CN115542165A - 一种锂离子电池健康状态的预测方法 - Google Patents

一种锂离子电池健康状态的预测方法 Download PDF

Info

Publication number
CN115542165A
CN115542165A CN202211123854.XA CN202211123854A CN115542165A CN 115542165 A CN115542165 A CN 115542165A CN 202211123854 A CN202211123854 A CN 202211123854A CN 115542165 A CN115542165 A CN 115542165A
Authority
CN
China
Prior art keywords
hidden layer
layer
output
threshold
neuron
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
CN202211123854.XA
Other languages
English (en)
Inventor
郑嘉琪
梁惠施
李妍
周奎
何大瑞
田方媛
范逸斐
曹程杰
史梓男
贡晓旭
廖星媛
王姿尧
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.)
Economic and Technological Research Institute of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Jiangsu Electric Power Design Consultation Co ltd
Sichuan Energy Internet Research Institute EIRI Tsinghua University
Economic and Technological Research Institute of State Grid Jiangsu Electric Power Co Ltd
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 State Grid Jiangsu Electric Power Design Consultation Co ltd, Sichuan Energy Internet Research Institute EIRI Tsinghua University, Economic and Technological Research Institute of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Jiangsu Electric Power Design Consultation Co ltd
Priority to CN202211123854.XA priority Critical patent/CN115542165A/zh
Publication of CN115542165A publication Critical patent/CN115542165A/zh
Pending legal-status Critical Current

Links

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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • 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

Abstract

本发明属于锂离子电池健康状态预测技术领域，尤其是一种锂离子电池健康状态的预测方法，其包括以下步骤：S1：确定极限学习机ELM算法的隐含层的神经元个数，并对输入层与隐含层的连接权值ω和隐含层的阈值b进行随机初始化；S2：选取无限且可微的隐含层神经元对应的激活函数g(x)，并进一步对隐含层的输出结果H进行求解；S3：根据

Description

一种锂离子电池健康状态的预测方法
技术领域
本发明涉及锂离子电池健康状态预测技术领域，尤其涉及一种锂离子电池健康状态的预测方法。
背景技术
近年来，电力行业的飞速发展将社会对能源的需耗推至高峰，但煤、石油、天然气等传统能源已在长期的过度开采中面临极度紧缺的状况，至此，寻求新型能源并研发相关技术迫在眉睫。锂离子电池凭借其绿色环保、能量密度较高、循环使用寿命长等优点在便携式电子设备、新能源汽车、储能等诸多领域得到了广泛的应用与认可。其中，锂离子电池是一个复杂的电化学系统，在实际应用中，其健康状态(State Of Health,SOH)对电池运行的安全性和稳定性有着重要影响，因此，为提高电池的实际使用性能，需要对电池SOH进行预测以判断电池是否能够继续安全使用，同时及时更换已经老化的电池。
电池健康状态(SOH)表述为电池目前的容量与最初的容量之比，反映了电池在经过一段时间的循环后，所能储存的最大负载电量。随着时间的流逝，电池的储存能力会逐渐下降，且最大可支配的输出功率也会随之减少。
目前，SOH的预测方法主要有模型法、数据驱动法及融合法。电化学模型预测法是在分析电池内部化学反应的基础上建立电池的SOH模型，基于模型来预测电池的SOH值；经验模型预测法是利用大量电池充放电实验数据，采用拟合的方法获得电池SOH与各变量之间的关系式；等效电路模型预测法是用电阻、电容、电感和电压源等模拟电池的充放电特性，建立电池的等效电路模型，预测电池的SOH值。数据驱动预测法是从锂电池的电压、电流、温度、内阻、SOC或容量等状态参数开始，采用神经网络法、粒子滤波法和支持向量机法等来估计电池的SOH值。融合预测法是将预测电池健康状态的多种途径进行融合，使各种方法充分发挥其优点，以得到更加客观、准确、可靠的SOH值。
电化学模型存在复杂工况及各种影响因素的限制，实用性较差；经验模型由于需要大量的实验数据支撑，耗时过长；等效电路模型较为简单，但估算精度较低。数据驱动法通常也需要大量的实验数据以保障结果的准确性。因此，本发明使用IGA-ELM算法模型对锂电池SOH进行预测，采用融合预测的方法减小预测误差，具有较高的实用价值。
发明内容
本发明的目的是为了解决现有技术中的电池短路检测方法需要借助复杂的模型且计算过程比较繁琐，不利于实际应用的缺点，而提出的一种锂离子电池健康状态的预测方法。
为了实现上述目的，本发明采用了如下技术方案：
一种锂离子电池健康状态的预测方法，包括以下步骤：
S1：确定极限学习机(Extreme Learning Machine,ELM)算法的隐含层的神经元个数，并对输入层与隐含层的连接权值ω和隐含层的阈值b进行随机初始化；
S2：选取无限且可微的隐含层神经元对应的激活函数g(x)，并进一步对隐含层的输出结果H进行求解；
S3：根据
Figure BDA0003847527270000031
对输出层对应的权重矩阵进行求解，解出输出层对应的权重矩阵β，其表达式为β＝H+T′，式中，H+为输出矩阵H的Moore-Penrose的广义逆矩阵；
S4：采用改进的遗传算法(IGA)对ELM的参数进行寻优，构建IGA-ELM模型估算锂电池SOH，IGA主要是通过对交叉概率和变异概率提出自适应的调整策略增强参数寻优能力和收敛性。
优选的，所述S1中，ELM的结构包括输入层、隐含层和输出层。
其中，输入层与隐含层的连接权值ω的计算表达式如下：
Figure BDA0003847527270000032
其中，ω为输入层与隐含层的连接权值，n为输入层的神经元，代表有n个输入变量，l为隐含层的神经元，ωin为输入层第i个神经元与隐含层第j个神经元之间的连接阈值；
确定ELM的隐含层阈值b，该隐含层阈值b的计算表达式如下：
Figure BDA0003847527270000033
其中，b为隐含层的阈值，l为隐含层的神经元个数，bl为隐含层第l个神经元的阈值。
优选的，所述S2中，首先，计算隐含层与输出层之间的连接权值β，其计算表达式如下：
Figure BDA0003847527270000041
式中，βim为为隐含层第i个神经元与输出层第m个神经元的连接权值，l为隐含层的神经元个数。
其次，选择连续非线性的函数为隐含层的激活函数g(x)，并作为输出映射函数。其中，ELM网络的输出T的表达式为：
T＝[t1 t2 … tQ]m×Q
Figure BDA0003847527270000042
ωi＝[ωi1 ωi2 … ωin]
xj＝[x1j x2j … xnj]T
式中，m为输出层神经元个数，表示有m个输出变量，βim为隐含层第i个神经元与输出层第m个神经元的连接权值，该式可简化为矩阵形式。
最后，简化的矩阵形式的表达式为：Hβ＝T′,式中T′为输出矩阵T的转置矩阵，H为隐含层的输出矩阵。隐含层的输出结果H的计算表达式如下：
Figure BDA0003847527270000043
式中，ωl为输入层中第l个神经元与输出层之间的权重值，bl为隐含层第l个神经元的阈值，H为隐含层的输出结果。
优选的，所述S4中，对数据进行预处理，根据数据规模确定隐含层单元数，选择合适的网络拓扑结构和隐含层激活函数。
优选的，所述S4中，对种群进行初始化得到随机产生的个体，对每个个体的染色体基因进行编码得到ELM的隐含层权值和阈值，将解码后的参数带入ELM网络，计算个体的适应度值以判断染色体被作为父代染色体的概率和输出结果的误差，计算表达式如下：
Figure BDA0003847527270000051
式中，Fq为第q个个体的适应度值，j为调节因数，N为种群个体数目。
优选的，所述将所选个体的染色体进行交叉和变异，计算出对应的交叉概率和变异概率，计算公式如下：
Figure BDA0003847527270000052
式中，Pcq为第q个个体在第g次交叉的概率，g为算法当前的迭代次数，k1、k2为常数项系数，Fmin为个体的最佳适应度值。
Figure BDA0003847527270000053
式中，Pmq为第q个个体在第g次变异的概率，g为算法当前的迭代次数，T为总迭代次数，A为控制参数；
计算所得的概率偏大，则基因重新进行交叉和变异，其中，选择实数交叉法对基因进行重新交叉，表达式如下：
Figure BDA0003847527270000061
式中，Xik为第i个染色体在第k位交叉，Xjk为第j个染色体在第k位交叉，α为随机数，α∈[0,1]。
Figure BDA0003847527270000062
Figure BDA0003847527270000063
式中，Xij为第i个染色体的第j个基因，Xmax为基因Xij的上边界，Xmin为基因Xij的下边界，g为算法当前的迭代次数，T为总迭代次数，λ为随机数，λ∈[-1,1]。
选择当前适应度值最小的染色体对应的权值和阈值作为ELM的参数，计算输出的结果误差，如误差不满足精度要求，则重新进行训练调整权值和阈值，使用新的权值和阈值去计算输出误差，直至误差符合精度要求，以求出全局最优参数，结束训练。
本发明通过使用IGA-ELM算法模型对锂电池SOH进行预测，ELM算法的输入层到隐含层的权值和隐含层的阈值随机产生，只需要设置隐含层的单元数目和激活函数类型，具有学习速率快、泛化性能好等优势，由于输入层到隐含层的权值和隐含层的阈值是随机产生的，所以该算法的稳定性较差，通过引入改进的遗传算法IGA对输入层到隐含层的权值和隐含层的阈值进行优化，其中IGA是通过对交叉概率和变异概率提出自适应的调整策略增强参数寻优能力和收敛性，通过构建IGA-ELM算法模型从而提高ELM算法的稳定性，降低预测误差。
具体实施方式
下面将结合本发明实施例中，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
一种锂离子电池健康状态的预测方法，包括以下步骤：
S1：首先，确定极限学习机(Extreme Learning Machine,ELM)算法的隐含层的神经元个数，并对输入层与隐含层的连接权值ω和隐含层的阈值b进行随机初始化；具体步骤包括：
第一、ELM的结构包括输入层、隐含层和输出层。其中，输入层与隐含层的连接权值ω的计算表达式如下：
Figure BDA0003847527270000071
其中，ω为输入层与隐含层的连接权值，n为输入层的神经元，代表有n个输入变量，l为隐含层的神经元，ωin为输入层第i个神经元与隐含层第j个神经元之间的连接阈值。
第二、确定ELM的隐含层阈值b，该隐含层阈值b的计算表达式如下：
Figure BDA0003847527270000072
其中，b为隐含层的阈值，l为隐含层的神经元个数，bl为隐含层第l个神经元的阈值。
S2：选取无限且可微的隐含层神经元对应的激活函数g(x)，并进一步对隐含层的输出结果H进行求解；具体步骤包括：
第一、计算隐含层与输出层之间的连接权值β，其计算表达式如下：
Figure BDA0003847527270000081
式中，βim为为隐含层第i个神经元与输出层第m个神经元的连接权值，l为隐含层的神经元个数。
第二、通常选择连续非线性的函数为隐含层的激活函数g(x)，并作为输出映射函数。其中，ELM网络的输出T的表达式为：
T＝[t1 t2 … tQ]m×Q
Figure BDA0003847527270000082
ωi＝[ωi1 ωi2 … ωin]
xj＝[x1j x2j … xnj]T
式中，m为输出层神经元个数，表示有m个输出变量，βim为隐含层第i个神经元与输出层第m个神经元的连接权值，该式可简化为矩阵形式。
第三、简化的矩阵形式的表达式为：Hβ＝T′,式中T′为输出矩阵T的转置矩阵，H为隐含层的输出矩阵。隐含层的输出结果H的计算表达式如下：
Figure BDA0003847527270000091
式中，ωl为输入层中第l个神经元与输出层之间的权重值，bl为隐含层第l个神经元的阈值，H为隐含层的输出结果。
S3：根据
Figure BDA0003847527270000092
对输出层对应的权重矩阵进行求解，解出输出层对应的权重矩阵β，其表达式为β＝H+T′，式中，H+为输出矩阵H的Moore-Penrose的广义逆矩阵。
S4：采用改进的遗传算法(IGA)对ELM的参数进行寻优，构建IGA-ELM模型估算锂电池SOH，IGA主要是通过对交叉概率和变异概率提出自适应的调整策略增强参数寻优能力和收敛性，具体步骤包括：
第一、对数据进行预处理，根据数据规模，确定隐含层单元数，选择合适的网络拓扑结构和隐含层激活函数。
第二、对种群进行初始化得到随机产生的个体，对每个个体的染色体基因进行编码得到ELM的隐含层权值和阈值，将解码后的参数带入ELM网络，计算个体的适应度值以判断染色体被作为父代染色体的概率和输出结果的误差，计算表达式如下：
Figure BDA0003847527270000093
式中，Fq为第q个个体的适应度值，j为调节因数，N为种群个体数目。
第三、将所选个体的染色体进行交叉和变异，计算出对应的交叉概率和变异概率，计算公式如下：
Figure BDA0003847527270000101
式中，Pcq为第q个个体在第g次交叉的概率，g为算法当前的迭代次数，k1、k2为常数项系数，Fmin为个体的最佳适应度值。
Figure BDA0003847527270000102
式中，Pmq为第q个个体在第g次变异的概率，g为算法当前的迭代次数，T为总迭代次数，A为控制参数。
第四、若计算所得的概率偏大，则基因重新进行交叉和变异，其中，选择实数交叉法对基因进行重新交叉，表达式如下：
Figure BDA0003847527270000103
式中，Xik为第i个染色体在第k位交叉，Xjk为第j个染色体在第k位交叉，α为随机数，α∈[0,1]。
Figure BDA0003847527270000104
Figure BDA0003847527270000105
式中，Xij为第i个染色体的第j个基因，Xmax为基因Xij的上边界，Xmin为基因Xij的下边界，g为算法当前的迭代次数，T为总迭代次数，λ为随机数，λ∈[-1,1]。
第五、选择当前适应度值最小的染色体对应的权值和阈值作为ELM的参数，计算输出的结果误差，如误差不满足精度要求，则重新进行训练调整权值和阈值，使用新的权值和阈值去计算输出误差，直至误差符合精度要求，以求出全局最优参数，结束训练。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种锂离子电池健康状态的预测方法，其特征在于，包括以下步骤：
S1：确定极限学习机ELM算法的隐含层的神经元个数，并对输入层与隐含层的连接权值ω和隐含层的阈值b进行随机初始化；
S2：选取无限且可微的隐含层神经元对应的激活函数g(x)，并进一步对隐含层的输出结果H进行求解；
S3：根据
Figure FDA0003847527260000011
对输出层对应的权重矩阵进行求解，解出输出层对应的权重矩阵β，其表达式为β＝H+T′，式中，H+为输出矩阵H的Moore-Penrose的广义逆矩阵；
S4：采用改进的遗传算法IGA对ELM的参数进行寻优，构建IGA-ELM模型估算锂电池SOH，IGA主要是通过对交叉概率和变异概率提出自适应的调整策略增强参数寻优能力和收敛性。
2.根据权利要求1所述的一种锂离子电池健康状态的预测方法，其特征在于，所述S1中，ELM的结构包括输入层、隐含层和输出层。其中，输入层与隐含层的连接权值ω的计算表达式如下：
Figure FDA0003847527260000012
其中，ω为输入层与隐含层的连接权值，n为输入层的神经元，代表有n个输入变量，l为隐含层的神经元，ωin为输入层第i个神经元与隐含层第j个神经元之间的连接阈值。
3.根据权利要求2所述的一种锂离子电池健康状态的预测方法，其特征在于，确定ELM的隐含层阈值b，该隐含层阈值b的计算表达式如下：
Figure FDA0003847527260000021
其中，b为隐含层的阈值，l为隐含层的神经元个数，bl为隐含层第l个神经元的阈值。
4.根据权利要求1所述的一种锂离子电池健康状态的预测方法，其特征在于，所述S2中，计算隐含层与输出层之间的连接权值β，其计算表达式如下：
Figure FDA0003847527260000022
式中，βim为为隐含层第i个神经元与输出层第m个神经元的连接权值，l为隐含层的神经元个数。
5.根据权利要求4所述的一种锂离子电池健康状态的预测方法，其特征在于，选择连续非线性的函数为隐含层的激活函数g(x)，并作为输出映射函数。其中，ELM网络的输出T的表达式为：
T＝[t1 t2 … tQ]m×Q
Figure FDA0003847527260000023
ωi＝[ωi1 ωi2 … ωin]
xj＝[x1j x2j … xnj]T
式中，m为输出层神经元个数，表示有m个输出变量，βim为隐含层第i个神经元与输出层第m个神经元的连接权值，该式可简化为矩阵形式。
6.根据权利要求5所述的一种锂离子电池健康状态的预测方法，其特征在于，所述简化的矩阵形式的表达式为：Hβ＝T′,式中T′为输出矩阵T的转置矩阵，H为隐含层的输出矩阵。隐含层的输出结果H的计算表达式如下：
Figure FDA0003847527260000031
式中，ωl为输入层中第l个神经元与输出层之间的权重值，bl为隐含层第l个神经元的阈值，H为隐含层的输出结果。
7.根据权利要求1所述的一种锂离子电池健康状态的预测方法，其特征在于，所述S4中，对数据进行预处理，根据数据规模确定隐含层单元数，选择合适的网络拓扑结构和隐含层激活函数。
8.根据权利要求1所述的一种锂离子电池健康状态的预测方法，其特征在于，所述S4中，对种群进行初始化得到随机产生的个体，对每个个体的染色体基因进行编码得到ELM的隐含层权值和阈值，将解码后的参数带入ELM网络，计算个体的适应度值以判断染色体被作为父代染色体的概率和输出结果的误差，计算表达式如下：
Figure FDA0003847527260000032
式中，Fq为第q个个体的适应度值，j为调节因数，N为种群个体数目。
9.根据权利要求8所述的一种锂离子电池健康状态的预测方法，其特征在于，将所选个体的染色体进行交叉和变异，计算出对应的交叉概率和变异概率，计算公式如下：
Figure FDA0003847527260000041
式中，Pcq为第q个个体在第g次交叉的概率，g为算法当前的迭代次数，k1、k2为常数项系数，Fmin为个体的最佳适应度值。
Figure FDA0003847527260000042
式中，Pmq为第q个个体在第g次变异的概率，g为算法当前的迭代次数，T为总迭代次数，A为控制参数；
计算所得的概率偏大，则基因重新进行交叉和变异，其中，选择实数交叉法对基因进行重新交叉，表达式如下：
Figure FDA0003847527260000043
式中，Xik为第i个染色体在第k位交叉，Xjk为第j个染色体在第k位交叉，α为随机数，α∈[0,1]。
Figure FDA0003847527260000044
Figure FDA0003847527260000045
式中，Xij为第i个染色体的第j个基因，Xmax为基因Xij的上边界，Xmin为基因Xij的下边界，g为算法当前的迭代次数，T为总迭代次数，λ为随机数，λ∈[-1,1]。
10.根据权利要求9所述的一种锂离子电池健康状态的预测方法，其特征在于，选择当前适应度值最小的染色体对应的权值和阈值作为ELM的参数，计算输出的结果误差，如误差不满足精度要求，则重新进行训练调整权值和阈值，使用新的权值和阈值去计算输出误差，直至误差符合精度要求，以求出全局最优参数，结束训练。
CN202211123854.XA 2022-09-15 2022-09-15 一种锂离子电池健康状态的预测方法 Pending CN115542165A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211123854.XA CN115542165A (zh) 2022-09-15 2022-09-15 一种锂离子电池健康状态的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211123854.XA CN115542165A (zh) 2022-09-15 2022-09-15 一种锂离子电池健康状态的预测方法

Publications (1)

Publication Number Publication Date
CN115542165A true CN115542165A (zh) 2022-12-30

Family

ID=84727595

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211123854.XA Pending CN115542165A (zh) 2022-09-15 2022-09-15 一种锂离子电池健康状态的预测方法

Country Status (1)

Country Link
CN (1) CN115542165A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116774075A (zh) * 2023-08-28 2023-09-19 清华四川能源互联网研究院 一种锂离子电池健康状态评估方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116774075A (zh) * 2023-08-28 2023-09-19 清华四川能源互联网研究院 一种锂离子电池健康状态评估方法及系统

Similar Documents

Publication Publication Date Title
CN112348271A (zh) 基于vmd-ipso-gru的短期光伏功率预测方法
CN112116144B (zh) 一种区域配电网短期负荷预测方法
CN112487702A (zh) 一种锂离子电池剩余使用寿命预测方法
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
CN111736084B (zh) 基于改进lstm神经网络的阀控铅酸蓄电池健康状态预测方法
CN110175386A (zh) 变电站电气设备温度预测方法
CN104636985A (zh) 一种改进bp神经网络的输电线路无线电干扰预测方法
CN107966600B (zh) 一种基于深度学习算法的防窃电系统及其防窃电方法
CN112883632B (zh) 一种基于改进蚁群算法的锂电池等效电路模型参数辨识方法
CN112329990A (zh) 一种基于lstm-bp神经网络的用户用电负荷预测方法
CN113762387B (zh) 一种基于混合模型预测的数据中心站多元负荷预测方法
CN104820877A (zh) 基于云自适应pso-snn的光伏系统发电功率预测方法
CN115542165A (zh) 一种锂离子电池健康状态的预测方法
CN113687242A (zh) 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
CN114384435A (zh) 一种基于wsa-lstm算法的新能源汽车动力电池剩余使用寿命自适应预测方法
CN116757057A (zh) 基于pso-ga-lstm模型的空气质量预测方法
CN115456312A (zh) 基于辛几何模态分解的短期电力负荷预测方法及系统
Liu et al. Energy storage battery SOC estimate based on improved BP neural network
CN115049115A (zh) 计及nwp风速横纵向误差的rdpg风速修正方法
CN117034762A (zh) 一种基于多算法加权和的复合模型锂电池寿命预测方法
CN112014757A (zh) 一种容量增量分析与遗传小波神经网络融合的电池soh估计方法
Xu et al. Short-term electricity consumption forecasting method for residential users based on cluster classification and backpropagation neural network
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN116306270A (zh) 一种预测燃料电池性能及关键输入参数寻优的方法
CN113884936B (zh) 一种基于issa耦合delm的锂离子电池健康状态预测方法

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zheng Jiaqi

Inventor after: Li Yan

Inventor after: He Darui

Inventor after: Tian Fangyuan

Inventor after: Fan Yifei

Inventor after: Cao Chengjie

Inventor before: Zheng Jiaqi

Inventor before: Gong Xiaoxu

Inventor before: Liao Xingyuan

Inventor before: Wang Ziyao

Inventor before: Liang Huishi

Inventor before: Li Yan

Inventor before: Zhou Kui

Inventor before: He Darui

Inventor before: Tian Fangyuan

Inventor before: Fan Yifei

Inventor before: Cao Chengjie

Inventor before: Shi Zinan

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230615

Address after: 210008 No. 251, Gulou District, Jiangsu, Zhongshan Road, Nanjing

Applicant after: STATE GRID JIANGSU ECONOMIC Research Institute

Address before: 210008 No. 251, Gulou District, Jiangsu, Zhongshan Road, Nanjing

Applicant before: STATE GRID JIANGSU ECONOMIC Research Institute

Applicant before: SICHUAN ENERGY INTERNET RESEARCH INSTITUTE, TSINGHUA University

Applicant before: STATE GRID JIANGSU ELECTRIC POWER DESIGN CONSULTATION CO.,LTD.