KR102615145B1 - 딥러닝 기반의 배터리 유효 충전 데이터 식별 방법, 장비 및 매체 - Google Patents
딥러닝 기반의 배터리 유효 충전 데이터 식별 방법, 장비 및 매체 Download PDFInfo
- Publication number
- KR102615145B1 KR102615145B1 KR1020220181132A KR20220181132A KR102615145B1 KR 102615145 B1 KR102615145 B1 KR 102615145B1 KR 1020220181132 A KR1020220181132 A KR 1020220181132A KR 20220181132 A KR20220181132 A KR 20220181132A KR 102615145 B1 KR102615145 B1 KR 102615145B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- charging
- voltage data
- deep learning
- irregularity
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 230000008859 change Effects 0.000 claims abstract description 60
- 238000013136 deep learning model Methods 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000009826 distribution Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 4
- 230000036541 health Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 241000220317 Rosa Species 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 208000028659 discharge Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/12—Electric charging stations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Fuzzy Systems (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
본 발명의 실시예는 딥러닝 기반의 배터리 유효 충전 데이터 식별 방법, 장비 및 매체를 개시한다. 여기에서 상기 방법은, 전체 차량 충전 과정 중의 충전 데이터 그래프를 획득하는 단계; 복수의 상이한 치수의 슬라이딩 윈도우를 채택하여 상기 충전 데이터 그래프 상에서 슬라이딩하고, 각 슬라이딩 윈도우의 매회 슬라이딩 후, 윈도우 내의 충전 데이터 그래프에 따라 데이터 불규칙성 및 데이터 변화 추세를 계산한 다음, 각각의 슬라이딩 윈도우에 대응하는 총 데이터 불규칙성 및 데이터 변화 추세를 요약하여 획득하는 단계; 상기 총 데이터 불규칙성 및 총 데이터 변화 추세의 특징을 추출하는 단계; 및 상기 총 데이터 불규칙성 및 총 데이터 변화 추세의 특징을 딥러닝 모델에 입력하여, 상기 딥러닝 모델에서 출력하는 유효 또는 무효 충전 데이터의 식별 결과를 획득하는 단계를 포함한다. 본 실시예는 배터리 유효 충전 데이터의 신속하고 자동화된 식별을 구현할 수 있다.
Description
본 발명의 실시예는 딥러닝 및 데이터 식별 기술 분야에 관한 것으로, 보다 상세하게는 딥러닝 기반의 배터리 유효 충전 데이터 식별 방법, 장비 및 매체에 관한 것이다.
현재 전기차 파워 배터리의 정확한 온라인 추정은 업계 내에서 큰 난제이다. 소비자가 전기차를 구매하고 사용할 때, 핵심적으로 주목하는 부분은 연속 주행거리와 경제성이며, 이에 상응하는 것은 바로 배터리의 가용 용량에 대한 정확한 예측이다. 배터리 수명 예측에 대한 연구는 현재 주로 정전류 조건에서 얻은 용량 데이터를 기반으로 한다. 그러나 전기차의 실제 운행에서는 차량의 운행 조건이 매우 복잡하기 때문에 정전류 방전 단계의 용량 데이터를 얻을 수 없다. 전체 차량 충전 과정이 통상적으로 비교적 표준화되어 있고 전류 변화가 통상적으로 규칙적이거나 상대적으로 안정적이라는 점을 고려할 때, 충전 과정의 데이터를 수명 예측에 사용하는 것이 실현 가능한 방법이다.
실제 응용에서는 차량이 위치한 복잡한 환경, 온도 변동, 충전기의 충전 방식, 배터리 센서 정확도 및 배터리 자체의 노후화 정도에 따라, 충전 데이터 패킷 손실 또는 데이터 불규칙, 오류의 상황이 발생하여 충전 세그먼트 데이터 품질이 고르지 않을 수 있으며, 충전 세그먼트 데이터를 사용하여 배터리의 사용 가능한 수명을 예측할 수 없다.
따라서 전체 차량 충전 상태에서 배터리 유효 충전 데이터를 신속하고 자동화하여 식별할 수 있는 관련 알고리즘의 개발이 필요하다.
본 발명의 실시예는 딥러닝 기반의 배터리 유효 충전 데이터 식별 방법, 장비 및 매체를 제공함으로써, 배터리 유효 충전 데이터의 신속하고 자동화된 식별을 구현한다.
제1 양상에 있어서, 본 발명의 실시예는 딥러닝 기반의 배터리 유효 충전 데이터 식별 방법을 제공한다. 여기에는,
전체 차량 충전 과정 중의 충전 데이터 그래프를 획득하는 단계;
복수의 상이한 치수의 슬라이딩 윈도우를 채택하여 상기 충전 데이터 그래프 상에서 슬라이딩하고, 각 슬라이딩 윈도우의 매회 슬라이딩 후, 윈도우 내의 충전 데이터 그래프에 따라 데이터 불규칙성 및 데이터 변화 추세를 계산한 다음, 각각의 슬라이딩 윈도우에 대응하는 총 데이터 불규칙성 및 데이터 변화 추세를 요약하여 획득하는 단계;
상기 총 데이터 불규칙성 및 총 데이터 변화 추세의 특징을 추출하는 단계; 및
상기 총 데이터 불규칙성 및 총 데이터 변화 추세의 특징을 딥러닝 모델에 입력하여, 상기 딥러닝 모델에서 출력하는 유효 또는 무효 충전 데이터의 식별 결과를 획득하는 단계가 포함된다.
제2 양상에 있어서, 본 발명의 실시예는 전자 장비를 더 제공한다. 상기 전자 장비는,
하나 이상의 프로세서; 및
하나 이상의 프로그램을 저장하기 위한 메모리를 포함한다.
상기 하나 이상의 프로그램이 상기 하나 이상의 프로세서에 의해 실행되면, 상기 하나 이상의 프로세서가 어느 하나의 실시예에 따른 딥러닝 기반의 배터리 유효 충전 데이터 식별 방법을 구현한다.
제3 양상에 있어서, 본 발명의 실시예는 컴퓨터 판독 가능 저장 매체를 더 제공한다. 여기에는 프로세서에 의해 실행되면 어느 하나의 실시예에 따른 딥러닝 기반의 배터리 유효 충전 데이터 식별 방법이 구현되는 컴퓨터 프로그램이 저장된다.
본 발명의 실시예는 상이한 치수의 슬라이딩 윈도우를 채택하여 충전 데이터의 데이터 특징을 추출한 다음, 특징 추출을 수행함으로써, 충전 데이터의 변화 추세 및 분포 규칙을 충분히 발굴할 수 있다. 또한 딥러닝 모델을 이용해 식별함으로써, 식별의 지능화, 자동화를 구현하는 동시에 식별 효율성을 향상시킨다.
이하에서는 본 발명의 구체적인 실시방식 또는 종래 기술의 기술적 해결책을 보다 명확하게 설명하기 위해, 구체적인 실시방식 또는 종래 기술의 설명에 사용될 필요가 있는 첨부 도면을 간략하게 소개한다. 이하의 첨부 도면은 본 발명의 일부 실시방식에 불과하며, 본 발명이 속한 기술 분야의 당업자는 창의적인 노력 없이 이러한 첨부 도면으로부터 다른 첨부 도면을 얻을 수 있다.
도 1은 본 발명의 실시예에 따른 딥러닝 기반의 배터리 유효 충전 데이터 식별 방법의 흐름도이다.
도 2는 무효한 전력량-전압 그래프이다.
도 3은 유효한 전력량-전압 그래프이다.
도 4는 본 발명의 실시예에 따른 전자 장비의 구조도이다.
도 1은 본 발명의 실시예에 따른 딥러닝 기반의 배터리 유효 충전 데이터 식별 방법의 흐름도이다.
도 2는 무효한 전력량-전압 그래프이다.
도 3은 유효한 전력량-전압 그래프이다.
도 4는 본 발명의 실시예에 따른 전자 장비의 구조도이다.
본 발명의 목적, 기술적 해결책 및 장점을 보다 명확하게 설명하기 위해, 이하에서는 본 발명의 기술적 해결책을 명확하고, 완전하게 설명한다. 설명된 실시예는 본 발명의 전부가 아니라 일부 실시예임에 유의한다. 본 발명의 실시예를 기반으로, 본 발명이 속한 기술 분야의 당업자가 창의적인 노력 없이 획득한 다른 모든 실시예는 본 발명의 보호 범위에 속한다.
본 발명의 설명에서 용어 "중심", "상", "하", "좌", "우", "수직", "수평", "안", "밖" 등이 가리키는 방향 또는 위치 관계는 첨부 도면에 도시된 방향 또는 위치 관계를 기반으로 한다. 이는 본 발명을 간략하게 설명하기 위한 것일 뿐이며, 가리키는 장치 또는 요소가 반드시 특정한 방향을 갖거나 특정한 방향으로 구성 및 조작되어야 함을 지시하거나 암시하지 않는다. 따라서 이는 본 발명을 제한하는 것으로 이해되어서는 안 된다. 또한 용어 "제1", "제2" 및 "제3"은 설명의 목적으로만 사용되며, 상대적 중요성을 나타내거나 암시하는 것으로 해석되어서는 안 된다.
본 발명의 설명에 있어서, 별도로 명시하거나 한정하지 않는 한, 용어 "장착", "상호 연결", "연결"은 넓은 의미로 해석되어야 한다. 예를 들어, 이는 고정 연결, 분리 가능한 연결 또는 일체형 연결일 수 있다. 또한 기계적 연결 또는 전기적 연결일 수 있다. 그 외 직접적인 연결일 수 있으며, 중간 매개체를 통한 간접적인 연결일 수도 있고, 두 요소 내부의 연통일 수도 있다. 본 발명이 속한 기술 분야에서 통상의 기술자는 구체적인 상황에 따라 본 발명에서 상술한 용어의 구체적인 의미를 이해할 수 있다.
종래 기술을 기반으로 충전 데이터는 패킷 손실 및 교란 등의 영향을 받아, 데이터 품질이 크게 저하될 수 있다. 필터링으로도 대량의 손실 및 무질서를 보완할 수 없어, 이러한 데이터를 후속적인 건강 정도 검출 및 고장 예보에 적용할 수 없다. 따라서 충전 데이터의 유효성을 식별하기 위한 본 방법을 특별히 제시한다. 여기에서 "유효"는 차량이 실제로 충전 중이고 데이터에 차량이 실제로 충전 중임을 반영할 수 있음을 의미하고, "무효"는 차량이 실제로 충전 중이지만 데이터에 차량이 충전 중임을 반영할 수 없음을 의미한다.
본 발명의 실시예는 딥러닝 기반의 배터리 유효 충전 데이터 식별 방법을 제공하며, 이는 배터리의 충전 데이터에 대한 유효성 식별을 수행하는 데 적용된다. 본 실시예는 전자 장비에 의해 실행된다. 상기 방법의 흐름도는 도 1에 도시된 바와 같다. 본 실시예에서 제공하는 방법은 구체적으로 하기 단계를 포함한다.
S110: 전체 차량 충전 과정 중의 충전 데이터 그래프를 획득한다.
본 실시예 중의 충전 데이터는 배터리로부터 수집한 데이터이며, 여기에는 전압 데이터, 전류 데이터 및 전력량이 포함되나 이에 한정되지 않는다.
선택적으로, 전체 차량 충전 과정에서, 설정 시간 간격으로 전압 데이터 및 동시각의 전력량을 수집하고, 상기 전압 데이터 및 전력량으로 충전 데이터 그래프를 구성한다.
변화차가 크지 않은 전류-전압 그래프와 비교할 때, 충전 시의 전압은 충전 전력량에 따른 변화가 배터리 충전 시 가장 중요한 변화 특징이며, 이는 배터리 자체의 변화 추세를 나타낸다. 따라서 배터리 충전 시의 충전 전력량과 전압 그래프를 충전 세그먼트 유효성을 판단하는 근거로 사용한다. 매회 충전 시 동일한 시간 간격으로 획득한 전압 값, 및 충전 과정 중 현재 시각 충전되는 전력량을 취하여, 배터리 충전 시의 충전 전력량-전압 그래프 변화 그래프 세그먼트를 구성한다.
도 2는 무효한 전력량-전압 그래프이다. 도 3은 유효한 전력량-전압 그래프이다. 가로좌표는 전력량(단위는 암페어시/AH)이고, 세로좌표는 전압(단위는 볼트/V)이다. 그러나 이에 한정되지 않으며, 전압을 가로좌표, 전력량을 세로좌표로 사용할 수도 있다.
S120: 복수의 상이한 치수의 슬라이딩 윈도우를 채택하여 상기 충전 데이터 그래프 상에서 슬라이딩하고, 각 슬라이딩 윈도우의 매회 슬라이딩 후, 윈도우 내의 충전 데이터 그래프에 따라 데이터 불규칙성 및 데이터 변화 추세를 계산한 다음, 각각의 슬라이딩 윈도우에 대응하는 총 데이터 불규칙성 및 데이터 변화 추세를 요약하여 획득한다.
그래프 형태, 변화 추세 및 수치 분포의 특징값을 나타낼 수 있도록 구축하는 것은 본 발명에서 해결해야 할 핵심 문제이다. 충전 시, 충전 전력량이 증가함에 따라, 배터리의 전압이 지속 상승한다. 여기에서 충전 과정의 초기 구간에서는 전압이 먼저 빠르게 상승했다가 후기에는 완만하게 상승했으며 마지막에 다시 빠르게 상승하였다. 따라서 전체 충전 과정에서 유효한 충전 전력량-전압 그래프는 두 가지 분포 추세인 전압의 빠른 상승 및 전압의 완만한 상승을 포함해야 한다.
실제 적용 시나리오에서 인산철리튬과 삼원계 배터리의 충전 그래프 특징 차이가 매우 컸으며, 본 발명에 설명된 빠른 상승과 완만한 상승의 두 가지 특징은 인산철리튬에 적용되었다.
전력량-전압 그래프가 해당 추세를 충족하지 못하면, 배터리 자체의 문제일 수 있으므로, 이는 본 실시예의 논의 범위를 벗어난다.
본 실시예는 상이한 크기의 슬라이딩 윈도우를 사용하여, 설정된 스텝 길이로 충전 데이터 그래프 상에서 슬라이딩하며, 각각의 슬라이딩 윈도우의 매회 슬라이딩 후, 윈도우 내의 충전 데이터 그래프를 추출한다. 윈도우 내 i번째 충전 데이터(i번째 충전 데이터는 상기 윈도우 내 어느 하나의 데이터이며, i번째 충전 데이터는 전압 또는 전력량일 수 있음)와 상기 윈도우 내 충전 데이터를 순서대로 정렬한 후의 i번째 충전 데이터의 거리에 따라, 데이터 불규칙성을 계산하며, 이는 공식 1을 참조한다. 각각의 슬라이딩 윈도우의 매회 슬라이딩 후, 윈도우 내 충전 데이터가 정렬된 후 인접한 충전 데이터의 거리에 따라, 데이터 변화 추세를 계산하며, 이는 공식 3을 참조한다. 나아가 각각의 슬라이딩 윈도우에 대응하는 총 데이터 불규칙성 및 데이터 변화 추세를 요약하여 획득한다. 여기에는 각각의 슬라이딩 윈도우가 이력 기간 동안 슬라이딩한 후 계산된 데이터 불규칙성을 서로 더하여, 각각의 슬라이딩 윈도우에 대응하는 총 데이터 불규칙성을 획득하는 단계가 포함되며, 이는 공식 2를 참조한다. 또한 각각의 슬라이딩 윈도우가 이력 기간 동안 슬라이딩한 후 계산된 데이터 변화 추세를 서로 더하여, 각각의 슬라이딩 윈도우에 대응하는 총 데이터 변화 추세를 획득하는 단계가 포함되며, 이는 공식 4를 참조한다.
공식 1
공식 1에서, F(i)는 슬라이딩 윈도우 중의 i번째 충전 데이터를 나타내며, FS(i)는 슬라이딩 윈도우의 값을 정순서로 배열(예를 들어 작은 것에서 큰 것으로)한 후의 i번째 충전 데이터를 나타낸다.
공식 2
공식 2에서, m은 현재 슬라이딩 윈도우 j가 전체 충전 그래프 상에서 슬라이딩하는 횟수이며, Ftotal_cj는 현재 슬라이딩 윈도우 j에 대응하는 총 데이터 불규칙성이다.
공식 3
공식 3에서, FS(i-1)은 슬라이딩 윈도우의 값을 정순서로 배열한 후의 제i-1 충전 데이터를 나타낸다.
공식 4
공식 4에서, 슬라이딩 윈도우가 전체 그래프에서 계산이 완료된 후, 수치 변화 추세를 중첩하며, 이는 현재 슬라이딩 윈도우 j의 총 데이터 변화 추세 Ftotal_sj를 나타낸다.
총 데이터 불규칙성은 전체 그래프의 수치 돌변량을 나타내며, 총 데이터 변화 추세는 전체 그래프의 형상을 나타낸다. 총 데이터 불규칙성을 계산하면 그래프의 총 돌변량을 효과적으로 계산할 수 있으며, 총 데이터 변화 추세를 계산하면 그래프의 전체 형상을 효과적으로 계산할 수 있다. 상이한 크기의 슬라이딩 윈도우를 사용해 데이터 불규칙성 및 데이터 변화 추세를 요약한다. 슬라이딩 윈도우 길이가 비교적 작으며, 그래프의 국소 특징, 즉 국소 수치 돌변을 획득할 수 있다. 길이가 비교적 길면, 그래프의 전체 특징, 즉 그래프의 추세 변화를 획득할 수 있다.
S130: 상기 총 데이터 불규칙성 및 총 데이터 변화 추세의 특징을 추출한다.
총 데이터 불규칙성 및 총 데이터 변화 추세의 특징은 총 데이터 불규칙성 및 총 데이터 변화 추세 자체일 수 있다.
총 데이터 불규칙성 및 총 데이터 변화 추세가 구현하는 것은 원본 데이터이며, 수치 범위가 광범위하고 특징이 명확하지 않다. 바람직하게는, 복수의 총 데이터 불규칙성의 분포 특징을 추출하고, 복수의 총 데이터 변화 추세의 분포 특징으로 추출한다. 상기 복수의 총 데이터 불규칙성의 분포 특징과 복수의 총 데이터 변화 추세의 분포 특징을 2차원 매트릭스로 구성하여, 추출의 특징으로 사용한다.
구체적으로, 통계적 히스토그램을 사용하여 총 데이터 불규칙성 및 총 데이터 변화 추세를 각각 통계할 수 있다. 총 데이터 불규칙성/총 데이터 변화 추세가 상이한 데이터 범위 내에 포함되는 개수를 통계하여, 분포 특징으로 사용하며 2차원 매트릭스의 행 벡터를 구성한다.
본 실시예에서 계산하여 획득한 특징은 그래프의 국소 및 전체의 변화 추세 및 수치 분포를 반영하였다. 따라서 사용하는 특징은 전력량-전압 그래프 변화 추세 및 수치 분포를 나타낼 수 있다.
S140: 상기 총 데이터 불규칙성 및 총 데이터 변화 추세의 특징을 딥러닝 모델에 입력하여, 상기 딥러닝 모델에서 출력하는 유효 또는 무효 충전 데이터의 식별 결과를 획득한다.
본 실시예는 딥러닝 모델의 종류를 한정하지 않는다. 선택적으로, 딥러닝 모델은 자기주의 매커니즘 기반의 딥러닝 모델이다.
딥러닝 모델은 총 데이터 불규칙성 및 총 데이터 변화 추세의 특징을 입력하고 유효성 식별을 수행하는 데 사용된다. S140 이전에 딥러닝 모델에 대한 학습을 수행해야 한다. 선택적으로, 학습 샘플을 구축한다. 상기 학습 샘플은 총 데이터 불규칙성 및 총 데이터 변화 추세의 특징 샘플, 상기 특징 샘플의 유효 태그 및 무효 태그를 포함한다. 학습할 딥러닝 모델을 구축한다. 상기 학습 샘플을 기반으로 상기 학습할 딥러닝 모델을 학습시킨다.
여기에서 배터리 충전 과정에서, 인위적으로 유효 또는 무효의 충전 데이터를 판단하며, 인위적으로 유효 태그 및 무효 태그를 표시한다. 특징 샘플은 상술한 S130의 특징 추출 방식과 동일하므로, 여기에서 반복하여 설명하지 않는다. 학습에 채택한 손실 함수는 교차 엔트로피이다.
선택적으로, 상기 총 데이터 불규칙성 및 총 데이터 변화 추세의 특징을 딥러닝 모델에 입력하여, 상기 딥러닝 모델에서 출력하는 유효 충전 데이터 또는 무효 충전 데이터의 식별 결과를 획득한 후, 식별 결과가 유효하면, 충전 데이터 그래프를 기반으로 배터리 건강 정도를 검출하고/하거나 고장 경보를 수행하는 단계를 더 포함한다.
배터리의 안전 경보 분석 및 건강 상태 검출 시, 배터리의 상이한 순환 횟수 기반의 충전 세그먼트 데이터의 특징 추세가 필요하다. 유효한, 즉 배터리 충전 상태를 정확하게 반영할 수 있는 데이터를 사용하여 배터리 건강 정도를 검출하고/하거나 고장 경보를 수행하면, 검출 및 경보의 정확도를 크게 향상시킬 수 있다.
본 발명의 실시예는 상이한 치수의 슬라이딩 윈도우를 채택하여 충전 데이터의 데이터 특징을 추출한 다음, 특징 추출을 수행함으로써, 충전 데이터의 변화 추세 및 분포 규칙을 충분히 발굴할 수 있다. 또한 딥러닝 모델을 이용해 식별함으로써, 식별의 지능화, 자동화를 구현하는 동시에 식별 효율성을 향상시킨다.
도 4는 본 발명의 실시예에서 제공하는 전자 장비의 구조도이다. 도 4에 도시된 바와 같이, 해당 장비는 프로세서(40), 메모리(41), 입력 장치(42) 및 출력 장치(43)를 포함한다. 장비에서 프로세서(40)의 수량은 하나 이상일 수 있다. 도 4에서는 하나의 프로세서(40)를 예로 든다. 장비에서 프로세서(40), 메모리(41), 입력 장치(42) 및 출력 장치(43)는 버스 또는 다른 방식에 의해 연결될 수 있다. 도 4에서는 버스에 의한 연결을 예로 든다.
메모리(41)는 소프트웨어 프로그램, 컴퓨터 실행 가능한 프로그램 및 모듈, 예를 들어 본 발명의 실시예에 따른 딥러닝 기반의 배터리 유효 충전 데이터 식별 방법에 대응하는 프로그램 명령/모듈에 사용될 수 있는 컴퓨터 판독 가능 저장 매체이다. 프로세서(40)는 메모리(41)에 저장된 소프트웨어 프로그램, 명령 및 모듈을 실행함으로써, 장비의 각종 기능 응용 및 데이터 처리를 실행한다. 즉, 상술한 딥러닝 기반의 배터리 유효 충전 데이터 식별 방법을 구현한다.
메모리(41)는 주로 프로그램 저장 영역 및 데이터 저장 영역을 포함할 수 있다. 여기에서 프로그램 저장 영역은 운영 체제, 적어도 하나의 기능에 필요한 응용 프로그램을 저장할 수 있고, 데이터 저장 영역은 단말의 사용에 따라 생성된 데이터 등을 저장할 수 있다. 또한 메모리(41)는 고속 랜덤 액세스 메모리를 포함할 수 있으며, 비휘발성 메모리를 포함할 수도 있다. 예를 들어 적어도 하나의 자기 디스크 저장 장치, 플래시 메모리 장치 또는 기타 비휘발성 고체 상태 저장 장치가 있다. 일부 실시예에 있어서, 메모리(41)는 네트워크를 통해 장비에 연결될 수 있는 프로세서(40)로부터 원격으로 설치된 메모리를 더 포함할 수 있다. 상술한 네트워크의 예시에는 인터넷, 인트라넷, 근거리 통신망, 이동통신망 및 이들의 조합을 포함하지만 이에 한정되지 않는다.
입력 장치(42)는 입력된 숫자나 문자 정보를 수신하고 장비의 사용자 설치 및 기능 제어와 관련된 키 신호 입력을 생성하는 데 사용될 수 있다. 출력 장치(43)는 디스플레이 스크린 등과 같은 디스플레이 장치를 포함할 수 있다.
본 발명의 실시예는 컴퓨터 프로그램이 저장된 컴퓨터 판독 가능 저장 매체를 더 제공한다. 상기 프로그램이 프로그램에 의해 실행되면 어느 하나의 실시예에 따른 연료 전지 흐름 저항 함수 학습 방법 또는 연료 전지 흐름 저항 예측 방법이 구현된다.
본 발명 실시예의 컴퓨터 저장 매체는 하나 이상의 컴퓨터 판독 가능 매체의 임의 조합을 채택할 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터 판독 가능 신호 매체 또는 컴퓨터 판독 가능 저장 매체일 수 있다. 컴퓨터 판독 가능 저장 매체는 예를 들어 전기, 자기, 광학, 전자기, 적외선 또는 반도체의 시스템, 장치 또는 소자, 또는 이들의 임의 조합을 포함할 수 있으나 이에 한정되지 않는다. 컴퓨터 판독 가능 저장 매체의 보다 구체적인 예시(일부 리스트)에는 하나 이상의 도선을 구비한 전기적으로 연결된 휴대용 컴퓨터 디스크, 하드 디스크, 랜덤 액세스 메모리(RAM), 읽기 전용 메모리(ROM), 삭제 및 프로그래밍 가능한 읽기 전용 메모리(EPROM 또는 플래시 메모리), 광섬유, 휴대용 컴팩트 디스크 읽기 전용 메모리(CD-ROM), 광 저장 장치, 자기 저장 장치, 또는 이들의 적절한 임의 조합이 포함된다. 본원에서 컴퓨터 판독 가능 저장 매체는 프로그램을 포함하거나 저장하는 임의 유형의 매체일 수 있다. 상기 프로그램은 명령 실행 시스템, 장치 또는 소자에 사용되거나 그와 함께 사용될 수 있다.
컴퓨터 판독 가능 신호 매체는 기저대역에 포함되거나 반송파의 일부로서 전파되는 데이터 신호일 수 있으며, 여기에는 컴퓨터 판독가능 프로그램 코드가 운반된다. 이처럼 전파되는 데이터 신호는 다양한 형태를 채택할 수 있다. 여기에는 전자기 신호, 광학 신호 또는 이들의 적절한 임의 조합이 포함되나 이에 한정되지 않는다. 컴퓨터 판독 가능 신호 매체는 컴퓨터 판독 가능 저장 매체 이외의 임의의 컴퓨터 판독 가능 매체일 수 있다. 상기 컴퓨터 판독 가능 매체는 명령 실행 시스템, 장치 또는 소자에 의해 사용되거나 그와 함께 사용하기 위한 프로그램을 발송, 전파 또는 전송할 수 있다.
컴퓨터 판독 가능 매체 상에 포함된 프로그램 코드는 임의의 적절한 매체를 이용해 전송할 수 있다. 여기에는 무선, 유선, 광섬유 케이블, RF 등, 또는 이들의 적절한 임의 조합이 포함되나 이에 한정되지 않는다.
하나 이상의 프로그램 설계 언어 또는 그 조합으로 본 발명 조작을 실행하기 위한 컴퓨터 프로그램 코드를 작성할 수 있다. 프로그램 설계 언어는 Java, Smalltalk, C++와 같은 객체 지향 프로그래밍 언어를 포함하며, "C" 언어 또는 이와 유사한 프로그램 설계 언어와 같은 일반적인 프로세스적 프로그램 설계 언어를 더 포함한다. 프로그램 코드는 완전하게 사용자 컴퓨터 상에서 실행, 부분적으로 사용자 컴퓨터 상에서 실행, 하나의 독립적인 소프트웨어 패키지로 실행, 일부는 사용자 컴퓨터 상에서 일부는 원격 컴퓨터 상에서 실행, 또는 완전히 원격 컴퓨터 또는 서버 상에서 실행될 수 있다. 원격 컴퓨터가 관련된 경우, 원격 컴퓨터는 임의 유형의 네트워크를 통할 수 있으며, LAN(Local Area Network) 또는 WAN(Wide Area Network)이 포함되고, 사용자 컴퓨터에 연결되거나 외부 컴퓨터에 연결될 수 있다(예를 들어, 인터넷 서비스 공급자를 이용하여 인터넷을 통해 연결).
마지막으로, 상기 각 실시예는 본 발명의 기술적 해결책을 제한하는 것이 아니라 설명하기 위해 사용된다. 전술한 각 실시예를 참조하여 본 발명을 상세하게 설명하였으나, 당업자는 전술한 실시예에 설명된 기술적 해결책을 수정하거나, 그 중 일부 또는 모든 기술적 특징을 동등한 수준으로 교체할 수 있으며, 이러한 수정 또는 교체는 해당 기술적 해결책의 본질이 본 발명의 각 실시예의 기술적 해결책을 벗어나도록 만들지 않음에 유의한다.
Claims (8)
- 딥러닝 기반의 배터리 유효 충전 데이터 식별 방법에 있어서,
전체 차량 충전 과정 중의 충전 데이터 그래프를 획득하는 단계 - 구체적으로, 전체 차량 충전 과정에서, 설정 시간 간격으로 전압 데이터 및 동시각의 전력량을 수집하고, 충전 시 충전 전력량의 증가에 따라 배터리 전압이 상승하는 상기 전압 데이터 및 전력량으로 충전 데이터 그래프를 구성함 - ;
복수의 상이한 치수의 슬라이딩 윈도우를 채택하여 상기 충전 데이터 그래프 상에서 슬라이딩하고, 각 슬라이딩 윈도우의 매회 슬라이딩 후, 윈도우 내의 충전 데이터 그래프에 따라 전압 데이터 불규칙성 및 전압 데이터 변화 추세를 계산한 다음, 각각의 슬라이딩 윈도우에 대응하는 총 전압 데이터 불규칙성 및 전압 데이터 변화 추세를 요약하여 획득하는 단계 - 구체적으로 상기 각 슬라이딩 윈도우의 매회 슬라이딩 후, 윈도우 내의 충전 데이터 그래프에 따라 전압 데이터 불규칙성 및 전압 데이터 변화 추세를 계산하는 단계는, 각각의 슬라이딩 윈도우의 매회 슬라이딩 후, 윈도우 내 i번째 충전 데이터와 상기 윈도우 내 충전 데이터를 순차적으로 정렬한 후의 i번째 충전 데이터의 거리에 따라, 전압 데이터 불규칙성을 계산하는 단계 - 상기 i번째 충전 데이터는 상기 윈도우 내의 임의 데이터임 - ; 및 각각의 슬라이딩 윈도우의 매회 슬라이딩 후, 윈도우 내 충전 데이터가 정렬된 후 인접한 충전 데이터의 거리에 따라, 전압 데이터 변화 추세를 계산하는 단계를 포함함 - ;
상기 총 전압 데이터 불규칙성 및 총 전압 데이터 변화 추세의 특징을 추출하는 단계; 및
상기 총 전압 데이터 불규칙성 및 총 전압 데이터 변화 추세의 특징을 딥러닝 모델에 입력하여, 상기 딥러닝 모델에서 출력하는 유효 충전 데이터 또는 무효 충전 데이터의 식별 결과를 획득하는 단계를 포함하고,
상기 유효 충전 데이터는 차량이 실제로 충전 중이고 차량이 실제로 충전 중임을 반영할 수 있는 전압 데이터 및 전력량이고,
상기 무효 충전 데이터는 차량이 실제로 충전 중이지만 차량이 충전 중임을 반영할 수 없는 전압 데이터 및 전력량인 것을 특징으로 하는 방법. - 제1항에 있어서,
상기 각각의 슬라이딩 윈도우에 대응하는 총 전압 데이터 불규칙성 및 총 전압 데이터 변화 추세를 요약하여 획득하는 상기 단계는,
각각의 슬라이딩 윈도우가 이력 기간 동안 슬라이딩한 후 계산된 전압 데이터 불규칙성을 서로 더하여, 각각의 슬라이딩 윈도우에 대응하는 총 전압 데이터 불규칙성을 획득하는 단계; 및
각각의 슬라이딩 윈도우가 이력 기간 동안 슬라이딩한 후 계산된 전압 데이터 변화 추세를 서로 더하여, 각각의 슬라이딩 윈도우에 대응하는 총 전압 데이터 변화 추세를 획득하는 단계를 포함하는 것을 특징으로 하는 방법. - 제1항에 있어서,
상기 총 전압 데이터 불규칙성 및 총 전압 데이터 변화 추세의 특징을 추출하는 상기 단계는,
복수의 총 전압 데이터 불규칙성의 분포 특징을 추출하는 단계;
복수의 총 전압 데이터 변화 추세의 분포 특징을 추출하는 단계; 및
복수의 총 전압 데이터 불규칙성의 분포 특징 및 복수의 총 전압 데이터 변화 추세의 분포 특징을 2차원 매트릭스로 구성하는 단계를 포함하는 것을 특징으로 하는 방법. - 제1항에 있어서,
상기 총 전압 데이터 불규칙성 및 총 전압 데이터 변화 추세의 특징을 딥러닝 모델에 입력하여, 상기 딥러닝 모델에서 출력하는 유효 충전 데이터 또는 무효 충전 데이터의 식별 결과를 획득하기 전에,
학습 샘플을 구축하는 단계 - 상기 학습 샘플은 총 데이터 불규칙성 및 총 데이터 변화 추세의 특징 샘플, 상기 특징 샘플의 유효 태그 및 무효 태그를 포함함 - ;
학습할 딥러닝 모델을 구축하는 단계; 및
상기 학습 샘플을 기반으로 상기 학습할 딥러닝 모델을 학습시키는 단계를 더 포함하는 것을 특징으로 하는 방법. - 제1항에 있어서,
상기 딥러닝 모델은 자기주의 매커니즘 기반의 딥러닝 모델인 것을 특징으로 하는 방법. - 제1항에 있어서,
상기 총 전압 데이터 불규칙성 및 총 전압 데이터 변화 추세의 특징을 딥러닝 모델에 입력하여, 상기 딥러닝 모델에서 출력하는 유효 충전 데이터 또는 무효 충전 데이터의 식별 결과를 획득한 후에,
식별 결과가 유효 충전 데이터이면, 상기 충전 데이터 그래프를 기반으로 배터리 건강 정도를 검출하고/하거나 고장 경보를 수행하는 단계를 더 포함하는 것을 특징으로 하는 방법. - 전자 장비에 있어서,
하나 이상의 프로세서; 및
하나 이상의 프로그램을 저장하기 위한 메모리를 포함하고,
상기 하나 이상의 프로그램이 상기 하나 이상의 프로세서에 의해 실행되면, 상기 하나 이상의 프로세서가 제1항 내지 제6항 중 어느 한 항에 따른 딥러닝 기반의 배터리 유효 충전 데이터 식별 방법을 구현하는 것을 특징으로 하는 전자 장비. - 컴퓨터 판독 가능 저장 매체에 있어서,
프로세서에 의해 실행되면 제1항 내지 제6항 중 어느 한 항에 따른 딥러닝 기반의 배터리 유효 충전 데이터 식별 방법이 구현되는 컴퓨터 프로그램이 저장된 컴퓨터 판독 가능 저장 매체.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210483230.2A CN114579644B (zh) | 2022-05-06 | 2022-05-06 | 基于深度学习的电池有效充电数据识别方法、设备和介质 |
| CN202210483230.2 | 2022-05-06 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230156641A KR20230156641A (ko) | 2023-11-14 |
| KR102615145B1 true KR102615145B1 (ko) | 2023-12-15 |
Family
ID=81785582
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220181132A KR102615145B1 (ko) | 2022-05-06 | 2022-12-21 | 딥러닝 기반의 배터리 유효 충전 데이터 식별 방법, 장비 및 매체 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR102615145B1 (ko) |
| CN (1) | CN114579644B (ko) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116184968B (zh) * | 2023-04-24 | 2023-07-11 | 山东星峰面粉机械有限公司 | 用于玉米熟粉生产线的生产控制方法及系统 |
| CN117233629B (zh) * | 2023-11-13 | 2024-01-30 | 深圳市普裕时代新能源科技有限公司 | 一种锂离子电池电性能测试方法、系统、设备及介质 |
| CN117591987B (zh) * | 2024-01-18 | 2024-04-26 | 北京国旺盛源智能终端科技有限公司 | 一种基于人工智能的用电设备监测方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113459897A (zh) * | 2021-07-27 | 2021-10-01 | 四川嘉垭汽车科技有限公司 | 一种基于电动汽车充电大数据的荷电状态修正及预测方法 |
| CN114397592A (zh) * | 2022-01-07 | 2022-04-26 | 中国第一汽车股份有限公司 | 一种电动汽车动力电池的健康度预测方法和装置 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102357351B1 (ko) * | 2015-01-07 | 2022-01-28 | 삼성전자주식회사 | 복수의 배터리 셀들을 포함하는 배터리 팩의 상태를 추정하는 장치 및 방법 |
| CN109633448B (zh) * | 2018-11-19 | 2022-01-25 | 深圳智链物联科技有限公司 | 识别电池健康状态的方法、装置和终端设备 |
| KR102362532B1 (ko) * | 2020-03-16 | 2022-02-16 | 주식회사 로보볼트 | 신경망 기반의 배터리 잔존 수명 예측 방법 및 장치 |
| CN111641236B (zh) * | 2020-05-27 | 2023-04-14 | 上海电享信息科技有限公司 | 基于大数据ai的动态阈值动力电池充电电压状态判断方法 |
| CN113933725B (zh) * | 2021-09-08 | 2023-09-12 | 深圳大学 | 一种基于数据驱动确定动力电池荷电状态的方法 |
| CN113866659A (zh) * | 2021-09-26 | 2021-12-31 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于机器学习和安时积分法的锂电池soh预测方法 |
| CN113895272A (zh) * | 2021-10-15 | 2022-01-07 | 青岛科技大学 | 基于深度学习的电动汽车交流充电状态监测和故障预警方法 |
-
2022
- 2022-05-06 CN CN202210483230.2A patent/CN114579644B/zh active Active
- 2022-12-21 KR KR1020220181132A patent/KR102615145B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113459897A (zh) * | 2021-07-27 | 2021-10-01 | 四川嘉垭汽车科技有限公司 | 一种基于电动汽车充电大数据的荷电状态修正及预测方法 |
| CN114397592A (zh) * | 2022-01-07 | 2022-04-26 | 中国第一汽车股份有限公司 | 一种电动汽车动力电池的健康度预测方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114579644A (zh) | 2022-06-03 |
| CN114579644B (zh) | 2022-07-22 |
| KR20230156641A (ko) | 2023-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102615145B1 (ko) | 딥러닝 기반의 배터리 유효 충전 데이터 식별 방법, 장비 및 매체 | |
| CN113022378B (zh) | 温度一致性预测方法、装置、预测设备及存储介质 | |
| CN114386537B (zh) | 基于CatBoost的锂电池故障诊断方法、装置及电子设备 | |
| CN116699297B (zh) | 充电桩检测系统及其方法 | |
| CN116614177B (zh) | 一种光纤状态多维度参量监测系统 | |
| Luo et al. | A simple feature extraction method for estimating the whole life cycle state of health of lithium-ion batteries using transformer-based neural network | |
| CN115019209A (zh) | 一种基于深度学习的电力杆塔状态检测的方法及系统 | |
| CN116381494A (zh) | 电池最大可用容量预测方法、装置、电子设备及存储介质 | |
| CN116862079B (zh) | 一种企业污染物排放预测方法及预测系统 | |
| CN117289167A (zh) | 基于多重神经网络的电池剩余寿命预测方法、装置及介质 | |
| CN117154263A (zh) | 锂电池梯次利用充放电系统及控制方法 | |
| CN110704614B (zh) | 对应用中的用户群类型进行预测的信息处理方法及装置 | |
| Zhang et al. | Application of adaptive genetic algorithm for the parameter selection of support vector regression | |
| CN116522594A (zh) | 基于卷积神经网络的时间自适应暂态稳定预测方法及装置 | |
| CN116184214A (zh) | 车用动力电池寿命在线快速预测方法、装置及存储介质 | |
| Pan et al. | Assessment of MV XLPE cable aging state based on PSO-XGBoost algorithm | |
| CN115267586A (zh) | 锂电池soh评估方法 | |
| CN114219118A (zh) | 一种d-s证据理论的智能电表寿命预测方法及系统 | |
| CN117406007B (zh) | 一种充电桩充电数据检测方法及系统 | |
| CN114565172B (zh) | 电池剩余寿命预测模型构建、电池剩余寿命预测方法 | |
| CN116736174B (zh) | 电池剩余寿命预测方法、装置、计算机设备和存储介质 | |
| CN117805652A (zh) | 阀控密封铅酸蓄电池的健康度评估方法、装置以及设备 | |
| CN116186484A (zh) | 一种基于深度学习的电池容量衰减趋势预测方法及系统 | |
| Wang et al. | A double broad learning approach based on variational modal decomposition for Lithium-Ion battery prognostics | |
| CN117744856A (zh) | 锂电池剩余寿命预测方法、系统、计算机设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |