System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及电池剩余使用寿命预测,特别是涉及电池剩余使用寿命预测方法、系统、设备及介质。
技术介绍
1、本部分的陈述仅仅是提到了与本专利技术相关的
技术介绍
,并不必然构成现有技术。
2、目前,电池剩余使用寿命(remaining useful life,rul)测方法可以分为两大类:一是基于电池模型的电池剩余使用寿命预测方法,二是基于数据驱动的电池剩余使用寿命预测方法。第一种是基于模型的方法。这类方法存在以下缺点:(1)需要大量的实验数据和复杂的数学模型。(2)需要平衡复杂度和精度、考虑参数获取更新、模型适应性限制和信息损失等因素。第二种是数据驱动的方法。与基于模型的方法相比,数据驱动的方法不需要电池退化的任何先前知识,而是仅依赖于过去的退化数据来进行电池剩余使用寿命的预测。这种方法的优势在于可以适应不同类型的电池和复杂的退化过程,不依赖于具体的物理模型。在数据驱动的电池剩余使用寿命预测领域,许多算法都被成功应用。例如:机器学习、神经网络、进化算法等。
3、对于基于数据驱动的电池剩余使用寿命预测方法来说,健康指标(health index,hi)的提取是另一个关键要素。数据驱动方法的本质是通过回归分析相关指标。因此,准确描述电池退化的健康指标是必不可少的。健康指标的提取通常需要手动操作,非常耗时,并且需要广泛的领域知识来进行。
技术实现思路
1、为了解决现有技术的不足,本专利技术提供了电池剩余使用寿命预测方法、系统、设备及介质;
2、一方面,提供
3、获取目标电池的历史数据,对历史数据进行特征提取得到若干个特征集合;
4、对每个特征集合中的特征进行筛选,采用筛选的特征以及电池容量对随机森林模型进行训练,得到训练后的随机森林模型;
5、获取目标电池的当前数据,对当前数据进行特征提取,将提取的特征输入到训练后的随机森林模型中,输出拟合的电池容量;
6、将拟合的电池容量,输入到训练后的循环神经网络中,得到预测的电池容量,其中,训练后的循环神经网络,在训练过程中,采用改进鲸鱼优化算法对循环神经网络的参数进行优化;
7、根据预测的电池容量,确定目标电池的剩余使用寿命。
8、另一方面,提供了电池剩余使用寿命预测系统,包括:
9、获取模块,其被配置为:获取目标电池的历史数据,对历史数据进行特征提取得到若干个特征集合;
10、特征筛选模块,其被配置为:对每个特征集合中的特征进行筛选,采用筛选的特征以及电池容量对随机森林模型进行训练,得到训练后的随机森林模型;
11、特征提取模块,其被配置为:获取目标电池的当前数据,对当前数据进行特征提取,将提取的特征输入到训练后的随机森林模型中,输出拟合的电池容量;
12、参数优化模块,其被配置为:将拟合的电池容量,输入到训练后的循环神经网络中,得到预测的电池容量,其中,训练后的循环神经网络,在训练过程中,采用改进鲸鱼优化算法对循环神经网络的参数进行优化;
13、输出模块,其被配置为:根据预测的电池容量,确定目标电池的剩余使用寿命。
14、再一方面,还提供了一种电子设备,包括:
15、存储器,用于非暂时性存储计算机可读指令;以及
16、处理器,用于运行所述计算机可读指令,
17、其中,所述计算机可读指令被所述处理器运行时,执行上述第一方面所述的方法。
18、再一方面,还提供了一种存储介质,非暂时性存储计算机可读指令,其中,当非暂时性计算机可读指令由计算机执行时,执行第一方面所述方法的指令。
19、再一方面,还提供了一种计算机程序产品,包括计算机程序,所述计算机程序当在一个或多个处理器上运行的时候用于实现上述第一方面所述的方法。
20、上述技术方案具有如下优点或有益效果:
21、本申请提出一种基于随机森林(random forest,rf)算法拟合电池容量以及基于woa-lfde-gru(gated neural network optimized by the whale optimizationalgorithm enhanced using lévy flight and differential evolution)算法的电池剩余使用寿命预测方法,该方法可以根据同型号锂离子电池生命前期的特征集合来模拟电池容量以及预测剩余使用寿命。仿真和实验结果表明,该方法能够准确地预测电池的剩余使用寿命,且不需要建立电池等效电路模型,计算成本低,不需要手动提取健康指标,效率高,而且适用于不同类型的电池,有良好的准确性和鲁棒性。
本文档来自技高网...【技术保护点】
1.电池剩余使用寿命预测方法,其特征是,包括:
2.如权利要求1所述的电池剩余使用寿命预测方法,其特征是,对每个特征集合中的特征进行筛选,具体包括:
3.如权利要求1所述的电池剩余使用寿命预测方法,其特征是,采用筛选的特征以及电池容量对随机森林模型进行训练,得到训练后的随机森林模型,具体训练过程包括:
4.如权利要求1所述的电池剩余使用寿命预测方法,其特征是,将拟合的电池容量,输入到训练后的循环神经网络中,得到预测的电池容量,其中,训练后的循环神经网络,在训练过程中,采用鲸鱼优化算法对循环神经网络的参数进行优化,具体包括:
5.如权利要求4所述的电池剩余使用寿命预测方法,其特征是,鲸鱼优化算法优化循环神经网络GRU的参数,具体包括:
6.如权利要求5所述的电池剩余使用寿命预测方法,其特征是,差分进化算法步骤如下:
7.如权利要求1所述的电池剩余使用寿命预测方法,其特征是,确定目标电池的剩余使用寿命,具体包括:
8.电池剩余使用寿命预测系统,其特征是,包括:
9.一种电子设备,其特征是,
10.一种存储介质,其特征是,非暂时性存储计算机可读指令,其中,当非暂时性计算机可读指令由计算机执行时,执行权利要求1-7任一项所述方法的指令。
...【技术特征摘要】
1.电池剩余使用寿命预测方法,其特征是,包括:
2.如权利要求1所述的电池剩余使用寿命预测方法,其特征是,对每个特征集合中的特征进行筛选,具体包括:
3.如权利要求1所述的电池剩余使用寿命预测方法,其特征是,采用筛选的特征以及电池容量对随机森林模型进行训练,得到训练后的随机森林模型,具体训练过程包括:
4.如权利要求1所述的电池剩余使用寿命预测方法,其特征是,将拟合的电池容量,输入到训练后的循环神经网络中,得到预测的电池容量,其中,训练后的循环神经网络,在训练过程中,采用鲸鱼优化算法对循环神经网络的参数进行优化,具体包括:
5...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。