CN105277896B - 基于elm‑mukf的锂电池剩余寿命预测方法 - Google Patents
基于elm‑mukf的锂电池剩余寿命预测方法 Download PDFInfo
- Publication number
- CN105277896B CN105277896B CN201510706244.6A CN201510706244A CN105277896B CN 105277896 B CN105277896 B CN 105277896B CN 201510706244 A CN201510706244 A CN 201510706244A CN 105277896 B CN105277896 B CN 105277896B
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- pressure drop
- elm
- discharge time
- drop discharge
- 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
Landscapes
- Secondary Cells (AREA)
- Battery Electrode And Active Subsutance (AREA)
Abstract
本发明公开一种基于ELM‑MUKF的锂电池剩余寿命预测方法，具体步骤为：(1)选取锂电池等压降放电时间作为锂电池寿命特征参数；(2)利用锂电池等压降放电时间数据构建基于极端学习机(Extreme Learning Machine，ELM)的锂电池状态更新方程；(3)将锂电池状态更新方程联合等压降放电时间观测方程作为锂电池性能退化模型；(4)基于所建立的锂电池性能退化模型,利用多阶无迹卡尔曼滤波(Multi Unscented Kalman Filter，MUKF)方法进行等压降放电时间预测；(5)构建基于极端学习机的等压降放电时间与锂电池实际容量的关系模型；(6)将步骤(4)预测的等压降放电时间作为步骤(5)中所确定模型的输入,求取锂电池未来的实际容量值,依据规定的锂电池失效阈值,最终估计出锂电池的剩余循环使用周期。本发明方法能够在线监测锂电池健康状况，预测未来锂电池寿命特征参数，进而有效评估锂电池剩余寿命状况。
Description
技术领域
本发明涉及一种锂电池剩余寿命的预测方法，尤其是一种基于ELM-MUKF的锂电池剩余寿命预测方法。
背景技术
锂离子电池(简称锂电池)是一种绿色高能充电电池，因其容量高，自放电率低，安全性高，循环寿命长等优点被广泛的用于电子通讯工程、交通和航空航天等领域。然而，锂电池在使用过程中性能的退化会影响仪器设备的正常使用，甚至会造成严重的故障事故。因此，从安全性、可靠性和经济性角度出发，实现锂电池长期安全有效的运行，避免灾难性事故的发生，对锂电池剩余使用寿命的监测尤为重要。
极端学习机(Extreme Learning Machine，ELM)是一种简单易用、有效的单隐层前馈神经网络学习算法，只需要设置网络的隐层节点个数，在算法执行过程中不需要调整网络的输入权值与隐层神经元偏置，具有良好的训练速度与训练精度；卡尔曼滤波器(KalmanFilter，KF)是在系统状态空间模型的基础上提出的线性卡尔曼滤波器，其在线性的前提假设下是一个线性无偏、方差最小估计器，从而可以为线性滤波问题提供精确解析，缺点在于无法处理非线性滤波问题，因此发展出了处理非线性滤波问题具有代表性无迹卡尔曼滤波器(Unscented Kalman Filter，UKF)，其算法简洁，可以由计算机执行且不必存储大量的数据。然而，现有的UKF都是基于一阶状态空间方程实现算法。
本发明方法，利用锂电池等压降放电时间数据构建基于极端学习机的锂电池状态更新方程联合等压降放电时间观测方程，建立了多阶锂电池性能退化模型，提出基于多阶状态空间模型的MUKF预测算法，能够实现锂电池的剩余寿命的有效准确估计。
发明内容
本发明的目的，在于提供一种基于ELM-MUKF的锂电池剩余寿命预测方法，其能够在线监测锂电池运行状况，预测未来时刻锂电池剩余寿命特征参数，进而评估锂电池剩余寿命状况。
为了达成上述目的，本发明的解决方案是：
一种基于ELM-MUKF的锂电池剩余寿命预测方法，其特征在于包括如下步骤(1)～(7)：
(1)选取锂电池的等压降放电时间T(i)作为锂电池寿命特征参数，等压降放电时间为 其中，T(i)为第i个循环使用周期下等压降放电时间差，为锂电池放电阶段规定的高电压时所对应的时间点；为锂电池放电阶段规定的低电压时间所对应的时间点；
(2)利用锂电池等压降放电时间数据构建基于极端学习机(Extreme LearningMachine，ELM)的锂电池状态更新方程T(k)＝f(T(k-1),T(k-2),...,T(k-τ))+ω(k)，其中：f(·)为反映k时刻等压降放电时间与其前τ个时刻的等压降放电时间关系的非线性函数；τ为状态更新方程的阶数；ω(k)为k时刻系统状态噪声，其协方差矩阵为Qk；
(3)依据步骤(2)所建立的锂电池状态更新方程，结合观测方程z(k)＝T(k)+v(k)，得到k时刻锂电池性能退化模型为：
其中，z(k)为k时刻等压降放电时间输出值；v(k)为测量噪声，其协方差矩阵为Rk；
(4)依据步骤(3)的锂电池性能退化模型，基于在线检测的锂电池等压降放电时间T(1),...,T(k-2),T(k-1),T(k)，利用多阶无迹卡尔曼滤波(Multi Unscented KalmanFilter，MUKF)方法进行等压降放电时间的前向q步预测，得到(k+q)时刻的等压降放电时间T(k+q)；
(5)以锂电池等压降放电时间T(i)作为输入、以锂电池实际容量Qi作为输出，构建基于(T(i)，Qi)训练样本的ELM模型，也即确定出基于ELM模型的实际容量Qi与T(i)的关系函数，记为Qi＝g(T(i)),i＝1,2,...,k，其中实际容量为充满电的锂电池在规定的放电率、温度、终止电压条件下所放出的电量；
(6)将步骤(4)前向q步预测得到的T(k+q)作为步骤(5)中确定的ELM关系函数Qi＝g(T(i))的输入，则ELM的输出即为前向q步预测值的实际容量值Qk+q；
(7)设定锂电池失效阈值为实际容量QTH＝70％QA，判定前向q步预测的实际容量值Qk+q是否达到失效阈值QTH，若Qk+q＝QTH，则锂电池的剩余寿命为q个循环使用周期，其中QA为锂电池额定容量。
本发明的基于ELM-MUKF的锂电池剩余寿命预测方法，所述步骤(2)中，构建基于ELM的锂电池状态更新方程T(k)＝f(T(k-1),T(k-2),...,T(k-τ))+ω(k)具体方法为：
(2.1)ELM模型为三层神经网络结构，分别为输入层、隐含层及输出层，隐层节点个数 为40；隐层神经元的激活函数取“Sigmoid”函数；状态更新方程阶数τ＝10；
(2.2)以T(k-1),T(k-2),...,T(k-τ)作为输入，T(k)作为输出，共(k-τ)个训练样本，进行ELM模型训练，得出状态更新方程T(k)＝f(T(k-1),T(k-2),...,T(k-τ))+ω(k)。
本发明的基于ELM-MUKF的锂电池剩余寿命预测方法，所述步骤(4)中，利用多阶无迹卡尔曼滤波(Multi Unscented Kalman Filter，MUKF)方法进行等压降放电时间的前向q步预测，得到(k+q)时刻的等压降放电时间T(k+q)的具体步骤为：
(4.1)计算σ点依据和Pk-1|k-1,Pk-2|k-2,...,Pk-τ|k-τ生成(2n+1)τ个σ点j＝1,2,...,2n；σ点为UT变换点，UT变换时，取参数α＝0.01,κ＝0,β＝2，UT变换是用固定数量的参数支近似一个高斯分布，为现有成熟技术，在此不再阐述；计算公式为：
式(1)
(4.2)计算σ点即
式(2)
式(2)中：为状态变量一步预测；Pk|k-1为均方估计误差一步预测；
(4.3)计算σ点Pk|k-1经过测量方程对Tk的传播，即
式(3)
(4.4)计算输出的一步预测，即
式(4)
(4.5)进行滤波更新，即
式(5)
式(5)中：Kk为卡尔曼滤波增益求解；为状态最优估计；Pk|k为均方误差最优估计；
(4.6)判断所预测的步数是否达到了设定的前向步数q，若所预测的步数未达到前向步数q，则令k＝k+1，转至步骤(41)，继续执行；若所预测的步数达到前向步数q，则终止算法，得到锂电池(k+q)时刻的等压降放电时间T(k+q)。
本发明的基于ELM-MUKF的锂电池剩余寿命预测方法，所述步骤(5)中，构建基于(T(i),Qi)训练样本的ELM模型，具体方法为：
(5.1)ELM模型为三层神经网络结构，分别为输入层、隐含层及输出层，隐层节点个数为30；隐层神经元的激活函数取“Sigmoid”函数；
(5.2)以锂电池等压降放电时间T(i)作为输入、以锂电池实际容量Qi作为输出，进行ELM模型训练，得出实际容量Qi与T(i)的关系函数Qi＝g(T(i)),i＝1,2,...,k。
采用上述方案后，本发明通过选取锂电池等压降放电时间作为锂电池寿命特征参数，利用锂电池等压降放电时间数据构建基于极端学习机的锂电池状态更新方程；将锂电池状态更新方程联合等压降放电时间观测方程作为锂电池性能退化模型；基于所建立的锂电池性能退化模型,利用多阶无迹卡尔曼滤波方法进行等压降放电时间预测；构建基于极端学习机的等压降放电时间与锂电池实际容量的关系模型；最后求取锂电池未来的实际容量值,依据规定的锂电池失效阈值,最终估计出锂电池的剩余循环使用周期。本发明能够在线监测锂电池健康状况，预测未来某时刻锂电池寿命特征参数，进而评估锂电池剩余寿命状况。
附图说明
图1是基于ELM-MUKF的锂电池剩余寿命预测方法流程图。
具体实施方式
下面结合附图对本发明的技术方案进行详细说明。
如图1所示，本发明提供一种基于ELM-MUKF的锂电池剩余寿命预测方法，所述，包括如下步骤：
(1)选取锂电池的等压降放电时间T(i)作为锂电池寿命特征参数，等压降放电时间为 i＝1,2,...,k，其中，T(i)为第i个循环使用周期下等压降放电时间差，为锂电池放电阶段规定的高电压时所对应的时间点；为锂电池放电阶段规定的低电压时间所对应的时间点；
(2)利用锂电池等压降放电时间数据构建基于极端学习机(Extreme LearningMachine，ELM)的锂电池状态更新方程T(k)＝f(T(k-1),T(k-2),...,T(k-τ))+ω(k)，其中：f(·)为反映k时刻等压降放电时间与其前τ个时刻的等压降放电时间关系的非线性函数；τ为状态更新方程的阶数；ω(k)为k时刻系统状态噪声，其协方差矩阵为Qk，具体方法为：
(2.1)ELM模型为三层神经网络结构，分别为输入层、隐含层及输出层，隐层节点个数为40；隐层神经元的激活函数取“Sigmoid”函数；状态更新方程阶数τ＝10；
(2.2)以T(k-1),T(k-2),...,T(k-τ)作为输入，T(k)作为输出，共(k-τ)个训练样本，进行ELM模型训练，得出状态更新方程T(k)＝f(T(k-1),T(k-2),...,T(k-τ))+ω(k)；
(3)依据步骤(2)所建立的锂电池状态更新方程，结合观测方程z(k)＝T(k)+v(k)，得到k时刻锂电池性能退化模型为：
其中，z(k)为k时刻等压降放电时间输出值；v(k)为测量噪声，其协方差矩阵为Rk；
(4)依据步骤(3)的锂电池性能退化模型，基于在线检测的锂电池等压降放电时间T(1),...,T(k-2),T(k-1),T(k)，利用多阶无迹卡尔曼滤波(Multi Unscented KalmanFilter，MUKF)方法进行等压降放电时间的前向q步预测，得到(k+q)时刻的等压降放电时间T(k+q)，具体步骤为：
(4.1)计算σ点依据和Pk-1|k-1,Pk-2|k-2,...,Pk-τ|k-τ生成(2n+1)τ个σ点j＝1,2,...,2n；σ点为UT 变换点，UT变换时，取参数α＝0.01,κ＝0,β＝2，UT变换是用固定数量的参数支近似一个高斯分布，为现有成熟技术，在此不再阐述；计算公式为：
式(1)
(4.2)计算σ点即
式(2)
(4.3)计算σ点Pk|k-1经过测量方程对Tk的传播，即
式(3)
(4.4)计算输出的一步预测，即
式(4)
(4.5)进行滤波更新，即
式(5)
式(2)中：为状态变量一步预测；Pk|k-1为均方估计误差一步预测；式(5)中：Kk为卡尔曼滤波增益求解；为状态最优估计；Pk|k为均方误差最优估计；
(4.6)判断所预测的步数是否达到了设定的前向步数q，若所预测的步数未达到前向步 数q，则令k＝k+1，转至步骤(41)，继续执行；若所预测的步数达到前向步数q，则终止算法，得到锂电池(k+q)时刻的等压降放电时间T(k+q)；
(5)以锂电池等压降放电时间T(i)作为输入、以锂电池实际容量Qi作为输出，构建基于(T(i)，Qi)训练样本的ELM模型，也即确定出基于ELM模型的实际容量Qi与T(i)的关系函数，记为Qi＝g(T(i)),i＝1,2,...,k，其中实际容量为充满电的锂电池在规定的放电率、温度、终止电压条件下所放出的电量，具体方法为：
(5.1)ELM模型为三层神经网络结构，分别为输入层、隐含层及输出层，隐层节点个数为30；隐层神经元的激活函数取“Sigmoid”函数；
(5.2)以锂电池等压降放电时间T(i)作为输入、以锂电池实际容量Qi作为输出，进行ELM模型训练，得出实际容量Qi与T(i)的关系函数Qi＝g(T(i)),i＝1,2,...,k；
(6)将步骤(4)前向q步预测得到的T(k+q)作为步骤(5)中确定的ELM关系函数Qi＝g(T(i))的输入，则ELM的输出即为前向q步预测值的实际容量值Qk+q；
(7)设定锂电池失效阈值为实际容量QTH＝70％QA，判定前向q步预测的实际容量值Qk+q是否达到失效阈值QTH，若Qk+q＝QTH，则锂电池的剩余寿命为q个循环使用周期，其中QA为锂电池额定容量。
以上实施例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，均落入本发明保护范围之内。
Claims (4)
1.一种基于ELM-MUKF的锂电池剩余寿命预测方法，其特征在于包括如下步骤：
(1)选取锂电池的等压降放电时间T(i)作为锂电池寿命特征参数，等压降放电时间为其中，T(i)为第i个循环使用周期下等压降放电时间差，为锂电池放电阶段规定的高电压时所对应的时间点；为锂电池放电阶段规定的低电压时间所对应的时间点；
(2)利用锂电池等压降放电时间数据构建基于极端学习机(Extreme LearningMachine，ELM)的锂电池状态更新方程T(k)＝f(T(k-1),T(k-2),...,T(k-τ))+ω(k)，其中：f(·)为反映k时刻等压降放电时间与其前τ个时刻的等压降放电时间关系的非线性函数；τ为状态更新方程的阶数；ω(k)为k时刻系统状态噪声，其协方差矩阵为Qk；
(3)依据步骤(2)所建立的锂电池状态更新方程，结合观测方程z(k)＝T(k)+v(k)，得到k时刻锂电池性能退化模型为：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mi>T</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>=</mo>
<mi>f</mi>
<mo>(</mo>
<mi>T</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>T</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>2</mn>
</mrow>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>T</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mi>&tau;</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>)</mo>
<mo>+</mo>
<mi>&omega;</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>z</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>=</mo>
<mi>T</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>+</mo>
<mi>v</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
其中，z(k)为k时刻等压降放电时间输出值；v(k)为测量噪声，其协方差矩阵为Rk；
(4)依据步骤(3)的锂电池性能退化模型，基于在线检测的锂电池等压降放电时间T(1),...,T(k-2),T(k-1),T(k)，利用多阶无迹卡尔曼滤波(Multi Unscented KalmanFilter，MUKF)方法进行等压降放电时间的前向q步预测，得到(k+q)时刻的等压降放电时间T(k+q)；
(5)以锂电池等压降放电时间T(i)作为输入、以锂电池实际容量Qi作为输出，构建基于(T(i)，Qi)训练样本的ELM模型，也即确定出基于ELM模型的实际容量Qi与T(i)的关系函数，记为Qi＝g(T(i)),i＝1,2,...,k，其中实际容量为充满电的锂电池在规定的放电率、温度、终止电压条件下所放出的电量；
(6)将步骤(4)前向q步预测得到的T(k+q)作为步骤(5)中确定的ELM关系函数Qi＝g(T(i))的输入，则ELM的输出即为前向q步预测的实际容量值Qk+q；
(7)设定锂电池失效阈值为实际容量QTH＝70％QA，判定前向q步预测的实际容量值Qk+q是否达到失效阈值QTH，若Qk+q＝QTH，则锂电池的剩余寿命为q个循环使用周期，其中QA为锂电池额定容量。
2.如权利要求1所述的基于ELM-MUKF的锂电池剩余寿命预测方法，其特征在于：所述步骤(2)中，构建基于ELM的锂电池状态更新方程T(k)＝f(T(k-1),T(k-2),...,T(k-τ))+ω(k)具体方法为：
(2.1)ELM模型为三层神经网络结构，分别为输入层、隐含层及输出层，隐层节点个数为40；隐层神经元的激活函数取“Sigmoid”函数；状态更新方程阶数τ＝10；
(2.2)以T(k-1),T(k-2),...,T(k-τ)作为输入，T(k)作为输出，共(k-τ)个训练样本，进行ELM模型训练，得出状态更新方程T(k)＝f(T(k-1),T(k-2),...,T(k-τ))+ω(k)。
3.如权利要求1所述的基于ELM-MUKF的锂电池剩余寿命预测方法，其特征在于：所述步骤(4)中，利用多阶无迹卡尔曼滤波(Multi Unscented Kalman Filter，MUKF)方法进行等压降放电时间的前向q步预测，得到(k+q)时刻的等压降放电时间T(k+q)的具体步骤为：
(4.1)计算σ点依据和Pk-1|k-1,Pk-2|k-2,...,Pk-τ|k-τ生成(2n+1)τ个σ点j＝1,2,...,2n；σ点为UT变换点，UT变换时，取参数α＝0.01,κ＝0,β＝2，UT变换是用固定数量的参数支近似一个高斯分布，为现有成熟技术，σ点的计算公式为：
(4.2)计算σ点即
式(2)中：为状态变量一步预测；Pk|k-1为均方估计误差一步预测；
(4.3)计算σ点Pk|k-1经过观测方程对Tk的传播，即
(4.4)计算输出的一步预测，即
(4.5)进行滤波更新，即
式(5)中：Kk为卡尔曼滤波增益求解；为状态最优估计；Pk|k为均方误差最优估计；
(4.6)判断所预测的步数是否达到了设定的前向步数q，若所预测的步数未达到前向步数q，则令k＝k+1，转至步骤(4.1)，继续执行；若所预测的步数达到前向步数q，则终止算法，得到锂电池(k+q)时刻的等压降放电时间T(k+q)。
4.如权利要求1所述的基于ELM-MUKF的锂电池剩余寿命预测方法，其特征在于：所述步骤(5)中，构建基于(T(i),Qi)训练样本的ELM模型，具体方法为：
(5.1)ELM模型为三层神经网络结构，分别为输入层、隐含层及输出层，隐层节点个数为30；隐层神经元的激活函数取“Sigmoid”函数；
(5.2)以锂电池等压降放电时间T(i)作为输入、以锂电池实际容量Qi作为输出，进行ELM模型训练，得出实际容量Qi与T(i)的关系函数Qi＝g(T(i)),i＝1,2,...,k。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510706244.6A CN105277896B (zh) | 2015-10-26 | 2015-10-26 | 基于elm‑mukf的锂电池剩余寿命预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510706244.6A CN105277896B (zh) | 2015-10-26 | 2015-10-26 | 基于elm‑mukf的锂电池剩余寿命预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105277896A CN105277896A (zh) | 2016-01-27 |
| CN105277896B true CN105277896B (zh) | 2018-01-26 |
Family
ID=55147243
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510706244.6A Active CN105277896B (zh) | 2015-10-26 | 2015-10-26 | 基于elm‑mukf的锂电池剩余寿命预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105277896B (zh) |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106569138A (zh) * | 2016-10-21 | 2017-04-19 | 北京空间飞行器总体设计部 | 一种基于性能退化的卫星小子样镉镍蓄电池寿命预测方法 |
| CN107015158B (zh) * | 2017-04-01 | 2019-05-24 | 湖南银杏数据科技有限公司 | 基于恒流放电片段的锂电池剩余寿命在线快速检测法 |
| CN107942261B (zh) * | 2017-12-29 | 2021-04-02 | 上海电气集团股份有限公司 | 电池荷电状态的估计方法及系统 |
| CN108344947A (zh) * | 2018-01-11 | 2018-07-31 | 西南交通大学 | 一种非侵入式的燃料电池故障诊断方法 |
| CN110323508B (zh) * | 2018-03-30 | 2021-06-18 | 比亚迪股份有限公司 | 电动汽车中动力电池的回收系统和方法 |
| CN108804764A (zh) * | 2018-05-07 | 2018-11-13 | 电子科技大学 | 一种基于极限学习机的锂电池老化趋势预测方法 |
| CN108761346A (zh) * | 2018-06-20 | 2018-11-06 | 首都师范大学 | 一种车用锂电池剩余寿命预测方法 |
| CN110970959B (zh) | 2018-09-30 | 2024-01-30 | 华为技术有限公司 | 充电管理方法、图形用户界面及相关装置 |
| CN109917292B (zh) * | 2019-03-28 | 2020-12-15 | 首都师范大学 | 一种基于daupf的锂离子电池寿命预测方法 |
| CN111308375B (zh) * | 2020-02-04 | 2021-12-07 | 浙江大学 | 一种基于lstm-ffnn的电动叉车锂离子电池健康状态预测方法 |
| CN112083334A (zh) * | 2020-08-11 | 2020-12-15 | 昆明理工大学 | 一种基于数据驱动的锂离子电池荷电状态估计方法 |
| CN112731184B (zh) * | 2020-12-28 | 2023-03-03 | 深圳供电局有限公司 | 一种电池寿命检测方法和系统 |
| CN113203953B (zh) * | 2021-04-02 | 2022-03-25 | 中国人民解放军92578部队 | 基于改进型极限学习机的锂电池剩余使用寿命预测方法 |
| CN113791351B (zh) * | 2021-09-17 | 2022-04-19 | 电子科技大学 | 基于迁移学习和差值概率分布的锂电池寿命预测方法 |
| CN114879046B (zh) * | 2022-04-24 | 2023-04-14 | 上海玫克生储能科技有限公司 | 一种基于卡尔曼滤波的锂电池寿命预测方法和系统 |
| CN117074957B (zh) * | 2023-08-18 | 2024-05-24 | 南京林业大学 | 一种基于数-模融合的锂离子电池剩余使用寿命预测方法 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000308274A (ja) * | 1999-04-22 | 2000-11-02 | Aichi Electric Co Ltd | 電池の充電電流制御装置 |
| CN101598769B (zh) * | 2009-06-29 | 2011-04-20 | 杭州电子科技大学 | 一种基于采样点卡尔曼滤波的电池剩余电量估计方法 |
| CN102062841B (zh) * | 2009-11-11 | 2012-12-12 | 北汽福田汽车股份有限公司 | 动力电池荷电状态的估测方法及系统 |
| CN102298118A (zh) * | 2011-05-17 | 2011-12-28 | 杭州电子科技大学 | 一种电池模型参数与剩余电量联合同步在线估计方法 |
| CN103185865A (zh) * | 2011-12-31 | 2013-07-03 | 陕西汽车集团有限责任公司 | 运用ekf对电动汽车锂离子电池soc闭环实时估算法 |
| CN103399276B (zh) * | 2013-07-25 | 2016-01-20 | 哈尔滨工业大学 | 一种锂离子电池容量估计及剩余循环寿命预测方法 |
| CN103344923B (zh) * | 2013-08-01 | 2015-07-08 | 哈尔滨工业大学 | 基于ekf方法和nsdp-ar模型融合型锂离子电池循环寿命预测方法 |
| CN103472398B (zh) * | 2013-08-19 | 2016-01-20 | 南京航空航天大学 | 基于扩展卡尔曼粒子滤波算法的动力电池soc估计方法 |
| CN103744028A (zh) * | 2013-12-25 | 2014-04-23 | 广西科技大学 | 一种基于ukf的蓄电池荷电状态soc估算方法 |
| CN104375090B (zh) * | 2014-11-12 | 2017-05-24 | 国网重庆市电力公司电力科学研究院 | 一种充电锂电池剩余电量远程监测方法 |
| CN104778337B (zh) * | 2015-04-30 | 2017-03-22 | 北京航空航天大学 | 一种基于函数型主成分分析与贝叶斯更新的锂电池剩余寿命预测方法 |
-
2015
- 2015-10-26 CN CN201510706244.6A patent/CN105277896B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN105277896A (zh) | 2016-01-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105277896B (zh) | 基于elm‑mukf的锂电池剩余寿命预测方法 | |
| CN110221225B (zh) | 一种航天器锂离子电池循环寿命预测方法 | |
| Farmann et al. | A comprehensive review of on-board State-of-Available-Power prediction techniques for lithium-ion batteries in electric vehicles | |
| Khalid et al. | Prediction of li-ion battery state of charge using multilayer perceptron and long short-term memory models | |
| CN106249152B (zh) | 用于估计电池状态的方法和设备 | |
| CN107015158B (zh) | 基于恒流放电片段的锂电池剩余寿命在线快速检测法 | |
| CN111579993B (zh) | 一种基于卷积神经网络的锂电池容量在线估计方法 | |
| CN108549036A (zh) | 基于miv和svm模型的磷酸铁锂电池寿命预测方法 | |
| CN103399280B (zh) | 基于nsdp-ar模型的锂离子电池循环寿命预测方法 | |
| CN116047314B (zh) | 一种可充电电池健康状态预测方法 | |
| CN112881914B (zh) | 一种锂电池健康状态预测方法 | |
| CN114035098A (zh) | 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法 | |
| CN110082682A (zh) | 一种锂电池荷电状态估计方法 | |
| CN112557908A (zh) | 一种锂离子动力电池soc和soh联合估计方法 | |
| KR20240015240A (ko) | 신경망 모델 뱅크를 기반으로 하는 리튬 배터리의 온라인 충전 상태 및 건강 상태 추정 방법 및 시스템 | |
| CN104090238A (zh) | 基于ar集成学习模型的锂离子电池剩余寿命预测方法 | |
| De Sousa et al. | Comparison of different approaches for lead acid battery state of health estimation based on artificial neural networks algorithms | |
| Liu et al. | An online SOH estimation method based on the fusion of improved ICA and LSTM | |
| CN113721151B (zh) | 基于双塔深度学习网络的电池容量预估模型及方法 | |
| CN114545279B (zh) | 一种基于神经网络常微分方程的锂电池健康状态估计方法 | |
| Wang et al. | Joint prediction of Li-ion battery state of charge and state of health based on the DRSN-CW-LSTM model | |
| CN112327169B (zh) | 一种锂电池剩余寿命预测方法 | |
| CN104777433B (zh) | 基于隐马尔可夫模型的锂离子电池剩余容量估计方法 | |
| Rizwan et al. | New Filter-based Supervised Learning Approach for State of Charge Estimation of Li-Ion Battery for EV Applications | |
| Li et al. | State of health estimation of lithium-ion batteries under variable load profile |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |