CN119535215A 一种基于迁移学习的锂离子电池荷电状态估计方法及装置 (一汽奔腾汽车股份有限公司)_第1页
CN119535215A 一种基于迁移学习的锂离子电池荷电状态估计方法及装置 (一汽奔腾汽车股份有限公司)_第2页
CN119535215A 一种基于迁移学习的锂离子电池荷电状态估计方法及装置 (一汽奔腾汽车股份有限公司)_第3页
CN119535215A 一种基于迁移学习的锂离子电池荷电状态估计方法及装置 (一汽奔腾汽车股份有限公司)_第4页
CN119535215A 一种基于迁移学习的锂离子电池荷电状态估计方法及装置 (一汽奔腾汽车股份有限公司)_第5页
已阅读5页,还剩29页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

一种基于迁移学习的锂离子电池荷电状态本发明公开了一种基于迁移学习的锂离子依次进行卷积处理和池化处理后带入LSTM网络值通过卡尔曼滤波器得到卡尔曼滤波修正后的2对所述时序特征进行迁移学习处理得到初版预测的所述初版预测的SOC值通过卡尔曼滤波器得到卡尔曼滤波修正后的2.根据权利要求1所述的一种基于迁移学习的锂离子电池荷电状态估计方法,其特征对所述归一化数据集中提取时间序列选择序列长度N为416,每个提数为NX4;根据所选择的批次将提取的时间序列排列成三维张量得到时序序列数据,维数为MXNX4。3.根据权利要求1所述的一种基于迁移学习的锂离子电池荷电状态估计方法,其特征所述时序序列数据通过卷积核对输入数据进行点积运算提取局部对所述局部特征和模式采用最大池化法,设卷积层的输出Y的维度为mXn,m为特征的m,y(mx,)(1)4.根据权利要求1所述的一种基于迁移学习的锂离子电池荷电状态估计方法,其特征所述时序特征进行迁移学习处理通过公式(2)得到初版预测的t为初版预测的SOC值。5.根据权利要求1所述的一种基于迁移学习的锂离子电池荷电状态估计方法,其特征所述初版预测的SOC值通过公式(3)和(4)得到卡尔曼滤波后的3提取时序特征模块,用于对所述时序序列数据依次进行卷积处理和池化处理后带入滤波修正模块,用于所述初版预测的SOC值通过卡尔曼滤波器得到卡尔曼滤波修正后7.根据权利要求6所述的一种基于迁移学习的锂离子电池荷电状态估计装置,其特征对所述归一化数据集中提取时间序列选择序列长度N为416,每个提数为NX4;根据所选择的批次将提取的时间序列排列成三维张量得到时序序列数据,维数为MXNX4。8.根据权利要求6所述的一种基于迁移学习的锂离子电池荷电状态估计装置,其特征所述时序序列数据通过卷积核对输入数据进行点积运算提取局部对所述局部特征和模式采用最大池化法,设卷积层的输出Y的维度为mXn,m为特征的执行如权利要求1至5任一所述的一种基于迁移学习的锂离子电池45流和环境温度等可测量信号推断SOC是一[0004]开路电压(OCV)法的基本原理是利用电池的开路电压与其荷电状态之间的关系来[0005]总结来看,开路电压法直接利用电池在无负载条件下的电压与SOC之间的关系进6[0010]对所述时序序列数据依次进行卷积处理和池化处理后带入LSTM网络中提取时序[0014]通过Z-zero方法对电流、电压和温度原始数据进行归一化处理得到归一化数据m,y(IY,i)(1)i表示输入特征中第i个窗口内的所有特征;7[0037]迁移学习处理模块,用于对所述时序特征进行迁移学习处理得到初版预测的SOC[0038]滤波修正模块,用于所述初版预测的SOC值通过卡尔曼滤波器得到卡尔曼滤波修[0040]通过Z_zero方法对电流、电压和温度原始数据进行归一化处理得到归一化数据ny,)(1)i表示输入特征中第i个窗口内的所有特征;8列数据,对时序序列数据依次进行卷积处理和池化处理后带入LSTM网络中提取时序特征,波器得到卡尔曼滤波修正后的SOC值,从而可以运用迁移学习理论将室温条件下经过预训[0059]图1是根据一示例性实施例示出的一种基于迁移学习的锂离子电池荷电状态估计[0060]图2是根据一示例性实施例示出的一种基于迁移学习的锂离子电池荷电状态估计[0061]图3是根据一示例性实施例示出的一种基于迁移学习的锂离子电池荷电状态估计[0062]图4是根据一示例性实施例示出的一种基于迁移学习的锂离子电池荷电状态估计[0063]图5是根据一示例性实施例示出的一种基于迁移学习的锂离子电池荷电状态估计[0064]图6是根据一示例性实施例示出的一种基于迁移学习的锂离子电池荷电状态估计[0065]图7是根据一示例性实施例示出的一种基于迁移学习的锂离子电池荷电状态估计 9便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、[0072]图1是根据一示例性实施例示出的一种基于迁移学习的锂离子电池荷电状态估计构建成可以输入至神经网络的时序序列格式。这个模块可以将一维数组转换为时序数据*[0079]步骤102,对所述时序序列数据依次进行卷积处理和池化处理后带入LSTM网络中W和b的值通过神经网络的反向传播过程进行计算更i表示输入特征中第i个窗口内的所有特征。处理和记忆时间序列数据中的长距离依赖关系。通过将CNN提取的局部特征与LSTM提取的ct-1co是对应遗忘门和输入门的偏置向量,上述权重矩阵和偏置向量均由神经网络训练[0100]步骤104,所述初版预测的SOC值通过卡尔曼滤波器得到卡尔曼滤波修正后的SOC[0108]图7是根据一示例性实施例示出的一种基于迁移学习的锂离子电池荷电状态估计[0110]提取时序特征模块220,用于对所述时序序列数据依次进行卷积处理和池化处理[0111]迁移学习处理模块230,用于对所述时序特征进行迁移学习处理得到初版预测的[0114]通过Z_zero方法对电流、电压和温度原始数据进行归一化处理得到归一化数据i表示输入特征中第i个窗口内的所有特征;行归一化处理构建时序序列数据,对时序序列数据依次进行卷积处理和池化处理后带入[0125]图8是本申请实施例提供的一种终端的结构框图,该终端可以是上述实施例中的理器301可以采用DSP(DigitalSignalProcessing,数字信号处理)、FPGA(Field-处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(CentralProcessing一些实施例中,处理器301可以在集成有GPU(GraphicsProcessingUnit,图像处理器),[0128]存储器302可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器301所执行以实现本申请中提供的一种基于迁移学习的锂离[0130]外围设备接口303可被用于将I/O(Input/Output,输入/输出)相关的至少一个外围设备接口303中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不摸显示屏305用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例摄像头融合实现全景拍摄以及VR(VirtualReality,虚拟现实)拍摄功能。在一些实施例[0134]音频电路307用于提供用户和终端300之间的音频接口。音频电路307可以包括麦[0135]定位组件308用于定位终端300的当前地理位置,以实现导航或LBS(LocationBasedService,基于位置的服务)。定位组件308可以是基于美国的GPS(Global[0138]加速度传感器311可以检测以终端300建立的坐标系的三个坐标轴上的加速度大[0139]陀螺仪传感器312可以检测终端300的机体方向及转动角度,陀螺仪传感器312可与终端300的正面之间的距离逐渐变小时,由处理器301控制触摸显示屏305从亮屏状态切处理器301控制触摸显示屏305从息屏状态切换为该程序被处理器执行时实现如本申请所有发明实施例提供的一种基于迁移学习的锂离子机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限[0148]计算机可读的信号介质可以包括在基带中或者作为载波[0150]可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机涉及远程计算机的情形中,远程计算机可以通

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论