CN112182968B - 一种构建锂离子电池等效电路模型的方法、系统及设备 - Google Patents
一种构建锂离子电池等效电路模型的方法、系统及设备 Download PDFInfo
- Publication number
- CN112182968B CN112182968B CN202011045525.9A CN202011045525A CN112182968B CN 112182968 B CN112182968 B CN 112182968B CN 202011045525 A CN202011045525 A CN 202011045525A CN 112182968 B CN112182968 B CN 112182968B
- Authority
- CN
- China
- Prior art keywords
- expression tree
- equivalent circuit
- fitness
- expression
- circuit model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 19
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 19
- 230000035772 mutation Effects 0.000 claims abstract description 14
- 230000002068 genetic effect Effects 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 49
- 238000010276 construction Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 description 7
- 241000425932 Buddleja globosa Species 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
Abstract
本发明公开了一种构建锂离子电池等效电路模型的方法、系统及设备，设置种群规模、选择率、交叉率、变异率和最大进化代数的参数值；使用遗传规划算法随机生成与种群规模数量相同的初始种群，每个初始种群包括多个表达式树，每个表达式树包括一个随机的等效电路；按照选择率、交叉率和变异率，对所有初始种群进行选择、交叉和变异操作；计算产生的每个表达式树的适应度，将每个表达式树的适应度从大到小排列，取适应度较大一半的表达式树，并对保留的表达式树进行选择、交叉、变异操作，计算保留的表达式树的适应度；直到保留的表达式树的适应度满足最大迭代代数和适应度函数任意一项，解码最大适应度的表达式树，得到等效电路模型的拓扑结构。
Description
技术领域
本发明属于动力电池领域，涉及一种构建锂离子电池等效电路模型的方法、系统及设备。
背景技术
目前动力电池模型主要是等效电路模型。电化学模型基于电池内部的电化学反应原理，应用了大量热力学和动力学方程，运算量很大，对车载电池管理系统的要求很高，所以一般不采用。神经网络模型利用目前非常热门的机器学习来建立模型，能够很好地体现动力电池的非线性特性，但存在耗时的问题。等效电路模型可以很好地描述电池的外特性，具有较好的实时性和鲁棒性，适用于动力电池的各种工作状态，而且状态空间方程通常也易被推导出来，所以电动车动力电池建模主要采用此类模型。
因为单体电池的建模是必要的一步，如果电池模型的精度不够，接下来进行的工作也是徒劳的，所以需要建立精确的电池模型。目前常用的电池模型精度还不够高，由于非线性和时变性等特性而难以构建精准模型。
发明内容
本发明的目的在于克服上述现有技术的缺点，提供一种构建锂离子电池等效电路模型的方法、系统及设备，可以随意改变的单体电池等效电路模型，使得比常规的RC等效电路模型要更精确。
为达到上述目的，本发明采用以下技术方案予以实现：
一种构建锂离子电池等效电路模型的方法，包括以下步骤；
步骤一，设置种群规模、选择率、交叉率、变异率和最大进化代数的参数值；
步骤二，使用遗传规划算法随机生成与步骤一中种群规模数量相同的初始种群，每个初始种群包括多个表达式树，每个表达式树包括一个随机的等效电路；
步骤三，按照步骤一中设置的选择率、交叉率和变异率，对所有初始种群进行选择、交叉和变异操作；
步骤四，计算产生的每个表达式树的适应度，将每个表达式树的适应度从大到小排列，取适应度较大一半的表达式树，并对保留的表达式树进行选择、交叉、变异操作，计算保留的表达式树的适应度；
步骤五，直到保留的表达式树的适应度满足步骤一中设定的最大迭代代数和适应度函数任意一项，解码最大适应度的表达式树，得到等效电路模型的拓扑结构。
优选的，步骤二中，在进行交叉、选择、变异操作之前，先利用电路构造函数生成最小电路单元，最小电路单元构成终止符集，将最小电路单元插入到拓扑结构中，对等效电路的拓扑结构进行修改，修改后的等效电路为一个表达式树，再将表达式树经过交叉、变异、选择操作之后随机生成新一代，将得到的所有表达式树作为初始种群。
进一步，步骤三中，电路构造函数包括连接修改函数、组件构造函数、算术构造函数和/或自动定义函数，电路构造函数构成函数集。
优选的，计算表达式树适应度所采用的函数为Hoeffding不等式。
优选的，每当进行选择、交叉、变异操作时，根据步骤一中的选择率，用适应度高的表达式树代替适应度低的表达式树；随机选取两个表达式树进行交叉操作，计算两个表达式树的2个节点数，随机产生2个在节点数范围内的随机数，在每个表达式树中找到随机数的节点位置，交换两个节点位置处的子树；随机选取一个表达式树，计算其节点数，生成一个在节点数范围内的随机数，在该节点处利用电路构造函数随机修改表达式树。
优选的，解码最优表达式树的过程为：根据最优表达式树结构，得到等效电路的拓扑结构；转化为等效电路模型电路图；在仿真软件中，建立仿真模型。
优选的，将试验用电池的相关量中作为输入参数的数据放入步骤五得到的等效电路模型的仿真模型中，得到输出参数的估计值，将输出参数的估计值与试验用电池的相关量实际值对比，验证模型的误差范围是否大于3％，若误差范围大于3％，则最大迭代代数增加50，重新进行迭代。
一种构建锂离子电池等效电路模型的系统，包括：
初始种群生成模块，用于遗传规划算法随机生成初始种群，每个初始种群包括多个表达式树；
初始种群操作模块，用于对所有初始种群进行选择、交叉和变异操作；
适应度筛选模块，用于计算产生的每个表达式树的适应度，将每个表达式树的适应度从大到小排列，取适应度较大一半的表达式树，并对保留的表达式树进行选择、交叉、变异操作，计算保留的表达式树的适应度；
等效电路模型生成模块，用于当保留的表达式树的适应度满足设定的最大迭代代数和适应度函数任意一项，解码最大适应度的表达式树，得到等效电路模型的拓扑结构。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一项所述构建锂离子电池等效电路模型的方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述构建锂离子电池等效电路模型的方法的步骤。
与现有技术相比，本发明具有以下有益效果：
本发明结合机器学习的优势，经过该算法运行之后，得到精确的非线性的等效电路模型拓扑结构，该结构比常见的RC等效电路有更高的精确度。通过适应度能够判断找到的符合要求的函数准确率，如果准确率很高，那么该函数就是要找的函数，通过不断调整适应度，能够让进化快速收敛，可以随意改变的单体电池等效电路模型，得到想要的电路拓扑。使得比常规的RC等效电路模型要更精确。
进一步，遗传规划算法中的函数集替换为电路构造函数，能够对拓扑结构进行修改，有别与传统遗传规划算法，使终止符集包含各种具有一个电路元件的电路。
附图说明
图1是本发明的流程图；
图2是本发明中的交叉示意图；
图3是本发明中的变异示意图。
具体实施方式
下面结合附图对本发明做进一步详细描述：
如图1所示，本发明提供了一种基于Hoeffding不等式的遗传规划算法，利用此算法能够自动构建结构和参数都能改变的单体电池等效电路模型。包括如下步骤：
(1)设置控制参数，包括种群规模M、交叉率Pc、变异率Pm、选择率Pp、最大进化代数Gen等参数数值。确定适应度函数，适应度函数指导进化的方向。准备大量实验数据分为两部分，一部分作为机器学习的训练集，另一部分用于模型的检测。
1a)将实验数据库分成两等分，其中一份用于机器学习训练模型，另一份作为测试模型的准确度；实验数据包括电压、电流、温度、时间、极化电阻和soc等电池的相关量。
1b)设置种群规模M、交叉率Pc、变异率Pm、选择率Pp、最大进化代数Gen。
1c)适应度函数使用Hoeffding不等式，控制等效电路模型的估计值与实际数据之间的差距在一定范围内，随着迭代代数的不断增大，该范围应不断减小，从而加快收敛速度。Hoeffding不等式即：假设一个罐子中有绿色和橙色两种球，橙色球的概率是μ，从罐子中取N个样本，其中橙色球的概率为v，那么当N越大时，P[|v-μ|<ε]≤2exp(-2ε2N)，μ就是实验数据中的值，v是根据等效电路模型计算出来的估计值，当二者差距在某个数范围内的概率较大时，即可以用v来代替μ。
(2)随机生成与步骤一中种群规模数量相同的初始种群，每个初始种群包括多个表达式树。
先利用本遗传规划算法先产生规模大小为M的初始种群。
2a)在进行选择、变异、交叉操作之前，先利用算法的电路构造函数生成最小电路单元。算法的电路构造函数包括：连接修改函数(CMF)、组件构造函数(CCF)、算术构造函数(APF)和自动定义函数(ADF)。通过组件构造函数修改初始电路，可以生成多个子代电路，每个子代电路包含不同的属性，比如电阻、电容等，这些子代电路是最小电路单元，最小电路单元构成终止符集。电路构造函数构成函数集。通过连接修改函数可以将子代电路插入到拓扑结构中，修改等效电路的拓扑结构，修改后的等效电路为一个表达式树。
2b)多个表达式树经过交叉、变异、选择操作之后随机生成新一代。
2c)将得到的所有表达式树作为初始种群。
(3)按照步骤一中设置的选择率、交叉率和变异率，对初始种群中的所有表达式树进行选择、交叉、变异操作。
选择、交叉、变异操作，按照如下步骤完成：
3a)根据选择复制概率，用适应度高的表达式树代替适应度低的表达式树。
3b)如图2所示，对选择的两个表达式树individual1和individual2进行交叉操作，计算两个表达式树的节点数N1、N2，随机产生2个在节点数范围内的随机数r1∈[0,N1]、r2∈[0,N2]，在表达式树individual1中找到随机数r1节点位置，在表达式树individual2中找到随机数r2节点位置，交换两个位置处的子树。
3c)如图3所示，对选择的某个表达式树individual3，计算表达式树的节点数N3，生成一个在节点数范围内的随机数r3∈[0,N3]，在该节点处利用算法中的电路构造函数随机修改表达式树，以产生变异。
(4)计算由(3)产生的表达式树的适应度，将每个表达式树的适应度从大到小排列，取适应度较大一半的表达式树，并对保留的表达式树进行选择、交叉、变异操作，计算保留的表达式树的适应度。
适应度函数为Hoeffding不等式，Hoeffding不等式用于估计机器学习得到的结果与实际之间的准确率。等效电路模型与实验数据的准确程度决定了进化的方向，准确度越高，说明该模型越精确。
(5)计算由(4)产生的表达式树的适应度，如果满足终止条件即结束算法，解码最优表达式树，得到等效电路模型的拓扑图，转到步骤(6)，否则，转到步骤(4)。
5a)终止条件设定为最大迭代代数和适应度函数达到某个精度，其中之一满足即终止算法，最大迭代代数Gen在步骤(1)中定义了，适应度函数达到的某个终止精度可根据实际情况随时定义，若满足条件，则进行第(6)步，否则转到步骤(4)。
5b)根据最优表达式树结构，得到等效电路的拓扑结构，将电路元件在拓扑结构的相应位置添加，转化为等效电路模型电路图，在MATLAB等仿真软件中，建立仿真模型。
(6)根据电路图，用准备的检测模型的数据验证所建立的等效电路模型的准确度是否满足要求。
6a)将步骤(5)得到的等效电路模型作为最终的模型，用准备的测试数据来检验模型的准确度。测试数据为电池的相关量。
6b)将试验用电池的相关量中作为输入参数的数据放入等效电路模型中，利用MATLAB等仿真软件，得到输出参数的估计值。
6c)将输出参数的估计值与数据中参数的实际值对比，验证模型的准确度。验证模型的误差范围是否大于3％，若误差范围大于3％，则最大迭代代数增加50，重新进行迭代。
本发明所述构建等效电路模型的系统，包括初始种群生成模块、初始种群操作模块、适应度筛选模块和等效电路模型生成模块。
初始种群生成模块，用于遗传规划算法随机生成初始种群，每个初始种群包括多个表达式树。
初始种群操作模块，用于对所有初始种群进行选择、交叉和变异操作。
适应度筛选模块，用于计算产生的每个表达式树的适应度，将每个表达式树的适应度从大到小排列，取适应度较大一半的表达式树，并对保留的表达式树进行选择、交叉、变异操作，计算保留的表达式树的适应度。
等效电路模型生成模块，用于当保留的表达式树的适应度满足设定的最大迭代代数和适应度函数任意一项，解码最大适应度的表达式树，得到等效电路模型的拓扑结构。
本发明所述计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述构建等效电路模型的方法的步骤。
本发明所述计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述构建等效电路模型的方法的步骤。
本发明利用机器学习的方法自动构建结构和参数可以随意改变的单体电池等效电路模型，使得比常规的RC等效电路模型要更精确。机器学习的优势是能够很好地体现非线性和时变的特点，没有过多的约束，让计算机根据数据自动选择最合适的路径，能够更准确地模拟出锂离子动力电池的特性。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。
Claims (9)
1.一种构建锂离子电池等效电路模型的方法，其特征在于，包括以下步骤；
步骤一，设置种群规模、选择率、交叉率、变异率和最大进化代数的参数值；
步骤二，使用遗传规划算法随机生成与步骤一中种群规模数量相同的初始种群，每个初始种群包括多个表达式树，每个表达式树包括一个随机的等效电路；
利用电路构造函数生成最小电路单元，最小电路单元构成终止符集，将最小电路单元插入到拓扑结构中，对等效电路的拓扑结构进行修改，修改后的等效电路为一个表达式树，再将表达式树经过交叉、变异、选择操作之后随机生成新一代，将得到的所有表达式树作为初始种群；
步骤三，按照步骤一中设置的选择率、交叉率和变异率，对所有初始种群进行选择、交叉和变异操作；
步骤四，计算产生的每个表达式树的适应度，将每个表达式树的适应度从大到小排列，取适应度较大一半的表达式树，并对保留的表达式树进行选择、交叉、变异操作，计算保留的表达式树的适应度；
步骤五，直到保留的表达式树的适应度满足步骤一中设定的最大迭代代数和适应度函数任意一项，解码最大适应度的表达式树，得到等效电路模型的拓扑结构。
2.根据权利要求1所述的构建锂离子电池等效电路模型的方法，其特征在于，电路构造函数包括连接修改函数、组件构造函数、算术构造函数和/或自动定义函数，电路构造函数构成函数集。
3.根据权利要求1所述的构建锂离子电池等效电路模型的方法，其特征在于，计算表达式树适应度所采用的函数为Hoeffding不等式。
4.根据权利要求1所述的构建锂离子电池等效电路模型的方法，其特征在于，每当进行选择、交叉、变异操作时，根据步骤一中的选择率，用适应度高的表达式树代替适应度低的表达式树；随机选取两个表达式树进行交叉操作，计算两个表达式树的2个节点数，随机产生2个在节点数范围内的随机数，在每个表达式树中找到随机数的节点位置，交换两个节点位置处的子树；随机选取一个表达式树，计算其节点数，生成一个在节点数范围内的随机数，在该节点处利用电路构造函数随机修改表达式树。
5.根据权利要求1所述的构建锂离子电池等效电路模型的方法，其特征在于，解码最优表达式树的过程为：根据最优表达式树结构，得到等效电路的拓扑结构；转化为等效电路模型电路图；在仿真软件中，建立仿真模型。
6.根据权利要求5所述的构建锂离子电池等效电路模型的方法，其特征在于，将试验用电池的相关量中作为输入参数的数据放入步骤五得到的等效电路模型的仿真模型中，得到输出参数的估计值，将输出参数的估计值与试验用电池的相关量实际值对比，验证模型的误差范围是否大于3%，若误差范围大于3%，则最大迭代代数增加50，重新进行迭代。
7.一种构建锂离子电池等效电路模型的系统，其特征在于，包括：
初始种群生成模块，用于遗传规划算法随机生成初始种群，每个初始种群包括多个表达式树；
初始种群操作模块，用于对所有初始种群进行选择、交叉和变异操作；
利用电路构造函数生成最小电路单元，最小电路单元构成终止符集，将最小电路单元插入到拓扑结构中，对等效电路的拓扑结构进行修改，修改后的等效电路为一个表达式树，再将表达式树经过交叉、变异、选择操作之后随机生成新一代，将得到的所有表达式树作为初始种群；
适应度筛选模块，用于计算产生的每个表达式树的适应度，将每个表达式树的适应度从大到小排列，取适应度较大一半的表达式树，并对保留的表达式树进行选择、交叉、变异操作，计算保留的表达式树的适应度；
等效电路模型生成模块，用于当保留的表达式树的适应度满足设定的最大迭代代数和适应度函数任意一项，解码最大适应度的表达式树，得到等效电路模型的拓扑结构。
8.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-6任一项所述构建锂离子电池等效电路模型的方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6任一项所述构建锂离子电池等效电路模型的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011045525.9A CN112182968B (zh) | 2020-09-28 | 2020-09-28 | 一种构建锂离子电池等效电路模型的方法、系统及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011045525.9A CN112182968B (zh) | 2020-09-28 | 2020-09-28 | 一种构建锂离子电池等效电路模型的方法、系统及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112182968A CN112182968A (zh) | 2021-01-05 |
| CN112182968B true CN112182968B (zh) | 2024-01-30 |
Family
ID=73945658
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011045525.9A Active CN112182968B (zh) | 2020-09-28 | 2020-09-28 | 一种构建锂离子电池等效电路模型的方法、系统及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112182968B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE212022000032U1 (de) | 2021-06-25 | 2022-09-27 | Southern University Of Science And Technology | Automatisches Entwurfsvorrichtung für eine analoge Schaltung basierend auf einer Baumstruktur |
| CN113420519B (zh) * | 2021-06-25 | 2023-04-07 | 南方科技大学 | 基于树结构的模拟电路自动设计方法、装置、设备及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1997032259A1 (en) * | 1996-02-20 | 1997-09-04 | Koza John R | Method and apparatus for automated design of complex structures using genetic programming |
| CN103927440A (zh) * | 2014-04-15 | 2014-07-16 | 国家电网公司 | 一种锂电池等效电路模型的参数辨识方法 |
| CN110147884A (zh) * | 2019-04-02 | 2019-08-20 | 佛山市顺德区中山大学研究院 | 一种高效电路拓扑结构进化方法及其系统 |
| WO2020063690A1 (zh) * | 2018-09-25 | 2020-04-02 | 新智数字科技有限公司 | 一种电力系统预测的方法和装置 |
-
2020
- 2020-09-28 CN CN202011045525.9A patent/CN112182968B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1997032259A1 (en) * | 1996-02-20 | 1997-09-04 | Koza John R | Method and apparatus for automated design of complex structures using genetic programming |
| CN103927440A (zh) * | 2014-04-15 | 2014-07-16 | 国家电网公司 | 一种锂电池等效电路模型的参数辨识方法 |
| WO2020063690A1 (zh) * | 2018-09-25 | 2020-04-02 | 新智数字科技有限公司 | 一种电力系统预测的方法和装置 |
| CN110147884A (zh) * | 2019-04-02 | 2019-08-20 | 佛山市顺德区中山大学研究院 | 一种高效电路拓扑结构进化方法及其系统 |
Non-Patent Citations (2)
| Title |
|---|
| 有向图基因表达式程序的电路演化模型;陶砚蕴;林家骏;徐萃华;;计算机辅助设计与图形学学报(第01期);全文 * |
| 采用变长结构体编码的遗传规划及其在自适应建模中的应用;田志友;王浣尘;吴瑞明;;系统工程理论方法应用(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112182968A (zh) | 2021-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110568359B (zh) | 一种锂电池剩余寿命预测方法 | |
| US11293987B2 (en) | Battery capacity prediction system using charge and discharge cycles of a battery to predict capacity variations, and associated method | |
| CN112182968B (zh) | 一种构建锂离子电池等效电路模型的方法、系统及设备 | |
| Wang et al. | A comparative study on the applicability of ultracapacitor models for electric vehicles under different temperatures | |
| CN106055775B (zh) | 一种粒子滤波与机理模型相结合的二次电池寿命预测方法 | |
| CN113111579B (zh) | 一种自适应天牛须优化神经网络的锂电池等效电路模型参数辨识方法 | |
| CN108446794A (zh) | 一种基于多个卷积神经网络结合架构深度学习预测方法 | |
| CN107591807B (zh) | 一种新能源接入下的输电网规划的优化方法 | |
| CN113702843B (zh) | 一种基于郊狼优化算法的锂电池参数辨识与soc估计方法 | |
| CN106953768A (zh) | 一种网络可靠性模型及混合智能优化方法 | |
| CN112883632B (zh) | 一种基于改进蚁群算法的锂电池等效电路模型参数辨识方法 | |
| CN112800683B (zh) | 基于卷积神经网络的系统短路电流水平评估方法及系统 | |
| CN113312807B (zh) | 一种基于锂电池性能模拟环境的电解液配方推荐方法 | |
| Cailian | Life prediction of battery based on random forest optimized by genetic algorithm | |
| CN117350170A (zh) | 基于koopman深度神经网络的非线性振荡分析方法 | |
| CN116774086A (zh) | 一种基于多传感器数据融合的锂电池健康状态估计方法 | |
| CN114859231B (zh) | 基于维纳过程和极限学习机的电池剩余寿命预测方法 | |
| CN116596105A (zh) | 一种考虑配电网发展的充电站负荷预测方法 | |
| CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 | |
| CN112651183A (zh) | 一种量子分布式对抗统一深度哈希网络的可靠性评估方法 | |
| Seitl et al. | Selection and implementation of a generic battery model for PHIL applications | |
| Zhang et al. | Estimation of state of health based on charging characteristics and back-propagation neural networks with improved atom search optimization algorithm | |
| CN110110471B (zh) | 一种电力系统关键节点的识别方法 | |
| CN105930613A (zh) | 一种分布式发电系统等值建模方法 | |
| CN116187238A (zh) | 锂离子电池等效电路模型构建方法、系统、设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |