CN107918103A - 一种基于灰色粒子滤波的锂离子电池剩余寿命预测方法 - Google Patents
一种基于灰色粒子滤波的锂离子电池剩余寿命预测方法 Download PDFInfo
- Publication number
- CN107918103A CN107918103A CN201810009299.5A CN201810009299A CN107918103A CN 107918103 A CN107918103 A CN 107918103A CN 201810009299 A CN201810009299 A CN 201810009299A CN 107918103 A CN107918103 A CN 107918103A
- Authority
- CN
- China
- Prior art keywords
- mtd
- mrow
- msubsup
- mtr
- mover
- 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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
Abstract
本发明涉及一种基于灰色粒子滤波的锂离子电池剩余寿命预测方法，能够利用较少数据量进行老化建模，准确估计电池容量状态，提高电池寿命预测的准确度。包括步骤：首先提取预测所需的电池容量数据为样本数据输入到灰色预测模型，计算锂离子电池容量衰减的灰色发展系数a，并以此建立锂离子电池容量在老化过程中的状态转移方程和观测方程；然后利用粒子滤波算法跟踪并更新电池容量状态变化；最后在预测开始时，根据灰色发展系数，外推每个粒子容量随循环次数的变化值，根据每个粒子的权重预测电池剩余寿命并给出概率密度分布。
Description
技术领域：
本发明属于锂离子电池技术领域，更为具体地讲，是涉及一种锂离子电池的剩余寿命预测方法。
背景技术：
在全球面临能源和环境危机情况下，锂离子电池作为主要储能设备已被广泛应用于汽车工业，航天航空，电网储能等。锂离子电池正常运行及状态监控是系统稳定的保障，而电池剩余寿命正确预测是实现电池健康管理的一个关键因素，可大大降低系统故障发生几率。锂离子电池剩余寿命也称为循环寿命，是指电池从额定容量退化到无法维持设备工作或者退化到低于额定容量的70％或80％，即到达电池失效阈值时所经历的充放电循环数。
目前，在锂离子电池剩余寿命预测中，建立一个精度高、适应性强的电池寿命预测方法框架存在三个问题：(1)数据量少：表征电池寿命数据量(如锂离子电池的容量)随着电池老化而增加，因此在预测初期时较少。(2)老化建模复杂：由于锂离子电池退化过程是电池内部复杂电化学反应导致，锂离子电池模型通常呈现出时变、非线性特征，难以用准确数学模型表示，同时在退化过程易受到放电工况、环境温度等其它因素的影响。(3)预测的不确定性：在实际应用中，锂离子电池由于受到环境和负载工况影响，锂离子电池在退化过程中会存在局部波动的特性，而且在剩余寿命预测中单点预测结果信息量少，可信度底，不利于维修决策，因此预测结果具备有不确定表达式，带有置信区间等能包含更多锂离子电池退化过程的信息才能为锂离子电池监控、维护提供更为全面和合理的参考。
发明内容：
本发明的目的是针对上述背景技术的不足，提出一种基于灰色粒子滤波的锂离子电池剩余寿命预测方法，预测精度高。
本发明所提出的一种基于灰色粒子滤波的锂离子电池剩余寿命预测方法，包含如下步骤：
步骤1，建立锂离子电池循环寿命退化模型：
步骤1-1，提取预测所需的电池容量数据，进行预处理并剔除离群数据后作为样本数据S；
步骤1-2，将样本数据S作为灰色预测模型的输入数据序列，计算锂离子电池容量衰减的灰色发展系数a；
步骤1-3，建立锂离子电池容量在老化过程中的状态转移方程和观测方程:
状态转移方程:xk＝xk-1exp(-a)+υk
观测方程：yk＝xk+ωk
其中，xk为第k次充放电循环周期所对应的电池估算容量值；yk为第k次充放电循环周期所对应的电池真实容量值；υk为系统噪声；ωk为观测噪声；
步骤2，利用粒子滤波算法跟踪电池容量变化：
步骤2-1，初始化粒子滤波算法，设定相关参数；
步骤2-2，初始化粒子集，k＝0时，由初始概率分布随机产生粒子集；
步骤2-3，选取重要分布函数，计算当前时刻粒子权重，更新并归一化当前时刻粒子权重。由归一化的当前时刻粒子权重得到有效粒子数，当有效粒子数小于粒子数目阀值时，执行重采样，得到重采样后的粒子集及权重。输出当前时刻电池容量更新值；
步骤2-4，进入下一采样时刻，重复步骤2-2至步骤2-3。根据状态空间模型对容量状态进行迭代更新，同时粒子分布不断更新，使得粒子分布不断趋近电池老化真实状态；
步骤3，在预测开始时，根据灰色发展系数a进行递推预测，直到每个粒子容量到达设定的阈值，最后根据每个粒子的权重计算预测循环数并给出电池预测剩余寿命的PDF(Probability density function)分布。
上述步骤1-2中锂离子电池容量衰减的灰色发展系数a利用灰色模型获得，计算方法如下：
步骤①，将样本数据S中的电池真实容量值数据构成序列X(0)，则X(0)可表示为：
步骤②，对序列X(0)进行1-AGO(1-accumulating generation operation)变换得到序列X(1)，则X(1)可表示为：其中
步骤③，在1-AGO变换的基础上，采用线性动态模型进行逼近得GM(1,1)的一阶方程式表达式为：
步骤④，利用最小二乘法方程式求解出中a值：
其中B和YN表达式为：
上述步骤1-2中灰色预测模型可为GM(1,1)模型、Verhulst GM(1,1)模型、新陈代谢灰色模型中的任意一种灰色预测模型。
本发明采用上述技术方案，具有如下有益效果：
1、本发明采用灰色预测模型建模，能解决离子电池容量退化过程中可用数据量少、老化模型建立复杂问题。
2、本发明将灰色老化模型融合到粒子滤波算法中，构建一种灰色粒子滤波框架，能够准确预测电池剩余寿命。
3、本发明所提方法对不同电池，在不同老化阶段都取得良好的预测性能，能够满足实际应用中预测需求。
附图说明
附图1为一种基于灰色粒子滤波的锂离子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实施方式进作详细说明。
本发明基于灰色粒子滤波的锂离子电池剩余寿命预测方法，如图1所示包含如下步骤：
步骤1，建立锂离子电池循环寿命退化模型：
步骤1-1，提取预测所需的电池容量数据，进行预处理并剔除离群数据后作为样本数据S；步骤1-2，将样本数据S作为灰色预测模型的输入数据序列，计算锂离子电池容量衰减的灰色发展系数a，计算方法如下：
步骤①，将样本数据S中的电池真实容量值数据构成序列X(0)，则X(0)可表示为：
步骤②，对序列X(0)进行1-AGO(1-accumulating generation operation)变换得到序列X(1)，则X(1)可表示为：其中
步骤③，在1-AGO变换的基础上，采用线性动态模型进行逼近得GM(1,1)的一阶方程式表达式为：
步骤④，利用最小二乘法方程式求解出中a值：
其中B和YN表达式为：
步骤1-3，建立锂离子电池容量在老化过程中的状态转移方程和观测方程:
状态转移方程:xk＝xk-1exp(-a)+υk
观测方程：yk＝xk+ωk
其中，xk为第k次充放电循环周期所对应的电池估算容量值；yk为第k次充放电循环周期所对应的电池真实容量值；υk为系统噪声；ωk为观测噪声；
步骤2，利用粒子滤波算法跟踪电池容量变化：
步骤2-1，初始化粒子滤波算法，设定相关参数(包含但不限于)：
(1)粒子数目；
(2)状态方程中系统噪声和观测噪声；
(3)电池循环寿命截止容量阈值；
步骤2-2，初始化粒子集，由初始概率分布随机产生粒子集，当k＝0时，粒子权重相等
步骤2-3，选取重要分布函数计算当前时刻粒子权重更新并归一化当前时刻粒子权重由归一化的当前时刻粒子权重计算有效粒子数当Nthres为设定的粒子数目阀值，执行重采样，得到重采样后的粒子集及权重。输出当前时刻电池容量更新值
步骤2-4，进入下一采样时刻k＝k+1，重复步骤2-2至步骤2-3。根据状态空间模型对容量状态进行迭代更新，同时粒子分布不断更新，使得粒子分布不断趋近电池老化真实状态。
步骤3，在预测开始时，根据灰色发展系数a进行递推预测，直到每个粒子容量到达设定的阈值，最后根据每个粒子的权重预测电池剩余寿命并给出概率密度分布。
最后说明的是以上所述实施例仅表达本发明的一种实施方式，其描述较为具体和详细。所述内容仅为本专利较佳实施例，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干均等变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (3)
1.一种基于灰色粒子滤波的锂离子电池剩余寿命预测方法，其特征在于，包括以下步骤：
步骤1，建立锂离子电池循环寿命退化模型：
步骤1-1，提取预测所需的电池容量数据，进行预处理并剔除离群数据后作为样本数据S；
步骤1-2，将样本数据S作为灰色预测模型的输入数据序列，计算锂离子电池容量衰减的灰色发展系数a；
步骤1-3，建立锂离子电池容量在老化过程中的状态转移方程和观测方程:
状态转移方程:xk＝xk-1exp(-a)+υk
观测方程：yk＝xk+ωk
其中，xk为第k次充放电循环周期所对应的电池估算容量值；yk为第k次充放电循环周期所对应的电池真实容量值；υk为系统噪声；ωk为观测噪声；
步骤2，利用粒子滤波算法跟踪电池容量变化：
步骤2-1，初始化粒子滤波算法，设定相关参数；
步骤2-2，初始化粒子集，k＝0时，由初始概率分布随机产生粒子集；
步骤2-3，选取重要分布函数，计算当前时刻粒子权重，更新并归一化当前时刻粒子权重。由归一化的当前时刻粒子权重得到有效粒子数，当有效粒子数小于粒子数目阀值时，执行重采样，得到重采样后的粒子集及权重。输出当前时刻电池容量更新值；
步骤2-4，进入下一采样时刻，重复步骤2-2至步骤2-3。根据状态空间模型对容量状态进行迭代更新，同时粒子分布不断更新，使得粒子分布不断趋近电池老化真实状态；
步骤3，在预测开始时，根据灰色发展系数a进行递推预测，直到每个粒子容量到达设定的阈值，最后根据每个粒子的权重计算预测循环数并给出电池预测剩余寿命的概率密度分布。
2.根据权利要求书1所述的一种基于灰色粒子滤波的锂离子电池剩余寿命预测方法，其特征在于，所述步骤1-2中的锂离子电池容量衰减的灰色发展系数a利用灰色模型获得，计算方法如下：
步骤①，将样本数据S中的电池真实容量值数据构成序列X(0)，则X(0)可表示为：
步骤②，对序列X(0)进行1-AGO(1-accumulating generation operation)变换得到序列X(1)，则X(1)可表示为：其中
步骤③，在1-AGO变换的基础上，采用线性动态模型进行逼近得GM(1,1)的一阶方程式表达式为：
步骤④，利用最小二乘法方程式求解出中a值：
其中B和YN表达式为：
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>B</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>&lsqb;</mo>
<msubsup>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mn>1</mn>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msubsup>
<mo>+</mo>
<msubsup>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msubsup>
<mo>&rsqb;</mo>
</mrow>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>&lsqb;</mo>
<msubsup>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msubsup>
<mo>+</mo>
<msubsup>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mn>3</mn>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msubsup>
<mo>&rsqb;</mo>
</mrow>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>&lsqb;</mo>
<msubsup>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>S</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msubsup>
<mo>+</mo>
<msubsup>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msubsup>
<mo>&rsqb;</mo>
</mrow>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>Y</mi>
<mi>N</mi>
</msub>
<mo>=</mo>
<msup>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msubsup>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mn>3</mn>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</msubsup>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msubsup>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</msubsup>
</mtd>
</mtr>
</mtable>
</mfenced>
<mi>T</mi>
</msup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
3.根据权利要求2所述的一种基于灰色粒子滤波的锂离子电池剩余寿命预测方法，其特征在于，所述灰色预测模型可为GM(1,1)模型、Verhulst GM(1,1)模型、新陈代谢灰色模型中的任意一种灰色预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810009299.5A CN107918103B (zh) | 2018-01-05 | 2018-01-05 | 一种基于灰色粒子滤波的锂离子电池剩余寿命预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810009299.5A CN107918103B (zh) | 2018-01-05 | 2018-01-05 | 一种基于灰色粒子滤波的锂离子电池剩余寿命预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107918103A true CN107918103A (zh) | 2018-04-17 |
| CN107918103B CN107918103B (zh) | 2023-06-09 |
Family
ID=61894577
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810009299.5A Active CN107918103B (zh) | 2018-01-05 | 2018-01-05 | 一种基于灰色粒子滤波的锂离子电池剩余寿命预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107918103B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108445421A (zh) * | 2018-06-06 | 2018-08-24 | 哈尔滨工业大学 | 一种面向空间应用的锂离子电池健康状态在线估计方法 |
| CN109633474A (zh) * | 2018-11-14 | 2019-04-16 | 江苏大学 | 一种锂离子电池剩余寿命预测方法 |
| CN110187290A (zh) * | 2019-06-27 | 2019-08-30 | 重庆大学 | 一种基于融合型算法的锂离子电池剩余寿命预测方法 |
| CN110310714A (zh) * | 2019-06-14 | 2019-10-08 | 中北大学 | 一种燃煤电站脱硝催化剂剩余寿命预测方法 |
| CN111044926A (zh) * | 2019-12-16 | 2020-04-21 | 北京航天智造科技发展有限公司 | 质子交换膜燃料电池寿命预测方法 |
| CN111160666A (zh) * | 2020-01-02 | 2020-05-15 | 西北工业大学 | 强噪声与非周期状态监测的健康状态与可靠性评估方法 |
| CN111413621A (zh) * | 2020-04-03 | 2020-07-14 | 重庆大学 | 一种基于迭代学习的锂电池老化速率估计方法 |
| CN111707957A (zh) * | 2020-04-23 | 2020-09-25 | 北京邮电大学 | 电动汽车电池残值估算方法及装置 |
| CN113465953A (zh) * | 2021-07-26 | 2021-10-01 | 北京交通大学 | 动车组传动系统故障预测与健康管理装置及其使用方法 |
| CN114236414A (zh) * | 2021-12-16 | 2022-03-25 | 上海交通大学 | 基于kcc-pf算法的卫星锂电池寿命预测方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102608510A (zh) * | 2012-01-19 | 2012-07-25 | 上海交通大学 | 晶体硅太阳电池少子寿命的快速测定方法 |
| CN102624065A (zh) * | 2012-04-27 | 2012-08-01 | 广西大学 | 一种车用动力电池组充放电控制电路 |
| CN103033761A (zh) * | 2012-12-17 | 2013-04-10 | 哈尔滨工业大学 | 动态灰色相关向量机的锂离子电池剩余寿命预测方法 |
| CN103336248A (zh) * | 2013-07-25 | 2013-10-02 | 哈尔滨工业大学 | 基于电池退化状态模型的锂离子电池循环寿命预测方法 |
| EP2648011A1 (en) * | 2012-04-05 | 2013-10-09 | Samsung SDI Co., Ltd. | System for predicting lifetime of battery |
| CN103983919A (zh) * | 2014-05-28 | 2014-08-13 | 山东大学 | 一种基于gm（1，n）灰色模型的电池寿命预测方法 |
| CN104753135A (zh) * | 2015-03-27 | 2015-07-01 | 广西大学 | 基于能量在线估计的蓄电池充电控制器及其控制方法 |
| CN105445671A (zh) * | 2015-12-29 | 2016-03-30 | 北京航天测控技术有限公司 | 一种基于无迹粒子滤波的锂离子电池寿命预测方法 |
-
2018
- 2018-01-05 CN CN201810009299.5A patent/CN107918103B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102608510A (zh) * | 2012-01-19 | 2012-07-25 | 上海交通大学 | 晶体硅太阳电池少子寿命的快速测定方法 |
| EP2648011A1 (en) * | 2012-04-05 | 2013-10-09 | Samsung SDI Co., Ltd. | System for predicting lifetime of battery |
| CN102624065A (zh) * | 2012-04-27 | 2012-08-01 | 广西大学 | 一种车用动力电池组充放电控制电路 |
| CN103033761A (zh) * | 2012-12-17 | 2013-04-10 | 哈尔滨工业大学 | 动态灰色相关向量机的锂离子电池剩余寿命预测方法 |
| CN103336248A (zh) * | 2013-07-25 | 2013-10-02 | 哈尔滨工业大学 | 基于电池退化状态模型的锂离子电池循环寿命预测方法 |
| CN103983919A (zh) * | 2014-05-28 | 2014-08-13 | 山东大学 | 一种基于gm（1，n）灰色模型的电池寿命预测方法 |
| CN104753135A (zh) * | 2015-03-27 | 2015-07-01 | 广西大学 | 基于能量在线估计的蓄电池充电控制器及其控制方法 |
| CN105445671A (zh) * | 2015-12-29 | 2016-03-30 | 北京航天测控技术有限公司 | 一种基于无迹粒子滤波的锂离子电池寿命预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| DONG ZHOU 等: "On-Line Remaining Useful Life Prediction of Lithium-Ion Batteries Based on the Optimized Gray Model GM(1,1)", 《BATTERIES》 * |
| WANG TONG 等: "Cycle life prediction for lithium-ion battery based on GM(1, N) grey model", 《2015 34TH CHINESE CONTROL CONFERENCE》 * |
| 邹峰: "锂离子电池健康状态评估及剩余使用寿命预测技术研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108445421A (zh) * | 2018-06-06 | 2018-08-24 | 哈尔滨工业大学 | 一种面向空间应用的锂离子电池健康状态在线估计方法 |
| CN109633474A (zh) * | 2018-11-14 | 2019-04-16 | 江苏大学 | 一种锂离子电池剩余寿命预测方法 |
| CN109633474B (zh) * | 2018-11-14 | 2021-09-10 | 江苏大学 | 一种锂离子电池剩余寿命预测方法 |
| CN110310714A (zh) * | 2019-06-14 | 2019-10-08 | 中北大学 | 一种燃煤电站脱硝催化剂剩余寿命预测方法 |
| CN110187290A (zh) * | 2019-06-27 | 2019-08-30 | 重庆大学 | 一种基于融合型算法的锂离子电池剩余寿命预测方法 |
| CN111044926A (zh) * | 2019-12-16 | 2020-04-21 | 北京航天智造科技发展有限公司 | 质子交换膜燃料电池寿命预测方法 |
| CN111160666A (zh) * | 2020-01-02 | 2020-05-15 | 西北工业大学 | 强噪声与非周期状态监测的健康状态与可靠性评估方法 |
| CN111413621A (zh) * | 2020-04-03 | 2020-07-14 | 重庆大学 | 一种基于迭代学习的锂电池老化速率估计方法 |
| CN111707957A (zh) * | 2020-04-23 | 2020-09-25 | 北京邮电大学 | 电动汽车电池残值估算方法及装置 |
| CN113465953A (zh) * | 2021-07-26 | 2021-10-01 | 北京交通大学 | 动车组传动系统故障预测与健康管理装置及其使用方法 |
| CN114236414A (zh) * | 2021-12-16 | 2022-03-25 | 上海交通大学 | 基于kcc-pf算法的卫星锂电池寿命预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107918103B (zh) | 2023-06-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN107957562A (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
| Maheshwari et al. | Optimizing the operation of energy storage using a non-linear lithium-ion battery degradation model | |
| Dai et al. | A novel estimation method for the state of health of lithium-ion battery using prior knowledge-based neural network and Markov chain | |
| Hu et al. | A review of second-life lithium-ion batteries for stationary energy storage applications | |
| Shi et al. | Battery health management using physics-informed machine learning: Online degradation modeling and remaining useful life prediction | |
| CN105277896B (zh) | 基于elm‑mukf的锂电池剩余寿命预测方法 | |
| Ghorbanzadeh et al. | Long-term degradation based analysis for lithium-ion batteries in off-grid wind-battery renewable energy systems | |
| CN106383316A (zh) | 一种梯次利用锂电池性能评价方法 | |
| Haris et al. | Degradation curve prediction of lithium-ion batteries based on knee point detection algorithm and convolutional neural network | |
| CN103679282B (zh) | 风电功率爬坡的预测方法 | |
| CN105629175A (zh) | 一种基于无迹卡尔曼滤波的锂离子电池寿命预测方法 | |
| CN112103980A (zh) | 一种联合火电机组agc调频的混合储能系统能量管理方法 | |
| CN112949060A (zh) | 一种时变温度下的锂电池健康状态估计与剩余寿命预测方法 | |
| CN104680024A (zh) | 基于ga和arma模型的锂离子电池剩余使用寿命预测方法 | |
| CN107340476A (zh) | 电池的电气状态监测系统和电气状态监测方法 | |
| CN109342949A (zh) | 充电过程中锂离子动力电池剩余寿命在线预测方法 | |
| 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 | |
| Xiao et al. | A comprehensive review of the lithium-ion battery state of health prognosis methods combining aging mechanism analysis | |
| Zhao et al. | The li-ion battery state of charge prediction of electric vehicle using deep neural network | |
| Liang et al. | Evaluation of battery modules state for electric vehicle using artificial neural network and experimental validation | |
| Liu et al. | An online SOH estimation method based on the fusion of improved ICA and LSTM | |
| Zhang et al. | Improved particle swarm optimization-extreme learning machine modeling strategies for the accurate lithium-ion battery state of health estimation and high-adaptability remaining useful life prediction | |
| Zou et al. | Advancements in Artificial Neural Networks for health management of energy storage lithium-ion batteries: A comprehensive review | |
| Xu et al. | Safety warning analysis for power battery packs in electric vehicles with running data |
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 |