Processing

Please wait...

Settings

Settings

Goto Application

1. WO2020191801 - LITHIUM ION BATTERY REMAINING LIFE PREDICTION METHOD BASED ON WOLF PACK OPTIMIZATION LSTM NETWORK

Publication Number WO/2020/191801
Publication Date 01.10.2020
International Application No. PCT/CN2019/081356
International Filing Date 04.04.2019
IPC
G06N 3/00 2006.01
GPHYSICS
06COMPUTING; CALCULATING OR COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
3Computer systems based on biological models
G06N 3/04 2006.01
GPHYSICS
06COMPUTING; CALCULATING OR COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
3Computer systems based on biological models
02using neural network models
04Architecture, e.g. interconnection topology
CPC
G06N 3/006
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
3Computer systems based on biological models
004Artificial life, i.e. computers simulating life
006based on simulated virtual individual or collective life forms, e.g. single "avatar", social simulations, virtual worlds or particle swarm optimisation
G06N 3/0454
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
3Computer systems based on biological models
02using neural network models
04Architectures, e.g. interconnection topology
0454using a combination of multiple neural nets
G06N 3/084
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
3Computer systems based on biological models
02using neural network models
08Learning methods
084Back-propagation
Applicants
  • 东北大学 NORTHEASTERN UNIVERSITY [CN]/[CN]
Inventors
  • 张长胜 ZHANG, Changsheng
  • 吴琼 WU, Qiong
Agents
  • 沈阳东大知识产权代理有限公司 SHENYANG DONGDA INTELLECTUAL PROPERTY AGENCY CO., LTD
Priority Data
201910238129.927.03.2019CN
Publication Language Chinese (ZH)
Filing Language Chinese (ZH)
Designated States
Title
(EN) LITHIUM ION BATTERY REMAINING LIFE PREDICTION METHOD BASED ON WOLF PACK OPTIMIZATION LSTM NETWORK
(FR) PROCÉDÉ DE PRÉDICTION DE DURÉE DE VIE RESTANTE DE BATTERIE AU LITHIUM-ION BASÉ SUR UN RÉSEAU LSTM D'OPTIMISATION DE BLOC WOLF
(ZH) 基于灰狼群优化LSTM网络的锂离子电池剩余寿命预测方法
Abstract
(EN)
Provided is a lithium ion battery remaining life prediction method based on wolf pack optimization LSTM network, relating to the technical field of lithium ion batteries. The method first acquires monitoring data of a lithium ion battery, and extracts lithium ion battery capacity data from the monitoring data; determines a long short-term memory network structure, and constructs an LSTM-based lithium ion battery remaining life prediction model; then optimizes key parameters in the lithium ion battery remaining life direct prediction model using a wolf pack algorithm to obtain a direct prediction model based on a wolf pack optimization LSTM network; determines an optimal lithium ion battery remaining life direct prediction model using the optimization data; finally predicts later-stage lithium ion battery capacity data using the optimal lithium ion battery remaining life direct prediction model. The lithium ion battery remaining life prediction method based on wolf pack optimization LSTM network can accurately predict the remaining life of the lithium ion battery.
(FR)
L'invention concerne un procédé de prédiction de durée de vie restante de batterie au lithium-ion basé sur un réseau LSTM d'optimisation de bloc Wolf, se rapportant au domaine technique des batteries au lithium-ion. Le procédé consiste à : acquérir des données de surveillance d'une batterie au lithium-ion et extraire des données de capacité de batterie au lithium-ion à partir des données de surveillance ; déterminer une structure de réseau de mémoire à court et à long terme et construire un modèle de prédiction de durée de vie restante de batterie au lithium-ion basé sur un réseau LSTM ; puis optimiser les paramètres clés dans le modèle de prédiction directe de durée de vie restante de batterie au lithium-ion à l'aide d'un algorithme de bloc Wolf pour obtenir un modèle de prédiction directe basé sur un réseau LSTM d'optimisation de bloc Wolf ; déterminer un modèle de prédiction directe de durée de vie restante de batterie au lithium-ion optimal à l'aide des données d'optimisation ; et enfin, prédire des données de capacité de batterie au lithium-ion de stade ultérieur à l'aide du modèle de prédiction directe de durée de vie restante de batterie au lithium-ion optimal. Le procédé de prédiction de durée de vie restante de batterie au lithium-ion basé sur un réseau LSTM d'optimisation de bloc Wolf peut prédire avec précision la durée de vie restante de la batterie au lithium-ion.
(ZH)
一种基于灰狼群优化LSTM网络的锂离子电池剩余寿命预测方法,涉及锂离子电池技术领域。该方法首先获取锂离子电池的监测数据,并从中提取出锂离子电池容量数据;确定长短期记忆网结构,构造基于LSTM的锂离子电池剩余寿命预测模型;然后利用灰狼群算法优化锂离子电池剩余寿命直接预测模型中的关键参数,得到基于灰狼群优化LSTM网络的直接预测模型;利用优化数据确定最优的锂离子电池剩余寿命直接预测模型;最后利用最优的锂离子电池剩余寿命直接预测模型预测后期锂离子电池容量数据。基于灰狼群优化LSTM网络的锂离子电池剩余寿命预测方法,能够较为准确的预测锂离子电池剩余寿命。
Also published as
Latest bibliographic data on file with the International Bureau