基于改进LSTM神经网络的阀控铅酸蓄电池健康状态预测方法

发明专利有效专利

申请号：
CN202010605779.5
IPC分类号：G01R31/392;G01R31/379;G01R31/367;G06N3/04;G06N3/08
申请日期：
2020-06-29
申请人：
三峡大学

基础信息

权利要求

说明书

PDF全文

法律信息

引证文献

著录项信息

专利名称	基于改进LSTM神经网络的阀控铅酸蓄电池健康状态预测方法
申请号	CN202010605779.5	申请日期	2020-06-29
法律状态	实质审查	申报国家	中国
公开/公告日	2020-10-02	公开/公告号	CN111736084A
优先权	暂无	优先权号	暂无
主分类号	G01R31/392	IPC分类号	G;0;1;R;3;1;/;3;9;2;;;G;0;1;R;3;1;/;3;7;9;;;G;0;1;R;3;1;/;3;6;7;;;G;0;6;N;3;/;0;4;;;G;0;6;N;3;/;0;8查看分类表>
申请人	三峡大学	申请人地址	湖北省宜昌市西陵区大学路8号变更专利地址、主体等相关变化，请及时变更，防止失效
权利人	三峡大学	当前权利人	三峡大学
发明人	舒征宇;黄志鹏;许布哲;沈佶源;胡尧;方曼琴;温馨蕊;徐西睿;陈明欣
代理机构	宜昌市三峡专利事务所	代理人	吴思高

摘要

基于改进LSTM神经网络的阀控铅酸蓄电池健康状态预测方法，通过在线监测装置每日测量得到蓄电池的浮充电压、均充电流、均充时长、放电截止电压、放电时长输入数据，蓄电池容量通过每两个月一次的核对性均衡充电测得。以n天为时间跨度，建立n维的样本输入x(ti)。以蓄电池容量数据序列h(ti)作为输出，x(ti)作为输入，建立一个包含多个LSTM神经网络单元的神经网络模型。初始状态下，通过随机生成0到1之间的小数，为网络中的权重矩阵W和偏置矩阵b进行赋值。引入Dropout算法改进LSTM神经网络模型，对其训练过程进行改进。本发明可以减少因数据样本不足导致的预测精度过低和欠拟合问题，对变电站蓄电池健康状态进行准确预测，提高蓄电池利用率。

序号	公开(公告)号	公开(公告)日	申请日	专利名称	申请人
该专利没有引用任何外部专利数据！

序号	公开(公告)号	公开(公告)日	申请日	专利名称	申请人
该专利没有被任何外部专利所引用！

我浏览过的专利

专利服务由北京酷爱智慧知识产权代理公司提供