CN116541679B - 电池续航距离的预估方法、系统、电子设备和存储介质 - Google Patents
电池续航距离的预估方法、系统、电子设备和存储介质 Download PDFInfo
- Publication number
- CN116541679B CN116541679B CN202310809637.4A CN202310809637A CN116541679B CN 116541679 B CN116541679 B CN 116541679B CN 202310809637 A CN202310809637 A CN 202310809637A CN 116541679 B CN116541679 B CN 116541679B
- Authority
- CN
- China
- Prior art keywords
- battery
- user
- distance
- network
- embedded representation
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000003860 storage Methods 0.000 title claims description 9
- 230000008859 change Effects 0.000 claims abstract description 27
- 230000002776 aggregation Effects 0.000 claims description 52
- 238000004220 aggregation Methods 0.000 claims description 52
- 238000012549 training Methods 0.000 claims description 31
- 238000012360 testing method Methods 0.000 claims description 29
- 238000013528 artificial neural network Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000036541 health Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000009830 intercalation Methods 0.000 description 2
- 230000002687 intercalation Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Secondary Cells (AREA)
Abstract
本申请涉及一种电池续航距离的预估方法、系统、电子设备和存储介质,该方法相比于相关技术,分别以电池特征和用户特征为节点,以电池特征和用户特征之间的关联信息为边,构建用户换电的属性网络;得到用户特征的第一嵌入表示,和电池特征的第二嵌入表示;根据属性网络,获取用户每次换电的实际移动距离,并基于实际移动距离确定最大移动距离。解决了相关技术中复杂环境下SOD预估方法结果不够准确的问题,充分利用骑手的骑行习惯信息、车辆的信息、电池的健康状态信息,构建了人‑电池的异构网络,能够充分利用人与电池的关联关系能够在复杂环境下,使得模型对SOD的预估准确性大幅度提升。
Description
技术领域
本申请涉及人工智能领域,特别是涉及一种电池续航距离的预估方法、系统、电子设备和存储介质。
背景技术
电池的续航距离(State of Duration,SOD)是一个重要的属性参数,续航距离是指设备在使用电池供电时可以连续工作的时间或距离。通常,电池的续航距离是根据电池的容量和设备的功耗来估算的,
在相关技术中,电池续航距离的预估方法包括:
1.根据各个器件电流、电压情况计算功率,进而得到所有器件的累计功率;使用电池总能量(mWh)除以累计功率估算出续航时间;进一步的,再根据续航时间乘以时速即可预估电池的续航距离;该方法由于没有考虑各个电源器件的电压转换效率,导致估算的结果偏差会较大。
2.在获取电池端电流情况之后,通过电池总容量(mAh)和电流(mA)估得到续航时间,再根据续航时间乘以时速即可预估电池的续航距离。
上述两种方案都是在实验室的标准环境下进行预估,而在实际应用中,环境复杂,影响电池续航距离的因素众多,例如:车辆的型号、控制器、新旧程度、骑手的骑行习惯、电池健康度 SOH、当前容量 SOC 等。导致上述预估的方法,均存在预估结果不准确的问题。
目前针对电池续航距离的预估方法存在的结果不准确的问题,尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种电池续航距离的预估方法、系统、电子设备和计算机可读存储介质,以至少解决相关技术中电池续航距离的预估方法存在的结果不准确的问题。
第一方面,本申请实施例提供了一种电池续航距离的预估方法,所述方法包括:
分别以电池特征和用户特征为节点,以所述电池特征和所述用户特征之间的关联信息为边,构建用户换电的属性网络;
通过预建图神经网络对所述属性网络进行处理,得到所述用户特征的第一嵌入表示,和所述电池特征的第二嵌入表示;
根据所述属性网络,获取用户每次换电的实际移动距离,并基于所述实际移动距离确定最大移动距离;
从所述属性网络中获取边特征,根据所述边特征、所述第一嵌入表示和所述第二嵌入表示,得到用户每次换电的样本特征;
根据所述样本特征和所述最大移动距离,训练预建MLP网络,以得到电池续航距离预估模型,通过电池续航距离预估模型进行电池续航距离预估。
在其中一些实施例中,通过预建图神经网络对所述属性网络进行处理,得到所述用户特征的第一嵌入表示,和所述电池特征的第二嵌入表示包括:
在所述属性网络中,分别获述电池节点的二阶邻居聚合和用户节点的二阶邻居聚合;
通过所述预建图神经网络中的MLP网络层,分别根据所述电池节点的二阶邻居聚合和所述用户节点的二阶邻居聚合,得到第一嵌入表示和所述第二嵌入表示。
在其中一些实施例中,得到第一嵌入表示和所述第二嵌入表示,所述方法还包括:
通过所述MLP网络层,根据所述第一嵌入表示、第二嵌入表示和模型参数,分别获取所述用户节点和所述电池节点的重构特征;
根据所述用户特征、所述电池特征和所述重构特征,最小化所述属性网络的重构误差;
基于所述最小化之后的重构误差,通过反向传播算法优化所述预建图神经网络的模型参数;
根据优化模型参数之后的所述预建图神经网络,获取优化之后的第一嵌入表示和第二嵌入表示。
在其中一些实施例中,在所述属性网络中,分别获取电池节点的二阶邻居聚合和用户节点的二阶邻居聚合包括:
获取所述用户节点和所述电池节点的一阶邻居节点,将所述用户节点或所述电池节点的特征,与其一阶邻居节点的特征合并,得到特征集合,
获取所述特征集合的特征均值,通过所述图神经网络的全连接层对所述特征均值进行处理,得到所述一阶邻居聚合;
分别根据所述电池节点的一阶邻居聚合和所述用户节点的一阶邻居聚合,得到所述用户节点的二阶邻居聚合,和所述电池节点的二阶邻居聚合。
在其中一些实施例中,根据所述样本特征和所述最大移动距离,训练预建MLP网络包括:
根据所述样本特征和所述最大移动距离生成样本对;
通过随机抽样,将所述样本对划分为训练集和测试集;
基于所述训练集对所述预建MLP网络进行训练,得到MLP模型;
基于所述测试集获取所述MLP模型的预测精度,在所述预测精度大于等于预设精度阈值的情况下,将所述MLP模型定义为所述电池续航距离预估模型。
在其中一些实施例中,基于所述测试集获取所述MLP模型的预测精度包括:
通过所述MLP模型,对所述测试集中的样本特征进行电池续航距离预估,得到预估最大移动距离;
在所述测试集中,获取每个预估最大移动距离对应的实际最大移动距离,并根据搜书预估最大移动距离和所述实际最大移动距离生成测试对;
分别获取各个测试对的残差,并确定所述残差的残差平方和;
确定所述测试集中的样本数量,根据所述残差平方和以及所述样本数量,得到所述预测精度。
在其中一些实施例中,通过如下公式,基于所述实际移动距离确定最大移动距离:
其中,是目标电池的单位SOC对应的移动距离,/>是目标用户的单位SOC对应的移动距离,/>是用户换电的时刻获取的剩余SOC,/>是所述实际移动距离。
第二方面,本申请实施例提供了一种电池续航距离的预估系统,所述系统包括:构建模块、特征提取模块和模型处理模块,其中:
所述构建模块,用于分别以电池特征和用户特征为节点,以所述电池特征和所述用户特征之间的关联信息为边,构建用户换电的属性网络,
以及,通过预建图神经网络对所述属性网络进行处理,得到所述用户特征的第一嵌入表示,和所述电池特征的第二嵌入表示;
所述特征提取模块,用于根据所述属性网络,获取用户每次换电的实际移动距离,并基于所述实际移动距离确定最大移动距离,
以及,从所述属性网络中获取边特征,根据所述边特征、所述第一嵌入表示和所述第二嵌入表示,得到用户每次换电的样本特征;
所述模型处理模块,用于根据所述样本特征和所述最大移动距离,训练预建MLP网络,以得到电池续航距离预估模型,以及,通过电池续航距离预估模型进行电池续航距离预估。
第三方面,本申请实施例提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面所述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一方面所述的方法。
相比于相关技术,本申请实施例提供的电池续航距离预估方法,分别以电池特征和用户特征为节点,以电池特征和用户特征之间的关联信息为边,构建用户换电的属性网络;得到用户特征的第一嵌入表示,和电池特征的第二嵌入表示;根据属性网络,获取用户每次换电的实际移动距离,并基于实际移动距离确定最大移动距离;从属性网络中获取边特征,根据边特征、第一嵌入表示和第二嵌入表示和,得到用户每次换电的样本特征。解决了相关技术中复杂环境下电池续航距离预估方法结果不够准确的问题,充分利用骑手的骑行习惯信息、车辆的信息、电池的健康状态信息,构建了人-电池的异构网络,能够充分利用人与电池的关联关系,在复杂环境下,使得模型对电池续航距离的预估准确性大幅提升。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的电池续航距离预估方法的流程图;
图2是根据本申请实施例的一种计算节点的嵌入表示的示意图;
图3是根据本实施例的一种电池续航距离预估系统的结构框图;
图4是根据本申请实施例的电池续航距离预估系统的执行流程示意图;
图5是根据本申请实施例的电子设备的内部结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
相关技术中,电池续航距离能力是在实验室的环境下预估得到的。然而在实际的使用过程中,由于环境复杂,电池的续航距离受到多种因素的影响,例如:当前电池的SOC、SOH、车辆型号、控制器型号、骑手的骑行习惯等。传统的技术难以解决复杂环境下的电池续航预估问题,导致电池续航距离估计结果与实际的结果偏差较大,特别是在电池、车辆使用一段时间后,预估的准确性与现实存在严重的偏离。
基于上述情况,本申请实施例提供了一种电池续航距离的预估方法、系统、电子设备和存储介质,能够充分利用电池当前所在的复杂环境进行续航距离的准确预估。
第一方面,本申请实施例提供了一种电池续航距离的预估方法,图1是根据本申请实施例的电池续航距离预估方法的流程图,如图1所示,该方法包括如下步骤:
步骤S101、分别以电池特征和用户特征为节点,以电池特征和用户特征之间关联信息的为边,构建用户换电的属性网络;
本实施例中,电池特征可以但不限于是:每个电池在最近的预设时间段内的平均骑行距离、最大骑行距离、单位SOC骑行距离(1% SOC 对应的骑行距离,等于总骑行距离除以总消耗的SOC)、单位电压骑行距离(消耗1v电压对应的骑行距离,等于总骑行距离除以总消耗的电压)和最大骑行速度;
用户特征可以但不限于是:每个用户在最近的预设时间段内的平均骑行距离、最大骑行距离、单位SOC骑行距离、单位电压骑行距离、平均骑行速度和最大骑行速度;
其中,上述预设时间段可以是30天、20天等,本实施例中优选为30天。
进一步的,用户节点和电池节点之间的关联信息为属性网络中的边,其用于表示某个用户使用了某个电池,边的特征主要包括:换电池的时刻、换电池时刻下的电压和电量SOC(State of Charge,充电状态),其中,SOC用于描述电池的电荷状态,表示电池当前存储电能的比例或百分比。SOC的数值通常以百分比的形式表示,从0%(完全放电)到100%(完全充电)之间。
可以理解,该属性网络由用户特征构成的节点、电池特征构成节点以及用户节点和电池节点之间的关联信息组成,其中,边可以用于表示某个用户使用过某个电池,以及使用电池时该电池的状态信息。
S102,通过预建图神经网络对属性网络进行处理,得到用户特征的第一嵌入表示,和电池特征的第二嵌入表示;
其中,在图网络结构中,任意一个节点的邻居聚合是指将一个节点的邻居节点的信息进行聚合或合并,以得到邻居节点的整体特征表示。
本实施例中,通过在属性网络中分别计算电池节点和用户节点的二阶邻居聚合,可以获取任意一个节点相关的邻居节点的特征和关联,帮助用户节点/电池节点更全面地理解其在整个图结构中的关联关系,得到更加充分的用于描述节点特征的上下文信息。
其中,一阶邻居聚合(First-order Neighbor Aggregation)是指将一个节点的直接邻居节点的特征进行聚合。具体的,对于节点 u,一阶邻居聚合将 u 的直接邻居节点的特征进行合并,通常采用求均值或拼接的方式。聚合后的特征用于更新节点 u 的表示,以便捕捉节点 u 在其一阶邻居中的上下文信息。
二阶邻居聚合(Second-order Neighbor Aggregation)则进一步考虑了节点的间接邻居节点。除了将节点 u 的一阶邻居节点的特征进行聚合外,还将节点 u 的一阶邻居节点的邻居节点的特征也进行聚合。二阶邻居聚合将节点 u 的一阶邻居节点和二阶邻居节点的特征进行合并,得到更广泛的上下文信息。从而提供更丰富的特征表示。
进一步的,该预建图神经网络中的结构中还包括第一MLP网络层,通过该第一MLP网络层,根据上述二阶邻居聚合,分别得到电池节点和用户节点的嵌入式表示。
需要说明的是,嵌入表示(Embedding Representation)是将对象或数据点映射到低维空间的一种表示形式。本实施例中,通过计算嵌入表示,将高维的二阶特征聚合转换为低维的向量表示,以便于后续的模型训练和预测。
S103,根据属性网络,获取用户每次换电的实际移动距离,并基于实际移动距离确定最大移动距离;
属性网络中,每条边即对应一次实际移动距离。当一个用户多次使用相同一个电池,则构成的边对应的实际骑行距离等于每次换电 <u,b> 的骑行距离的平均值,具体可通过如下公式1计算骑行距离的平均值:
公式1:
公式1中, 表示用户 u 单次使用电池b的实际骑行距离,/> 表示用户 u 使用电池 b 的次数;
进一步的,在得到实际骑行距离之后,一般情况下用户会提前进行换电,因此实际骑行距离会比最大骑行距离小,为了得到每次换电的最大骑行距离。
在本方案中,对于每次的换电 G<u,b> 的最大骑行距离,通过如下公式2获取:
公式2:
公式2中,是目标电池的单位SOC对应的移动距离,/>是目标用户的单位SOC对应的移动距离,/>是用户换电的时刻获取的剩余SOC,/>是实际移动距离。
S104,根据第一嵌入表示、第二嵌入表示和边特征得到用户每次换电的样本特征;根据样本特征和最大移动距离,训练预建MLP网络,以得到电池续航距离预估模型,通过电池续航距离预估模型进行电池续航距离预估。
其中,通过将用户特征的第一嵌入表示、电池特征的第二嵌入表示和上述边的特征拼接,以得到样本特征,进一步的,该样本特征可以被分为训练集和测试集;
本实施例中,以上述训练集中的样本特征为输入、以每个样本特征对应的最大骑行距离为输出,训练预建MLP网络,以得到训练好的MLP模型。
需要说明的是,该预建MLP网络与上述步骤S102中的第一MLP网络层是相互区分的两个MLP网络。在本步骤中,预建MLP网络是独立的网络,其作用是基于样本特征进行训练,得到最终用于预测电池续航距离的模型。在步骤S102中,第一MLP网络层是图神经网络中的一个组成结构,其作用是获取二阶邻居聚合的嵌入表示以及计算重构特征。
进一步的,在得到训练好MLP 模型之后,需要通过测试集对模型的预估结果进行测试,当测试结果指示模型精确度达标,该模型可以被定义为电池续航距离预估模型。将该电池续航距离预估模型部署在实际场景中,其可以根据实时更新的节点特征和用户每次换电时的边特征,进行实时的最大骑行距离(SOD)预估。
本实施例中,用于电池续航距离预估的MLP(Multilayer Perceptron,多层感知器)由多个神经元层组成,其中每个神经元层与下一层完全连接,包含输入层、隐藏层和输出层。
具体的,输入层接收原始数据,隐藏层进行信息处理和特征提取,输出层生成最终的预测结果,且每个神经元都有权重和偏差,用于计算输入信号的加权和。在每个神经元中,输入信号通过激活函数进行非线性变换。通过该MLP网络得到的电池续航距离预估模型,具备较强的泛化能力,可以适应复杂的数据分布和决策边界。同时,还可以通过增加隐藏层或神经元的数量来增加网络的容量和表示能力,以适应更复杂的任务和数据。
进一步的,在训练结束之后,还可以通过反向传播算法(Backpropagation)对该预建MLP模型进行继续训练。其中,反向传播通过计算预测输出与真实标签之间的误差,并根据误差调整神经元之间的权重和偏差。这个过程在训练数据上进行多次迭代,以使模型逐渐优化并减小误差。通过上述步骤,本申请中最终得到的MLP模型,可以综合异构的用户特征、电池特征以及用户换电的边特征进行训练,从而能够在复杂环境下,实现精准度的电池续航距离预估。
通过上述步骤S101至S104,相比较于相关技术中电池续航距离能力预估方法,由于干扰因素复杂导致估准确性与实际的结果偏差较大的方法。本申请实施例充分利用骑手的骑行习惯信息、车辆的信息、电池的健康状态信息,基于充分的真实数据进行模型训练,构建了人-电池的异构网络,能够充分利用人与电池的关联关系,在预估的时候不仅考虑当前电池的信息,还充分考虑了电池的历史使用信息,从而能够在复杂环境下,使模型对电池续航距离的预估准确性大幅度提升。
在其中一些实施例中,图2是根据本申请实施例的一种计算节点嵌入表示的示意图,如图2所示,该流程包括如下步骤:
Step1,将属性网络输入输入图神经网络中;
Step2,图神经网络分别计算用户节点u的一阶邻居聚合Eu1,和电池节点b的一阶邻居聚合Eb1;
Step3,图神经网络在属性网络中,分别获取电池节点的二阶邻居聚合和用户节点的二阶邻居聚合;
其中,一阶邻居聚合即为目标节点直接连接的一层节点的特征集合,二阶邻居聚合则是在于与一层节点连接的所有二层节点的特征集合。
本实施例中,通过获取属性网络中任意一个目标节点的二阶邻居聚合,可以更全面地描述和表示目标节点的特征,提供更广泛的上下文信息,从而提供更多的统计和结构信号,在后续流程中更准确地预测节点的属性或行为。
Step4,通过第一MLP网络层,分别根据电池节点的二阶邻居聚合,和用户节点的二阶邻居聚合,得到用户节点第一嵌入表示和电池节点第二嵌入表示;
其中,该第一MLP网络是上述图神经网络中的一个组成部分;由于步骤Setp3得到的二阶邻居聚合是高维度的特征表示,本步骤中,通过计算嵌入表示,可以将高维度的特征降维到低维度的嵌入空间中,减少数据的复杂性和计算负担。进一步的,利用嵌入表示可以用更紧凑的向量形式表示节点的特征,从而简化计算和处理过程。具体的,可以通过图神经网络的模型参数,分别将用户节点和电池节点的二阶邻居聚合进行线性变换,得到用户节点和电池节点的嵌入表示。
可选的,在通过上述步骤Step4分别得到第一嵌入表示Eu和第二嵌入表示Eb之后,还可以对Eu和Eb继续进行优化,具体包括:
Step5,通过第一MLP网络层,根据第一嵌入表示、第二嵌入表示和模型参数,分别获取用户节点和电池节点的重构特征;根据用户特征、电池特征和重构特征,最小化属性网络的重构误差,再根据最小化的重构误差,通过反向传播算法优化属性网络的模型参数;
本步骤中,计算重构特征是为了评估上述得到的嵌入表示的质量和还原能力。通过将嵌入表示反向传播到原始图结构中,可以重构出节点的特征向量。该重构特征能够表示嵌入向量是否能够准确地还原节点的原始特征信息。
进一步的,重构误差是原始特征与重构特征之间的差异度量,本实施例中,计算重构误差可以评估嵌入表示的还原能力和信息丢失程度。其中,较低的重构误差表示嵌入表示能够准确地还原用户节点和电池节点的特征,较高的重构误差则意味着信息丢失或者嵌入表示的质量较低。
本申请中,通过计算重构特征和重构误差,可以评估嵌入表示的质量、还原能力和信息丢失程度,以指导模型的训练和优化过程。之后,再通过反向传播以优化图结构网络中的模型参数,计算损失函数对于模型参数的梯度,并根据梯度更新优化模型的参数值。
Step7,根据优化模型参数之后的属性网络,获取优化之后的第一嵌入表示和第二嵌入表示。
通过上述实施例,计算任意一个节点的二阶邻居聚合,并进一步的根据该二阶邻居聚合得到优化后嵌入表示,该嵌入表示可以更全面地描述和图结构网络中任意一个用户节点和电池节点的特征,提供更广泛的上下文信息,以及提供更多的统计和结构信息,为后续模型的训练提供全面、广泛的数据基础。
具体的,若属性网络是<u, b>,其中 u 的属性为 Xu,b 的属性为 Xb,则分别计算用户节点和电池节点的二阶邻居聚合,包括:
(1)计算用户节点的一阶邻居聚合 Eu1:
公式中, Wu1 是图神经网络的模型参数,Mean(x1,x2…) 表示计算对应样本x1,x2…的均值;N(*) 表示节点 * 的所有邻居,其中,。
(2)计算电池节点的一阶邻居聚合:
(3)计算用户节点的二阶邻居聚合:
(4)计算电池节点的二阶邻居聚合,以及通过如下公式,计算用户节点u 的嵌入表示 Eu 和电池节点 b 的嵌入表示 Eb:;/>
(5)计算用户节点 u 和电池节点 b 的重构特征:;/>
(6)通过反向传播算法优化模型参数,,最小化模型的重构误差 ,/>。
(7)模型训练后,重新提取用户嵌入表示 Eu 和电池嵌入表示 Eb。
在其中一些实施例中,在属性网络中,每条边(每次换电)的实际骑行距离,如果一个用户多次使用相同一个电池,则构成的边的实际骑行距离等于每次换电 <u,b> 的骑行距离的平均值,可以通过如下公式
公式中, 表示用户 u 单次使用电池b的实际骑行距离, />表示用户 u 使用电池 b 的次数。
需要说明的是,通常情况下用户会提前进行换电,因此实际骑行距离会比最大骑行距离小。为了得到每次换电的最大骑行距离,需要根据该实际骑行距离计算最大骑行距离。
在其中一些实施例中,根据样本特征和最大移动距离,对预建MLP网络进行训练包括如下步骤:
Step1,根据样本特征和最大移动距离生成样本对;其中,样本特征可以表示为 X= Eu#Eb#Xe。
Eu、Eb和Xe分别是用户特征、电池特征和边特征,# 表示将特征拼接,
例如: ,则 />
Step2,通过随机抽样,将样本对划分为训练集Dtrn和测试集Dtst;本实施例中,可选的,训练集和样本集的比例是7:3;
Step3,基于训练集对预建MLP网络进行训练,得到训练好的MLP模型;
Step4,基于测试集获取MLP模型的预测精度,在预测精度大于等于预设精度阈值的情况下,将训练好的MLP模型定义为预估MLP模型。
具体的,基于测试集测试MLP模型的预测结果包括:
Srep4.1,通过训练好的MLP模型,对测试集中的样本特征进行电池续航距离预估,得到预估最大移动距离;
Step4.2,对应在测试集中,获取每个预估最大移动距离对应的最大移动距离并生成测试对;
Step4.3,分别获取各个测试对的残差,并确定残差的残差平方和;
Step4.4,确定测试集中的样本数量,根据残差平方和以及样本数量,得到预测精度。
本实施例中,使用均方误差 Mean Squared Error(MSE) 衡量模型的效果:,其中 Pi 表示边i的模型预测最大骑行距离,Yi 表示边i的修正后最大骑行距离,|D| 表示实际预测的样本。具体的,MSE的值越小表示模型的预测结果与实际观测值越接近,模型的效果越好。相比于其他衡量指标如平均绝对误差(MAE),MSE更加重视较大误差的样本,因为平方操作使得大误差的影响更加显著。
第二方面,本申请实施例提供了一种电池续航距离的预估系统。图3是根据本实施例的一种电池续航距离预估系统的结构框图。如图3所示,该电池续航距离系统包括:构建模块30、特征提取模块31和模型处理模块32,其中:
构建模块30,用于分别以电池特征和用户特征为节点,以电池特征和用户特征之间的关联信息为边,构建用户换电的属性网络,以及,通过预建图神经网络对属性网络进行处理,得到用户特征的第一嵌入表示,和电池特征的第二嵌入表示;
特征提取模块31,用于根据属性网络,获取用户每次换电的实际移动距离,并基于实际移动距离确定最大移动距离,以及,从属性网络中获取边特征,根据边特征、第一嵌入表示和第二嵌入表示,得到用户每次换电的样本特征;
模型处理模块32,用于根据样本特征和最大移动距离,训练预建MLP网络,以得到电池续航距离预估模型,以及通过电池续航距离预估模型进行电池续航距离预估。
图4是根据本申请实施例的电池续航距离预估系统的执行流程示意图,如图4所示,首先,通过构建模块提取电池特征、用户特征和边特征,并根据这些特征构建用户换电的属性网络;
进一步的,通过特征提取模块,得到每次换电的真实骑行距离和最大骑行距离;另一方面,该特征提取模块,通过预建图神经网络对属性网络进行处理,得到用户特征的第一嵌入表示,和电池特征的第二嵌入表示;
最后,通过模型处理模块,根据嵌入表示和边特征生成样本特征,并把该样本特征划分为训练集和测试集,根据该样本数据训练预构建的MLP网络,得到电池续航距离预估模型,部署该电池续航距离预估模型在复杂环境中进行电池续航距离预估。
通过本实施例提供电池续航距离预估系统,相比较于相关技术中电池续航距离能力预估方法,由于干扰因素复杂导致估准确性与实际的结果偏差较大的系统。本申请实施例充分利用骑手的骑行习惯信息、车辆的信息、电池的健康状态信息,基于充分的真实数据进行模型训练,构建了人-电池的异构网络,能够充分利用人与电池的关联关系,在预估的时候不仅考虑当前电池的信息,还充分考虑了电池的历史使用信息,能够在复杂环境下,使模型对电池续航距离的预估准确性大幅提升。
在一个实施例中,图5是根据本申请实施例的电子设备的内部结构示意图,如图5所示,提供了一种电子设备,该电子设备可以是服务器,其内部结构图可以如图5所示。该电子设备包括通过内部总线连接的处理器、网络接口、内存储器和非易失性存储器,其中,该非易失性存储器存储有操作系统、计算机程序和数据库。处理器用于提供计算和控制能力,网络接口用于与外部的终端通过网络连接通信,内存储器用于为操作系统的运行提供环境,计算机程序被处理器执行时以实现一种电池续航距离预估方法,数据库用于存储数据。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的电子设备的限定,具体的电子设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种电池续航距离的预估方法,其特征在于,所述方法包括:
分别以电池特征和用户特征为节点,以所述电池特征和所述用户特征之间的关联信息为边,构建用户换电的属性网络;
通过预建图神经网络对所述属性网络进行处理,得到所述用户特征的第一嵌入表示,和所述电池特征的第二嵌入表示;
根据所述属性网络,获取用户每次换电的实际移动距离,并基于所述实际移动距离确定最大移动距离;
从所述属性网络中获取边特征,根据所述边特征、所述第一嵌入表示和所述第二嵌入表示,得到用户每次换电的样本特征;
根据所述样本特征和所述最大移动距离,训练预建MLP网络,以得到电池续航距离预估模型,通过电池续航距离预估模型进行电池续航距离预估。
2.根据权利要求1所述的方法,其特征在于,通过预建图神经网络对所述属性网络进行处理,得到所述用户特征的第一嵌入表示,和所述电池特征的第二嵌入表示包括:
在所述属性网络中,分别获述电池节点的二阶邻居聚合和用户节点的二阶邻居聚合;
通过所述预建图神经网络中的MLP网络层,分别根据所述电池节点的二阶邻居聚合和所述用户节点的二阶邻居聚合,得到第一嵌入表示和所述第二嵌入表示。
3.根据权利要求2所述的方法,其特征在于,得到第一嵌入表示和所述第二嵌入表示,所述方法还包括:
通过所述MLP网络层,根据所述第一嵌入表示、第二嵌入表示和模型参数,分别获取所述用户节点和所述电池节点的重构特征;
根据所述用户特征、所述电池特征和所述重构特征,最小化所述属性网络的重构误差;
基于所述最小化之后的重构误差,通过反向传播算法优化所述预建图神经网络的模型参数;
根据优化模型参数之后的所述预建图神经网络,获取优化之后的第一嵌入表示和第二嵌入表示。
4.根据权利要求2所述的方法,其特征在于,在所述属性网络中,分别获取电池节点的二阶邻居聚合和用户节点的二阶邻居聚合包括:
获取所述用户节点和所述电池节点的一阶邻居节点,将所述用户节点或所述电池节点的特征,与其一阶邻居节点的特征合并,得到特征集合,
获取所述特征集合的特征均值,通过所述图神经网络的全连接层对所述特征均值进行处理,得到所述一阶邻居聚合;
分别根据所述电池节点的一阶邻居聚合和所述用户节点的一阶邻居聚合,得到所述用户节点的二阶邻居聚合,和所述电池节点的二阶邻居聚合。
5.根据权利要求1所述的方法,其特征在于,根据所述样本特征和所述最大移动距离,训练预建MLP网络包括:
根据所述样本特征和所述最大移动距离生成样本对;
通过随机抽样,将所述样本对划分为训练集和测试集;
基于所述训练集对所述预建MLP网络进行训练,得到MLP模型;
基于所述测试集获取所述MLP模型的预测精度,在所述预测精度大于等于预设精度阈值的情况下,将所述MLP模型定义为所述电池续航距离预估模型。
6.根据权利要求5所述的方法,其特征在于,基于所述测试集获取所述MLP模型的预测精度包括:
通过所述MLP模型,对所述测试集中的样本特征进行电池续航距离预估,得到预估最大移动距离;
在所述测试集中,获取每个预估最大移动距离对应的实际最大移动距离,并根据搜书预估最大移动距离和所述实际最大移动距离生成测试对;
分别获取各个测试对的残差,并确定所述残差的残差平方和;
确定所述测试集中的样本数量,根据所述残差平方和以及所述样本数量,得到所述预测精度。
7.根据权利要求1所述的方法,其特征在于,通过如下公式,基于所述实际移动距离确定最大移动距离:
其中,/>是目标电池的单位SOC对应的移动距离,/>是目标用户的单位SOC对应的移动距离,/>是用户换电的时刻获取的剩余SOC,/>是所述实际移动距离。
8.一种电池续航距离的预估系统,其特征在于,所述系统包括:构建模块、特征提取模块和模型处理模块,其中:
所述构建模块,用于分别以电池特征和用户特征为节点,以所述电池特征和所述用户特征之间的关联信息为边,构建用户换电的属性网络,
以及,通过预建图神经网络对所述属性网络进行处理,得到所述用户特征的第一嵌入表示,和所述电池特征的第二嵌入表示;
所述特征提取模块,用于根据所述属性网络,获取用户每次换电的实际移动距离,并基于所述实际移动距离确定最大移动距离,
以及,从所述属性网络中获取边特征,根据所述边特征、所述第一嵌入表示和所述第二嵌入表示,得到用户每次换电的样本特征;
所述模型处理模块,用于根据所述样本特征和所述最大移动距离,训练预建MLP网络,以得到电池续航距离预估模型,以及,通过电池续航距离预估模型进行电池续航距离预估。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310809637.4A CN116541679B (zh) | 2023-07-04 | 2023-07-04 | 电池续航距离的预估方法、系统、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310809637.4A CN116541679B (zh) | 2023-07-04 | 2023-07-04 | 电池续航距离的预估方法、系统、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116541679A CN116541679A (zh) | 2023-08-04 |
CN116541679B true CN116541679B (zh) | 2023-09-15 |
Family
ID=87458156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310809637.4A Active CN116541679B (zh) | 2023-07-04 | 2023-07-04 | 电池续航距离的预估方法、系统、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116541679B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116878535B (zh) * | 2023-09-05 | 2023-12-12 | 杭州宇谷科技股份有限公司 | 一种基于混合时序网络的智能换电引导方法和系统 |
CN117061605B (zh) * | 2023-10-11 | 2024-02-06 | 杭州宇谷科技股份有限公司 | 基于端云协同的智能锂电池主动式信息推送方法和装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008082288A1 (en) * | 2006-12-28 | 2008-07-10 | Greenpeak Technologies B.V. | Method and system for estimating the lifetime of a battery |
CN106945530A (zh) * | 2017-04-07 | 2017-07-14 | 重庆长安汽车股份有限公司 | 一种电动汽车及其续驶里程预测方法、系统 |
CN108710084A (zh) * | 2018-06-01 | 2018-10-26 | 王泽霖 | 一种电动汽车电源监控及能源管理系统 |
CN109760523A (zh) * | 2019-01-21 | 2019-05-17 | 浙江工业大学 | 基于bp神经网络车速预测的复合电源能量管理方法 |
CN110091751A (zh) * | 2019-04-30 | 2019-08-06 | 深圳四海万联科技有限公司 | 基于深度学习的电动汽车续航里程预测方法、设备及介质 |
CN111999657A (zh) * | 2020-10-29 | 2020-11-27 | 北京航空航天大学 | 一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法 |
CN113479110A (zh) * | 2021-08-20 | 2021-10-08 | 浙江吉利控股集团有限公司 | 换电式混合动力车辆及其换电策略确定方法和整车控制器 |
WO2022101769A1 (en) * | 2020-11-13 | 2022-05-19 | Kpit Technologies Limited | A hybrid system and method for estimating state of charge of a battery |
CN115742855A (zh) * | 2022-11-29 | 2023-03-07 | 重庆长安汽车股份有限公司 | 电动汽车剩余里程预测方法、装置、电动汽车及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11408746B2 (en) * | 2019-12-04 | 2022-08-09 | Toyota Connected North America, Inc. | Systems and methods for generating attributes-based recommendations |
-
2023
- 2023-07-04 CN CN202310809637.4A patent/CN116541679B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008082288A1 (en) * | 2006-12-28 | 2008-07-10 | Greenpeak Technologies B.V. | Method and system for estimating the lifetime of a battery |
CN106945530A (zh) * | 2017-04-07 | 2017-07-14 | 重庆长安汽车股份有限公司 | 一种电动汽车及其续驶里程预测方法、系统 |
CN108710084A (zh) * | 2018-06-01 | 2018-10-26 | 王泽霖 | 一种电动汽车电源监控及能源管理系统 |
CN109760523A (zh) * | 2019-01-21 | 2019-05-17 | 浙江工业大学 | 基于bp神经网络车速预测的复合电源能量管理方法 |
CN110091751A (zh) * | 2019-04-30 | 2019-08-06 | 深圳四海万联科技有限公司 | 基于深度学习的电动汽车续航里程预测方法、设备及介质 |
CN111999657A (zh) * | 2020-10-29 | 2020-11-27 | 北京航空航天大学 | 一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法 |
WO2022101769A1 (en) * | 2020-11-13 | 2022-05-19 | Kpit Technologies Limited | A hybrid system and method for estimating state of charge of a battery |
CN113479110A (zh) * | 2021-08-20 | 2021-10-08 | 浙江吉利控股集团有限公司 | 换电式混合动力车辆及其换电策略确定方法和整车控制器 |
CN115742855A (zh) * | 2022-11-29 | 2023-03-07 | 重庆长安汽车股份有限公司 | 电动汽车剩余里程预测方法、装置、电动汽车及介质 |
Non-Patent Citations (2)
Title |
---|
A Novel Electric Vehicle Battery Management System Using an Artificial Neural Network-Based Adaptive Droop Control Theory;Muhammad Zeshan Afzal等;International Journal of Energy Research;全文 * |
基于BP神经网络法估算动力电池SOC;张传伟;李林阳;赵东刚;;电源技术(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116541679A (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116541679B (zh) | 电池续航距离的预估方法、系统、电子设备和存储介质 | |
Wang et al. | Improved anti-noise adaptive long short-term memory neural network modeling for the robust remaining useful life prediction of lithium-ion batteries | |
JP6620902B2 (ja) | 劣化推定装置、コンピュータプログラム及び劣化推定方法 | |
Sui et al. | A review of non-probabilistic machine learning-based state of health estimation techniques for Lithium-ion battery | |
Li et al. | Physics-informed neural networks for electrode-level state estimation in lithium-ion batteries | |
Park et al. | A deep reinforcement learning framework for fast charging of li-ion batteries | |
CN110427654B (zh) | 一种基于敏感状态的滑坡预测模型构建方法及系统 | |
WO2017024583A1 (zh) | 模型预测控制的方法和装置 | |
Chen et al. | An overview of data-driven battery health estimation technology for battery management system | |
Dong et al. | Applying the ensemble artificial neural network-based hybrid data-driven model to daily total load forecasting | |
CN112630659A (zh) | 一种基于改进bp-ekf算法的锂电池soc估算方法 | |
Valladares et al. | Gaussian process-based prognostics of lithium-ion batteries and design optimization of cathode active materials | |
Che et al. | Battery health prognostic with sensor-free differential temperature voltammetry reconstruction and capacity estimation based on multi-domain adaptation | |
CN112834927A (zh) | 锂电池剩余寿命预测方法、系统、设备及介质 | |
CN116345578B (zh) | 基于深度确定性策略梯度的微电网运行优化调度方法 | |
Biggio et al. | Dynaformer: A deep learning model for ageing-aware battery discharge prediction | |
CN117148197A (zh) | 一种基于集成Transformer模型的锂离子电池寿命预测方法 | |
Xiong et al. | A novel nonlinear decreasing step-bacterial foraging optimization algorithm and simulated annealing-back propagation model for long-term battery state of health estimation | |
Hu et al. | State-of-charge estimation for lithium-ion batteries of electric vehicle based on sensor random error compensation | |
Yao et al. | Online health estimation strategy with transfer learning for operating lithium-ion batteries | |
Chen et al. | State of health estimation for lithium-ion battery based on particle swarm optimization algorithm and extreme learning machine | |
Degla et al. | State of charge estimation for Li-ion battery based intelligent algorithms | |
CN116706888A (zh) | 基于联邦学习的智能电网负荷预测方法 | |
Lin et al. | Hpt-rl: Calibrating power system models based on hierarchical parameter tuning and reinforcement learning | |
EP4148939A1 (en) | System and method for controlling power distribution systems using graph-based reinforcement 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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Li Chao Inventor after: Huang Jiaming Inventor after: Xiao Jie Inventor before: Li Chao Inventor before: Huang Jiaming Inventor before: Xiao Jie |
|
CB03 | Change of inventor or designer information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |