CN117368777B - 基于小样本学习算法的锂离子电池寿命预测方法和系统 - Google Patents
基于小样本学习算法的锂离子电池寿命预测方法和系统 Download PDFInfo
- Publication number
- CN117368777B CN117368777B CN202311345032.0A CN202311345032A CN117368777B CN 117368777 B CN117368777 B CN 117368777B CN 202311345032 A CN202311345032 A CN 202311345032A CN 117368777 B CN117368777 B CN 117368777B
- Authority
- CN
- China
- Prior art keywords
- battery
- module
- data
- time
- lithium ion
- 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 93
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 58
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 58
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 28
- 230000007246 mechanism Effects 0.000 claims abstract description 35
- 238000006243 chemical reaction Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 49
- 238000012360 testing method Methods 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 6
- 230000007774 longterm Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000036541 health Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 206010011906 Death Diseases 0.000 description 1
- 206010035148 Plague Diseases 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于小样本学习算法的锂离子电池寿命预测方法，通过收集锂离子电池的电池寿命实时数据，基于注意力机制的小样本学习算法，建立电池剩余使用寿命预测模型。预测模型包括数据输入模块，数据转换模块，注意力机制模块和数据输出模块，数据输入模块输入的数据为时间序列；数据转换模块包括Bi‑LSTM模块和LSTM模块，Bi‑LSTM模块用于将时间序列转换为隐藏状态，LSTM模块用于将查询集时间序列转换为查询集隐藏状态，注意力机制模块基于查询集隐藏状态，通过关注支持集隐藏状态获得注意力机制输出；数据输出模块能够基于注意力机制输出和查询集隐藏状态，预测下一个时间步距的值。本申请的方法能够准确的预测出锂离子电池的剩余使用寿命，保障新能源车辆的使用安全。
Description
技术领域
本发明涉及电池寿命预测技术领域，并具体涉及一种基于小样本学习算法的锂离子电池寿命预测方法和系统。
背景技术
传统燃油汽车的污染和资源消耗问题日益突出，锂离子电池作为替代传统燃油的新能源，具备体积小、能量密度高、寿命周期长、零排放、无污染等优点，这些优点推动了新能源汽车行业的大力发展，具有广阔的市场前景和社会意义。因此，我国不断加大对新能源汽车电池项目的研发投入，国外方面，欧盟也已经建立了一系列的研究项目来促进电池健康预测的发展。
尽管锂离子电池技术目前已经处于比较成熟的阶段，但是锂离子电池在长期使用过程中，其内部会发生一系列的电化学反应和物理变化，使得电池性能和容量不可避免的出现衰退，从而致使锂离子电池的剩余使用寿命成为困扰其大规模应用的主要问题之一，因此需要对锂离子电池的剩余使用寿命作出预测。现阶段锂离子电池寿命的预测方法主要为基于数据驱动的预测方法。
基于数据驱动的预测方法，是从电池状态的监测数据中，如电压、电流、温度、阻抗等，直接挖掘电池退化信息及其演化规律等，在电池剩余寿命预测方向的任务目标为RUL预测，并且仅输出电池剩余的循环次数。基于数据驱动的预测方法通常采用以下三种方法：①基于统计学的方法，如灰色预测模型；②基于传统机器学习方法的方法，如支持向量机、相关向量机；③深度学习方法，如循环神经网络、长短期神经网络等构建模型。基于数据驱动的预测方法具备动态精度高和泛化能力强的特点，然而该方法需要大量的数据、大量的计算和大量的训练时间，无法有效解决数据量少、标注成本高、类别不平衡和/或决策复杂等问题。
发明内容
为解决上述现有技术中存在的问题，本发明提供一种基于小样本学习算法的锂离子电池寿命预测方法和系统。
本发明的技术方案如下：
基于小样本学习算法的锂离子电池寿命预测方法，包括以下步骤：
S1，收集锂离子电池的电池寿命实时数据；
S2，使用所述电池寿命实时数据，基于注意力机制的小样本学习算法，建立电池剩余使用寿命预测模型，所述电池剩余使用寿命预测模型包括数据输入模块，数据转换模块，注意力机制模块和数据输出模块，其中，所述数据输入模块输入的数据为支持集的时间序列；所述数据转换模块包括Bi-LSTM模块和LSTM模块，所述Bi-LSTM模块用于将支持集的时间序列转换为支持集隐藏状态，所述LSTM模块用于将查询集的时间序列转换为查询集隐藏状态；所述注意力机制模块基于所述查询集隐藏状态，通过关注所述支持集隐藏状态获得注意力机制输出；所述数据输出模块能够基于所述注意力机制输出和所述查询集隐藏状态，预测下一个时间步距的值；
S3，训练所述电池剩余使用寿命预测模型至合格状态，输入所述电池寿命实时数据，获取锂离子电池未来的电池容量衰减曲线，从而完成对锂离子电池剩余使用寿命预测。
进一步地，所述支持集的时间序列表达式为所述支持集隐藏状态表达式为/>所述查询集的时间序列表达式为/>所述查询集隐藏状态表达式为/>所述时间步距的表达式为/>上述表达式中，xnt为支持集输入的多重时间序列中的连续标量值；Tn为输入的时间序列的个数；t为具体值；N为支持集时间序列的长度；n为具体值；hnt为xnt输入模型后得到的隐藏状态；/>为查询集输入的一维时间序列中的连续标量值；T为查询集时间序列的长度，/>为/>输入模型后得到的隐藏状态。
进一步地，使用所述Bi-LSTM以隐藏状态的形式，获得所述支持集中的每个时间序列的每个时间步，其表达式为：式中，/>和/>是向前和向后制定LSTMS；/>和/>为向前和向后制定n支持时间序列的隐藏状态步伐t；xnt为支持集输入的多重时间序列中的连续标量值。
进一步地，利用所述LSTM模块得到查询集时间序列的表达式为：式中，Zt是时间步长t的隐藏状态，/>为查询集输入的一维时间序列中的连续标量值。
进一步地，利用所述注意力机制从所述支持集中提取知识的表达式为：
式中，Q、K、V为线性投影矩阵；Tn与Tn'为输入的时序序列的个数；t与t'为具体值；N为支持集时间序列的长度；n与n′为具体值；hnt与hn′t'为xnt输入模型后得到的隐藏状态；T为查询集时间序列的长度，Z为使用最后一个时间步长t的隐藏状态作为查询的表示。
进一步地，使用所述注意力机制输出和所述查询集隐藏状态预测下一个时间步的值，表达式为：μ(x*；S,Φ):＝g([a,z])；式中，μ为整个模型；x*为查询集输入的时间序列；S为支持集；a为注意力机制输出；z为LSTM的输出；g为前馈神经网络。
进一步地，对所述电池寿命实时数据进行归一化处理，定义x＝{x1,x2,…,xn}表示长度为n的容量输入序列，则归一化处理后，每个所述容量输入序列的大小映射为(0,1]之间的值。
进一步地，采用三次密封插值法和人工复核结合的方法对所述电池寿命实时数据进行数据去噪处理。
进一步地，将所述电池寿命实时数据整理为数据集，并将所述数据集划分为训练集、验证集和测试集，其中，所述训练集用于训练所述电池剩余使用寿命预测模型，所述验证集用于挑取所述电池剩余使用寿命预测模型，所述测试集用于测试所述电池剩余使用寿命预测模型。
进一步地，将所述数据集按照百分占比划分，所述训练集：验证集：测试集＝60:20:20。
进一步地，训练所述电池剩余使用寿命预测模型包括以下步骤：
Ⅰ，给定所述支持集中的一维时间序列集合；
Ⅱ，使用情景训练框架最小化，使用给定支持集和给定查询集上的预期损失来估计模型参数，其中，所述给定支持集和给定查询集是从所述训练集随机生成的；
Ⅲ，通过下述公式，得到所述给定支持集与所述给定查询集中下一个时间步的预测结果与真实结果的均方误差：
式中，Φ为模型参数；S为给定支持集；Q为给定查询集；NQ为查询集中的序列长度；n为具体值；t为具体值；μ为整个模型；Tn为查询集中第n个时间序列的长度；Xnt为第n个序列在时间步t的值；Xn,；t-1为时间步长t-1之前的时间序列。
进一步地，对于每次迭代，从随机选择的任务随机生成所述给定支持集和给定查询集，使用随机梯度下降方法更新所述电池剩余使用寿命预测模型的参数。
进一步地，对所述电池剩余使用寿命预测模型进行微调，包括以下步骤：
Ⅰ，将所述Bi-LSTM模块的参数固定；
Ⅱ，将所有所述训练集作为支持集，并将所述测试集的前30％已知数据作为查询集用于微调所述电池剩余使用寿命预测模型；
Ⅲ，根据所述测试集前30％的数据算出均方根误差，识别出能够用于预测的所述电池剩余使用寿命预测模型。
进一步地，对所述电池剩余使用寿命预测模型进行容量预测，方法为：将微调得到的所述电池剩余使用寿命预测模型，用于预测所述测试集前30％后的未知的容量值，若容量值达到EOL时结束预测，反之则继续预测。
使用上述的预测方法，本发明还提供一种基于小样本学习算法的锂离子电池寿命预测系统，所述预测系统包括电池出厂测试模块，训练云端模块，公司模块，用户模块，嵌入式芯片模块和驾驶车辆模块；其中，所述电池出厂测试模块能够输出电池的出厂容量信息，并将所述出厂容量信息上传至所述训练云端模块；所述训练云端模块用于接收、存储和传输信息；所述驾驶车辆模块设置有传感器，所述传感器用于收集电池使用过程中产生的电池寿命实时数据，并将所述数据传输至所述嵌入式芯片模块；所述嵌入式芯片模块包括嵌入式芯片，所述嵌入式芯片灌入所述电池剩余使用寿命预测模型。
进一步地，进行回路测试时，所述嵌入式芯片的工作流程如下：
a.所述嵌入式芯片的外部接口发送锂离子电池寿命实时更新数据的请求；
b.所述传感器传回所述电池寿命实时数据，并汇总当前电池的剩余容量数据；
c.将所述电池寿命实时数据和电池剩余容量数据输入所述电池剩余使用寿命预测模型中，得到实时测得的锂离子电池SOH以及锂离子电池未来的电池容量衰减曲线；
d.由所述电池容量衰减曲线得到电池寿命的历史变化数据，所述电池寿命的历史变化数据从所述嵌入式芯片回传到所述训练云端模块，并由所述训练云端模块保存数据；所述训练云端模块根据接收的数据进行更新并传入所述嵌入式芯片模块，同时再将实时预测出的所述电池容量衰减曲线传入所述公司模块；
e.所述公司模块首先将所述电池容量衰减曲线传回所述用户模块，再分析电池的历史变化数据，将电池情况报告以及个性化建议提供给所述用户模块。
本发明的有益效果为：
1、本申请记载的方法，能够准确的预测出锂离子电池的使用寿命，从而保障新能源车辆的使用安全，避免造成财产损失和人员伤亡；同时也能够提升新能源车辆的使用效率，有效的指导用户进行电池保养与更换，延长锂离子电池的使用寿命，从而避免不必要开销和资源浪费，提高用户的驾乘体验。
2、通过准确的电池寿命预测对锂离子电池进行评估和管理，促进了电池的循环利用和回收，有利于减少化石能源的消耗和减少环境污染，符合行业可持续发展的要求。而且，准确的电池寿命预测可以提高用户使用的舒适度，增加用户对锂离子电池汽车的信心，减少开发与维护过程中的人力成本。
3、小样本学习通过回归、分类、聚类等方法实现，能够结合特殊的算法设计和模型构建来解决数据量少、标注成本高、类别不平衡、决策复杂等问题。同时本方法将电池寿命预测方向的任务目标改进为电池容量衰减曲线预测，相比于RUL预测，电池容量衰减曲线预测不仅提供了RUL，还额外提供了直接/实时的电池状态信息，有助于实现电池的健康管理和性能优化。使用小样本学习算法，可仅使用电池少部分数据预测出电池容量衰减曲线，节省电池寿命预测过程的时间与计算资源支出。
4、本申请记载的系统，能够提供可靠且高效的锂离子电池优化方案，为用户提供更多优质的服务。通过本系统，用户能够实时监测新能源汽车电池的健康状况，采用个性化定制的管理策略，延长电池寿命，确保车辆续行无忧。
附图说明
图1：电池剩余使用寿命预测模型的训练及预测流程示意图；
图2：电池剩余使用寿命预测模型示意图；
图3：前馈神经网络示意图；
图4：锂离子电池剩余使用寿命预测系统结构示意图；
图5：Jetson NanoTM芯片外观架构顶视图示意图；
图6：Jetson NanoTM芯片基本参数示意图；
图7：嵌入式芯片模块工作流程示意图；
具体实施方式
以下结合附图，以实施例的方式详细描述本发明。
如附图1至附图3所示，本申请提供一种基于小样本学习算法的锂离子电池寿命预测方法，包括下述步骤。
S1，收集锂离子电池的电池寿命实时数据，包括但不限于电压、电流、温度、容量。
电池寿命实时数据能够在电池寿命预测开发阶段，测试下文所述的电池剩余使用寿命预测模型的预测精度与计算量，也能够在实际运行阶段为电池容量衰减曲线的预测提供数据支持。
S11，对电池寿命实时数据进行归一化处理。
归一化处理能够减少数据分布变化对前馈神经网络的影响。
数据归一化处理的方法优选为：
设x＝{x1,x2,…,xn}表示长度为n的容量输入序列，经过数据归一化处理，将每个容量输入序列的大小映射为(0,1]之间的值。
S12，对电池寿命实时数据进行去噪处理。
发生容量再生现象时，向电池剩余使用寿命预测模型进行数据原始输入会存在噪声数据，从而影响电池剩余使用寿命预测模型的预测精度，以及影响数据输入的稳定性和鲁棒性，因此需要进行数据去噪处理。
数据去噪处理的方法为：
首先采用三次密封插值法去除问题数据，再采用人工复核方法进行噪声数据去噪。
S13，采集电池寿命实时数据为数据集，并将数据集划分为训练集、验证集和测试集，其中训练集用于训练电池剩余使用寿命预测模型；验证集用于挑取具有泛化性的电池剩余使用寿命预测模型；测试集用于测试电池剩余使用寿命预测模型的预测精度。
作为一个优选的实施方式，将数据集按照百分占比划分，训练集：验证集：测试集＝60:20:20。
S2，使用电池寿命实时数据，基于注意力机制的小样本学习算法，在Pytorch框架中建立电池剩余使用寿命预测模型，如附图2所示，电池剩余使用寿命预测模型包括数据输入模块，数据转换模块，注意力机制模块和数据输出模块。
其中，
数据输入模块为支持集中的时间序列。支持集即为用于辅助查询集预测的数据集，支持集通过将其时间序列丢入Bi-LSTM，变成隐藏状态来提供额外信息，帮助查询集预测。支持集中的时间序列表达式为：
数据转换模块包括Bi-LSTM模块和LSTM模块，Bi-LSTM模块用于将支持集中的时间序列转换为隐藏状态，表达式为/>LSTM模块用于将查询集时间序列转换为隐藏状态，表达式为/>
上述表达式中，
xnt为支持集输入的多重时间序列中的连续标量值；
Tn为输入的时间序列的个数；
t为具体值；
N为支持集时间序列的长度；
n为具体值，即从1至N；
hnt为xnt输入模型后得到的隐藏状态，与xnt一一对应；
为查询集输入的一维时间序列中的连续标量值；
T为查询集时间序列的长度，
为/>输入LSTM模型后得到的隐藏状态，与/>一一对应。
注意力机制模块基于查询集隐藏状态通过关注支持集隐藏状态输出权重a，这里a即指a1至at的整个序列。
数据输出模块为前馈神经网络g，前馈神经网络g即为附图2中的FNN，通过将注意力机制输出a和查询集隐藏状态输入前馈神经网络g，来预测下一个时间步距/>的值。
电池剩余使用寿命预测模型的运作包括以下步骤：
S21，设为支持集。
式中，
是第n个时间序列；
是时间步长t上的连续标量值，优选为/>R为实数集；
N为支持集时间序列的长度；
Tn是第n个时间序列的长度；
n是支持集中时间序列的个数。
电池剩余使用寿命预测模型使用支持集S建立一个预测函数，并在给定查询集时间序列的情况下，在下一个时间步输出预测值/>并在同一任务中使用支持集。
S22，使用Bi-LSTM以隐藏状态的形式，获得支持集S中每个时间序列的每个时间步，表达式为：
式中，
和/>是向前和向后制定LSTMS；
和/>为向前和向后制定n支持时间序列的隐藏状态步伐t，/>为向前制定隐藏状态，/>为向后制定隐藏状态；
xnt为支持集输入的多重时间序列中的连续标量值。
向前(向后制定)隐藏状态包含关于时间序列的信息之前(后)步伐t；使用连接向量向前和向后的隐藏状态/>第n个时间序列,表示h在步伐t[·,·]进行向量的拼接。/>利用Bi-LSTM，可以对过去和未来的信息进行编码表示，Kh为k。此外，LSTM能够处理不同长度的时间序列。
S23，利用LSTM得到查询集时间序列表达式为：
式中，
Zt是时间步长t的隐藏状态，Zt∈Kz，Kz为指中的维度；
为查询集输入的一维时间序列中的连续标量值。
使用最后一个时间步长t的隐藏状态作为查询的表示Z＝Zt。
S24，利用注意力机制从支持集中提取对预测有用的知识，表达式为：
式中，
Q、K、V为线性投影矩阵，优选和/>为线性投影矩阵，R为实数集；
Tn与Tn'为输入的时序序列的个数，Tn与Tn'等同，用于区分；
t与t'为具体值，t与t'等同，用于区分；
N为支持集时间序列的长度；
n与n'为具体值，即从1至N，n与n′等同，用于区分；
hnt与hn′t′为xnt输入模型后得到的隐藏状态，与xnt一一对应，hnt与hn′t′等同，用于区分；
T为查询集时间序列的长度，
Z为使用最后一个时间步长t的隐藏状态作为查询的表示。
当支持时间序列与查询集时间序列具有相似的信息时，注意力机制放大相似的信息，帮助模型检索出有效的信息，以提高电池剩余使用寿命预测模型的预测性能，使预期的预测误差最小化。
由于注意机制的参数Q、K和V不依赖于支持集中时间序列的数量，因此可以处理不同大小的支持集。
S25，使用注意力机制输出a和查询集隐藏状态z，其中z的表达式为预测下一个时间步t+1的值，表达式为：
μ(x*；S,Φ):＝g([a,z])
式中，
μ是指整个模型；
x*是指查询集输入的时间序列，未附带下标T是因为这是一个总的概念；
S是指支持集；
a为注意力机制输出，即指a1至at的整个序列；
z是LSTM的输出；
g是前馈神经网络；
Φ是Bi-LSTM的参数，包括LSTM、前馈神经网络g、注意机制中的线性投影矩阵Q、K和V。
通过在前馈神经网络的输入中包含查询集隐藏状态即使支持集中没有有用的信息，也可以使用它自己的过去值进行/>预测。
S3，对电池剩余使用寿命预测模型进行预训练，具体包括以下步骤：
S31，给定支持集S中X＝{xd}d∈S中的一维时间序列集合，
式中，
d表示所有支持集的适用支持集；
xd表示时间序列，为适用支持集d中的时间序列集，Tdn是此时间序列的长度，dn是适用支持集d中时间序列的个数；
是适用支持集d中的第n个时间序列，xdnT是时间步t上的连续标量值，优选的，xdnT∈R，R为实数集。
S32，通过使用情景训练框架最小化，使用给定支持集和给定查询集上的预期损失来估计模型参数Φ。其中，给定支持集和给定查询集是从训练集随机生成的，以模拟目标任务。如附图2所示，左侧丢入Bi-LSTM模型的即为给定支持集，右侧丢入LSTM模型的即为给定查询集。
S33，通过下述公式，得到给定支持集S与给定查询集Q中下一个时间步的预测结果与真实结果的均方误差：
式中，
Φ为模型参数；
NQ为查询集中的实例数，指查询集中的序列长度；
n为具体值；
t为具体值；
μ为整个模型；
Tn为查询集中第n个时间序列的长度；
Xnt为第n个序列在时间步t的值；
Xn,；t-1为时间步长t-1之前的时间序列。
作为优选的，对于每次迭代，从随机选择的任务随机生成支持集和查询集，使用随机梯度下降方法更新电池剩余使用寿命预测模型参数。
S4，对电池剩余使用寿命预测模型进行微调，包括以下步骤：
S41，将Bi-LSTM的参数固定；
S42，将所有训练集作为支持集，并将测试集前30％的已知数据作为查询集用于微调模型；
S43，根据测试集前30％的数据算出均方根误差(RMSE)，识别出最好的模型用于预测。
其中，均方根误差计算公式如下：
式中，
xt为测试集的真实值；
为预测值；
T为x这个序列的第T个值；
n为x序列的长度；
t是具体的值，从T+1到n，从T+1开始，是因为从T个值后开始预测，所以需要算预测和真实值的RMSE。
S5，对电池剩余使用寿命预测模型进行容量预测，具体包括以下步骤：
S51，将微调得到的模型用于预测测试集前30％后的未知的容量值，若达到EOL(End-of-life,一般指初始容量的80％以下)时结束预测，反之继续预测。
S6，使用训练合格的电池剩余使用寿命预测模型，输入锂离子电池的电池寿命实时数据，获取锂离子电池未来的电池容量衰减曲线。
上述步骤可以带来如下有益效果：
a.在数据处理方面：因为原始数据对外部环境较为敏感，所以数据易受干扰，因此，本方法使用了统计学方法中的三次密封插值法去除问题数据，再采用人工复核的方法进行数据去噪。
b.在序列建模方面：在设计算法时，考虑电池数据的时序关系，本方法使用了特殊的RNN结构LSTM模型进行建模，可以更好的学习数据的长期信息。
c.多模型融合：考虑到预测问题的复杂性，组合多个模型来共同学习电池信息，提升预测效果。本方法采用模型融合的技术，将LSTM与Bi-LSTM及FNN模型堆叠，提高电池剩余使用寿命预测模型的泛化能力。
d.额外数据集支持：理论上同类电池应有相似的容量衰减机制，因此本方法使用同类电池的数据来提供额外知识，为电池寿命实时数据提供更多信息。
e.引入注意力机制：为了捕获容量变化的关键信息并提高电池剩余使用寿命预测模型的预测精度与速度，本方法采用注意力机制，使电池剩余使用寿命预测模型能够自适应地关注时间序列中的重要信息，去除冗余信息，挖掘大数据中隐藏的容量变化模式。
以下通过一组对比数据对本发明所述方法的显著效果进行说明：
1、本发明所述方法与同任务下其余方法对电池剩余使用寿命预测结果进行精度对比，其中，其余方法包括MLP、RNN、LSTM、GRU、BI-LSTM和Transformer。对比采取在权威数据集NASA数据集上按上文所述的流程进行训练与测试，结果如下表所示：
2、将本发明所述方法在多个电池数据集下进行测试，其中，所述的电池数据集包括NASA数据集、亚琛工业大学数据集、马里兰数据集、驰豫数据集1、驰豫数据集2、驰豫数据集3、华中科技大学和斯坦福大学数据集，实验数据如下表所示：
综上所述，可以证明本方法泛化性强，可以适用多种数据集。
如附图4至附图7所示，根据一种基于小样本学习算法的锂离子电池寿命预测方法，本申请还提供一种基于小样本学习算法的锂离子电池寿命预测系统。
该预测系统包括电池出厂测试模块，训练云端模块，公司模块，用户模块，嵌入式芯片模块和驾驶车辆模块。
电池出厂测试模块能够输出电池的出厂容量信息，并将该信息上传至训练云端模块，并且该出厂容量信息能够作为支持集使用。其中，所述出厂容量信息是指电池初次使用时的最大电池容量。
训练云端模块用于接收、存储和传输信息。该模块能够接收电池出厂测试模块传输的信息、嵌入式芯片传输的信息和公司模块传输的信息；同步的，该模块能够向公司模块以及嵌入式芯片模块传输信息。
驾驶车辆模块设置有传感器，优选使用的型号为MC33772C，该传感器能够收集驾驶车辆模块在电池使用过程中产生的电压、电流、温度等数据，并汇总电池电量的当前剩余容量估算器的结果，将数据传输至嵌入式芯片模块；同步的，嵌入式芯片模块能够将电池健康状态的数据传输至驾驶车辆模块。电池健康状态是指电池现在的最大电池容量信息。
公司模块与用户模块能够采集用户在驾驶车辆过程中的使用反馈信息和个性化建议信息，同时，公司模块能够将采集的信息上传至训练云端模块。
嵌入式芯片模块包括嵌入式芯片，该芯片灌入所述电池剩余使用寿命预测模型，该嵌入式芯片能够获取锂离子电池容量的历史变化数据。如附图7所示，传感器收集电池在使用过程中产生的电压、电流、温度、容量等数据，经嵌入式芯片处理完成后，由嵌入式芯片模块传到训练云端模块，随后汇总电池电量的当前剩余容量估算器的结果，由此，嵌入式芯片能得到锂离子电池容量的历史变化数据。在进行回路测试时，嵌入式芯片的工作流程如下：
a.外部接口发送锂离子电池寿命实时更新数据的请求；
b.传感器传回电池参数，该参数包括电压、电流、温度、容量等数据，并汇总当前剩余容量估算器的结果；
c.将一组数据输入嵌入式芯片灌入的锂离子电池剩余使用寿命预测模型中，得到实时测得的锂离子电池SOH以及锂离子电池未来的电池容量衰减曲线；
d.由电池容量衰减曲线得到电池寿命的历史变化数据，该数据从嵌入式芯片回传到训练云端模块，并由训练云端模块保存数据和更新模型，训练云端模块会根据接收的数据进行更新模型后再传入嵌入式芯片模块，同时再将实时预测出的电池容量衰减曲线传入公司模块；
e.公司模块首先将电池容量衰减曲线传回用户模块，再分析电池的历史变化数据，将电池情况报告以及个性化建议提供给用户。
作为一种优选的方式，嵌入式芯片选取Jetson NanoTM作为开发硬件。Nano包含了一块128核Maxwell架构的GPU，采用核心板可拆的设计，核心板的大小为70x 45mm，可以很方便的集成在各种嵌入式应用中。除此之外，Nano的功耗也非常低，又可以在系统菜单中设置5W，即低功耗模式，可以使用USB口供电；以及10W，即必须使用Power Jack外接5V电源供电这两种模式，满足多样化的使用需求。
本申请中，对相关的名词进行简略释义如下：
1、三次密封插值法：
三次密封插值法是一种常用的插值方法，在处理丢失或不完整数据时具有重要应用。三次密封插值法能够处理非线性数据，适应各种复杂的数据形态，并且能够在数据重建过程中保持较好的平滑性。
三次密封插值法包括以下关键步骤：
数据删除：对原始数据进行删除，如去除异常值或噪声。
基于特征局部进行插值：三次密封插值法通过分析已知数据点的局部特征，如斜率和曲率，修改插值点的插值权重
利用三次迭代式进行数据重建：利用已知数据点和相应的插值权重，通过三次迭代式进行插值计算，以实现数据的重建。
2、LSTM和Bi-LSTM模型：
LSTM是一种循环神经网络(RNN)的变体，专门设计用于处理序列数据中的长期依赖关系。传统的RNN模型在处理长序列时容易遇到梯度消失或梯度爆炸的问题，而LSTM通过引入门控机制和记忆单元，有效地解决了这个问题。
LSTM中的核心组件是一个LSTM单元，它由一个细胞状态(cell state)和三个门组成，分别为输入门(input gate)、遗忘门(forget gate)和输出门(output gate)。这些门的作用是控制信息的流动，使得模型能够选择性地记住或遗忘先前的信息。
在LSTM中，每个时间步的输入和前一个时间步的隐藏状态被反馈送到LSTM单元中。输入门决定了当前时间步输入的哪些信息应该被记忆，遗忘门决定了哪些先前的信息应该被遗忘，而输出门决定了从当前时间步生成的隐藏状态中应该输出哪些信息
LSTM是一种专门用于处理序列数据中长期依赖关系的循环神经网络模型。通过引入门控机制和记忆单元，LSTM能够选择性地记住或遗忘先前的信息，从而更好地捕捉序列中的上下文关系。LSTM在自然语言处理、语音识别、时间序列预测等任务中广泛应用，成为处理序列数据的重要工具。
Bi-LSTM通过在每个时间步引入两个LSTM层，即一个前向LSTM和一个后向LSTM，使得模型可以同时考虑过去和未来的上下文。
研究中表明，长期依赖表示在电池容量衰减期间，当前容量和历史容量之间的相关性。容量退化数据集一般涵盖数百个电池运行周期，退化信息在这些周期是高度相关的。为了准确地捕捉容量下降趋势，需要通过有效的长期依赖关系学习来考虑容量退化时间序列数据之间的相关性。因此，使用LSTM及Bi-LSTM模型来捕获残差序列，容量下降信息可以保持和更新，且不会引起梯度消失问题。
3、前馈神经网络：
前馈神经网络FNN(feedforward neural network)，也叫作多层感知机(MLP)，是典型的深度学习模型。前馈网络的目的是近似某个函数f*。例如，对于分类器，y＝f*(x)将输入x映射到一个类别y。前馈神经网络定义了一个映射y＝f(x；θ)，并且学习参数θ的值，使它能够得到最佳的函数近似。前馈神经网络是一种单向多层的网络结构，信息从输入层开始，逐层向一个方向传递，一直到输出层结束。前馈是指输出入方向是前向，此过程不调整权值。神经元之间不存在跨层连接、同层连接，输入层用于数据的输入，隐含层与输出层神经元对数据进行加工。附图7示出了一个三层前馈神经网络示意图，输入层不计入层数。前馈神经网络的层数称为模型的深度，每一层的节点都代表一个神经元(neuron)，每层的单元数代表了模型的宽度。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。
Claims (12)
1.一种基于小样本学习算法的锂离子电池寿命预测方法，其特征在于，包括以下步骤：
S1，收集锂离子电池的电池寿命实时数据；
S2，使用所述电池寿命实时数据，基于注意力机制的小样本学习算法，建立电池剩余使用寿命预测模型，所述电池剩余使用寿命预测模型包括数据输入模块，数据转换模块，注意力机制模块和数据输出模块，其中，
所述数据输入模块输入的数据为支持集的时间序列；
所述数据转换模块包括Bi-LSTM模块和LSTM模块，所述Bi-LSTM模块用于将支持集的时间序列转换为支持集隐藏状态，所述LSTM模块用于将查询集的时间序列转换为查询集隐藏状态；
所述支持集的时间序列表达式为所述支持集隐藏状态表达式为所述查询集的时间序列表达式为/>所述查询集隐藏状态表达式为所述时间步距的表达式为/>
上述表达式中，xnt为支持集输入的多重时间序列中的连续标量值；Tn为输入的时间序列的个数；t为具体值；N为支持集时间序列的长度；n为具体值；hnt为xnt输入模型后得到的隐藏状态；为查询集输入的一维时间序列中的连续标量值；T为查询集时间序列的长度，为/>输入模型后得到的隐藏状态；
所述注意力机制模块基于所述查询集隐藏状态，通过关注所述支持集隐藏状态获得注意力机制输出，其表达式为：
式中，a为注意力机制输出，即指a1至at的整个序列；Q、K、V为线性投影矩阵；Tn与Tn'为输入的时序序列的个数；t与t'为具体值；N为支持集时间序列的长度；n与n'为具体值；hnt与hn't'为xnt输入模型后得到的隐藏状态；T为查询集时间序列的长度，Z为使用最后一个时间步长t的隐藏状态作为查询的表示；
所述数据输出模块能够基于所述注意力机制输出和所述查询集隐藏状态，预测下一个时间步距的值；
S3，训练所述电池剩余使用寿命预测模型至合格状态，输入所述电池寿命实时数据，获取锂离子电池未来的电池容量衰减曲线，从而完成对锂离子电池剩余使用寿命预测，具体步骤为：
将所述电池寿命实时数据整理为数据集，并将所述数据集划分为训练集、验证集和测试集，其中，所述训练集用于训练所述电池剩余使用寿命预测模型，所述验证集用于挑取所述电池剩余使用寿命预测模型，所述测试集用于测试所述电池剩余使用寿命预测模型，训练所述电池剩余使用寿命预测模型包括以下步骤：
Ⅰ，给定所述支持集中的一维时间序列集合；
Ⅱ，使用情景训练框架最小化，使用给定支持集和给定查询集上的预期损失来估计模型参数，其中，所述给定支持集和给定查询集是从所述训练集随机生成的；
Ⅲ，通过下述公式，得到所述给定支持集与所述给定查询集中下一个时间步的预测结果与真实结果的均方误差：
式中，Φ为模型参数；S为给定支持集；Q为给定查询集；NQ为查询集中的序列长度；n为具体值；t为具体值；μ为整个模型；Tn为查询集中第n个时间序列的长度；Xnt为第n个序列在时间步t的值；Xn,；t-1为时间步长t-1之前的时间序列。
2.根据权利要求1所述的一种基于小样本学习算法的锂离子电池寿命预测方法，其特征在于，使用所述Bi-LSTM以隐藏状态的形式，获得所述支持集中的每个时间序列的每个时间步，其表达式为：
式中，和/>是向前和向后制定LSTMS；/>和/>为向前和向后制定n支持时间序列的隐藏状态步伐t；xnt为支持集输入的多重时间序列中的连续标量值。
3.根据权利要求1所述的一种基于小样本学习算法的锂离子电池寿命预测方法，其特征在于，利用所述LSTM模块得到查询集时间序列的表达式为：式中，Zt是时间步长t的隐藏状态，/>为查询集输入的一维时间序列中的连续标量值。
4.根据权利要求1所述的一种基于小样本学习算法的锂离子电池寿命预测方法，其特征在于，使用所述注意力机制输出和所述查询集隐藏状态预测下一个时间步的值，表达式为：μ(x*；S,Φ):＝g([a,z])；式中，μ为整个模型；x*为查询集输入的时间序列；S为支持集；a为注意力机制输出；z为LSTM的输出；g为前馈神经网络。
5.根据权利要求1-4任一项权利要求所述的一种基于小样本学习算法的锂离子电池寿命预测方法，其特征在于，对所述电池寿命实时数据进行归一化处理，定义x＝{x1,x2,…,xn}表示长度为n的容量输入序列，则归一化处理后，每个所述容量输入序列的大小映射为(0,1]之间的值。
6.根据权利要求1-4任一项权利要求所述的一种基于小样本学习算法的锂离子电池寿命预测方法，其特征在于，采用三次密封插值法和人工复核结合的方法对所述电池寿命实时数据进行数据去噪处理。
7.根据权利要求1所述的一种基于小样本学习算法的锂离子电池寿命预测方法，其特征在于，将所述数据集按照百分占比划分，所述训练集：验证集：测试集＝60:20:20。
8.根据权利要求1所述的一种基于小样本学习算法的锂离子电池寿命预测方法，其特征在于，对于每次迭代，从随机选择的任务随机生成所述给定支持集和给定查询集，使用随机梯度下降方法更新所述电池剩余使用寿命预测模型的参数。
9.根据权利要求1所述的一种基于小样本学习算法的锂离子电池寿命预测方法，其特征在于，对所述电池剩余使用寿命预测模型进行微调，包括以下步骤：
Ⅰ，将所述Bi-LSTM模块的参数固定；
Ⅱ，将所有所述训练集作为支持集，并将所述测试集的前30％已知数据作为查询集用于微调所述电池剩余使用寿命预测模型；
Ⅲ，根据所述测试集前30％的数据算出均方根误差，识别出能够用于预测的所述电池剩余使用寿命预测模型。
10.根据权利要求9所述的一种基于小样本学习算法的锂离子电池寿命预测方法，其特征在于，对所述电池剩余使用寿命预测模型进行容量预测，方法为：将微调得到的所述电池剩余使用寿命预测模型，用于预测所述测试集前30％后的未知的容量值，若容量值达到EOL时结束预测，反之则继续预测。
11.利用权利要求1-10任意一项权利要求所述的基于小样本学习算法的锂离子电池寿命预测方法的预测系统，其特征在于，所述预测系统包括电池出厂测试模块，训练云端模块，公司模块，用户模块，嵌入式芯片模块和驾驶车辆模块；其中，
所述电池出厂测试模块能够输出电池的出厂容量信息，并将所述出厂容量信息上传至所述训练云端模块；
所述训练云端模块用于接收、存储和传输信息；
所述驾驶车辆模块设置有传感器，所述传感器用于收集电池使用过程中产生的电池寿命实时数据，并将所述数据传输至所述嵌入式芯片模块；
所述嵌入式芯片模块包括嵌入式芯片，所述嵌入式芯片灌入所述电池剩余使用寿命预测模型。
12.根据权利要求11所述的一种基于小样本学习算法的锂离子电池寿命预测系统，其特征在于，进行回路测试时，所述嵌入式芯片的工作流程如下：
a.所述嵌入式芯片的外部接口发送锂离子电池寿命实时更新数据的请求；
b.所述传感器传回所述电池寿命实时数据，并汇总当前电池的剩余容量数据；
c.将所述电池寿命实时数据和电池剩余容量数据输入所述电池剩余使用寿命预测模型中，得到实时测得的锂离子电池SOH以及锂离子电池未来的电池容量衰减曲线；
d.由所述电池容量衰减曲线得到电池寿命的历史变化数据，所述电池寿命的历史变化数据从所述嵌入式芯片回传到所述训练云端模块，并由所述训练云端模块保存数据；所述训练云端模块根据接收的数据进行更新并传入所述嵌入式芯片模块，同时再将实时预测出的所述电池容量衰减曲线传入所述公司模块；
e.所述公司模块首先将所述电池容量衰减曲线传回所述用户模块，再分析电池的历史变化数据，将电池情况报告以及个性化建议提供给所述用户模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311345032.0A CN117368777B (zh) | 2023-10-17 | 2023-10-17 | 基于小样本学习算法的锂离子电池寿命预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311345032.0A CN117368777B (zh) | 2023-10-17 | 2023-10-17 | 基于小样本学习算法的锂离子电池寿命预测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117368777A CN117368777A (zh) | 2024-01-09 |
| CN117368777B true CN117368777B (zh) | 2024-03-22 |
Family
ID=89399902
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311345032.0A Active CN117368777B (zh) | 2023-10-17 | 2023-10-17 | 基于小样本学习算法的锂离子电池寿命预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117368777B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114976306A (zh) * | 2022-03-29 | 2022-08-30 | 上海师范大学 | 一种基于车联云的动力锂电池智能化梯次利用方法 |
| CN115409263A (zh) * | 2022-08-30 | 2022-11-29 | 北京航空航天大学 | 一种基于门控和注意力机制的锂电池剩余寿命预测方法 |
| WO2022257211A1 (zh) * | 2021-06-08 | 2022-12-15 | 山东大学 | 一种锂电池剩余使用寿命预测方法及系统 |
| DE102022211063A1 (de) * | 2021-10-27 | 2023-04-27 | Robert Bosch Engineering And Business Solutions Private Limited | Controller zum Abschätzen charakteristischer Parameter einer Batterie und Verfahren dafür |
| CN116298936A (zh) * | 2023-05-19 | 2023-06-23 | 河南科技学院 | 在不完全电压范围内的锂离子电池智能健康状态预测方法 |
| CN116381517A (zh) * | 2023-04-07 | 2023-07-04 | 北京航空航天大学 | 基于时间卷积注意力机制的锂电池剩余寿命概率预测方法 |
| CN116540101A (zh) * | 2023-05-09 | 2023-08-04 | 吉林大学 | 关键区间特征提取的快速电池寿命预测方法 |
| CN116596107A (zh) * | 2023-03-21 | 2023-08-15 | 上海交通大学 | 基于小样本学习的多失效模式下设备剩余寿命预测方法 |
| CN116840720A (zh) * | 2023-05-29 | 2023-10-03 | 武汉理工大学 | 燃料电池剩余寿命预测方法 |
-
2023
- 2023-10-17 CN CN202311345032.0A patent/CN117368777B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022257211A1 (zh) * | 2021-06-08 | 2022-12-15 | 山东大学 | 一种锂电池剩余使用寿命预测方法及系统 |
| DE102022211063A1 (de) * | 2021-10-27 | 2023-04-27 | Robert Bosch Engineering And Business Solutions Private Limited | Controller zum Abschätzen charakteristischer Parameter einer Batterie und Verfahren dafür |
| CN114976306A (zh) * | 2022-03-29 | 2022-08-30 | 上海师范大学 | 一种基于车联云的动力锂电池智能化梯次利用方法 |
| CN115409263A (zh) * | 2022-08-30 | 2022-11-29 | 北京航空航天大学 | 一种基于门控和注意力机制的锂电池剩余寿命预测方法 |
| CN116596107A (zh) * | 2023-03-21 | 2023-08-15 | 上海交通大学 | 基于小样本学习的多失效模式下设备剩余寿命预测方法 |
| CN116381517A (zh) * | 2023-04-07 | 2023-07-04 | 北京航空航天大学 | 基于时间卷积注意力机制的锂电池剩余寿命概率预测方法 |
| CN116540101A (zh) * | 2023-05-09 | 2023-08-04 | 吉林大学 | 关键区间特征提取的快速电池寿命预测方法 |
| CN116298936A (zh) * | 2023-05-19 | 2023-06-23 | 河南科技学院 | 在不完全电压范围内的锂离子电池智能健康状态预测方法 |
| CN116840720A (zh) * | 2023-05-29 | 2023-10-03 | 武汉理工大学 | 燃料电池剩余寿命预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于深度学习的锂电池寿命预测方法;吴飞腾;中国优秀硕士学位论文全文数据库;20210228(第2期);第3-4章 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117368777A (zh) | 2024-01-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | Data-driven remaining useful life prediction via multiple sensor signals and deep long short-term memory neural network | |
| Wang et al. | A critical review of improved deep learning methods for the remaining useful life prediction of lithium-ion batteries | |
| CN111832825B (zh) | 融合长短期记忆网络和极限学习机的风电预测方法及系统 | |
| CN112966432A (zh) | 一种锂离子电池剩余有效寿命预测方法及装置 | |
| Liu et al. | Heating load forecasting for combined heat and power plants via strand-based LSTM | |
| CN110866592A (zh) | 模型训练方法、装置、能效预测方法、装置和存储介质 | |
| CN111178288B (zh) | 基于局部误差逐层训练的人体姿态识别方法和装置 | |
| CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
| CN109858798B (zh) | 关联改造措施与电压指标的电网投资决策建模方法及装置 | |
| CN112434848A (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
| CN110222844A (zh) | 一种基于人工神经网络的压缩机性能预测方法 | |
| Wang et al. | Remaining useful life estimation of aircraft engines using a joint deep learning model based on TCNN and transformer | |
| CN116167531A (zh) | 一种基于数字孪生的光伏发电预测方法 | |
| Das et al. | Deep recurrent architecture with attention for remaining useful life estimation | |
| CN113420868A (zh) | 一种基于深度强化学习的旅行商问题求解方法及求解系统 | |
| CN115827888A (zh) | 一种复杂设备的故障预测方法 | |
| CN116307211A (zh) | 一种风电消纳能力预测及优化方法及系统 | |
| CN117148197A (zh) | 一种基于集成Transformer模型的锂离子电池寿命预测方法 | |
| CN115409258A (zh) | 一种混合深度学习短期辐照度预测方法 | |
| CN110765267A (zh) | 一种基于多任务学习的动态不完整数据分类方法 | |
| CN114139778A (zh) | 风电机组功率预测建模方法及装置 | |
| CN117368777B (zh) | 基于小样本学习算法的锂离子电池寿命预测方法和系统 | |
| Dong et al. | Lambo: Large language model empowered edge intelligence | |
| CN110988694A (zh) | 针对容量再生的锂离子电池剩余寿命预测方法及系统 | |
| CN112598186B (zh) | 一种基于改进的lstm-mlp的小型发电机故障预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |