-
公开(公告)号：CN117590241A
公开(公告)日：2024-02-23
申请号：CN202311850214.3
申请日：2023-12-29
Applicant: 重庆邮电大学
IPC: G01R31/367 , G01R31/378 , G01R31/392
Abstract: 本发明涉及一种基于状态衰减和交互学习的锂电池健康状态监测方法，属于电池技术领域。该方法包括：构建缺失数据向量；对锂电池序列的缺失数据的特征提取；多分辨率时间特征提取；多尺度特征的比例融合。锂电池时间序列属于一维数据，各类曲线是对锂电池工况的客观但抽象的反映，人们并不能直接利用传统的数据填充方法来破坏数据的非线性。本研究以DEC‑LSTM和CIN为核心模块，构建满足SOH和RUL等任务的混合神经网络，实现对锂电池健康状态的准确监测。本研究兼顾了数据来源的真实性和模型预测的准确性，为异常缺失数据的数据处理提供了一种新的技术手段，亦可迁移到其他工业领域，作为解决异常缺失数据问题的方法之一。
-
公开(公告)号：CN117764117A
公开(公告)日：2024-03-26
申请号：CN202311564046.1
申请日：2023-11-22
Applicant: 重庆邮电大学
IPC: G06N3/0464 , G01R31/367 , G01R31/392 , G06N3/0895
Abstract: 本发明涉及一种面向锂电池容量区域聚合表征的剩余寿命预测方法，属于锂电池领域。本发明提出了一种自监督学习框架C2Vec，在时间维度上使用层次对比方法来学习容量退化数据的区域聚合表征，据我们所知，这是第一个使用对比自监督学习提取容量退化数据表征的工作。在RUL预测中，C2Vec能够一次预测多个容量数据，实现真正的多步预测，且不需要额外的辅助训练集，不需要前置的分解、滤波步骤。C2Vec在现实世界的基准测试中明显优于现有的state‑of‑the‑art(SOTA)模型，例如，在NASA电池数据集上相比于CNN‑ASTLSTM模型降低了46.2％的全局平均均方根误差。
-
公开(公告)号：CN118153631A
公开(公告)日：2024-06-07
申请号：CN202410285274.3
申请日：2024-03-13
Applicant: 重庆邮电大学
IPC: G06N3/0455 , G06N3/084 , G06F30/27 , G06F18/213 , G06F18/15 , G06F111/08 , G06F119/02 , G06F123/02
Abstract: 本发明涉及一种基于复合神经网络的锂电池RUL预测方法及系统，属于电池监测技术领域。该方法包括以下步骤：数据预处理及灰色关联分析；设计变异Transformer神经网络。本发明针对锂电池相关数据设计了一种加入ProbSparse自注意力机制的变异Transformer神经网络。首先将多头自注意力机制改为ProbSparse多头自注意力机制以避免Transformer编码器泄露序列信息的线索，改善该模型在处理此类任务时的位置不敏感特性和数据高复杂度问题，再将前馈网络子层中的LayerNorm改为BatchNorm以提升计算效率并使模型更加适配RUL的预测。
-
公开(公告)号：CN117805651A
公开(公告)日：2024-04-02
申请号：CN202311686888.4
申请日：2023-12-08
Applicant: 重庆邮电大学
IPC: G01R31/392 , G01R31/367 , G01R31/378 , G06N3/0455 , G06N3/0464 , G06N3/0985 , G06N3/086
Abstract: 本发明涉及一种基于L‑TCN与GL‑Former的轻量化锂电池健康状态估计方法，属于新能源技术领域，涉包括以下步骤：S1：采集数据：通过传感器采集真实锂电池充放电数据，包括放电电压、放电电流、电池体温度和电池容量；S2：建立轻量化的改进时间卷积神经网络L‑TCN与全局局部Transformer架构GL‑Former的混合神经网络模型，提取锂电池数据的时间特征和空间特征；S3：采用遗传算法选择最优的模型超参数；S4：将步骤S1的数据和步骤S3的超参数输入到混合神经网络模型中进行训练，得到训练好的锂电池健康状态估计模型，然后基于所述锂电池健康状态估计模型进行电池健康状态预测。
-
-
-
Search Results
4
records
(took 0.017 seconds)
