-
公开(公告)号：CN114462294B
公开(公告)日：2024-09-24
申请号：CN202111600999.X
申请日：2021-12-24
Applicant: 中南大学
IPC: G06F30/27 , G06F18/23213 , G06F18/214 , G06F111/06 , G06F119/02
Abstract: 本发明公开了一种两阶段代理模型辅助参数估计方法以及系统，本方法包括：从原始数据中采样初始参数；构建降阶模型，根据降阶模型和第一差分进化从初始参数中筛选出期望参数；构建数据驱动模型，根据数据驱动模型和第二差分进化从期望参数筛选出最优参数。相较于现有参数估计方案，本发明利用降阶模型和数据驱动模型之间的互补优势，在第一阶段中，通过降阶模型辅助差分进化来进行参数筛选，过滤掉较差的参数，提高模型训练的效率，在第二阶段中，通过数据驱动模型辅助差分进化来进行精细估计，从而提高估计精度，相较于现有参数估计方案，本发明实现了精度和效率之间的平衡，采用结构简单且搜索能力强的差分进化实现两个阶段的搜索。
-
公开(公告)号：CN115221798B
公开(公告)日：2022-12-30
申请号：CN202211133737.1
申请日：2022-09-19
Applicant: 中南大学
IPC: G06F30/27 , G06N3/08 , H01M10/0525 , G06F119/04 , G06F119/08
Abstract: 本发明公开了一种电池热过程时空建模预测方法、系统、设备及介质，本方法根据电化学原理和能量守恒定律，构建时空域控制方程，并定义时空域控制方程的物理边界、初始条件以及产热量估计函数；基于全连接网络层，构建具有物理信息的网络预测模型；根据时空域控制方程、物理边界、初始条件以及产热量估计函数，构建网络预测模型的损失函数；初始化网络预测模型的参数，并采用梯度下降算法对网络预测模型的参数进行迭代更新，直到达到预设的最大迭代次数或损失函数稳定收敛，完成网络预测模型的训练；通过训练完成的网络预测模型预测电池热过程的温度。本发明能够提高电池热过程温度预测的精确度，提高温度预测的效率。
-
公开(公告)号：CN115221798A
公开(公告)日：2022-10-21
申请号：CN202211133737.1
申请日：2022-09-19
Applicant: 中南大学
IPC: G06F30/27 , G06N3/08 , H01M10/0525 , G06F119/04 , G06F119/08
Abstract: 本发明公开了一种电池热过程时空建模预测方法、系统、设备及介质，本方法根据电化学原理和能量守恒定律，构建时空域控制方程，并定义时空域控制方程的物理边界、初始条件以及产热量估计函数；基于全连接网络层，构建具有物理信息的网络预测模型；根据时空域控制方程、物理边界、初始条件以及产热量估计函数，构建网络预测模型的损失函数；初始化网络预测模型的参数，并采用梯度下降算法对网络预测模型的参数进行迭代更新，直到达到预设的最大迭代次数或损失函数稳定收敛，完成网络预测模型的训练；通过训练完成的网络预测模型预测电池热过程的温度。本发明能够提高电池热过程温度预测的精确度，提高温度预测的效率。
-
公开(公告)号：CN114462294A
公开(公告)日：2022-05-10
申请号：CN202111600999.X
申请日：2021-12-24
Applicant: 中南大学
IPC: G06F30/27 , G06K9/62 , G06F111/06 , G06F119/02
Abstract: 本发明公开了一种两阶段代理模型辅助参数估计方法以及系统，本方法包括：从原始数据中采样初始参数；构建降价模型，根据降价模型和第一差分进化从初始参数中筛选出期望参数；构建数据驱动模型，根据数据驱动模型和第二差分进化从期望参数筛选出最优参数。相较于现有参数估计方案，本发明利用降价模型和数据驱动模型之间的互补优势，在第一阶段中，通过降价模型辅助差分进化来进行参数筛选，过滤掉较差的参数，提高模型训练的效率，在第二阶段中，通过数据驱动模型辅助差分进化来进行精细估计，从而提高估计精度，相较于现有参数估计方案，本发明实现了精度和效率之间的平衡，采用结构简单且搜索能力强的差分进化实现两个阶段的搜索。
-
-
-
Search Results
4
records
(took 0.015 seconds)
