CN107392352A - 一种基于融合极限学习机的电池未来温度预测方法及系统 - Google Patents
一种基于融合极限学习机的电池未来温度预测方法及系统 Download PDFInfo
- Publication number
- CN107392352A CN107392352A CN201710475384.6A CN201710475384A CN107392352A CN 107392352 A CN107392352 A CN 107392352A CN 201710475384 A CN201710475384 A CN 201710475384A CN 107392352 A CN107392352 A CN 107392352A
- Authority
- CN
- China
- Prior art keywords
- model
- battery
- low resolution
- future temperature
- fusion
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于融合极限学习机的电池未来温度预测方法及系统,方法包括训练步骤和预测步骤;系统包括训练单元和预测单元。本发明通过训练步骤和预测步骤能以较低的计算代价实现高精度的电池未来温度预测,且能在预测过程大大减小对电池模型的依赖性。本发明可以有效预测电池未来温度变化情况,计算量不超过传统神经网络的10%,大大减少计算量。本发明可广泛应用于电池温度预测中。
Description
技术领域
本发明涉及电池预测技术领域,尤其涉及一种基于融合极限学习机的电池未来温度预测方法及系统。
背景技术
实际数据表明,锂电池的表面温度有可能在切断充放电回路后继续上升,而电池的温度对电池安全性至关重要,因此需要有效的评估电池在任意指定工况下的未来温度。而锂电池是一个包含着复杂物理与电化学变化的强耦合的高度非线性的系统,其建模十分困难,因此对未来温度的开环估计很难做到准确无误。
目前,对电池未来温度的估计算法主要有机理模型法,有限元分析法,等效电路法,神经网络法等。其中机理模型法并不具有普适性,对每一种新电池都需要重新建模,而且建模过程复杂;有限元分析法计算量非常大,不适合嵌入式系统运行;等效电路法需要电路模型参数准确,而在不同温度下电路参数变化剧烈,难于测准;神经网络法对已有数据的拟合精度极高,但预测(泛化)性能差,不适合于对未来温度的开环估计。
发明内容
为了解决上述技术问题,本发明的目的是提供一种能减少计算量,且能提高准确率的基于融合极限学习机的电池未来温度预测方法及系统。
本发明所采取的技术方案是:
一种基于融合极限学习机的电池未来温度预测方法,包括训练步骤和预测步骤;
所述训练步骤包括:
A1、建立低精度电池模型;
A2、取N个低精度电池模型,其中N为正整数;
A3、将真实的实验数据输入至每个取出的低精度电池模型中,得到N个模型输出;
A4、将得到的N个模型输出线性映射到实测数据;
所述预测步骤包括:
B1、选取需要预测的电池未来温度所在的工况;
B2、将该工况的第一步分别输入到N个低精度电池模型中,得到N个第一步的模型输出;
B3、将N个模型输出通过线性映射得到结果数据并记录;
B4、将结果数据和该工况的下一步输入到N个低精度电池模型中,得到N个该步骤的电池模型输出;
B5、返回执行步骤B3,直到该工况的最后一步输入完毕,则得到所需预测工况下的电池未来温度。
作为所述的一种基于融合极限学习机的电池未来温度预测方法的进一步改进,所述的低精度电池模型包括但不限于一阶带延时的模型、高阶模型、电池电化学机理模型和神经网络模型。
作为所述的一种基于融合极限学习机的电池未来温度预测方法的进一步改进,所述步骤A2取的N个低精度电池模型,每个低精度电池模型的参数均是在预设的范围内随机选取。
作为所述的一种基于融合极限学习机的电池未来温度预测方法的进一步改进,所述步骤A4中线性映射的权重的计算方式包括但不限于最小二乘法。
作为所述的一种基于融合极限学习机的电池未来温度预测方法的进一步改进,所述的训练步骤可根据需要在线进行或离线进行。
本发明所采用的另一技术方案是:
一种基于融合极限学习机的电池未来温度预测系统,包括训练单元和预测单元;
所述训练单元包括:
模型建立单元,用于建立低精度电池模型;
模型选取单元,用于取N个低精度电池模型,其中N为正整数;
数据输入单元,用于将真实的实验数据输入至每个取出的低精度电池模型中,得到N个模型输出;
输出映射单元,用于将得到的N个模型输出线性映射到实测数据;
所述预测单元包括:
工况选取单元,用于选取需要预测的电池未来温度所在的工况;
第一步输入单元,用于将该工况的第一步分别输入到N个低精度电池模型中,得到N个第一步的模型输出;
结果映射单元,用于将N个模型输出通过线性映射得到结果数据并记录;
下一步输入单元,用于将结果数据和该工况的下一步输入到N个低精度电池模型中,得到N个该步骤的电池模型输出;
循环单元,用于返回执行结果映射单元,直到该工况的最后一步输入完毕,则得到所需预测工况下的电池未来温度。
作为所述的一种基于融合极限学习机的电池未来温度预测系统的进一步改进,所述的低精度电池模型包括但不限于一阶带延时的模型、高阶模型、电池电化学机理模型和神经网络模型。
作为所述的一种基于融合极限学习机的电池未来温度预测系统的进一步改进,所述模型选取单元取的N个低精度电池模型,每个低精度电池模型的参数均是在预设的范围内随机选取。
作为所述的一种基于融合极限学习机的电池未来温度预测系统的进一步改进,所述输出映射单元中线性映射的权重的计算方式包括但不限于最小二乘法。
作为所述的一种基于融合极限学习机的电池未来温度预测系统的进一步改进,所述的训练单元可根据需要在线进行或离线进行。
本发明的有益效果是:
本发明一种基于融合极限学习机的电池未来温度预测方法及系统通过训练步骤和预测步骤能以较低的计算代价实现高精度的电池未来温度预测,且能在预测过程大大减小对电池模型的依赖性。本发明可以有效预测电池未来温度变化情况,计算量不超过传统神经网络的10%,大大减少计算量。
附图说明
下面结合附图对本发明的具体实施方式作进一步说明:
图1是本发明一种基于融合极限学习机的电池未来温度预测方法中训练步骤的步骤流程图;
图2是本发明一种基于融合极限学习机的电池未来温度预测方法中预测步骤的步骤流程图;
图3是本发明一种基于融合极限学习机的电池未来温度预测系统中训练单元的模块方框图;
图4是本发明一种基于融合极限学习机的电池未来温度预测系统中预测单元的模块方框图。
具体实施方式
参考图1和图2,本发明一种基于融合极限学习机的电池未来温度预测方法,包括训练步骤和预测步骤;
所述训练步骤包括:
A1、建立低精度电池模型;
A2、取N个低精度电池模型,其中N为正整数;
A3、将真实的实验数据输入至每个取出的低精度电池模型中,得到N个模型输出;
A4、将得到的N个模型输出线性映射到实测数据;
所述预测步骤包括:
B1、选取需要预测的电池未来温度所在的工况;
B2、将该工况的第一步分别输入到N个低精度电池模型中,得到N个第一步的模型输出;
B3、将N个模型输出通过线性映射得到结果数据并记录;
B4、将结果数据和该工况的下一步输入到N个低精度电池模型中,得到N个该步骤的电池模型输出;
B5、返回执行步骤B3,直到该工况的最后一步输入完毕,则得到所需预测工况下的电池未来温度。
进一步作为优选的实施方式,所述的低精度电池模型包括但不限于一阶带延时的模型、高阶模型、电池电化学机理模型和神经网络模型。
进一步作为优选的实施方式,所述步骤A2取的N个低精度电池模型,每个低精度电池模型的参数均是在预设的范围内随机选取。
进一步作为优选的实施方式,所述步骤A4中线性映射的权重的计算方式包括但不限于最小二乘法。
进一步作为优选的实施方式,所述的训练步骤可根据需要在线进行或离线进行。本发明训练步骤可以在线进行,对环境变化反应迅速。
本发明具体实施例如下:
所述训练步骤包括:
S11、建立低精度电池模型,本实施例中采用一阶带延时模型;
其中是k时刻电池表面温度和环境温度的差,α是系统温度耗散参数取值(0.995,0.9999);β是系统热量产生参数,取(0.00005,0.001);γ用来区分充放电,放电时取1,充电时取值(0.3,3);delay表示温度和电流之间的延时,取值(0,100);
S12、取N个低精度电池模型,其中N为正整数,本实施例中N为25;
S13、将真实的实验数据输入至每个取出的低精度电池模型中,得到N个模型输出;
S14、将得到的N个模型输出线性映射到实测数据,本实施例中映射的方法采用在线递推最小二乘法;本实施例中的训练数据长度为500;
所述预测步骤包括:
S21、选取需要预测的电池未来温度所在的工况;
S22、将该工况的第一步分别输入到N个低精度电池模型中,得到N个第一步的模型输出,N=25;
S23、将N个模型输出通过线性映射得到结果数据并记录,其中线性映射的权重已经在训练步骤中被训练好;
S24、将结果数据和该工况的下一步输入到N个低精度电池模型中,得到N个该步骤的电池模型输出;
S25、返回执行步骤S23,直到该工况的最后一步输入完毕,则得到所需预测工况下的电池未来温度。
参考图3和图4,本发明一种基于融合极限学习机的电池未来温度预测系统,包括训练单元和预测单元;
所述训练单元包括:
模型建立单元,用于建立低精度电池模型;
模型选取单元,用于取N个低精度电池模型,其中N为正整数;
数据输入单元,用于将真实的实验数据输入至每个取出的低精度电池模型中,得到N个模型输出;
输出映射单元,用于将得到的N个模型输出线性映射到实测数据;
所述预测单元包括:
工况选取单元,用于选取需要预测的电池未来温度所在的工况;
第一步输入单元,用于将该工况的第一步分别输入到N个低精度电池模型中,得到N个第一步的模型输出;
结果映射单元,用于将N个模型输出通过线性映射得到结果数据并记录;
下一步输入单元,用于将结果数据和该工况的下一步输入到N个低精度电池模型中,得到N个该步骤的电池模型输出;
循环单元,用于返回执行结果映射单元,直到该工况的最后一步输入完毕,则得到所需预测工况下的电池未来温度。
进一步作为优选的实施方式,所述的低精度电池模型包括但不限于一阶带延时的模型、高阶模型、电池电化学机理模型和神经网络模型。
进一步作为优选的实施方式,所述模型选取单元取的N个低精度电池模型,每个低精度电池模型的参数均是在预设的范围内随机选取。
进一步作为优选的实施方式,所述输出映射单元中线性映射的权重的计算方式包括但不限于最小二乘法。
进一步作为优选的实施方式,所述的训练单元可根据需要在线进行或离线进行。
从上述内容可知,本发明一种基于融合极限学习机的电池未来温度预测方法及系统通过训练步骤和预测步骤能以较低的计算代价实现高精度的电池未来温度预测,且能在预测过程大大减小对电池模型的依赖性。本发明可以有效预测电池未来温度变化情况,计算量不超过传统神经网络的10%,大大减少计算量。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种基于融合极限学习机的电池未来温度预测方法,其特征在于,包括训练步骤和预测步骤;
所述训练步骤包括:
A1、建立低精度电池模型;
A2、取N个低精度电池模型,其中N为正整数;
A3、将真实的实验数据输入至每个取出的低精度电池模型中,得到N个模型输出;
A4、将得到的N个模型输出线性映射到实测数据;
所述预测步骤包括:
B1、选取需要预测的电池未来温度所在的工况;
B2、将该工况的第一步分别输入到N个低精度电池模型中,得到N个第一步的模型输出;
B3、将N个模型输出通过线性映射得到结果数据并记录;
B4、将结果数据和该工况的下一步输入到N个低精度电池模型中,得到N个该步骤的电池模型输出;
B5、返回执行步骤B3,直到该工况的最后一步输入完毕,则得到所需预测工况下的电池未来温度。
2.根据权利要求1所述的一种基于融合极限学习机的电池未来温度预测方法,其特征在于:所述的低精度电池模型包括但不限于一阶带延时的模型、高阶模型、电池电化学机理模型和神经网络模型。
3.根据权利要求1所述的一种基于融合极限学习机的电池未来温度预测方法,其特征在于:所述步骤A2取的N个低精度电池模型,每个低精度电池模型的参数均是在预设的范围内随机选取。
4.根据权利要求1所述的一种基于融合极限学习机的电池未来温度预测方法,其特征在于:所述步骤A4中线性映射的权重的计算方式包括但不限于最小二乘法。
5.根据权利要求1所述的一种基于融合极限学习机的电池未来温度预测方法,其特征在于:所述的训练步骤可根据需要在线进行或离线进行。
6.一种基于融合极限学习机的电池未来温度预测系统,其特征在于,包括训练单元和预测单元;
所述训练单元包括:
模型建立单元,用于建立低精度电池模型;
模型选取单元,用于取N个低精度电池模型,其中N为正整数;
数据输入单元,用于将真实的实验数据输入至每个取出的低精度电池模型中,得到N个模型输出;
输出映射单元,用于将得到的N个模型输出线性映射到实测数据;
所述预测单元包括:
工况选取单元,用于选取需要预测的电池未来温度所在的工况;
第一步输入单元,用于将该工况的第一步分别输入到N个低精度电池模型中,得到N个第一步的模型输出;
结果映射单元,用于将N个模型输出通过线性映射得到结果数据并记录;
下一步输入单元,用于将结果数据和该工况的下一步输入到N个低精度电池模型中,得到N个该步骤的电池模型输出;
循环单元,用于返回执行结果映射单元,直到该工况的最后一步输入完毕,则得到所需预测工况下的电池未来温度。
7.根据权利要求6所述的一种基于融合极限学习机的电池未来温度预测系统,其特征在于:所述的低精度电池模型包括但不限于一阶带延时的模型、高阶模型、电池电化学机理模型和神经网络模型。
8.根据权利要求6所述的一种基于融合极限学习机的电池未来温度预测系统,其特征在于:所述模型选取单元取的N个低精度电池模型,每个低精度电池模型的参数均是在预设的范围内随机选取。
9.根据权利要求6所述的一种基于融合极限学习机的电池未来温度预测系统,其特征在于:所述输出映射单元中线性映射的权重的计算方式包括但不限于最小二乘法。
10.根据权利要求6所述的一种基于融合极限学习机的电池未来温度预测系统,其特征在于:所述的训练单元可根据需要在线进行或离线进行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710475384.6A CN107392352B (zh) | 2017-06-21 | 2017-06-21 | 一种基于融合极限学习机的电池未来温度预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710475384.6A CN107392352B (zh) | 2017-06-21 | 2017-06-21 | 一种基于融合极限学习机的电池未来温度预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107392352A true CN107392352A (zh) | 2017-11-24 |
CN107392352B CN107392352B (zh) | 2020-10-23 |
Family
ID=60333614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710475384.6A Active CN107392352B (zh) | 2017-06-21 | 2017-06-21 | 一种基于融合极限学习机的电池未来温度预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107392352B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108089135A (zh) * | 2017-12-22 | 2018-05-29 | 广州市香港科大霍英东研究院 | 一种基于极限学习模型的电池状态预测系统及其实现方法 |
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 |
CN108734360A (zh) * | 2018-06-19 | 2018-11-02 | 哈尔滨工业大学 | 一种基于修正的elm预测模型多维遥测数据智能判读方法 |
CN109755683A (zh) * | 2018-12-04 | 2019-05-14 | 厦门大学 | 一种基于压缩感知理论的电池包内部温度实时监测方法 |
CN111823952A (zh) * | 2020-04-17 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 电芯温度的诊断方法、存储介质和电子设备 |
CN113283632A (zh) * | 2021-04-13 | 2021-08-20 | 湖南大学 | 一种电池早期故障预警方法、系统、装置及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881550A (zh) * | 2015-06-15 | 2015-09-02 | 清华大学 | 动力电池运行温度的自适应预测方法 |
US9201991B1 (en) * | 2015-01-23 | 2015-12-01 | Iteris, Inc. | Risk assessment of delayed harvest operations to achieve favorable crop moisture levels using field-level diagnosis and forecasting of weather conditions and observations and user input of harvest condition states |
CN105183994A (zh) * | 2015-09-10 | 2015-12-23 | 广西大学 | 一种基于改进的i-elm的动力电池soc预测方法及装置 |
US20160217231A1 (en) * | 2015-01-23 | 2016-07-28 | Iteris, Inc. | Modeling of crop growth for desired moisture content of bovine feedstuff and determination of harvest windows for high-moisture corn using field-level diagnosis and forecasting of weather conditions and observations and user input of harvest condition states |
CN106126944A (zh) * | 2016-06-28 | 2016-11-16 | 山东大学 | 一种电力变压器顶层油温区间预测方法及系统 |
CN106446494A (zh) * | 2016-05-11 | 2017-02-22 | 新疆大学 | 基于小波包‑神经网络的风光功率预测方法 |
CN106842050A (zh) * | 2017-01-24 | 2017-06-13 | 中国电力科学研究院 | 一种电池温度预测方法及装置 |
-
2017
- 2017-06-21 CN CN201710475384.6A patent/CN107392352B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9201991B1 (en) * | 2015-01-23 | 2015-12-01 | Iteris, Inc. | Risk assessment of delayed harvest operations to achieve favorable crop moisture levels using field-level diagnosis and forecasting of weather conditions and observations and user input of harvest condition states |
US20160217231A1 (en) * | 2015-01-23 | 2016-07-28 | Iteris, Inc. | Modeling of crop growth for desired moisture content of bovine feedstuff and determination of harvest windows for high-moisture corn using field-level diagnosis and forecasting of weather conditions and observations and user input of harvest condition states |
CN104881550A (zh) * | 2015-06-15 | 2015-09-02 | 清华大学 | 动力电池运行温度的自适应预测方法 |
CN105183994A (zh) * | 2015-09-10 | 2015-12-23 | 广西大学 | 一种基于改进的i-elm的动力电池soc预测方法及装置 |
CN106446494A (zh) * | 2016-05-11 | 2017-02-22 | 新疆大学 | 基于小波包‑神经网络的风光功率预测方法 |
CN106126944A (zh) * | 2016-06-28 | 2016-11-16 | 山东大学 | 一种电力变压器顶层油温区间预测方法及系统 |
CN106842050A (zh) * | 2017-01-24 | 2017-06-13 | 中国电力科学研究院 | 一种电池温度预测方法及装置 |
Non-Patent Citations (2)
Title |
---|
李爱莲 等: "《基于灰色关联分析的ELM高炉温度预测模型》", 《钢铁研究学报》 * |
邹伟东 等: "《基于改进型极限学习机的日光温室温湿度预测与验证》", 《农业工程学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108089135A (zh) * | 2017-12-22 | 2018-05-29 | 广州市香港科大霍英东研究院 | 一种基于极限学习模型的电池状态预测系统及其实现方法 |
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 |
CN108734360A (zh) * | 2018-06-19 | 2018-11-02 | 哈尔滨工业大学 | 一种基于修正的elm预测模型多维遥测数据智能判读方法 |
CN108734360B (zh) * | 2018-06-19 | 2021-09-07 | 哈尔滨工业大学 | 一种基于修正的elm预测模型多维遥测数据智能判读方法 |
CN109755683A (zh) * | 2018-12-04 | 2019-05-14 | 厦门大学 | 一种基于压缩感知理论的电池包内部温度实时监测方法 |
CN111823952A (zh) * | 2020-04-17 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 电芯温度的诊断方法、存储介质和电子设备 |
CN111823952B (zh) * | 2020-04-17 | 2022-07-05 | 北京嘀嘀无限科技发展有限公司 | 电芯温度的诊断方法、存储介质和电子设备 |
CN113283632A (zh) * | 2021-04-13 | 2021-08-20 | 湖南大学 | 一种电池早期故障预警方法、系统、装置及存储介质 |
CN113283632B (zh) * | 2021-04-13 | 2024-02-27 | 湖南大学 | 一种电池早期故障预警方法、系统、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107392352B (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107392352A (zh) | 一种基于融合极限学习机的电池未来温度预测方法及系统 | |
Park et al. | LSTM-based battery remaining useful life prediction with multi-channel charging profiles | |
Wang et al. | A comprehensive review of battery modeling and state estimation approaches for advanced battery management systems | |
CN110568359B (zh) | 一种锂电池剩余寿命预测方法 | |
CN107728072A (zh) | 一种锂离子电池循环寿命的快速预测方法 | |
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 | |
Liu et al. | Transfer learning for battery smarter state estimation and ageing prognostics: Recent progress, challenges, and prospects | |
CN107918103A (zh) | 一种基于灰色粒子滤波的锂离子电池剩余寿命预测方法 | |
CN111999648A (zh) | 一种基于长短期记忆网络的锂电池剩余寿命预测方法 | |
CN108089135A (zh) | 一种基于极限学习模型的电池状态预测系统及其实现方法 | |
CN110045292A (zh) | 基于大数据和bp神经网络的锂离子电池SOC预测方法 | |
KR20150022896A (ko) | 프로세싱 방법으로부터의 데이터에 따라 전력 상태를 결정하기 위한 장치 및 방법 | |
CN116933666B (zh) | 一种集装箱储能系统的热管理优化方法、系统及介质 | |
CN114137417B (zh) | 一种基于充电数据特征的电池内短路检测方法 | |
CN110303945A (zh) | 一种蓄电池组电量自适应优化平衡控制方法 | |
CN108205114A (zh) | 电池寿命的预测方法及系统 | |
CN107340476A (zh) | 电池的电气状态监测系统和电气状态监测方法 | |
CN113866659A (zh) | 一种基于机器学习和安时积分法的锂电池soh预测方法 | |
CN113191564A (zh) | 一种光伏功率预测方法、装置及服务器 | |
CN107219469A (zh) | 适用于无人机电池的续航电量预测方法 | |
CN114692965A (zh) | 基于数模混合驱动的电动汽车集群可调度潜力预测方法及装置 | |
CN110824375A (zh) | 一种退役蓄电池实际容量计算方法 | |
Chen et al. | State of health estimation for lithium-ion battery based on particle swarm optimization algorithm and extreme learning machine | |
CN107301266B (zh) | 一种磷酸铁锂电池loc估算方法和系统 | |
CN113721151B (zh) | 基于双塔深度学习网络的电池容量预估模型及方法 |
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 |