯混合神经网络的电池剩余使用寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211110628.8A CN115481796A (zh) | 2022-09-13 | 2022-09-13 | 基于贝叶斯混合神经网络的电池剩余使用寿命预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115481796A true CN115481796A (zh) | 2022-12-16 |
Family
ID=84392894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211110628.8A Pending CN115481796A (zh) | 2022-09-13 | 2022-09-13 | 基于贝叶斯混合神经网络的电池剩余使用寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115481796A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116227366A (zh) * | 2023-05-08 | 2023-06-06 | 浙江大学 | 两阶段电机绝缘寿命预测方法 |
-
2022
- 2022-09-13 CN CN202211110628.8A patent/CN115481796A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116227366A (zh) * | 2023-05-08 | 2023-06-06 | 浙江大学 | 两阶段电机绝缘寿命预测方法 |
CN116227366B (zh) * | 2023-05-08 | 2023-08-11 | 浙江大学 | 两阶段电机绝缘寿命预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993270A (zh) | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 | |
CN111832220A (zh) | 一种基于编解码器模型的锂离子电池健康状态估算方法 | |
CN113253116A (zh) | 锂离子电池荷电状态估计方法、存储介质 | |
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 | |
CN113406521B (zh) | 一种基于特征分析的锂电池健康状态在线估计方法 | |
CN112269134A (zh) | 一种基于深度学习的电池soc和soh联合估计方法 | |
CN116068399A (zh) | 基于特征选择和时序注意力的锂电池健康状态估计方法 | |
CN114280490B (zh) | 一种锂离子电池荷电状态估计方法及系统 | |
CN113917334A (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
CN112686380A (zh) | 基于神经网络的梯次动力电芯一致性评估方法和系统 | |
CN113504482A (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 | |
CN112287605B (zh) | 一种基于图卷积网络加速的潮流校核方法 | |
CN115656824A (zh) | 基于cnn-lstm模型的锂电池核电状态预测方法 | |
CN115481796A (zh) | 基于贝叶斯混合神经网络的电池剩余使用寿命预测方法 | |
CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
CN115308608A (zh) | 一种全钒液流电池电压预测方法、装置及介质 | |
CN115980584A (zh) | 基于多特征融合lstm网络的锂电池rul估计方法 | |
CN117407665A (zh) | 一种基于生成对抗网络的退役电池时序数据缺失值填充方法 | |
CN116774089A (zh) | 基于特征融合的卷积神经网络电池健康状态估计方法及系统 | |
CN116736171A (zh) | 一种基于数据驱动的锂离子电池健康状态估算方法 | |
CN116774045A (zh) | 一种基于hho-svr的锂电池健康状态预测方法 | |
CN116679208A (zh) | 一种锂电池剩余寿命估算方法 | |
CN114186522A (zh) | 一种混合电容器功率状态在线估计模型的构建方法及应用 | |
CN114545279B (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 | |
CN118169582B (zh) | 一种锂离子电池健康状态及剩余寿命预测方法 |
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 |