买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明公开了一种基于云边协同的动力电池寿命智能快速测试方法及系统，包括：在边缘端进行待测动力电池循环充放电试验，获取设定时间内的电池容量测试时间序列数据；将电池容量测试时间序列数据上传至云端，作为训练数据，对经过了初步训练的动力电池寿命预测基础模型进行再次训练；根据设定时间内的电池容量测试时间序列数据，以及再次训练后的动力电池寿命预测基础模型，在边缘端进行容量预测，得到待测动力电池的整体容量退化趋势和剩余寿命。本发明将训练寿命预测基础模型的任务集中在云端，在边缘侧进行寿命预测任务。仅利用部分容量数据，即可预测电池的剩余使用寿命。

主权项：1.一种基于云边协同的动力电池寿命智能快速测试方法，包括：在边缘端进行待测动力电池循环充放电试验，获取设定时间内的电池容量测试时间序列数据；将所述电池容量测试时间序列数据上传至云端，作为训练数据，对经过了初步训练的动力电池寿命预测基础模型进行再次训练；根据设定时间内的电池容量测试时间序列数据，以及再次训练后的动力电池寿命预测基础模型，在边缘端进行容量预测，得到待测动力电池的整体容量退化趋势和剩余寿命；所述动力电池寿命预测基础模型采用LSTM神经网络模型；所述LSTM神经网络模型的输入为前N个时刻的动力电池容量数据，输出为第N+1时刻的动力电池容量数据；所述LSTM神经网络模型的训练过程在云端进行，首先利用已有的大量同类型动力电池在不同时间下的容量数据，构建模型训练数据集，对动力电池寿命预测基础模型进行初步训练；然后再利用接收到的边缘端上传的设定时间内的电池容量测试时间序列数据，对初步训练后的模型进行进一步地的训练；所述LSTM神经网络模型包括输入门、遗忘门和输出门，具体包括：遗忘门的表达式为：ft＝sigmoidWf·[ht-1,xt]+bf；其中，xt为t时刻的输入，ht-1为t-1时刻的输出，Wf和bf分别为遗忘门的权重矩阵和偏置向量，[ht-1,xt]表示输入向量，Wf的维数与ht-1和xt有关，表达式为： 输入门表达式为：it＝sigmoidWi·[ht-1,xt]+bi；其中，Wi和bi分别为输入门的权重矩阵和偏置向量；通过上一个时刻的输出和本次的输入来计算当前输入的单元状态，表达式为：C’t＝tanhWc·[ht-1,xt]+bc；其中，Wc和bc分别为当前输入的单元状态的权重矩阵和偏置向量，tanh为双曲正切激活函数；通过单元状态Ct-1和当前输入的单元状态计算当前时刻的单元状态，表达式为：Ct＝ft⊙Ct-1+it⊙C’t；LSTM的输出由输出门和更新状态单元决定，表达式为： 其中，Wo和bo分别为输出门的权重矩阵和偏置向量；基于已有的多个同类型动力电池在不同时间下的容量数据，对模型训练数据集进行数据扩充，具体为：不同动力电池的退化容量数据分别乘以相对应的容量系数；其中，容量系数从基于Sobol序列生成的样本中选取；采用Sobol序列生成[-1,1]内的均匀分布样本，参数a、b在此样本种群内随机选取，所述数据扩充方法为：Cgen＝a×CB0005+b×CB0006+c×CB0007其中，Cgen为扩充得到的不确定性电池退化容量数据，CB0005～B0007为5号～7号电池的退化容量数据，a、b、c分别为容量系数；采用Sobol序列生成[-1,1]内的均匀分布样本，参数a、b在此样本种群内随机选取，c＝1-a+b。

全文数据：

权利要求：

百度查询： 山东大学 基于云边协同的动力电池寿命智能快速测试方法及系统