一种退役锂离子电池的SOH估计方法

    公开(公告)号:CN112526352B

    公开(公告)日:2023-10-31

    申请号:CN202011492108.9

    申请日:2020-12-17

    摘要: 本发明公开了一种退役锂离子电池的SOH估计方法,所述方法包括:一次阻抗测量获取退役锂离子电池的一次SOC估计值SOC1;将退役锂离子电池进行短时恒流放电,获取放电量Q;二次阻抗测量获取退役锂离子电池的二次SOC估计值SOC2;利用公式SOH=Q/(SOC1‑SOC2)获取退役锂离子电池的SOH估计值;本发明的优点在于:适用于退役锂离子电池的SOH估计且SOH估计速度较快,能耗较小。

    一种短文本方面级情感分类方法

    公开(公告)号:CN112347258A

    公开(公告)日:2021-02-09

    申请号:CN202011277713.4

    申请日:2020-11-16

    IPC分类号: G06F16/35 G06F40/289 G06K9/62

    摘要: 本发明公开了一种短文本方面级情感分类方法,其步骤包括:1、将短文本分词后,通过短文本中的词生成词向量、标注所有方面向量、词性向量;2、使用XLNET模型判断短文本所拥有的方面,并将每个词的词向量、词性向量、所拥有的方面向量顺次拼接;3、将步骤2中每个词拼接过后的向量输入情感分类Bilstm模型,得到的每个词隐含向量再输入Attention机制,并返回每个词的隐含向量的权重;4、使用每个词所对应的隐含向量和权值做加权平均,结果进入softmax神经网络,得到对应情感,以较大概率值作为情感分类结果。本发明能识别短文本在不同方面所具有的不同情感,从而完成细粒度的情感分类。

    基于词向量和集成SVM的文本数据流分类方法

    公开(公告)号:CN109947945B

    公开(公告)日:2021-01-15

    申请号:CN201910208573.6

    申请日:2019-03-19

    IPC分类号: G06F16/35

    摘要: 本发明公开了一种基于词向量和集成SVM的文本数据流分类方法,其步骤包括:1、从文本数据集中获取种子文本集;2、对种子文本集进行词向量扩充处理,获得相应的特征词典及噪声词典;3、对所述文本数据集进行特征加权向量化处理,获得相应的文本向量集;4、构建集成分类器,获得所有文本的分类结果。本发明能在降低计算复杂度的情况下,通过充分利用数据特征来提高分类结果的准确率,从而满足解决实际问题的需要。

    基于改进LDA的文本子话题发现方法

    公开(公告)号:CN109885675B

    公开(公告)日:2020-11-27

    申请号:CN201910138793.6

    申请日:2019-02-25

    摘要: 本发明公开了一种基于改进LDA的文本子话题发现方法,其步骤包括:1、计算文本集合中单词的TF‑IDF值,挑选TF‑IDF值大于阈值的名词和动词作为下一步加权的特征词;2、基于特征词加权LDA模型发现子话题以及相应的关键词;3、基于TSR方法和KL散度对子话题进行优化;4、利用Word2Vec模型进行子话题关键词扩展,提高子话题关键词语义可理解性;5、构建子话题词向量和标题词向量,利用余弦距离聚类。本发明能在话题区分度和语义可理解性上提高子话题发现效果。

    一种数据增强与迁移学习结合的锂电池RUL预测方法

    公开(公告)号:CN118501711A

    公开(公告)日:2024-08-16

    申请号:CN202410634653.9

    申请日:2024-05-22

    摘要: 本发明涉及锂电池技术领域,具体涉及一种数据增强与迁移学习结合的锂电池RUL预测方法;包括以下步骤:S1:将电池置于不同温度、不同充放电速率下进行实验,获取电池的容量老化特征,并对采集的数据进行预处理;S2:通过三阶多项式实现对S1中预处理后的数据进行增强;S3:通过数据平移实现S1中预处理后数据的增强;S4:基于S2和S3中的数据实现对锂电池RUL的预测;本发明利用三阶多项式与数据平移的增强方法,将原始数据集扩展到更广泛范围,使神经网络模型在训练中获得更多样化、更全面信息;且通过扩充后数据与原始数据共同对模型进行预训练,并分别应用多项式扩充的数据与平移扩充的数据对预训练模型进行微调,提升RUL的预测精度。

    基于深度强化学习的带时间窗的车辆路径规划方法

    公开(公告)号:CN118350732A

    公开(公告)日:2024-07-16

    申请号:CN202410566370.5

    申请日:2024-05-09

    摘要: 本发明公开了一种基于深度强化学习的带时间窗的车辆路径规划方法,包括:1建立同时考虑用户时间窗和三种不同车型的有容量限制的车辆路径规划问题的目标函数,以包含碳排放量的总消耗量最小为目标,为车辆寻求合理路线,实现根据客户不同的需求选择车型,并且使车辆在客户不同的时间窗要求内满足其需求;2确定模型初始信息及约束条件,并建立马尔科夫决策过程;然后提取配送中心轻、中、重三种车型信息和顾客需求信息的高维特征表示,设计合适的解码器掩码机制;3通过策略梯度方法训练模型,实现有多个约束条件的合理车辆路径规划。本发明能实现对客户需求的精确快速响应,提高配送中心的车辆调度效率,并降低运输成本。

    一种元学习和平方根无迹卡尔曼滤波器的锂电池多状况预测方法

    公开(公告)号:CN118245748A

    公开(公告)日:2024-06-25

    申请号:CN202410297139.0

    申请日:2024-03-15

    摘要: 本发明公开了一种元学习和平方根无迹卡尔曼滤波器的锂电池多状况预测方法,涉及锂电池技术领域。该方法提出了一种结合平方根无迹卡尔曼滤波器和元学习方法来实现SOC和SOE的同时估计,首先,利用少量新电池数据,通过元学习方法对其他电池数据训练的模型进行微调,即可同时估计出新电池的SOC和SOE,极大减少了开发新BMS对新电池数据的需求,加快了BMS的开发进度;其次,利用平方根无迹卡尔曼滤波器进一步平滑预测结果,减小误差。该方法仅使用少量的新电池数据就能有效地实现对新电池的SOC和SOE的联合估计,具有高精度和低复杂度。