CN119538201A 基于小数据样本的换电站动力电池健康状态估计方法 (国网吉林省电力有限公司经济技术研究院)_第1页
CN119538201A 基于小数据样本的换电站动力电池健康状态估计方法 (国网吉林省电力有限公司经济技术研究院)_第2页
CN119538201A 基于小数据样本的换电站动力电池健康状态估计方法 (国网吉林省电力有限公司经济技术研究院)_第3页
CN119538201A 基于小数据样本的换电站动力电池健康状态估计方法 (国网吉林省电力有限公司经济技术研究院)_第4页
CN119538201A 基于小数据样本的换电站动力电池健康状态估计方法 (国网吉林省电力有限公司经济技术研究院)_第5页
已阅读5页,还剩30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

司基于小数据样本的换电站动力电池健康状本发明公开了基于小数据样本的换电站动过使用BiLSTM处理CNN从原始时间序列数据中提的预训练阶段使用贝叶斯优化进行模型超参数的优化;获取动力电池数据分析得到放电特征2通过获取换电站动力电池的使用数据,分析得到温度特征值,通过使用BiLSTM处理CNN从原始时间序列数据中提取得到的特征,在LSTM层之后应用选择使用迁移学习解决目标域中数据有限的问题,在数据充足的预训练阶分析动力电池的充放情况得到充放状态值,综合分析2.根据权利要求1所述的基于小数据样本的换电站动力电池健康状态估计方法,其特;3.根据权利要求1所述的基于小数据样本的换电站动力电池健康状态估计方法,其特在第二层LSTM层之后,最终的预测由正向和反向传播共同决定,选择通过在LSTM层之后应用了注意力机制在整个时间序列中动3得到权值后,加权求和通过公式得到c,再由全连接层通过公式4.根据权利要求1所述的基于小数据样本的换电站动力电池健康状态估计方法,其特通过使用迁移学习解决目标域中数据有限的问题,包括两个主要微调阶段的目标是调整模型的参数,以更好地适应目标域的在数据充足的预训练阶段,使用贝叶斯优化进行模型超参使用电池公开数据集NASA进行预训练,之后仅使用预测目标电池5.根据权利要求1所述的基于小数据样本的换电站动力电池健康状态估计方法,其特计算得到放6.根据权利要求5所述的基于小数据样本的换电站动力电池健康状态估计方法,其特基于得到的动力电池老化电压变化曲线,获取动力电池持续放电设置放电时长次数曲线为y=f(x),通4;将得到的曲率总和与对应的放电总次数进行比值处理,得到曲线平均7.根据权利要求5所述的基于小数据样本的换电站动力电池健康状态估计方法,其特获取动力电池持续放电到达预设电压的同时到达预设最短时长的动力电池放电的总8.根据权利要求1所述的基于小数据样本的换电站动力电池健康状态估计方法,其特9.根据权利要求8所述的基于小数据样本的换电站动力电池健康状态估计方法,其特计算获得动力电池的温度特征值和容量增量,将得到温将大于温度特征阈值的温度特征值的个数与得到的温度特征值的总数进行比值处理,将得到容量增量与预设的容量增量阈值进行比较,获取小于容将小于容量增量阈值的容量增量个数与得到的容量增量的总数进获取动力电池的充电时间特征值CTV,将得到的充电时间特征值C5计算得到充放状态值CF,其中d和e为预设相关系6[0006]第一方面,本发明提供了基于小数据样本的换电站动力通过使用BiLSTM处理CNN从原始时间序列数据中提取得到的特征,在LSTM层之后应用注意力机制在整个时间序列中动态选择相7[0010]图1是本发明实施例1提供的基于小数据样本的换电站动力电池健康状态估计方图2是本发明实施例2提供的基于小数据样本的换电站动力电池健康状态估计方图3是本发明实施例3提供的基于小数据样本的换电站动力电池健康状态估计方图4是本发明实施例1提供的基于小数据样本的换电站动力电池健康状态估计方图5是本发明实施例1提供的基于小数据样本的换电站动力电池健康状态估计方图6是本发明实施例1提供的基于小数据样本的换电站动力电池健康状态估计方图7是本发明实施例1提供的基于小数据样本的换电站动力电池健康状态估计方图8是本发明实施例1提供的基于小数据样本的换电站动力电池健康状态估计方图9是本发明实施例1提供的基于小数据样本的换电站动力电池健康状态估计方8员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范[0013]图1为本发明实施例1提供的基于小数据样本的换电站动力电池健康状态估计方法的流程图,本发明实施例可适用于基于小数据样本的换电站动力电池健康状态的估计,该基于小数据样本的换电站动力电池健康状态估计方法可以由基于小数据样本的换电站9通过在LSTM层之后应用注意力机制在整个时间序列中动态选择相关的隐藏状态,步t的状态向量,exp(s)和exp(s:)分别表示的是s:和s:的指数函数,、得到权值后,加权求和通过公式得到c,再由全连接层通过公式不同的情况下,模型依旧取得了0.025Ah的RMSE的误差,进一步证明了所提出方法的泛化过使用BiLSTM处理CNN从原始时间序列数据中提取得到的特征,以提高锂离子电池容量轨迹预测的精度,在LSTM层之后应用注意力机制在整个时间序列中动态选择相关的隐藏状获取动力电池持续放电到达预设电压的同时到达预设最短时长的动力电池放电需要说明的是,放电特征值FT是通过曲线平均曲率QL和放电折损值SZ计算得到将大于温度特征阈值的温度特征值的个数与得到的温度特征值的总数进行比值将得到健康特征值JK与预设的健康特征阈值JK0进行比较,分析划分出合理有用若健康特征值JK小于预设的健康特征阈值JK0,则表明动力电池数据适合动力电及存储在存储器302上的计算机程序303,当所述计算机程序303在处理器301上被执行时,实现如上述方法中任一项所述的基于小数据样本的换电站动力电集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现成可编程门阵列算机设备3的硬盘或内存。所述存储器302在另一些实施例中也可以是所述计算机设备3的器302还可以既包括所述计算机设备3的内部存储单元也包括外部存储设备。所述存储器所述计算机程序的程序代码等;所述存储器302还可以用于暂时地存储已经输出或者将要

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