“边天贻”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果4个，建议您升级VIP下载更多相关专利

[发明专利]基于蒙特卡洛和深度学习的动力电池剩余寿命预测方法-CN202310070490.1有效
发明人：张俊杰;王子赟;边天贻;熊林宏;凌苏湘;金家立;王艳;纪志成 -专利权人：江南大学
申请日： 2023-02-07 - 公布日： 2023-10-03 - 主分类号： G01R31/392 文献下载
摘要：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。
基于蒙特卡洛深度学习动力电池剩余寿命预测方法

[发明专利]一种基于AAF和深度学习的动力电池健康状态预测方法-CN202310070487.X有效
发明人：张俊杰;王子赟;边天贻;熊林宏;金家立;凌苏湘;王艳;纪志成 -专利权人：江南大学
申请日： 2023-02-07 - 公布日： 2023-09-05 - 主分类号： G01R31/392 文献下载
摘要：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。
一种基于 aaf 深度学习动力电池健康状态预测方法

[发明专利]一种基于改进粒子滤波的锂离子电池剩余寿命预测方法-CN202310143365.9在审
发明人：王子赟;熊林宏;张俊杰;边天贻;王艳;纪志成 -专利权人：江南大学
申请日： 2023-02-21 - 公布日： 2023-05-30 - 主分类号： G01R31/367 文献下载
摘要：本发明公开了一种基于改进粒子滤波的锂离子电池剩余寿命预测方法，属于锂离子电池管理系统领域。本申请方法中提出一种新的粒子滤波算法，通过设定两个粒子权重阈值p1和p2，对权值大于p1的粒子进行复制，对权值小于p2的粒子淘汰，其余粒子保留，既避免了重复计算权值小的粒子，而且一定程度上保留了粒子多样性，避免粒子退化，利用新的粒子滤波算法确定双指数经验预测模型的最优参数，对锂离子电池未来容量衰减趋势进行预测，从而提高了预测精度和可靠性，而且不需要统计计算相似或相同结果的权重累计值，因此计算量大大减小。
一种基于改进粒子滤波锂离子电池剩余寿命预测方法

[发明专利]一种基于iPSO-LSTM模型的动力电池温度预测方法-CN202310045702.0在审
发明人：王子赟;边天贻;王艳;张俊杰;纪志成 -专利权人：江南大学
申请日： 2023-01-30 - 公布日： 2023-04-28 - 主分类号： G06F30/25 文献下载
摘要：本发明公开了一种基于iPSO‑LSTM模型的动力电池温度预测方法，属于动力电池制造预测技术领域。所述方法定义惰性粒子，迭代过程中将惰性粒子的位置重置为全局最优粒子的位置，但不改变该粒子的搜索速度。通过重置位置但不改变搜索速度的策略使更换位置后的粒子拥有了搜索意义，并且不进行时间浪费。本申请添加惰性粒子的定义与处理策略使得iPSO‑LSTM模型在不损失精度的同时增加了收敛的速度，降低了无效粒子搜索的可能性，同时增大了每轮最优值附近的搜索范围，最终快速准确的寻优得到最优超参数，将最优超参数带入LSTM模型实现对于动力电池温度的快速准确预测。
一种基于 ipso lstm 模型动力电池温度预测方法