发明
2024-12-11 11:56:18 发布于四川 2
申请专利号:CN202411102164.5 公开(公告)日:2024-12-10 公开(公告)号:CN119104900A 申请人:重庆理工大学摘要:本发明涉及锂离子电池健康状态估算技术领域,且公开了一种基于贝叶斯优化CNN‑Transformer的锂离子电池健康状态估算方法获取锂离子电池老化数据:电池充放电电压、电流、时间和容量数据,联合CNN和Transformer模型搭建CNN‑Transformer混合模型,并进行超参数优化,对CNN‑Transformer混合模型训练,输入等间隔电压充电时间量,输出电池健康状态。该方法通过分析电池充电电压曲线,将曲线进行区间划分,提取部分电压充电时间作为健康特征,利用CNN‑Transformer对SOH进行估算,并利用贝叶斯优化方法搜索最优CNN‑Transformer算法超参数,从而在更少的评估次数下高效探索超参数空间,相较于传统超参数优化方法能更智能的选择超参数,更快找到全局最优解。
本专利暂不支持预览,您可点击按钮获取源文件
提示:该技术已申请专利,仅供学习研究,如用于商业用途,请联系我们
本发明涉及锂离子电池健康状态估算技术领域,且公开了一种基于贝叶斯优化CNN‑Transformer的锂离子电池健康状态估算方法获取锂离子电池老化数据:电池充放电电压、电流、时间和容量数据,联合CNN和Transformer模型搭建CNN‑Transformer混合模型,并进行超参数优化,对CNN‑Transformer混合模型训练,输入等间隔电压充电时间量,输出电池健康状态。该方法通过分析电池充电电压曲线,将曲线进行区间划分,提取部分电压充电时间作为健康特征,利用CNN‑Transformer对SOH进行估算,并利用贝叶斯优化方法搜索最优CNN‑Transformer算法超参数,从而在更少的评估次数下高效探索超参数空间,相较于传统超参数优化方法能更智能的选择超参数,更快找到全局最优解。G01R31/367(2019.01);G01R31/392(2019.01);G01R31/396(2019.01);G01R31/378(2019.01);G01R31/388(2019.01);G06F18/10(2023.01);G06N3/0455(2023.01);G06N3/0464(2023.01);G06N3/0985(2023.01);G06N7/01(2023.01);G06F18/213(2023.01)
相关知识
基于贝叶斯优化的锂离子电池健康状态预测方法及系统
基于贝叶斯优化的锂离子电池健康状态预测方法及系统2024.pdf专利下载
金斯健贝肌醇复合片:奠定代谢优化基础,开启健康活力新征程
FDA 鼓励在药品研发中使用贝叶斯统计方法
基于贝叶斯理论的航空发动机健康状态评估与剩余寿命区间预测
斯贝佳
基于MFCC和CNN生成谱图特征的抑郁症检测深度学习模型,Biomedical Signal Processing and Control
维托贝斯特
基于1DCNN
[贝基]贝基清净果多少钱一盒
网址: 一种基于贝叶斯优化CNN https://m.trfsz.com/newsview1654419.html