公开(公告)号：CN114545279A

公开(公告)日：2022-05-27

申请号：CN202210175767.2

申请日：2022-02-24

Applicant: 重庆邮电大学

Inventor： 杨经纬 ,  刘佳 ,  程艺 ,  罗柳

IPC: G01R31/392 ,  G01R31/367 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及锂电池健康状态评估技术领域，公开了一种基于神经网络常微分方程的锂电池健康状态估计方法，包括如下步骤：步骤1、对收集到的锂电池数据集进行预处理得到原始数据集；步骤2、将所述原始数据集分类成训练数据集和测试数据集；步骤3、将所述训练数据集输入至通过元学习剪枝后得到的轻量化ODE网络，对所述轻量化ODE网络进行训练得到锂电池的预测容量，并通过所述测试数据集对训练后的轻量化ODE网络进行测试。本发明将元学习剪枝(Meta‑pruning)应用在ODE网络中，简化网络结构并减少网络参数量，达到进一步精简轻量化的ODE网络的效果，并提高神经网络预测锂电池SOH的精度。

公开(公告)号：CN114545279B

公开(公告)日：2024-09-06

申请号：CN202210175767.2

申请日：2022-02-24

Applicant: 重庆邮电大学

Inventor： 杨经纬 ,  刘佳 ,  程艺 ,  罗柳

IPC: G01R31/392 ,  G01R31/367 ,  G06N3/0985 ,  G06N3/082 ,  G06N3/084 ,  G06F17/13

Abstract: 本发明涉及锂电池健康状态评估技术领域，公开了一种基于神经网络常微分方程的锂电池健康状态估计方法，包括如下步骤：步骤1、对收集到的锂电池数据集进行预处理得到原始数据集；步骤2、将所述原始数据集分类成训练数据集和测试数据集；步骤3、将所述训练数据集输入至通过元学习剪枝后得到的轻量化ODE网络，对所述轻量化ODE网络进行训练得到锂电池的预测容量，并通过所述测试数据集对训练后的轻量化ODE网络进行测试。本发明将元学习剪枝(Meta‑pruning)应用在ODE网络中，简化网络结构并减少网络参数量，达到进一步精简轻量化的ODE网络的效果，并提高神经网络预测锂电池SOH的精度。

公开(公告)号：CN113536676B

公开(公告)日：2022-09-27

申请号：CN202110801474.6

申请日：2021-07-15

Applicant: 重庆邮电大学

Inventor： 李鹏华 ,  程艺 ,  侯杰 ,  陈丰伟 ,  俞成浦 ,  孙健 ,  周桐

IPC: G06F30/27 ,  G06N3/04 ,  G06N3/08 ,  H01M10/42 ,  G06F119/02

Abstract: 本发明涉及一种基于特征迁移学习的锂电池健康状况监测方法，属于电池管理技术领域。该方法包括以下步骤：S1：基于特征迁移学习混合模型的构建；S2：基于特征迁移学习混合模型的应用。针对在缺少锂电池训练数据情况下，神经网络监测锂电池健康状况效果不佳的问题，研究基于特征迁移学习的锂电池健康状况监测方法。以神经网络模型为对象，设计CNN‑BILSTM串联混合模型，实现空间特征以及双向时间依赖关系的提取；以锂电池数据的特征空间为对象，研究特征迁移学习算法，通过迁移其他数据集的特征知识用于模型训练，实现在缺少训练数据情况下，训练信息的弥补。

公开(公告)号：CN113536676A

公开(公告)日：2021-10-22

申请号：CN202110801474.6

申请日：2021-07-15

Applicant: 重庆邮电大学

Inventor： 李鹏华 ,  程艺 ,  侯杰 ,  陈丰伟 ,  俞成浦 ,  孙健 ,  周桐

IPC: G06F30/27 ,  G06N3/04 ,  G06N3/08 ,  H01M10/42 ,  G06F119/02

Abstract: 本发明涉及一种基于特征迁移学习的锂电池健康状况监测方法，属于电池管理技术领域。该方法包括以下步骤：S1：基于特征迁移学习混合模型的构建；S2：基于特征迁移学习混合模型的应用。针对在缺少锂电池训练数据情况下，神经网络监测锂电池健康状况效果不佳的问题，研究基于特征迁移学习的锂电池健康状况监测方法。以神经网络模型为对象，设计CNN‑BILSTM串联混合模型，实现空间特征以及双向时间依赖关系的提取；以锂电池数据的特征空间为对象，研究特征迁移学习算法，通过迁移其他数据集的特征知识用于模型训练，实现在缺少训练数据情况下，训练信息的弥补。