CN116087789A - 基于端云协同数据驱动的电池循环寿命预测方法及系统 - Google Patents
基于端云协同数据驱动的电池循环寿命预测方法及系统 Download PDFInfo
- Publication number
- CN116087789A CN116087789A CN202310098984.0A CN202310098984A CN116087789A CN 116087789 A CN116087789 A CN 116087789A CN 202310098984 A CN202310098984 A CN 202310098984A CN 116087789 A CN116087789 A CN 116087789A
- Authority
- CN
- China
- Prior art keywords
- dense state
- layer
- feature
- attention
- dense
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000011159 matrix material Substances 0.000 claims abstract description 93
- 230000004927 fusion Effects 0.000 claims abstract description 82
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 53
- 238000010586 diagram Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000007599 discharging Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 25
- 230000004913 activation Effects 0.000 claims description 23
- 238000003062 neural network model Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000008447 perception Effects 0.000 claims description 6
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 7
- 229910001416 lithium ion Inorganic materials 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 4
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Bioethics (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于端云协同数据驱动的电池循环寿命预测方法及系统，包括：采集充电电池充放电循环数据，并进行同态加密传输到云端；然后对该数据进行拼接处理,得到充放电循环数据对应的密态矩阵并将其分为两组，分别记为第一密态矩阵和第二密态矩阵，对第一密态矩阵依次进行模型训练，得到第一特征注意力加权融合特征图；将第二密态矩阵经过循环差分计算后发送至第二密态网络模型中依次进行模型训练，得到第二特征注意力加权融合特征图；将两个加权融合特征图进行拼接后经感知层得到预测的电池密态循环寿命；本地端在本地解密得到最终预测的电池循环寿命。本发明能够有效保证信息安全、提高电池寿命预测的准确性，操作方便，适应性强。
Description
技术领域
本发明涉及电池寿命预测技术领域，具体地，涉及一种基于端云协同数据驱动的电池循环寿命预测方法及系统。
背景技术
由于低污染、高能量密度、高功率密度和长循环寿命等优点，锂离子电池是电动汽车、手机以及航空系统等的主要动力源，有广泛应用。
循环寿命是电池的核心指标，因此需要在电池新开发或一些材料、部件供应变更后进行经常性的测评。同时，为实现对电池的健康管理、剩余价值评估等，还需要在电池使用过程中对其进行剩余寿命预测。此外，当锂离子电池的性能下降超过一定的阈值时，可能会出现性能迅速下降或灾难性故障等严重后果。因此，对电池寿命的准确预测对提高电动设备的可靠性和安全性具有关键意义，对提出更科学的电池管理体系至关重要。而由于通过电池数据可以反推出电池的寿命、安全等诸多性能，而这对于电池企业、电池使用企业来说均属核心机密。因此，对电池寿命的预测所用数据要求“可用不可见”。因此，除了需要准确预测电池循环寿命外，还有必要保证预测过程的数据信息安全。
锂电池寿命的预测方法可分为基于模型的方法和基于数据驱动的方法。基于模型的方法包含利用电化学模型、等效电路模型、经验模型等，但由于电池内部复杂的电化学机理和环境噪声等，很难建立一种误差较小的模型用于预测；而基于数据驱动的方法能够基于信号处理技术和机器学习方法从传感器信号中提取有用的信息，不用考虑内部复杂的电化学机理，以端对端的方式实现锂电池的剩余寿命预测。通常，数据驱动的方法能够使用较为简捷的分析手段得到更加精确的结果。目前大部分基于数据驱动的研究通过提取数据的统计学特征进行预测，然而，哪些特征能准确描述电池循环寿命尚未明确；循环寿命与电池的放电容量密切相关，因此目前大多采用放电数据进行预测，然而在实际过程中的放电过程首先要保证设备的使用需求，是高度随机和动态的，基于放电数据的预测在现实中难以实现，只能用于台架离线测试，无法用于电池寿命的在线预测。
此外，现在有数以亿计的电池在大量应用，本可为电池寿命预测提供宝贵的海量数据支持。但现有研究中，对电池数据采用明文传输，电池数据安全性也无法得到保证，致使电池数据的共享无法得到电池企业与电池使用单位的支持。
专利文献CN108037463B(申请号：201711345909.0)公开了一种锂离子电池寿命预测方法，涉及锂离子电池技术领域。该方法通过对相同型号在役或退役电池运行数据进行收集，建立包括电池运行温度、电池放电倍率、电池内阻以及总使用寿命参数的数据库，以此建立以电池运行温度、电池放电倍率、电池内阻为参数的电池寿命预测线性回归函数模型，并引入修正系数(所述电池在i时刻下电池放电容量的平均值与当前放电容量的比值)，将特定型号的上述参数代入回归模型，乘以修正系数，得到电池的总使用寿命。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于端云协同数据驱动的电池循环寿命预测方法及系统。
根据本发明提供的一种基于端云协同数据驱动的电池循环寿命预测方法，包括：
步骤S1：采集充电电池充放电循环数据，并进行同态加密传输到云端；
步骤S2：云端对同态加密的充电电池充放电循环数据进行拼接处理,得到充放电循环数据对应的密态矩阵；
步骤S3：将所述充放电循环数据对应的密态矩阵分为两组，分别记为第一密态矩阵和第二密态矩阵；
步骤S4：将所述第一密态矩阵发送至第一密态网络模型中依次进行模型训练，得到第一特征注意力加权融合特征图；将所述第二密态矩阵经过循环差分计算后发送至第二密态网络模型中依次进行模型训练，得到第二特征注意力加权融合特征图；
步骤S5：将所述第一特征注意力加权融合特征图和所述第二特征注意力加权融合特征图进行拼接后经感知层得到预测的电池密态循环寿命；
步骤S6：本地端在本地解密得到最终预测的电池循环寿命；
所述充放电循环数据包括所有充放电循环中充电过程的电池温度、电流、端电压。
优选地，所述第一密态网络模型和第二密态网络模型均包括：密态混合卷积神经网络模型、密态充电特征注意力模型和密态循环注意力模型；
所述密态混合卷积神经网络模型的激活函数包括ReLU或tanh()或Sigmoid的泰勒展开多项式以进行同态运算，且多项式的推荐阶数为4；
所述第一密态矩阵和第二密态矩阵均包括：密态温度矩阵、电流矩阵及端电压矩阵。
优选地，第一密态网络模型和第二密态网络模型的模型训练均包括如下子步骤：
步骤S4.1：通过密态混合卷积神经网络模型对密态矩阵，进行先三维后二维的密态混合卷积特征提取，输出密态特征图；
步骤S4.2：将所述密态特征图作为密态充电特征注意力模型的输入，进行计算得到特征注意力加权融合特征图；
步骤S4.3：在密态二维卷积层中对所述征注意力加权融合特征图进行特征提取，通过密态循环注意力模型得到循环注意力多尺度融合特征图。
优选地，步骤S4.2包括：
步骤S4.2.1：将所有密态特征图同一位置的元素组成特征向量：
Fij＝[Fij 1,Fij 2,……,Fij K]
其中，K表示密态特征图数量，M×N为特征图尺寸，Fij m为第m个特征图Fm中第(i,j)个元素，m＝1,2,…,K，Fij∈RK×1；
步骤S4.2.2：使用两个全连接层，计算并输出Fij的注意力权重Aij：
Aij＝f(δg(ωFij+b)+c)
其中，f()和g()表示可同态运算的激活函数，ω∈Ru×K,δ∈R1×u分别为两层的权重矩阵，b∈Ru×1，c∈R1×1分别为两层的偏置，Aij为注意力权重矩阵A的第(i,j)个元素；u是与Fij相连的全连接层中神经元的个数；
步骤S4.2.3：将A和密态特征图进行点乘，得融合特征注意力的特征矩阵：
Gm＝A⊙Fm
其中，Gm为第m个输出特征注意力加权融合特征图。
优选地，步骤S4.3包括：
步骤S4.3.1：密态二维卷积层输出的特征图输入到有L层的空洞卷积层；
步骤S4.3.2：将当前空洞卷积层输出的特征图输入到全连接层中，并输出当前空洞卷积层的权重；
步骤S4.3.3：将上一层空洞卷积层输出的特征图作为输入，重复步骤S4.3.1至步骤S4.3.2，直至获得第l层空洞卷积层的输出及其权重；
设Xl r为第l层的共Rl+1个输入特征图中的第r个，Wk∈RM×N和bk分别为该层第k个卷积核的权重和偏置，则输出特征图中的第k个特征图
的第(i,j)个元素sk(i,j)为：
其中，
表示Xl r中的第(i+a,j+b)个元素，
表示Wk的第(,q)个元素，M×N为特征图尺寸；
第l层的权重wl为：
其中，f()表示激活函数，ω表示权重，
表示l+1层的输入特征图中的第r个；
步骤S4.3.4：将各空洞卷积层的输出乘以该空洞卷积层的权重与所有空洞卷积层权重之和的比值，得该空洞卷积层的循环融合输出；
设第l层第k个循环融合的特征图为
则该层的循环融合输出为：
步骤S4.3.5：将各空洞卷积层的循环融合输出通过全连接层进行合并，得到循环注意力多尺度融合特征图。
根据本发明提供的一种基于端云协同数据驱动的电池循环寿命预测系统，包括：
模块M1：采集充电电池充放电循环数据，并进行同态加密传输到云端；
模块M2：云端对同态加密的充电电池充放电循环数据进行拼接处理,得到充放电循环数据对应的密态矩阵；
模块M3：将所述充放电循环数据对应的密态矩阵分为两组，分别记为第一密态矩阵和第二密态矩阵；
模块M4：将所述第一密态矩阵发送至第一密态网络模型中依次进行模型训练，得到第一特征注意力加权融合特征图；将所述第二密态矩阵经过循环差分计算后发送至第二密态网络模型中依次进行模型训练，得到第二特征注意力加权融合特征图；
模块M5：将所述第一特征注意力加权融合特征图和所述第二特征注意力加权融合特征图进行拼接后经感知层得到预测的电池密态循环寿命；
模块M6：本地端在本地解密得到最终预测的电池循环寿命；
所述充放电循环数据包括所有充放电循环中充电过程的电池温度、电流、端电压。
优选地，所述第一密态网络模型和第二密态网络模型均包括：密态混合卷积神经网络模型、密态充电特征注意力模型和密态循环注意力模型；
所述密态混合卷积神经网络模型的激活函数包括ReLU或tanh()或Sigmoid的泰勒展开多项式以进行同态运算，且多项式的推荐阶数为4；
所述第一密态矩阵和第二密态矩阵均包括：密态温度矩阵、电流矩阵及端电压矩阵。
优选地，第一密态网络模型和第二密态网络模型的模型训练均包括如下子模块：
模块M4.1：通过密态混合卷积神经网络模型对密态矩阵，进行先三维后二维的密态混合卷积特征提取，输出密态特征图；
模块M4.2：将所述密态特征图作为密态充电特征注意力模型的输入，进行计算得到特征注意力加权融合特征图；
模块M4.3：在密态二维卷积层中对所述征注意力加权融合特征图进行特征提取，通过密态循环注意力模型得到循环注意力多尺度融合特征图。
优选地，模块M4.2包括：
模块M4.2.1：将所有密态特征图同一位置的元素组成特征向量：
Fij＝[Fij 1,Fij 2,……,Fij K]
其中，K表示密态特征图数量，M×N为特征图尺寸，Fij m为第m个特征图Fm中第(i,j)个元素，m＝1,2,…,K，Fij∈RK×1；
模块M4.2.2：使用两个全连接层，计算并输出Fij的注意力权重Aij：
Aij＝f(δg(ωFij+b)+c)
其中，f()和g()表示可同态运算的激活函数，ω∈Ru×K,δ∈R1×u分别为两层的权重矩阵，b∈Ru×1，c∈R1×1分别为两层的偏置，Aij为注意力权重矩阵A的第(i,j)个元素；u是与Fij相连的全连接层中神经元的个数；
模块M4.2.3：将A和密态特征图进行点乘，得融合特征注意力的特征矩阵：
Gm＝A⊙Fm
其中，Gm为第m个输出特征注意力加权融合特征图。
优选地，模块M4.3包括：
模块M4.3.1：密态二维卷积层输出的特征图输入到有L层的空洞卷积层；
模块M4.3.2：将当前空洞卷积层输出的特征图输入到全连接层中，并输出当前空洞卷积层的权重；
模块M4.3.3：将上一层空洞卷积层输出的特征图作为输入，重复模块M4.3.1至模块M4.3.2，直至获得第l层空洞卷积层的输出及其权重；
设Xl r为第l层的共Rl+1个输入特征图中的第r个，Wk∈RM×N和bk分别为该层第k个卷积核的权重和偏置，则输出特征图中的第k个特征图
的第(i,j)个元素sk(i,j)为：
其中，
表示Xl r中的第(i+a,j+b)个元素，
表示Wk的第(p,q)个元素，M×N为特征图尺寸；
第l层的权重wl为：
其中，f()表示激活函数，ω表示权重，
表示l+1层的输入特征图中的第r个；
模块M4.3.4：将各空洞卷积层的输出乘以该空洞卷积层的权重与所有空洞卷积层权重之和的比值，得该空洞卷积层的循环融合输出；
设第l层第k个循环融合的特征图为
则该层的循环融合输出为：
模块M4.3.5：将各空洞卷积层的循环融合输出通过全连接层进行合并，得到循环注意力多尺度融合特征图。
与现有技术相比，本发明具有如下的有益效果：
1、本发明实现了对电池云端寿命预测所需数据的密态传输和运算，能够有效保证信息安全、提高电池寿命预测的准确性，操作方便，适应性强。
2.本发明通过密态混合卷积神经网络模型、特征注意力、循环注意力、循环和循环差分并行模型，相对于改进的递归神经网络(RNN)、长短期记忆(LSTM)及神经网络等，所需参数较小、训练周期更短，并可将电池剩余循环寿命的预测误差减小到3％以内。
3.本发明基于充电过程数据进行电池寿命预测，克服了使用电池设备工况随机性对预测准确性的影响，可适用不同设备和电池应用场景。
4.本发明既可用于预测电池的剩余循环寿命，也可用于对电池循环寿命进行早期预测。(仅需对电池进行20个充电循环实验，且误差小于2％。一般电池循环寿命可能超过2000个循环，故可减少实验97％以上)
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明中基于端云协同的电池循环寿命预测方法的流程示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例一
根据本发明提供的一种基于端云协同数据驱动的电池循环寿命预测方法，如图1所示，包括：
步骤S1：采集充电电池充放电循环数据，并进行同态加密传输到云端。其中，充电电池包括锂离子电池。所述充放电循环数据包括所有充放电循环中充电过程的电池温度、电流、端电压。
具体地，采集电池充电过程中的温度、电流及端电压数据，按容量百分比对齐并进行归一化处理。然后采用同态加密算法对电池电池充电过程中的温度、电流及端电压数据进行加密，该同态加密算法包括CKKS同态加密算法。最后将加密后的数据传输后云端平台。
步骤S2：云端对同态加密的充电电池充放电循环数据进行拼接处理,得到充放电循环数据对应的密态矩阵。也就是说，将同态加密的电池前m个循环及后n个循环的温度、电流和端电压数据拼接成密态温度矩阵、电流矩阵及端电压矩阵。
步骤S3：将所述充放电循环数据对应的密态矩阵分为两组，分别记为第一密态矩阵和第二密态矩阵。第一密态矩阵和第二密态矩阵均包括：密态温度矩阵、电流矩阵及端电压矩阵。
步骤S4：将所述第一密态矩阵发送至第一密态网络模型中依次进行模型训练，得到第一特征注意力加权融合特征图；将所述第二密态矩阵经过循环差分计算后发送至第二密态网络模型中依次进行模型训练，得到第二特征注意力加权融合特征图。
具体地，所述第一密态网络模型和第二密态网络模型均包括：密态混合卷积神经网络模型、密态充电特征注意力模型和密态循环注意力模型。其中，第一密态网络模型和第二密态网络模型的模型训练均包括如下子步骤：
步骤S4.1：通过密态混合卷积神经网络模型对密态矩阵，进行先三维后二维的密态混合卷积特征提取，输出密态特征图。也就是说，通过密态三维-二维卷积混合卷积对拼接处理后的温度、电流及端电压进行先三维后二维的密态混合卷积特征提取。其中，密态混合卷积神经网络模型是密态三维卷积层和二维卷积层混合卷积的神经网络模型，所述三维卷积层包括R个3×l×w的卷积核，卷积核的深度为3，使三维卷积层的输出深度为1；l和w分别为卷积核的长度和宽度。该模型的激活函数包括ReLU或tanh()或Sigmoid的泰勒展开多项式以进行同态运算，且多项式的推荐阶数为4。
步骤S4.2：将所述密态特征图作为密态充电特征注意力模型的输入，进行计算得到特征注意力加权融合特征图。具体地，按特征空间分布自动学习不同特征对电池寿命的相关性及显著性，然后对其输入特征进行加权，子步骤如下所述：
步骤S4.2.1：将所有密态特征图同一位置的元素组成特征向量：
Fij＝[Fij 1,Fij 2,……,Fij K]
其中，K表示密态特征图数量，M×N为特征图尺寸，Fij m为第m个特征图Fm中第(i,j)个元素，m＝1,2,…,K，Fij∈RK×1。
步骤S4.2.2：使用两个全连接层，计算并输出Fij的注意力权重Aij：
Aij＝f(δg(ωFij+b)+c)
其中，f()和g()表示可同态运算的激活函数，ω∈Ru×K,δ∈R1×u分别为两层的权重矩阵，b∈Ru×1，c∈R1×1分别为两层的偏置，Aij为注意力权重矩阵A的第(i,j)个元素；u是与Fij相连的全连接层中神经元的个数。同态运算的激活函数可分别为sigmoid和tanh激活函数的泰勒展开近似多项式：
步骤S4.2.3：将A和密态特征图进行点乘，得融合特征注意力的特征矩阵：
Gm＝A⊙Fm
其中，Gm为第m个输出特征注意力加权融合特征图。
步骤S4.3：在密态二维卷积层中对所述征注意力加权融合特征图进行特征提取，通过密态循环注意力模型得到循环注意力多尺度融合特征图。步骤S4.3包括：
步骤S4.3.1：密态二维卷积层输出的特征图输入到有L层的空洞卷积层。
步骤S4.3.2：将当前空洞卷积层输出的特征图输入到全连接层中，并输出当前空洞卷积层的权重。
步骤S4.3.3：将上一层空洞卷积层输出的特征图作为输入，重复步骤S4.3.1至步骤S4.3.2，直至获得第l层空洞卷积层的输出及其权重。设Xl r为第l层的共Rl+1个输入特征图中的第r个，Wk∈RM×N和bk分别为该层第k个卷积核的权重和偏置，则输出特征图中的第k个特征图
的第(i,j)个元素sk(i,j)为：
其中，
表示Xl r中的第(i+a,j+b)个元素，
表示Wk的第(p,q)个元素，M×N为特征图尺寸；
第l层的权重wl为：
其中，f()表示激活函数，ω表示权重，
表示l+1层的输入特征图中的第r个。
步骤S4.3.4：将各空洞卷积层的输出乘以该空洞卷积层的权重与所有空洞卷积层权重之和的比值，得该空洞卷积层的循环融合输出。设第l层第k个循环融合的特征图为
则该层的循环融合输出为：
步骤S4.3.5：将各空洞卷积层的循环融合输出通过全连接层进行合并，得到循环注意力多尺度融合特征图。
步骤S5：将所述第一特征注意力加权融合特征图和所述第二特征注意力加权融合特征图进行拼接后经感知层得到预测的电池密态循环寿命。
步骤S6：本地端在本地解密得到最终预测的电池循环寿命。
进一步地，结合附图1对本发明具体描述如下：
步骤S1，采集锂离子电池充放电a个循环中充电过程的电池温度、电流、端电压数据，容量百分比对齐并进行归一化处理后，进行CKKS同态加密并传输到云端。
步骤S2，云端对CKKS同态加密的锂离子电池充放电循环数据前m个循环及后n个循环的温度、电流和端电压数据拼接成密态温度矩阵、电流矩阵及端电压矩阵。同时将密态温度矩阵、电流矩阵及端电压矩阵拼接成三维数据块。
接下来，采用两个并行的密态网络模型。其中，密态网络模型1以所述步骤2的输出为输入；密态网络模型2以对所述步骤2输出进行循环差分计算后的结果为输入。两个密态网络模型的输出经拼接操作后作为下述步骤S6的输入。密态网络模型1包括步骤S301、S401和S501；密态网络模型2包括步骤S302、S402和S502。包括下述步骤S3、S4、S5。
步骤S3：采用密态混合卷积神经网络模型，通过密态三维-二维卷积混合卷积对拼接处理后的温度、电流及端电压进行先三维后二维的密态混合卷积特征提取，输出密态特征图。其中包括如下子步骤：
首先，将所述步骤S2输出的密态温度矩阵、电流矩阵及端电压矩阵拼接成三维数据块，执行步骤S301；将所述三维数据块进行循环差分计算，执行步骤S302；步骤S301和S302执行的模型的结构相同，仅参数在模型训练后不同。
然后，将三维数据块输入密态混合卷积神经网络模型1，进行先三维后二维的密态混合卷积特征提取，输出密态特征图；将三维数据块在循环差分计算后输入密态混合卷积神经网络模型2，进行先三维后二维的密态混合卷积差分特征提取，输出密态特征图。其中所述密态混合卷积神经网络模型的激活函数为ReLU或tanh()或Sigmoid的泰勒展开多项式以进行同态运算，且多项式的推荐阶数为4。所述三维卷积层包括R个3×l×w的卷积核，其中，卷积核的深度为3，使三维卷积层的输出深度为1；l和w分别为卷积核的长度和宽度。
步骤S4：将密态特征图输入到密态充电特征注意力模型，按特征空间分布自动学习不同特征对电池寿命的相关性及显著性，然后对其输入特征进行加权，输出特征注意力加权融合特征图。包括步骤S401和S402，其中步骤S401以步骤S301的输出为输入、步骤S402以步骤S302的输出为输入。步骤S401和S402执行的模型的结构相同，仅参数在模型训练后不同。所述密态充电特征注意力模型的训练包括如下子步骤：
首先，将来自所述步骤S3的所有输入特征图同一位置的元素组成特征向量：Fij＝[Fij 1,Fij 2,……,Fij K]，其中，K为输入特征图数量，M×N为输入特征图尺寸，Fij m为第m个特征图Fm中第(i,j)个元素，Fij∈RK×1。
然后，使用全连接层，计算并输出Fij的注意力权重Aij，Aij＝f(δg(ωF+b)+c)。
其中，f()和g()分别为sigmoid和tanh激活函数的泰勒展开近似多项式：
ω∈Ru×K,δ∈R1×u分别为两层的权重矩阵，b∈Ru×1，c∈R1×1为偏置，Aij为注意力权重矩阵A的第(i,j)个元素。
最后，将A和输入特征图进行点乘，得融合特征注意力的特征矩阵：Gm＝A⊙Fm其中，Gm为第m个输出特征图。
步骤S5：将注意力加权融合特征图输入到密态二维卷积层中进行特征提取，再将提取的特征输入密态循环注意力模型。包括步骤S501和S502，其中步骤S501以步骤S401的输出为输入、步骤S502以步骤S402的输出为输入。步骤S501和S502执行的模型的结构相同，仅参数在模型训练后不同。所述密态循环注意力模型的训练包括如下具体子步骤：
首先，将所述步骤S5中所述密态二维卷积层输出的特征图输入到有L层的空洞卷积层。
然后，将当前空洞卷积层输出的特征图输入到全连接层中，并输出当前空洞卷积层的权重。
接着，将上一层空洞卷积层输出的特征图作为输入，重复上述两个子步骤，直至获得第l层空洞卷积层的输出及其权重。设Xl r为第l层的共Rl+1个输入特征图中的第r个，Wk∈RM×N和bk分别为该层第k个卷积核的权重及偏置，则输出特征图中的第k个特征图
的第(i,j)个元素sk(i,j)为：
其中，
为Xl r中的第(i+a,j+b)个元素，
为Wk的第(p,q)个元素。
第l层的权重wl为：
其中，f()为所述激活函数，ω为权重。
再接着，将各空洞卷积层的输出乘以该空洞卷积层的权重与所有空洞卷积层权重之和的比值，得该空洞卷积层的循环融合输出。设第l层第k个循环融合的特征图为
则该层的循环融合输出为：
最后，将各空洞卷积层的循环融合输出通过全连接层进行合并，得循环融合的特征图。
步骤S6：经感知层得到预测的电池密态循环寿命。同时将该电池密态循环寿命传输到本地端，本地端在本地解密得到最终预测的电池循环寿命。
经过实验验证，本发明具有较高的预测精度，能够在早期预测电池的使用寿命并在电动装置电池失效前有效预测电池的剩余寿命，可以极大缩短电池寿命测试所需的时间，避免由于电池的突然失效造成的巨大损失和安全问题。
实施例二
本发明还提供了一种基于端云协同数据驱动的电池循环寿命预测系统，本领域技术人员可以通过执行所述基于端云协同数据驱动的电池循环寿命预测方法的步骤流程实现所述基于端云协同数据驱动的电池循环寿命预测系统，即可以将所述基于端云协同数据驱动的电池循环寿命预测方法理解为所述基于端云协同数据驱动的电池循环寿命预测系统的优选实施方式。
根据本发明提供的一种基于端云协同数据驱动的电池循环寿命预测系统，包括：
模块M1：采集充电电池充放电循环数据，并进行同态加密传输到云端。所述充放电循环数据包括所有充放电循环中充电过程的电池温度、电流、端电压。
模块M2：云端对同态加密的充电电池充放电循环数据进行拼接处理,得到充放电循环数据对应的密态矩阵。
模块M3：将所述充放电循环数据对应的密态矩阵分为两组，分别记为第一密态矩阵和第二密态矩阵。所述第一密态矩阵和第二密态矩阵均包括：密态温度矩阵、电流矩阵及端电压矩阵。
模块M4：将所述第一密态矩阵发送至第一密态网络模型中依次进行模型训练，得到第一特征注意力加权融合特征图；将所述第二密态矩阵经过循环差分计算后发送至第二密态网络模型中依次进行模型训练，得到第二特征注意力加权融合特征图。所述第一密态网络模型和第二密态网络模型均包括：密态混合卷积神经网络模型、密态充电特征注意力模型和密态循环注意力模型。所述密态混合卷积神经网络模型的激活函数包括ReLU或tanh()或Sigmoid的泰勒展开多项式以进行同态运算，且多项式的推荐阶数为4。
第一密态网络模型和第二密态网络模型的模型训练均包括如下子模块：
模块M4.1：通过密态混合卷积神经网络模型对密态矩阵，进行先三维后二维的密态混合卷积特征提取，输出密态特征图。
模块M4.2：将所述密态特征图作为密态充电特征注意力模型的输入，进行计算得到特征注意力加权融合特征图。模块M4.2包括：
模块M4.2.1：将所有密态特征图同一位置的元素组成特征向量：
Fij＝[Fij 1,Fij 2,……,Fij K]
其中，K表示密态特征图数量，M×N为特征图尺寸，Fij m为第m个特征图Fm中第(i,j)个元素，m＝1,2,…,K，Fij∈RK×1。
模块M4.2.2：使用两个全连接层，计算并输出Fij的注意力权重Aij：
Aij＝f(δg(ωFij+b)+c)
其中，f()和g()表示可同态运算的激活函数，ω∈Ru×K,δ∈R1×u分别为两层的权重矩阵，b∈Ru×1，c∈R1×1分别为两层的偏置，Aij为注意力权重矩阵A的第(i,j)个元素；u是与Fij相连的全连接层中神经元的个数。
模块M4.2.3：将A和密态特征图进行点乘，得融合特征注意力的特征矩阵：
Gm＝A⊙Fm
其中，Gm为第m个输出特征注意力加权融合特征图。
模块M4.3：在密态二维卷积层中对所述征注意力加权融合特征图进行特征提取，通过密态循环注意力模型得到循环注意力多尺度融合特征图。模块M4.3包括：
模块M4.3.1：密态二维卷积层输出的特征图输入到有L层的空洞卷积层。
模块M4.3.2：将当前空洞卷积层输出的特征图输入到全连接层中，并输出当前空洞卷积层的权重。
模块M4.3.3：将上一层空洞卷积层输出的特征图作为输入，重复模块M4.3.1至模块M4.3.2，直至获得第l层空洞卷积层的输出及其权重。
设Xl r为第l层的共Rl+1个输入特征图中的第r个，Wk∈RM×N和bk分别为该层第k个卷积核的权重和偏置，则输出特征图中的第k个特征图
的第(i,j)个元素sk(i,j)为：
其中，
表示Xl r中的第(i+a,j+b)个元素，
表示Wk的第(p,q)个元素，M×N为特征图尺寸；
第l层的权重wl为：
其中，f()表示激活函数，ω表示权重，
表示l+1层的输入特征图中的第r个。
模块M4.3.4：将各空洞卷积层的输出乘以该空洞卷积层的权重与所有空洞卷积层权重之和的比值，得该空洞卷积层的循环融合输出。
设第l层第k个循环融合的特征图为
则该层的循环融合输出为：
模块M4.3.5：将各空洞卷积层的循环融合输出通过全连接层进行合并，得到循环注意力多尺度融合特征图。
模块M5：将所述第一特征注意力加权融合特征图和所述第二特征注意力加权融合特征图进行拼接后经感知层得到预测的电池密态循环寿命。
模块M6：本地端在本地解密得到最终预测的电池循环寿命。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于端云协同数据驱动的电池循环寿命预测方法，其特征在于，包括：
步骤S1：采集充电电池充放电循环数据，并进行同态加密传输到云端；
步骤S2：云端对同态加密的充电电池充放电循环数据进行拼接处理,得到充放电循环数据对应的密态矩阵；
步骤S3：将所述充放电循环数据对应的密态矩阵分为两组，分别记为第一密态矩阵和第二密态矩阵；
步骤S4：将所述第一密态矩阵发送至第一密态网络模型中依次进行模型训练，得到第一特征注意力加权融合特征图；将所述第二密态矩阵经过循环差分计算后发送至第二密态网络模型中依次进行模型训练，得到第二特征注意力加权融合特征图；
步骤S5：将所述第一特征注意力加权融合特征图和所述第二特征注意力加权融合特征图进行拼接后经感知层得到预测的电池密态循环寿命；
步骤S6：本地端在本地解密得到最终预测的电池循环寿命；
所述充放电循环数据包括所有充放电循环中充电过程的电池温度、电流、端电压。
2.根据权利要求1所述的基于端云协同数据驱动的电池循环寿命预测方法，其特征在于，所述第一密态网络模型和第二密态网络模型均包括：密态混合卷积神经网络模型、密态充电特征注意力模型和密态循环注意力模型；
所述密态混合卷积神经网络模型的激活函数包括ReLU或tanh()或Sigmoid的泰勒展开多项式以进行同态运算，且多项式的推荐阶数为4；
所述第一密态矩阵和第二密态矩阵均包括：密态温度矩阵、电流矩阵及端电压矩阵。
3.根据权利要求2所述的基于端云协同数据驱动的电池循环寿命预测方法，其特征在于，第一密态网络模型和第二密态网络模型的模型训练均包括如下子步骤：
步骤S4.1：通过密态混合卷积神经网络模型对密态矩阵，进行先三维后二维的密态混合卷积特征提取，输出密态特征图；
步骤S4.2：将所述密态特征图作为密态充电特征注意力模型的输入，进行计算得到特征注意力加权融合特征图；
步骤S4.3：在密态二维卷积层中对所述征注意力加权融合特征图进行特征提取，通过密态循环注意力模型得到循环注意力多尺度融合特征图。
4.根据权利要求3所述的基于端云协同数据驱动的电池循环寿命预测方法，其特征在于，步骤S4.2包括：
步骤S4.2.1：将所有密态特征图同一位置的元素组成特征向量：
Fij＝[Fij 1，Fij 2，……，Fij K]
其中，K表示密态特征图数量，M×N为特征图尺寸，Fij m为第m个特征图Fm中第(i，j)个元素，m＝1，2，...，K，Fij∈RK×1；
步骤S4.2.2：使用两个全连接层，计算并输出Fij的注意力权重Aij：
Aij＝f(δg(ωFij+b)+c)
其中，f()和g()表示可同态运算的激活函数，ω∈Ru×K，δ∈R1×u分别为两层的权重矩阵，b∈Ru×1，c∈R1×1分别为两层的偏置，Aij为注意力权重矩阵A的第(i，j)个元素；u是与Fij相连的全连接层中神经元的个数；
步骤S4.2.3：将A和密态特征图进行点乘，得融合特征注意力的特征矩阵：
Gm＝A⊙Fm
其中，Gm为第m个输出特征注意力加权融合特征图。
5.根据权利要求3所述的基于端云协同数据驱动的电池循环寿命预测方法，其特征在于，步骤S4.3包括：
步骤S4.3.1：密态二维卷积层输出的特征图输入到有L层的空洞卷积层；
步骤S4.3.2：将当前空洞卷积层输出的特征图输入到全连接层中，并输出当前空洞卷积层的权重；
步骤S4.3.3：将上一层空洞卷积层输出的特征图作为输入，重复步骤S4.3.1至步骤S4.3.2，直至获得第1层空洞卷积层的输出及其权重；
设Xl r为第l层的共Rl+1个输入特征图中的第r个，Wk∈RM×N和bk分别为该层第k个卷积核的权重和偏置，则输出特征图中的第k个特征图
的第(i，j)个元素sk(i，j)为：
其中，
表示Xl r中的第(i+a，j+b)个元素，
表示Wk的第(p，q)个元素，M×N为特征图尺寸；
第l层的权重wl为：
其中，f()表示激活函数，ω表示权重，
表示l+1层的输入特征图中的第r个；
步骤S4.3.4：将各空洞卷积层的输出乘以该空洞卷积层的权重与所有空洞卷积层权重之和的比值，得该空洞卷积层的循环融合输出；
设第l层第k个循环融合的特征图为
则该层的循环融合输出为：
步骤S4.3.5：将各空洞卷积层的循环融合输出通过全连接层进行合并，得到循环注意力多尺度融合特征图。
6.一种基于端云协同数据驱动的电池循环寿命预测系统，其特征在于，包括：
模块M1：采集充电电池充放电循环数据，并进行同态加密传输到云端；
模块M2：云端对同态加密的充电电池充放电循环数据进行拼接处理，得到充放电循环数据对应的密态矩阵；
模块M3：将所述充放电循环数据对应的密态矩阵分为两组，分别记为第一密态矩阵和第二密态矩阵；
模块M4：将所述第一密态矩阵发送至第一密态网络模型中依次进行模型训练，得到第一特征注意力加权融合特征图；将所述第二密态矩阵经过循环差分计算后发送至第二密态网络模型中依次进行模型训练，得到第二特征注意力加权融合特征图；
模块M5：将所述第一特征注意力加权融合特征图和所述第二特征注意力加权融合特征图进行拼接后经感知层得到预测的电池密态循环寿命；
模块M6：本地端在本地解密得到最终预测的电池循环寿命；
所述充放电循环数据包括所有充放电循环中充电过程的电池温度、电流、端电压。
7.根据权利要求6所述的基于端云协同数据驱动的电池循环寿命预测系统，其特征在于，所述第一密态网络模型和第二密态网络模型均包括：密态混合卷积神经网络模型、密态充电特征注意力模型和密态循环注意力模型；
所述密态混合卷积神经网络模型的激活函数包括ReLU或tanh()或Sigmoid的泰勒展开多项式以进行同态运算，且多项式的推荐阶数为4；
所述第一密态矩阵和第二密态矩阵均包括：密态温度矩阵、电流矩阵及端电压矩阵。
8.根据权利要求7所述的基于端云协同数据驱动的电池循环寿命预测系统，其特征在于，第一密态网络模型和第二密态网络模型的模型训练均包括如下子模块：
模块M4.1：通过密态混合卷积神经网络模型对密态矩阵，进行先三维后二维的密态混合卷积特征提取，输出密态特征图；
模块M4.2：将所述密态特征图作为密态充电特征注意力模型的输入，进行计算得到特征注意力加权融合特征图；
模块M4.3：在密态二维卷积层中对所述征注意力加权融合特征图进行特征提取，通过密态循环注意力模型得到循环注意力多尺度融合特征图。
9.根据权利要求8所述的基于端云协同数据驱动的电池循环寿命预测系统，其特征在于，模块M4.2包括：
模块M4.2.1：将所有密态特征图同一位置的元素组成特征向量：
Fik＝[Fik 1，Fik 2，……，Fik K]
其中，K表示密态特征图数量，M×N为特征图尺寸，Fij m为第m个特征图Fm中第(i，j)个元素，m＝1，2，...，K，Fij∈RK×1；
模块M4.2.2：使用两个全连接层，计算并输出Fij的注意力权重Aij：
Aij＝f(δg(ωFij+b)+c)
其中，f()和g()表示可同态运算的激活函数，ω∈Ru×K，δ∈R1×u分别为两层的权重矩阵，b∈Ru×1，c∈R1×1分别为两层的偏置，Aij为注意力权重矩阵A的第(i，j)个元素；u是与Fij相连的全连接层中神经元的个数；
模块M4.2.3：将A和密态特征图进行点乘，得融合特征注意力的特征矩阵：
Gm＝A⊙Fm
其中，Gm为第m个输出特征注意力加权融合特征图。
10.根据权利要求8所述的基于端云协同数据驱动的电池循环寿命预测系统，其特征在于，模块M4.3包括：
模块M4.3.1：密态二维卷积层输出的特征图输入到有L层的空洞卷积层；
模块M4.3.2：将当前空洞卷积层输出的特征图输入到全连接层中，并输出当前空洞卷积层的权重；
模块M4.3.3：将上一层空洞卷积层输出的特征图作为输入，重复模块M4.3.1至模块M4.3.2，直至获得第1层空洞卷积层的输出及其权重；
设Xl r为第l层的共Rl+1个输入特征图中的第r个，Wk∈RM×N和bk分别为该层第k个卷积核的权重和偏置，则输出特征图中的第k个特征图
的第(i，j)个元素sk(i，j)为：
其中，
表示Xl r中的第(i+a，j+b)个元素，
表示Wk的第(p，q)个元素，M×N为特征图尺寸；
第l层的权重wl为：
其中，f()表示激活函数，ω表示权重，
表示l+1层的输入特征图中的第r个；
模块M4.3.4：将各空洞卷积层的输出乘以该空洞卷积层的权重与所有空洞卷积层权重之和的比值，得该空洞卷积层的循环融合输出；
设第l层第k个循环融合的特征图为
则该层的循环融合输出为：
模块M4.3.5：将各空洞卷积层的循环融合输出通过全连接层进行合并，得到循环注意力多尺度融合特征图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310098984.0A CN116087789A (zh) | 2023-02-08 | 2023-02-08 | 基于端云协同数据驱动的电池循环寿命预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310098984.0A CN116087789A (zh) | 2023-02-08 | 2023-02-08 | 基于端云协同数据驱动的电池循环寿命预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116087789A true CN116087789A (zh) | 2023-05-09 |
Family
ID=86186777
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310098984.0A Pending CN116087789A (zh) | 2023-02-08 | 2023-02-08 | 基于端云协同数据驱动的电池循环寿命预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116087789A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117054891A (zh) * | 2023-10-11 | 2023-11-14 | 中煤科工(上海)新能源有限公司 | 电池寿命的预测方法、预测装置 |
-
2023
- 2023-02-08 CN CN202310098984.0A patent/CN116087789A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117054891A (zh) * | 2023-10-11 | 2023-11-14 | 中煤科工(上海)新能源有限公司 | 电池寿命的预测方法、预测装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tagade et al. | Deep Gaussian process regression for lithium-ion battery health prognosis and degradation mode diagnosis | |
| CN112666480B (zh) | 一种基于充电过程特征注意力的电池寿命预测方法 | |
| CN112666479B (zh) | 一种基于充电循环融合的电池寿命预测方法 | |
| Zhou et al. | Battery health prognosis using improved temporal convolutional network modeling | |
| Kim et al. | Data-driven state of health estimation of li-ion batteries with RPT-reduced experimental data | |
| Kim et al. | Estimation of Li-ion battery state of health based on multilayer perceptron: As an EV application | |
| CN114154429B (zh) | 一种储能系统的数字孪生体构建方法、装置及存储介质 | |
| Cui et al. | A dynamic spatial-temporal attention-based GRU model with healthy features for state-of-health estimation of lithium-ion batteries | |
| Zhang et al. | Intelligent state of charge estimation of battery pack based on particle swarm optimization algorithm improved radical basis function neural network | |
| Zheng et al. | State of health estimation for lithium battery random charging process based on CNN-GRU method | |
| Deng et al. | Battery health evaluation using a short random segment of constant current charging | |
| Fei et al. | A deep attention-assisted and memory-augmented temporal convolutional network based model for rapid lithium-ion battery remaining useful life predictions with limited data | |
| Xu et al. | Fast capacity prediction of lithium-ion batteries using aging mechanism-informed bidirectional long short-term memory network | |
| CN116087789A (zh) | 基于端云协同数据驱动的电池循环寿命预测方法及系统 | |
| Zhang et al. | State‐of‐health estimation for the lithium‐ion battery based on gradient boosting decision tree with autonomous selection of excellent features | |
| Zhang et al. | Evolving Elman neural networks based state-of-health estimation for satellite lithium-ion batteries | |
| Khalfi et al. | Nonlinear modeling of lithium-ion battery cells for electric vehicles using a hammerstein–wiener model | |
| DIng et al. | Li-ion battery health estimation based on multi-layer characteristic fusion and deep learning | |
| Jamshidi et al. | Using a soft computing method for impedance modelling of li-ion battery current | |
| Zheng et al. | A novel method for lithium-ion battery remaining useful life prediction using time window and gradient boosting decision trees | |
| CN113361692A (zh) | 一种锂电池剩余寿命结合预测方法 | |
| CN116306288A (zh) | 基于代理模型的锂电池优化设计方法及系统、装置、介质 | |
| Sheikh et al. | A data-driven comparative analysis of lithium-ion battery state of health and capacity estimation | |
| CN115114843A (zh) | 一种电池容量的预测方法、相关装置、设备以及存储介质 | |
| Allam et al. | Pushing the envelope in battery estimation algorithms |
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 |