公开(公告)号：CN113780644B

公开(公告)日：2023-09-01

申请号：CN202111017853.2

申请日：2021-08-31

Applicant: 济南大学

Inventor： 张国煜 ,  郑罗成 ,  肖硕 ,  孔德恒

IPC: G06Q10/04 ,  G06Q50/06 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明提供了一种基于在线学习的光伏出力预测方法，解决了现有技术随时间推移预测精度降低的问题。实现步骤为：构建一个初始预测模型，写入边缘计算平台并进行实时预测；到达设定时间点调度中心获取历史数据，对旧模型进行继续训练；判断新模型与旧模型的优劣；将表现优的新模型写入边缘计算平台继续进行实时预测以保持预测的高精度。本发明的示意性实施例中将多视角卷积神经网络（MVCNN）与在线学习相结合，构建了一种预测精度随时间推移依旧表现优异的光伏出力预测模型，神经网络模型能够在保持旧知识的同时学习随时间推移出现的新的特征，预测精度随时间推移依旧表现优异。

公开(公告)号：CN113740752A

公开(公告)日：2021-12-03

申请号：CN202110994785.9

申请日：2021-08-27

Applicant: 济南大学

Inventor： 张国煜 ,  郑罗成 ,  肖硕 ,  孔德恒

IPC: G01R31/392 ,  G01R31/389 ,  G01R31/367

Abstract: 本发明涉及锂电池退化状态监测技术领域，主要涉及一种基于电池模型参数的锂电池寿命预测方法，包括设定的SoC处以固定的时间间隔采集锂电池数据并测量电池内阻，拟合出指定SoC下电池等效电路模型参数，得到每个电池模型参数的特征。将电池分为训练集和测试集两组;把训练集每个电池的模型参数特征和电池寿命输入预测模型中进行训练;将所训练模型的特征权重和特征偏移取出并预测测试集电池寿命，使用均方根误差与绝对平均误差率验证预测结果精度。本发明探究了电池模型参数与电池寿命之间的联系,深入发掘了电池模型参数中哪一部分对电池寿命的变化更为敏感，拓展了电池寿命相关研究的方向。

公开(公告)号：CN113740752B

公开(公告)日：2023-07-21

申请号：CN202110994785.9

申请日：2021-08-27

Applicant: 济南大学

Inventor： 张国煜 ,  郑罗成 ,  肖硕 ,  孔德恒

IPC: G01R31/392 ,  G01R31/389 ,  G01R31/367

Abstract: 本发明涉及锂电池退化状态监测技术领域，主要涉及一种基于电池模型参数的锂电池寿命预测方法，包括设定的SoC处以固定的时间间隔采集锂电池数据并测量电池内阻，拟合出指定SoC下电池等效电路模型参数，得到每个电池模型参数的特征。将电池分为训练集和测试集两组;把训练集每个电池的模型参数特征和电池寿命输入预测模型中进行训练;将所训练模型的特征权重和特征偏移取出并预测测试集电池寿命，使用均方根误差与绝对平均误差率验证预测结果精度。本发明探究了电池模型参数与电池寿命之间的联系,深入发掘了电池模型参数中哪一部分对电池寿命的变化更为敏感，拓展了电池寿命相关研究的方向。

公开(公告)号：CN113780644A

公开(公告)日：2021-12-10

申请号：CN202111017853.2

申请日：2021-08-31

Applicant: 济南大学

Inventor： 张国煜 ,  郑罗成 ,  肖硕 ,  孔德恒

IPC: G06Q10/04 ,  G06Q50/06 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供了一种基于在线学习的光伏出力预测方法，解决了现有技术随时间推移预测精度降低的问题。实现步骤为：构建一个初始预测模型，写入边缘计算平台并进行实时预测；到达设定时间点调度中心获取历史数据，对旧模型进行继续训练；判断新模型与旧模型的优劣；将表现优的新模型写入边缘计算平台继续进行实时预测以保持预测的高精度。本发明的示意性实施例中将多视角卷积神经网络（MVCNN）与在线学习相结合，构建了一种预测精度随时间推移依旧表现优异的光伏出力预测模型，神经网络模型能够在保持旧知识的同时学习随时间推移出现的新的特征，预测精度随时间推移依旧表现优异。