-
公开(公告)号：CN116203448B
公开(公告)日：2023-10-03
申请号：CN202310070490.1
申请日：2023-02-07
Applicant: 江南大学
IPC: G01R31/392 , G06N7/01 , G06N3/048 , G06N3/084 , G06N3/088 , G06N3/0442 , G01R31/367 , G01R31/396
Abstract: 本发明公开了基于蒙特卡洛和深度学习的动力电池剩余寿命预测方法，属于动力电池技术领域。该方法利用EEMD技术和相关性分析方法将SOH时间序列分解成主趋势时间序列和波动时间序列，利用深度置信网络对主趋势时间序列进行预测，利用蒙特卡洛技术求得最优区间阈值集合后对波动时间序列进行数据预处理，然后采用分段三次埃尔米特插值进行重采样，之后利用长短期记忆神经网络对重采样之后序列进行预测，然后再对波动序列预测结果进行反重采样和逆向数据处理得到最终预测值，然后将主趋势时间序列和波动时间序列预测结果进行集成得到最终的SOH预测结果，结合电池寿命结束时的SOH值得到剩余寿命的预测值，实现了动力电池剩余寿命的高精度预测。
-
公开(公告)号：CN116299005B
公开(公告)日：2023-09-05
申请号：CN202310070487.X
申请日：2023-02-07
Applicant: 江南大学
IPC: G01R31/392 , G06N3/084 , G06N3/0464 , G01R31/367
Abstract: 本发明公开了一种基于AAF和深度学习的动力电池健康状态预测方法，属于动力电池SOH预测领域。所述方法首先利用集成经验模态分解技术和相关性分析方法将SOH时间序列分解成主趋势时间序列和波动时间序列，其次利用DBN对主趋势时间序列进行预测，针对波动时间序列，先进行数据预处理，然后采用抗混叠低通滤波器对预处理之后的序列进行重采样，之后利用长短期记忆神经网络LSTM对重采样之后序列进行预测，然后再对波动序列预测结果进行反重采样和逆向数据处理得到波动时间序列最终预测值，最后将主趋势时间序列和波动时间序列预测结果进行集成得到最终的SOH预测结果，实现了动力电池SOH的高精度预测。
-
公开(公告)号：CN116299005A
公开(公告)日：2023-06-23
申请号：CN202310070487.X
申请日：2023-02-07
Applicant: 江南大学
IPC: G01R31/392 , G06N3/084 , G06N3/0464 , G01R31/367
Abstract: 本发明公开了一种基于AAF和深度学习的动力电池健康状态预测方法，属于动力电池SOH预测领域。所述方法首先利用集成经验模态分解技术和相关性分析方法将SOH时间序列分解成主趋势时间序列和波动时间序列，其次利用DBN对主趋势时间序列进行预测，针对波动时间序列，先进行数据预处理，然后采用抗混叠低通滤波器对预处理之后的序列进行重采样，之后利用长短期记忆神经网络LSTM对重采样之后序列进行预测，然后再对波动序列预测结果进行反重采样和逆向数据处理得到波动时间序列最终预测值，最后将主趋势时间序列和波动时间序列预测结果进行集成得到最终的SOH预测结果，实现了动力电池SOH的高精度预测。
-
公开(公告)号：CN116203448A
公开(公告)日：2023-06-02
申请号：CN202310070490.1
申请日：2023-02-07
Applicant: 江南大学
IPC: G01R31/392 , G06N7/01 , G06N3/048 , G06N3/084 , G06N3/088 , G06N3/0442 , G01R31/367 , G01R31/396
Abstract: 本发明公开了基于蒙特卡洛和深度学习的动力电池剩余寿命预测方法，属于动力电池技术领域。该方法利用EEMD技术和相关性分析方法将SOH时间序列分解成主趋势时间序列和波动时间序列，利用深度置信网络对主趋势时间序列进行预测，利用蒙特卡洛技术求得最优区间阈值集合后对波动时间序列进行数据预处理，然后采用分段三次埃尔米特插值进行重采样，之后利用长短期记忆神经网络对重采样之后序列进行预测，然后再对波动序列预测结果进行反重采样和逆向数据处理得到最终预测值，然后将主趋势时间序列和波动时间序列预测结果进行集成得到最终的SOH预测结果，结合电池寿命结束时的SOH值得到剩余寿命的预测值，实现了动力电池剩余寿命的高精度预测。
-
-
-
Search Results
4
records
(took 0.015 seconds)
