CN116774055A - 基于svd-mmd策略的锂离子电池soc跨域估计方法、系统及介质 - Google Patents
基于svd-mmd策略的锂离子电池soc跨域估计方法、系统及介质 Download PDFInfo
- Publication number
- CN116774055A CN116774055A CN202311000350.3A CN202311000350A CN116774055A CN 116774055 A CN116774055 A CN 116774055A CN 202311000350 A CN202311000350 A CN 202311000350A CN 116774055 A CN116774055 A CN 116774055A
- Authority
- CN
- China
- Prior art keywords
- ion battery
- lithium ion
- mmd
- domain
- svd
- 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
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 70
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000013526 transfer learning Methods 0.000 claims abstract description 11
- 230000014509 gene expression Effects 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000005312 nonlinear dynamic Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 2
- 230000007704 transition Effects 0.000 claims description 2
- 238000013508 migration Methods 0.000 description 9
- 230000005012 migration Effects 0.000 description 9
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 5
- 229910052744 lithium Inorganic materials 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及电池SOC估算技术领域，具体涉及一种基于SVD‑MMD策略的锂离子电池SOC跨域估计方法、系统及介质，步骤如下：构建基于GRU网络的锂离子电池SOC估计源域模型以及目标域模型；基于SVD‑MMD策略改进迁移学习目标网络，将锂离子电池SOC估计源域模型训练数据参数转移至锂离子电池SOC估计目标域模型；采用训练完成后的目标域模型估计SOC值。本发明基于迁移学习结合特征解耦，有助于提取与任务相关的重要和次要特征；通过MMD方法度量跨域中不同特征之间的相似性，以及使用余弦差异量化同一域上的差异，确保了解耦后的特征在跨域中保持有效性和鲁棒性，有助于增强模型的泛化能力。
Description
技术领域
本发明涉及电池SOC估算技术领域，具体而言，涉及一种基于SVD-MMD策略的锂离子电池SOC跨域估计方法、系统及介质。
背景技术
在双碳背景下，寻找新型能源替代传统能源已成为研究热点。锂离子电池具有高能量密度、长循环寿命和高性价比等优点，已广泛应用于电网中作为储能电站的常用储能形式。然而，锂离子电池的性能受环境和操作条件影响较大，存在潜在故障风险。因此，需通过电池管理系统（Battery Management System，BMS）监测电池状态，确保其安全高效运行。电池状态估计（state of charge，SOC）是BMS中最重要且具有挑战性的功能之一。
同时，由于SOC无法直接观测，需通过电压、电流、温度等可观测变量进行间接估计。因此，建立可观测变量与SOC之间的非线性映射关系成为关键问题，然而电池实际工作条件的复杂性进一步增加了SOC估计的难度。
迄今为止，锂电池SOC估计常用方法有安时积分法、开路电压法、基于模型的估计方法和数据驱动估计方法。安时积分法计算量较小且易于实现，但不考虑噪声、电流以及温度等不确定因素的干扰，缺乏反馈校正，易导致误差积累；开路电压法需要电池保持较长时间的搁置状态来达到平衡，以获得开路电压（open circuit voltage, OCV）与SOC曲线，使其实际应用场景十分受限；基于模型的方法很大程度上依赖于电池模型的精度，且电池的参数易受不同的条件因素影响，从而需要不同版本的模型来在不同的环境条件下进行SOC估计，这面临着硬件计算能力的瓶颈。与其他三种方法不同，数据驱动方法不要求了解电池工作原理和数学模型特定领域知识，该方法依靠大量的数据来训练一个测量变量与SOC之间的映射模型。近年来，随着深度学习的发展，许多研究者提出了各种改进的深度学习方法来实现SOC估计。
现有深度学习估计锂电池SOC的方法基本遵循训练集和测试集具有相似分布的假设。然而，在实际情况下，锂电池受到不同环境温度、运行工况和化学性质的影响。这忽略了分布差异的现实，导致构建的SOC估计模型泛化能力不佳。此外，实际应用场景中电池标签数据获取困难，可能导致标签数据不足和网络模型过拟合。为解决这些问题，越来越多的研究者采用迁移学习中的微调策略，利用固定的全连接层在源网络和目标网络之间传递知识以实现锂离子电池跨域SOC估计。但微调策略方法未考虑源域和目标域之间特征的相似度存在显著差异，而过度的知识迁移将会造成负迁移现象，导致目标网络性能下降。
发明内容
本发明的目的在于在现有研究基础上，结合门控循环单元（Gated RecurrentUnit，GRU）网络，提出了一种融合奇异值分解（Singular Value Decomposition, SVD）技术与最大均值差异（Maximum Mean Discrepancy, MMD）的方法，旨在解决实际工况中，数据分布差异和标签数据难以获取对SOC估计带来的难题，以增强锂电池的跨域SOC估计性能。
本发明的实施例通过以下技术方案实现：一种基于SVD-MMD策略的锂离子电池SOC跨域估计方法，包括如下步骤：
构建基于GRU网络的锂离子电池SOC估计源域模型以及目标域模型；
基于SVD-MMD策略改进迁移学习目标网络，将锂离子电池SOC估计源域模型训练数据参数转移至锂离子电池SOC估计目标域模型，对目标网络进行优化；
采用训练完成后的锂离子电池SOC估计目标域模型估计锂离子电池SOC值。
根据一种优选实施方式，所述GRU网络的输入为锂离子电池的电压、电流和温度数据，其传播表达式如下：
上式中，和/>分别表示时间步长/>的更新门输出和复位门输出，/>和/>分别表示权值和阈值，/>表示时间步长/>的输入，/>表示元素的乘法，/>和/>分别表示s型激活函数和/>激活函数，/>和/>分别表示时间步长/>的隐藏层输出和临时层输出，通过如下表达式转换为SOC输出：
上式中，表示时间步长/>的估计SOC值，/>和/>分别表示全连通层权值矩阵和偏置向量。
根据一种优选实施方式，所述基于SVD-MMD策略改进迁移学习目标网络，将锂离子电池SOC估计源域模型训练数据参数转移至锂离子电池SOC估计目标域模型，对目标网络进行优化，具体包括：
利用SVD对锂离子电池非线性动态特征进行解耦，提取网络中与任务相关的重要特征和次要特征；
通过MMD度量跨域中不同特征之间的相似性，并采用余弦差异衡量同一域上的差异性，对目标网络进行优化。
根据一种优选实施方式，所述MMD的双范数表达式如下：
上式中，和/>分别表示源域和目标域提取的特征，/>和/>分别表示源域和目标域的特征长度，/>表示将MMD公式中的特征映射到一个特定的希尔伯特空间，并用该空间中的内积度量两个分布之间的距离。
根据一种优选实施方式，所述为源网络训练阶段，对全连接层进行SVD提取得到，所述/>则是在目标网络自适应训练阶段，对全连接层进行SVD提取得到。
根据一种优选实施方式，源网络损失函数的表达式如下：
上式中，表示时间步长/>的真实SOC值，/>表示观测数据的总长度。
根据一种优选实施方式，目标网络损失函数的表达式如下：
上式中，表示目标域特征长度，/>表示损失项的平衡超参，/>表示SVD-MMD损失。
根据一种优选实施方式，所述的表达式如下：
上式中，和/>分别表示源域提取的重要特征和次要特征，/>和/>分别表示目标域提取的重要特征和次要特征。
本发明还提供一种基于SVD-MMD策略的锂离子电池SOC估计系统，应用到如上述所述的方法，包括：
第一处理模块，用于构建基于GRU网络的锂离子电池SOC估计源域模型以及目标域模型；
第二处理模块，用于基于SVD-MMD策略改进迁移学习目标网络，将锂离子电池SOC估计源域模型训练数据参数转移至锂离子电池SOC估计目标域模型，对目标网络进行优化；
第三处理模块，用于采用训练完成后的锂离子电池SOC估计目标域模型估计锂离子电池SOC值。
10.本发明还提供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所述的方法。
本发明实施例的技术方案至少具有如下优点和有益效果：本发明基于迁移学习结合特征解耦方法，有助于提取与任务相关的重要和次要特征，解决了实际应用中数据分布差异和标签数据难以获取的挑战；通过MMD方法度量跨域中不同特征之间的相似性，以及使用余弦差异量化同一域上的差异，确保了解耦后的特征在跨域中保持有效性和鲁棒性，有助于增强模型的泛化能力；本发明所构建SOC估计模型，与基本GRU模型与基于微调策略的迁移学习相比，其精度和泛化性均有显著提升。
附图说明
图1为本发明实施例1提供的基于SVD-MMD策略的锂离子电池SOC跨数据域估计方法的流程示意图；
图2为本发明实施例1提供的基于SVD-MMD策略的锂离子电池SOC跨数据域估计方法的SVD-MMD方法具体实现过程示意图；
图3和图4为本发明实施例1提供的估计方法试验结果示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
实施例1
本发明的目的在于提供一种基于SVD-MMD策略的锂离子电池SOC跨数据域估计方法，旨在解决实际工况中，数据分布差异和标签数据难以获取对SOC估计带来的难题，以增强锂电池的跨域SOC估计性能。参见图1所示，图1为本发明实施例提供的基于SVD-MMD策略的锂离子电池SOC跨数据域估计方法的SVD-MMD方法具体实现过程示意图。
具体地，本实施例所提供的基于SVD-MMD策略的锂离子电池SOC跨数据域估计方法，参见图1所示，包括如下步骤：
步骤1、构建基于GRU网络的锂离子电池SOC估计源域模型以及目标域模型。
具体到本实施例的一种实施方式中，步骤1具体包括：
步骤1.1、将锂离子电池的电压、电流和温度数据作为GRU网络的输入，[V(t 1),I(t 1), T(t 1)],..., [V(t n),I(t n), T(t n)]，将锂离子电池估计值作为GRU网络的输出[SOC(t 1), SOC(t n), ...,SOC(t n)]，分别为源域构建基于GRU网络的锂离子电池SOC估计源域模型，以及为目标域构建基于GRU网络的锂离子电池SOC估计目标域模型，其传播表达式如下：
上式中，和/>分别表示时间步长/>的更新门输出和复位门输出，/>和/>分别表示权值和阈值，/>表示时间步长/>的输入，/>表示元素的乘法，/>和/>分别表示s型激活函数和/>激活函数，/>和/>分别表示时间步长/>的隐藏层输出和临时层输出，通过如下表达式转换为SOC输出：
上式中，表示时间步长/>的估计SOC值，/>和/>分别表示全连通层权值矩阵和偏置向量。
进一步地，本实施例定义源网络的损失函数如下：
上式中，表示时间步长/>的真实SOC值，/>表示观测数据的总长度。
步骤1.2、配置GRU网络相关参数，并按照下表1、表2所示参数对GRU网络进行初始化。
表1.GRU源网络训练参数设置
表2.GRU目标网络训练参数设置
在源域和目标域之间，知识相似度可能存在显著差异。事实上，在迁移学习过程中，存在可迁移参数和不可迁移参数。不可迁移参数是导致负迁移的重要原因，因为在一定程度上它会削弱迁移效果，导致目标网络性能下降。因此，如何消除这种负面影响，正确选择可迁移参数并抑制不可迁移参数的迁移，即对重要特征和不重要特征的处理，将直接影响目标网络的性能。为了解决这些问题，本发明提出了一种将奇异值分解（SVD）与最大均值差异（MMD）相结合的方法，以实现自适应地控制迁移学习域适配过程。涉及到的具体步骤如下：
步骤2、基于SVD-MMD策略改进迁移学习目标网络，将锂离子电池SOC估计源域模型训练数据参数转移至锂离子电池SOC估计目标域模型，对目标网络进行优化。
具体到本实施例的一种实施方式中，步骤2具体包括：
步骤2.1、为了实现对数据与中重要特征和次要特征的区分，本实施例利用SVD构建特征矩阵，并通过SVD分解，将矩阵中占比为A的奇异向量提取为重要特征，将剩余的奇异向量作为次要特征，从而对锂离子电池非线性动态特征进行解耦，提取网络中与任务相关的重要特征和次要特征。
步骤2.2、通过MMD度量跨域中不同特征之间的相似性，并采用余弦差异衡量同一域上的差异性，对目标网络进行优化。需要说明的是，MMD是一个非参数距离度量，用于表征两个概率分布映射到另一空间中的数据均值之差，以控制域之间潜在特征的距离。其中，所述MMD的双范数表达式如下：
上式中，和/>分别表示源域和目标域提取的特征，/>和/>分别表示源域和目标域的特征长度，/>表示将MMD公式中的特征映射到一个特定的希尔伯特空间，并用该空间中的内积度量两个分布之间的距离。
步骤2.3、参见图2所示，SOC估计分为源网络训练阶段和目标网络训练阶段，在源网络训练阶段，对全连接层进行SVD，提取出重要特征和次要特征/>。在目标网络自适应训练阶段，对全连接层进行SVD，提取出重要特征/>和次要特征/>。在完成跨域的特征提取后，通过MMD和余弦差异控制特征间相似度以训练目标网络。在通过SVD-MMD完成模型训练后，目标网络将达到最优性能。
此时，定义SVD-MMD损失函数为：
定义目标网络损失函数的表达式如下：
上式中，表示目标域特征长度，/>表示损失项的平衡超参。
步骤3、采用训练完成后的锂离子电池SOC估计目标域模型估计锂离子电池SOC值。
综上所述，本发明基于迁移学习结合特征解耦方法，有助于提取与任务相关的重要和次要特征，解决了实际应用中数据分布差异和标签数据难以获取的挑战；通过MMD方法度量跨域中不同特征之间的相似性，以及使用余弦差异量化同一域上的差异，确保了解耦后的特征在跨域中保持有效性和鲁棒性，有助于增强模型的泛化能力；本发明所构建SOC估计模型，与基本GRU模型与基于微调策略的迁移学习相比，其精度和泛化性均有显著提升，试验结果参见图3和图4。
实施例2
本发明实施例提供一种基于SVD-MMD策略的锂离子电池SOC估计系统，应用到如实施例1所述的方法，包括：第一处理模块，用于构建基于GRU网络的锂离子电池SOC估计源域模型以及目标域模型；第二处理模块，用于基于SVD-MMD策略改进迁移学习目标网络，将锂离子电池SOC估计源域模型训练数据参数转移至锂离子电池SOC估计目标域模型，对目标网络进行优化；第三处理模块，用于采用训练完成后的锂离子电池SOC估计目标域模型估计锂离子电池SOC值。
实施例3
本发明实施例提供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实施例1所述的方法。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.基于SVD-MMD策略的锂离子电池SOC跨域估计方法，其特征在于，包括如下步骤：
构建基于GRU网络的锂离子电池SOC估计源域模型以及目标域模型；
基于SVD-MMD策略改进迁移学习目标网络，将锂离子电池SOC估计源域模型训练数据参数转移至锂离子电池SOC估计目标域模型，对目标网络进行优化；
采用训练完成后的锂离子电池SOC估计目标域模型估计锂离子电池SOC值。
2.如权利要求1所述的基于SVD-MMD策略的锂离子电池SOC跨域估计方法，其特征在于，所述GRU网络的输入为锂离子电池的电压、电流和温度数据，其传播表达式如下：
上式中，和/>分别表示时间步长/>的更新门输出和复位门输出，/>和/>分别表示权值和阈值，/>表示时间步长/>的输入，/>表示元素的乘法，/>和/>分别表示s型激活函数和激活函数，/>和/>分别表示时间步长/>的隐藏层输出和临时层输出，通过如下表达式转换为SOC输出：
上式中，表示时间步长/>的估计SOC值，/>和/>分别表示全连通层权值矩阵和偏置向量。
3.如权利要求2所述的基于SVD-MMD策略的锂离子电池SOC跨域估计方法，其特征在于，所述基于SVD-MMD策略改进迁移学习目标网络，将锂离子电池SOC估计源域模型训练数据参数转移至锂离子电池SOC估计目标域模型，对目标网络进行优化，具体包括：
利用SVD对锂离子电池非线性动态特征进行解耦，提取网络中与任务相关的重要特征和次要特征；
通过MMD度量跨域中不同特征之间的相似性，并采用余弦差异衡量同一域上的差异性，对目标网络进行优化。
4.如权利要求3所述的基于SVD-MMD策略的锂离子电池SOC跨域估计方法，其特征在于，所述MMD的双范数表达式如下：
上式中，和/>分别表示源域和目标域提取的特征，/>和/>分别表示源域和目标域的特征长度，/>表示将MMD公式中的特征映射到一个特定的希尔伯特空间，并用该空间中的内积度量两个分布之间的距离。
5.如权利要求4所述的基于SVD-MMD策略的锂离子电池SOC跨域估计方法，其特征在于，所述为源网络训练阶段，对全连接层进行SVD提取得到，所述/>则是在目标网络自适应训练阶段，对全连接层进行SVD提取得到。
6.如权利要求1至5任一项所述的基于SVD-MMD策略的锂离子电池SOC跨域估计方法，其特征在于，源网络损失函数的表达式如下：
上式中，表示时间步长/>的真实SOC值，/>表示观测数据的总长度。
7.如权利要求6所述的基于SVD-MMD策略的锂离子电池SOC跨域估计方法，其特征在于，目标网络损失函数的表达式如下：
上式中，表示目标域特征长度，/>表示损失项的平衡超参，/>表示SVD-MMD损失。
8.如权利要求7所述的基于SVD-MMD策略的锂离子电池SOC跨域估计方法，其特征在于，所述的表达式如下：
上式中，和/>分别表示源域提取的重要特征和次要特征，/>和/>分别表示目标域提取的重要特征和次要特征。
9.基于SVD-MMD策略的锂离子电池SOC跨域估计系统，应用到如权利要求1至8任一项所述的方法，其特征在于，包括：
第一处理模块，用于构建基于GRU网络的锂离子电池SOC估计源域模型以及目标域模型；
第二处理模块，用于基于SVD-MMD策略改进迁移学习目标网络，将锂离子电池SOC估计源域模型训练数据参数转移至锂离子电池SOC估计目标域模型，对目标网络进行优化；
第三处理模块，用于采用训练完成后的锂离子电池SOC估计目标域模型估计锂离子电池SOC值。
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8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311000350.3A CN116774055A (zh) | 2023-08-10 | 2023-08-10 | 基于svd-mmd策略的锂离子电池soc跨域估计方法、系统及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311000350.3A CN116774055A (zh) | 2023-08-10 | 2023-08-10 | 基于svd-mmd策略的锂离子电池soc跨域估计方法、系统及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116774055A true CN116774055A (zh) | 2023-09-19 |
Family
ID=88006604
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311000350.3A Pending CN116774055A (zh) | 2023-08-10 | 2023-08-10 | 基于svd-mmd策略的锂离子电池soc跨域估计方法、系统及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116774055A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110849627A (zh) * | 2019-11-27 | 2020-02-28 | 哈尔滨理工大学 | 一种宽度迁移学习网络及基于宽度迁移学习网络的滚动轴承故障诊断方法 |
| CN112540298A (zh) * | 2020-12-26 | 2021-03-23 | 福州大学 | 一种基于深度-迁移学习的锂离子电池soc估计方法 |
| CN113156320A (zh) * | 2021-03-12 | 2021-07-23 | 山东大学 | 基于深度学习的锂离子电池soc估计方法及系统 |
| WO2022011754A1 (zh) * | 2020-07-16 | 2022-01-20 | 苏州大学 | 一种基于自适应流形嵌入动态分布对齐的故障诊断方法 |
-
2023
- 2023-08-10 CN CN202311000350.3A patent/CN116774055A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110849627A (zh) * | 2019-11-27 | 2020-02-28 | 哈尔滨理工大学 | 一种宽度迁移学习网络及基于宽度迁移学习网络的滚动轴承故障诊断方法 |
| WO2022011754A1 (zh) * | 2020-07-16 | 2022-01-20 | 苏州大学 | 一种基于自适应流形嵌入动态分布对齐的故障诊断方法 |
| CN112540298A (zh) * | 2020-12-26 | 2021-03-23 | 福州大学 | 一种基于深度-迁移学习的锂离子电池soc估计方法 |
| CN113156320A (zh) * | 2021-03-12 | 2021-07-23 | 山东大学 | 基于深度学习的锂离子电池soc估计方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| LIU KE 等: "Improved Feature Decoupling Transfer Network Modeling based on Singular Value Decomposition for SOC Estimation in Energy-Storage Lithium-ion Batteries", 《JOURNAL OF THE ELECTROCHEMICAL SOCIETY》, vol. 170, no. 7, pages 1 - 9 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108304921B (zh) | 卷积神经网络的训练方法及图像处理方法、装置 | |
| WO2022105104A1 (zh) | 一种基于多新息递推贝叶斯算法的电池模型参数辨识方法 | |
| WO2021089013A1 (zh) | 空间图卷积网络的训练方法、电子设备及存储介质 | |
| Alduais et al. | An efficient data collection and dissemination for IOT based WSN | |
| CN111240457B (zh) | 一种基于risc-v的动态功耗管理方法 | |
| CN112540298B (zh) | 一种基于深度-迁移学习的锂离子电池soc估计方法 | |
| CN113110039B (zh) | 一种多智能体系统的有限时间分布式聚合优化方法 | |
| CN113227808A (zh) | 学习装置、推定装置、学习方法、推定方法、学习程序及推定程序 | |
| US11316212B2 (en) | Method, system and device for active balance control of battery pack | |
| Valladares et al. | Gaussian process-based prognostics of lithium-ion batteries and design optimization of cathode active materials | |
| Wang et al. | Battery full life cycle management and health prognosis based on cloud service and broad learning | |
| Li et al. | State of Health and Charge Estimation Based on Adaptive Boosting integrated with particle swarm optimization/support vector machine (AdaBoost-PSO-SVM) Model for Lithium-ion Batteries | |
| CN115618998A (zh) | 一种基于碳排放的动力电池回收量预测方法及装置 | |
| Gu et al. | A Fletcher‐Reeves conjugate gradient optimized multi‐reservoir echo state network for state of charge estimation in vehicle battery | |
| Liu et al. | A novel fuzzy‐extended Kalman filter‐ampere‐hour (F‐EKF‐Ah) algorithm based on improved second‐order PNGV model to estimate state of charge of lithium‐ion batteries | |
| CN113466710B (zh) | 含新能源受端电网中储能电池的soc与soh协同估算方法 | |
| Guo et al. | An Adaptive Approach for Battery State of Charge and State of Power Co-Estimation With a Fractional-Order Multi-Model System Considering Temperatures | |
| CN112327165B (zh) | 一种基于无监督迁移学习的电池soh预测方法 | |
| CN116774055A (zh) | 基于svd-mmd策略的锂离子电池soc跨域估计方法、系统及介质 | |
| Liu et al. | Dual particle swarm optimization based data-driven state of health estimation method for lithium-ion battery | |
| Mishra et al. | Leveraging augmented intelligence of things to enhance lifetime of UAV-enabled aerial networks | |
| CN116819372A (zh) | 一种神经网络计算储能电池健康状态的方法 | |
| Jiang et al. | Quantile-based policy optimization for reinforcement learning | |
| Chen et al. | Data-driven rapid lifetime prediction method for lithium-ion batteries under diverse fast charging protocols | |
| El Ouazzani et al. | MSCC-DRL: Multi-Stage constant current based on deep reinforcement learning for fast charging of lithium ion battery |
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 |