公开(公告)号：CN115481796A

公开(公告)日：2022-12-16

申请号：CN202211110628.8

申请日：2022-09-13

Applicant: 浙江大学

Inventor： 刘之涛 ,  张树信 ,  苏宏业

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

Abstract: 本发明公开了一种基于贝叶斯混合神经网络的电池剩余使用寿命预测方法。首先收集锂电池充放电过程中的运行数据，本发明在特征提取方面采用格拉姆角场的方法进行特征提取，将电池历史剩余容量序列转换成时间序列图片来丰富信息和降低测量噪声；在模型构造方面，将贝叶斯估计与深度学习方法融合，构建贝叶斯混合神经网络，其主要包括用于贝叶斯长短期记忆网络、贝叶斯卷积神经网络和贝叶斯深度神经网络。本发明克服了传统电池剩余寿命预测算法处理不平衡和小样本数据能力差、泛化性较弱、长期预测精度低的劣势，提高了电池剩余寿命预测的精准度。

公开(公告)号：CN112782591B

公开(公告)日：2022-07-22

申请号：CN202110302301.X

申请日：2021-03-22

Applicant: 浙江大学

Inventor： 刘之涛 ,  张树信 ,  苏宏业

IPC: G01R31/367 ,  G01R31/378 ,  G01R31/385 ,  G01R31/392

Abstract: 本发明公开了一种基于多电池数据融合的锂电池SOH长期预测方法。收集同种锂电池充放电过程中的数据，预处理并构造多电池数据融合的输入矩阵，将输入矩阵送入多输入多输出长短期记忆网络模型进行训练；将被预测电池的数据实时预处理，后送入多输入多输出长短期记忆网络模型进行预测；收集预测后的历史预测结果和充放电过程中的历史真实数据，训练NARNN模型；将当前时刻的预测结果作为NARNN模型输入，输出得未来若干次充放电间的健康状态参数SOH。本发明克服了传统电池SOH预测算法仅针对被预测电池建模、泛化性较弱、长期预测精度低的劣势；大大增加了训练样本，优化了模型组合，从而提高了模型预测的精确度，提高了SOH长期预测的精准度。

公开(公告)号：CN117009815A

公开(公告)日：2023-11-07

申请号：CN202310880343.0

申请日：2023-07-18

Applicant: 浙江大学

Inventor： 刘之涛 ,  张树信 ,  苏宏业

IPC: G06F18/214 ,  G06F18/2433 ,  G06F18/10 ,  G06F17/16

Abstract: 本发明公开了一种基于渐进式分层提取的多目标热轧质量检测方法。本发明包括以下步骤：首先，收集热轧生产过程数据，确定热轧生产过程数据对应的多个热轧质量检测参数，从而构建获得热轧生产数据集；接着对热轧生产数据集进行数据预处理，获得预处理后的数据集；再根据预处理后的数据集，对基于渐进式分层提取的多目标网络进行训练，获得多目标热轧质量检测模型；最后将待预测的预处理后的热轧生产数据输入到多目标热轧质量检测模型中，输出获得多目标热轧质量检测结果，基于多目标热轧质量检测结果计算获得多个热轧质量检测参数的预测值。本发明通过加权融合不同质量检测参数的特征，实现了正则化，提高了热轧质量检测的精确度和抗干扰性。

公开(公告)号：CN112782591A

公开(公告)日：2021-05-11

申请号：CN202110302301.X

申请日：2021-03-22

Applicant: 浙江大学

Inventor： 刘之涛 ,  张树信 ,  苏宏业

IPC: G01R31/367 ,  G01R31/378 ,  G01R31/385 ,  G01R31/392

Abstract: 本发明公开了一种基于多电池数据融合的锂电池SOH长期预测方法。收集同种锂电池充放电过程中的数据，预处理并构造多电池数据融合的输入矩阵，将输入矩阵送入多输入多输出长短期记忆网络模型进行训练；将被预测电池的数据实时预处理，后送入多输入多输出长短期记忆网络模型进行预测；收集预测后的历史预测结果和充放电过程中的历史真实数据，训练NARNN模型；将当前时刻的预测结果作为NARNN模型输入，输出得未来若干次充放电间的健康状态参数SOH。本发明克服了传统电池SOH预测算法仅针对被预测电池建模、泛化性较弱、长期预测精度低的劣势；大大增加了训练样本，优化了模型组合，从而提高了模型预测的精确度，提高了SOH长期预测的精准度。