CN117407665A - 一种基于生成对抗网络的退役电池时序数据缺失值填充方法 - Google Patents
一种基于生成对抗网络的退役电池时序数据缺失值填充方法 Download PDFInfo
- Publication number
- CN117407665A CN117407665A CN202311454707.5A CN202311454707A CN117407665A CN 117407665 A CN117407665 A CN 117407665A CN 202311454707 A CN202311454707 A CN 202311454707A CN 117407665 A CN117407665 A CN 117407665A
- Authority
- CN
- China
- Prior art keywords
- data
- countermeasure network
- generator
- training
- distribution
- 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 51
- 238000009826 distribution Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 3
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 claims description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 7
- 230000006872 improvement Effects 0.000 description 6
- 230000036541 health Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/094—Adversarial learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于生成对抗网络的退役电池时序数据缺失值填充方法，方法包括获取电池原始数据并进行预处理，以生成训练数据集；构建包含生成器和判别器的对抗网络模型，生成器基于训练数据集样本分布特性生成相似样本，将相似样本输入判别器中以输出判断结果，将判断结果反向传播以优化生成器，通过对生成器和判别器迭代优化以进行对抗网络模型训练，经过对抗式的训练，该方法能够生成符合原始数据集分布的新时序数据。针对每一条缺失时序数据，通过梯度下降算法寻找一个低维特征向量，使得以该低维特征向量为基础的生成样本与原始样本最相似，从而利用生成样本填充时序数据当中的缺失值。
Description
技术领域
本发明属于退役电池数据生成技术领域，具体涉及一种基于生成对抗网络的退役电池时序数据缺失值填充方法。
背景技术
随着新能源电池的普及和推广，退役电池的处理问题已经成为一个备受关注的话题。梯次利用作为一种解决方案，被认为可以最大限度地延长电池的使用寿命，减少对环境的影响。然而，在一个电池的生命周期中，由于使用环境的多样性和数据采集的复杂性，时序数据的完整性难以保证，存在缺失的可能性。这就给梯次利用及其后续的应用和分析带来了一定的挑战。
时序数据缺失可能导致对电池状态和性能的准确评估变得困难。对于旧的退役电池而言，其历史数据往往无法完整地追踪和记录。这意味着在梯次利用过程中，对电池性能和健康状态的判断会面临困境。常见的方法是使用插值或外推等技术填补缺失的数据点。通过建立合理的数学模型，利用已有的数据点来推断缺失的数据，可以在一定程度上还原电池的时序信息，以进行后续的分析和应用，然而上述缺失值处理方法均没有考虑到时序数据中的时间先后信息，故难以取得准确的填充效果。
发明内容
本发明的目的就在于提供一种基于生成对抗网络的退役电池时序数据缺失值填充方法，以解决背景技术中提出的问题。
本发明通过以下技术方案来实现上述目的：
一种基于生成对抗网络的退役电池时序数据缺失值填充方法，方法包括：
S1：获取电池原始数据并进行预处理，以生成训练数据集；
S2：构建包含生成器和判别器的对抗网络模型，所述生成器基于所述训练数据集样本分布特性生成相似样本，将所述相似样本输入所述判别器中以输出判断结果，将所述判断结果反向传播以优化所述生成器，通过对所述生成器和所述判别器迭代优化以进行对抗网络模型训练，得到训练好的对抗网络模型；
S3：将待填充电池原始数据导入训练好的对抗网络模型中，输出对应待填充电池原始数据分布特性的新时序数据。
进一步改进在于，所述步骤S1中，电池原始数据为电压数据、电流数据、电池容量数据中的一种。
进一步改进在于，步骤S1中，预处理具体为，对所述原始数据进行归一化处理；步骤S3中还包括对所述新时序数据进行反归一化处理。
进一步改进在于，步骤S2具体为：
S2.1：生成器基于训练数据集样本分布特性生成相似样本，
G(z)＝φG(WG·x+bG)
S2.2：将所述相似样本输入所述判别器中以输出判断结果，
D(x)＝φD(WD·x+bD)＝1
D(G(z))＝φD(WD·G(z)+bD)＝0
其中，当输入为真实数据时判断结果为1，当输入为来自生成器的伪相似样本时判断结果为0；
式中：φG、φD表示激活函数；x、z分别表示来自真实数据和相似样本；WG、WD、bG、bD分别表示生成器网络与判别器网络中的权值和偏置；
S2.3：将所述判断结果反向传播以优化所述生成器，通过对所述生成器和所述判别器迭代优化以进行对抗网络模型训练，采用如下优化公式：minG
式中：Pdata(x)表示真实数据分布；PZ(z)表示相似样本的先验分布；E(·)表示计算期望值，当且仅当先验分布PZ(z)与真实数据分布Pdata(x)达成一致，即Pdata(x)＝PZ(z)时，表示训练达到均衡。
进一步改进在于，所述迭代优化过程具体为生成器的优化和判别器的优化，分别采用如下公式：
进一步改进在于，步骤S2还包括：
在训练过程中，对所述生成器输出相似样本的分布特性和所述训练数据集的分布特征进行检验，并在设定分布检验方式下生成量化值，将所述量化值作为所述对抗网络模型训练进度量化指标，当量化值满足设定条件时，则完成对抗网络模型的训练。
进一步改进在于，设定原始数据集为经由所述对抗网络模型得到的生成数据为/>采用K-S检验对所述生成数据与真实数据分布Pdata的检验统计值为：
Z＝Ne·K
其中，相似概率p通过可靠性分布函数Qks表示：
所述设定条件为：比较p值与给定的置信度α的大小，若p＞α，则认为生成数据与真实数据分布之间无明显差异；α≤1，相似概率p越接近1说明生成数据与真实数据一致性越强。
进一步改进在于，完成训练的所述对抗网络模型目标函数为：
此时，生成器与判别器的优化目标修改为：
进一步改进在于，所述方法还包括对所述新时序数据进行误差分析，所述误差分析具体为：将平均绝对百分比误差MAPE和均方误差MSE作为评估指标，
式中，yi表示新时序数据，yi表示观察值，n为样本数量。
本发明的有益效果在于：
(1)本发明利用时序数据的时间间隔特征，结合生成对抗网络技术，提出了一种基于生成对抗网络的时序数据缺失值填充方法。经过对抗式的训练，该方法能够生成符合原始数据集分布的新时序数据。针对每一条缺失时序数据，通过梯度下降算法寻找一个低维特征向量，使得以该低维特征向量为基础的生成样本与原始样本最相似，从而利用生成样本填充时序数据当中的缺失值。
(2)本发明为了加快填充时序数据中的缺失值，进一步提出了端到端的时序数据缺失值填充方法。该方法充分利用了降噪自编码器的降维能力，自动为每一条缺失时序数据寻找对应的低维特征向量。结合生成对抗网络技术，能够端到端的自动填充时序数据中的缺失值，具有更高的时间效率。
(3)本发明通过大量的真实电池数据进行训练，提供足够的样本和特征来支持生成模型的学习和调整。DeepKGAN网络结构优化算法也有助于提高生成模型的性能。该方法可为电池回收和再利用过程提供了可靠的数据基础。生成的高质量数据可以用于电池状态评估、健康预测和性能优化等应用。同时，这也为电池再利用的可持续发展提供了重要支持，减少了对原材料的需求和环境的影响。
附图说明
图1是本发明中填充方法的执行流程示意图；
图2是本发明中DeepKGAN网络结构示意图。
具体实施方式
下面结合附图对本申请作进一步详细描述，有必要在此指出的是，以下具体实施方式只用于对本申请进行进一步的说明，不能理解为对本申请保护范围的限制，该领域的技术人员可以根据上述申请内容对本申请作出一些非本质的改进和调整。
实施例1
如图1-2所示，本实施方式提供了一种基于生成对抗网络的退役电池时序数据缺失值填充方法，方法包括：
S1：获取电池原始数据并进行预处理，以生成训练数据集；其中电池原始数据为电压数据、电流数据、电池容量数据中的一种，预处理为归一化处理，考虑到电流、电压、容量等不同维度具有不同的量纲，且激活函数敏感区间有限，因此需要对原始数据进行归一化处理，归一化公式为：
式中，：表示xi,j的归一化值；/>和/>分别表示来自第i个电池的原始测量数据的最大值和最小值，经过归一化后的数据范围是[0-1]。
S2：构建包含生成器和判别器的对抗网络模型，生成器基于训练数据集样本分布特性生成相似样本，将相似样本输入判别器中以输出判断结果，将判断结果反向传播以优化生成器，通过对生成器和判别器迭代优化以进行对抗网络模型训练，得到训练好的对抗网络模型；
S3：将待填充的电池原始数据导入完成训练好的对抗网络模型中，输出对应待填充电池原始数据分布特性的新时序数据。
在本实施例中，由于采用处理后的数据训练网络，因此生成结果与预测结果要进行反归一化，即将对抗网络模型输出重新映射回原始数据的量纲，反归一化公式为：
本实施例中，步骤S2中构建DeepBGAN对抗网络模型具体为：
S2.1：生成器基于训练数据集样本分布特性生成相似样本，表明生成器从随机噪声分布Pg(z)中采样并向真实数据分布映射，具体输出结果为：
G(z)＝φG(WG·x+bG)
S2.2：将相似样本输入判别器中以输出判断结果对于判别器而言，当输入为真实数据时网络判别结果为1，当输入为来自生成器的伪样本时网络判别结果为0，
D(x)＝φD(WD·x+bD)＝1
D(G(z))＝φD(WD·G(z)+bD)＝0；
式中：φG、φD表示激活函数；x、z分别表示来自真实数据和相似样本；WG、WD、bG、bD分别表示生成器网络与判别器网络中的权值和偏置；
S2.3：在本申请提出的DeepBGAN对抗网络模型中，生成器的优化目标是尽可能欺骗判别器使其对应伪样本的输出结果为1，判别器的优化目标是正确区分数据来自真实样本还是来自生成器的伪样本，可将整个过程视为一个二元极大极小博弈问题，将判别器的判断结果反向传播以优化生成器，通过对生成器和判别器迭代优化以进行对抗网络模型训练；
式中：Pdata(x)表示真实数据分布；表示相似样本的先验分布；E(·)表示计算期望值，当且仅当先验分布/>与真实数据分布Pdata(x)达成一致，即Pdata(x)＝PZ(z)时，表示训练达到均衡。
本实施例中步骤S2中，迭代优化过程具体为生成器的优化和判别器的优化，两者交替实施进行，分别采用如下公式：
从上式中可以看出，生成器的梯度更新信息来自于判别器的输出结果，真实数据则不直接参与生成器的参数更新过程，虽然回避了似然函数求解的难题，但也埋下了训练发散的隐患。在训练过程中，首先优化判别器，将生成器的目标函数带入最优判别器表达式中，可以得到：
V(G)＝2DJS((Pr)│Pz)-2lg(2)
可知，优化生成器相当于最小化真实分布Pr和生成分布Pz之间的Jenson-Shannon(JS)散度，当2个分布交集很少或判别器很容易将两者分开时，JS散度固定为常值lg(2)。此时，产生梯度消失现象，生成器无法获取有效的信息继续更新，模型训练中止，得到的生成结果表现出模式崩溃或训练发散的问题。因此，如果能保证生成器始终能获得有效的梯度信息，将有效地避免训练不稳定的问题。
步骤S2中，为解决上述训练不稳定的问题，在训练过程中，对生成器输出相似样本的分布特性和训练数据集的分布特征进行检验，并在设定分布检验方式下生成量化值，将量化值作为对抗网络模型训练进度量化指标，当量化值满足设定条件时，则完成对抗网络模型的训练；
采用如下步骤，
设定原始数据集为也即存在缺失的原始数据，经由DeepKGAN对抗网络模型得到的生成数据为/>采用K-S检验对生成数据与真实数据分布Pdata的检验统计值为：
Z＝Ne·K
其中，相似概率p通过可靠性分布函数Qks表示：
设定条件为：比较p值与给定的置信度α的大小，若p＞α，则认为生成数据与真实数据分布之间无明显差异；α≤1，相似概率p越接近1说明生成数据与真实数据一致性越强。
步骤S2中，完成训练的对抗网络模型目标函数为：
此时，生成器与判别器的优化目标修改为：
本实施例中步骤S3中还包括对所述新时序数据进行误差分析，误差分析具体为：将平均绝对百分比误差MAPE和均方误差MSE作为评估指标，
式中，表示新时序数据，yi表示观察值，n为样本数量。
本发明中提出的填充方法在具体实施时，可通过大量的真实电池数据进行训练，提供足够的样本和特征来支持生成对抗网络模型的学习和调整。DeepKGAN网络结构优化算法也有助于提高生成模型的性能。该方法可为电池回收和再利用过程提供了可靠的数据基础。生成的高质量数据可以用于电池状态评估、健康预测和性能优化等应用。同时，这也为电池再利用的可持续发展提供了重要支持，减少了对原材料的需求和环境的影响。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (9)
1.一种基于生成对抗网络的退役电池时序数据缺失值填充方法，其特征在于，方法包括：
S1：获取电池原始数据并进行预处理，以生成训练数据集；
S2：构建包含生成器和判别器的对抗网络模型，所述生成器基于所述训练数据集样本分布特性生成相似样本，将所述相似样本输入所述判别器中以输出判断结果，将所述判断结果反向传播以优化所述生成器，通过对所述生成器和所述判别器迭代优化以进行对抗网络模型训练，得到训练好的对抗网络模型；
S3：将待填充电池原始数据导入训练好的对抗网络模型中，输出对应待填充电池原始数据分布特性的新时序数据。
2.根据权利要求1所述的一种基于生成对抗网络的退役电池时序数据缺失值填充方法，其特征在于：所述步骤S1中，电池原始数据为电压数据、电流数据、电池容量数据中的一种。
3.根据权利要求1所述的一种基于生成对抗网络的退役电池时序数据缺失值填充方法，其特征在于：步骤S1中，预处理具体为，对所述原始数据进行归一化处理；步骤S3中还包括对所述新时序数据进行反归一化处理。
4.根据权利要求1所述的一种基于生成对抗网络的退役电池时序数据缺失值填充方法，其特征在于：步骤S2具体为：
S2.1：生成器基于训练数据集样本分布特性生成相似样本，
G(z)＝φG(WG·x+bG)
S2.2：将所述相似样本输入所述判别器中以输出判断结果，
D(x)＝φD(WD·x+bD)＝1
D(G(z))＝φD(WD·G(z)+bD)＝0
其中，当输入为真实数据时判断结果为1，当输入为来自生成器的伪相似样本时判断结果为0；
式中：φG、φD表示激活函数；x、z分别表示来自真实数据和相似样本；WG、WD、bG、bD分别表示生成器网络与判别器网络中的权值和偏置；
S2.3：将所述判断结果反向传播以优化所述生成器，通过对所述生成器和所述判别器迭代优化以进行对抗网络模型训练，采用如下优化公式：
式中：Pdata(x)表示真实数据分布；PZ(z)表示相似样本的先验分布；E(·)表示计算期望值，当且仅当先验分布PZ(z)与真实数据分布Pdata(x)达成一致，即Pdata(x)＝PZ(z)时，表示训练达到均衡。
5.根据权利要求4所述的一种基于生成对抗网络的退役电池时序数据缺失值填充方法，其特征在于：所述迭代优化过程具体为生成器的优化和判别器的优化，分别采用如下公式：
6.根据权利要求5所述的一种基于生成对抗网络的退役电池时序数据缺失值填充方法，其特征在于：步骤S2还包括：
在训练过程中，对所述生成器输出相似样本的分布特性和所述训练数据集的分布特征进行检验，并在设定分布检验方式下生成量化值，将所述量化值作为所述对抗网络模型训练进度量化指标，当量化值满足设定条件时，则完成对抗网络模型的训练。
7.根据权利要求6所述的一种基于生成对抗网络的退役电池时序数据缺失值填充方法，其特征在于：设定原始数据集为X＝[X1,X2…XN1,]，经由所述对抗网络模型得到的生成数据为采用K-S检验对所述生成数据与真实数据分布Pdata的检验统计值为：
Z＝Ne·K
K＝sup|Pz(XN2)-Pdata(XN1)|
其中，相似概率p通过可靠性分布函数Qks表示：
所述设定条件为：比较p值与给定的置信度α的大小，若p＞α，则认为生成数据与真实数据分布之间无明显差异；α≤1，相似概率p越接近1说明生成数据与真实数据一致性越强。
8.根据权利要求7所述的一种基于生成对抗网络的退役电池时序数据缺失值填充方法，其特征在于：完成训练的所述对抗网络模型目标函数为：
此时，生成器与判别器的优化目标修改为：
9.根据权利要求1所述的一种基于生成对抗网络的退役电池时序数据缺失值填充方法，其特征在于：所述方法还包括对所述新时序数据进行误差分析，所述误差分析具体为：将平均绝对百分比误差MAPE和均方误差MSE作为评估指标，
式中，表示新时序数据，yi表示观察值，n为样本数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311454707.5A CN117407665A (zh) | 2023-11-03 | 2023-11-03 | 一种基于生成对抗网络的退役电池时序数据缺失值填充方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311454707.5A CN117407665A (zh) | 2023-11-03 | 2023-11-03 | 一种基于生成对抗网络的退役电池时序数据缺失值填充方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117407665A true CN117407665A (zh) | 2024-01-16 |
Family
ID=89494212
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311454707.5A Pending CN117407665A (zh) | 2023-11-03 | 2023-11-03 | 一种基于生成对抗网络的退役电池时序数据缺失值填充方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117407665A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113269356A (zh) * | 2021-05-18 | 2021-08-17 | 中国人民解放军火箭军工程大学 | 一种面向缺失数据的设备剩余寿命预测方法及系统 |
-
2023
- 2023-11-03 CN CN202311454707.5A patent/CN117407665A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113269356A (zh) * | 2021-05-18 | 2021-08-17 | 中国人民解放军火箭军工程大学 | 一种面向缺失数据的设备剩余寿命预测方法及系统 |
| CN113269356B (zh) * | 2021-05-18 | 2024-03-15 | 中国人民解放军火箭军工程大学 | 一种面向缺失数据的设备剩余寿命预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ren et al. | A data-driven auto-CNN-LSTM prediction model for lithium-ion battery remaining useful life | |
| CN111124840B (zh) | 业务运维中告警的预测方法、装置与电子设备 | |
| CN110427654B (zh) | 一种基于敏感状态的滑坡预测模型构建方法及系统 | |
| CN114297936A (zh) | 一种数据异常检测方法及装置 | |
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN112784920A (zh) | 云边端协同的旋转部件对抗域自适应故障诊断方法 | |
| CN117407665A (zh) | 一种基于生成对抗网络的退役电池时序数据缺失值填充方法 | |
| CN114297036A (zh) | 数据处理方法、装置、电子设备及可读存储介质 | |
| CN116679211B (zh) | 一种锂电池健康状态的预测方法 | |
| CN112990330A (zh) | 用户用能异常数据检测方法及设备 | |
| CN113917334A (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
| CN111400964B (zh) | 一种故障发生时间预测方法及装置 | |
| CN114548199A (zh) | 一种基于深度迁移网络的多传感器数据融合方法 | |
| CN113657030A (zh) | 一种基于高斯过程回归的锂电池剩余使用寿命预测方法 | |
| CN109633449A (zh) | 基于灰色向量机的矿用锂电池寿命预测方法及管理系统 | |
| CN115481796A (zh) | 基于贝叶斯混合神经网络的电池剩余使用寿命预测方法 | |
| Zhang et al. | State of charge prediction of lithium-ion batteries for electric aircraft with swin transformer | |
| CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| Wang et al. | Assessing the Performance Degradation of Lithium‐Ion Batteries Using an Approach Based on Fusion of Multiple Feature Parameters | |
| Channegowda et al. | An attention‐based synthetic battery data augmentation technique to overcome limited dataset challenges | |
| CN117197474A (zh) | 一种基于类别均衡及交叉合并策略的噪声标签学习方法 | |
| CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
| CN116738354A (zh) | 一种电力物联网终端行为异常检测方法及系统 | |
| CN115700363B (zh) | 采煤机滚动轴承故障诊断方法及系统、电子设备和存储介质 | |
| CN116500480A (zh) | 一种基于特征迁移学习混合模型的智能电池健康监测方法 |
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 |