CN108872869B - 一种基于bp神经网络的锂离子电池劣化分类方法 - Google Patents
一种基于bp神经网络的锂离子电池劣化分类方法 Download PDFInfo
- Publication number
- CN108872869B CN108872869B CN201810612307.5A CN201810612307A CN108872869B CN 108872869 B CN108872869 B CN 108872869B CN 201810612307 A CN201810612307 A CN 201810612307A CN 108872869 B CN108872869 B CN 108872869B
- Authority
- CN
- China
- Prior art keywords
- lithium ion
- ion battery
- neural network
- degradation
- sample
- 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
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 84
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 83
- 230000015556 catabolic process Effects 0.000 title claims abstract description 47
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000032683 aging Effects 0.000 claims abstract description 29
- 238000003062 neural network model Methods 0.000 claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 10
- 238000002474 experimental method Methods 0.000 claims description 9
- 125000004122 cyclic group Chemical group 0.000 claims description 8
- 230000006866 deterioration Effects 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000012886 linear function Methods 0.000 claims description 3
- 230000022131 cell cycle Effects 0.000 claims 1
- 238000012854 evaluation process Methods 0.000 claims 1
- 210000004027 cell Anatomy 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了一种基于BP神经网络的锂离子电池劣化分类方法，通过在线采集锂离子电池的等效内阻，从而在线判断锂离子电池的劣化等级，能够实时监测锂离子电池的老化状态；通过BP神经网络模型的运算，可在不需要了解锂离子电池内部特性的情况下，仅通过锂离子电池所表现的外部特性便可进行老化状态的监测，可操作性强。
Description
技术领域
本发明涉及一种基于BP神经网络的锂离子电池劣化分类方法。
背景技术
锂离子电池由于其能量密度高、循环寿命长、安全性高等特点，被广泛应用于电动汽车领域。随着锂离子电池在使用过程中循环次数的增加，其各方面外部特性会出现老化状态，如有效容量减少、充放电内阻增大等。电池管理系统通过对锂离子电池进行状态分析，评估电池老化程度。通过检测电池的有效容量可获得其老化情况，然而在线电池很难在使用过程中进行满充满放操作。而线下老化检测使得用户无法随时掌握电池的老化情况，从而判断电池是否该维护或者更换，以保持电池包性能与保证电动汽车的安全性。
发明内容
针对上述现有技术的不足，本发明提供了一种基于BP神经网络的锂离子电池劣化分类方法，通过在线获取锂离子电池内阻值，然后输入到BP神经网络模型，从而实时计算获得锂离子电池的老化状态。
本发明是这样来实现上述目的：
一种基于BP神经网络的锂离子电池劣化分类方法，包括以下步骤：
a.抽取一定样本的锂离子电池，并对这些样本的锂离子电池进行循环老化实验后进行评测，获取等效直流内阻谱与有效容量；
b.根据上述样本的锂离子电池循环老化试验后的有效容量建立划分锂离子电池划分劣化等级的标准；
c.对锂离子电池的构建BP神经网络模型；
d.通过锂离子电池模型计算获得测锂离子电池在充电过程中的样本参数，将样本参数输入上述BP神经网络模型后运算获取待测锂离子电池的劣化等级。
其中，所述步骤a中对样本的锂离子电池进行循环老化实验的具体步骤包括：
a1.分别设定每个锂离子电池样本在循环老化实验中的温度T与充放电倍率C；
a2.对每个锂离子电池样本进行的循环老化实验；
a3.每循环一定次数后对锂离子电池进行一次评测，获得锂离子电池的有效容量Cn、充电等效内阻以及评测过程中累计充电电量Qcum；
a4.重复步骤a2及a3，直至当锂离子电池的Cn/C0小于0.7后，停止该电池的循环老化测试，其中C0为该锂离子电池的标称容量；
a5. 根据锂离子电池评测得到的数据，建立在不同温度T与充放电倍率C条件下，Qcum/C0与充电等效内阻的关系曲线，形成等效直流内阻谱。
其中，所述步骤b中锂离子电池划分劣化等级的标准为，当Cn/C0＞0.9时，为一级劣化L1；当0.8＜Cn/C0≤0.9时，为二级劣化L2；当0.7＜Cn/C0≤0.8时，为三级劣化L3；当Cn/C0≤0.7时，为四级劣化L4；当锂离子电池达到四级劣化L4时，该锂离子电池的参数不参与构建BP神经网络模型。
其中，所述步骤c的BP神经网络模型包含输入层、隐含层与输出层；其中，输入层有5个神经元X=（T，C，R0.3，R0.5，R0.7），隐含层有10个神经元Q=(q1，q2，…q10)，输出层有3个神经元Y=(L1，L2，L3)，锂离子电池的劣化等级为L=max(L1，L2，L3)，隐含层输出向量为QO=(qO1，qO2，…qO10)，输出层输入向量为YI=(yI1，yI2，yI3)，输出层输出向量为YO=(yO1，yO2， yO3)，输入层与隐含层之间的连接权值向量为W=(w1，w2，…w5)，隐含层与输出层之间的连接权值向量为V=(v1，v2，…v10)；；上述R0.3、R0.5、R0.7分别为Qcum/C0为0.3、0.5以及0.7下的充电等效内阻。
其中，所述步骤d中，将样本参数输入BP神经网络模型进行运算的步骤为，所述样本参数为T，C，R0.3，R0.5，R0.7，将样本参数代入至BP神经网络模型的输入层的5个神经元X，选定隐含层及输出层的激活函数，初始化连接权值向量为W、V，BP神经网络模型进行运算，并计算获得当前误差为ε；当前误差大于设定的全局误差E时，对权值向量W、V进行更新并再次进行BP神经网络模型进行运算，直至当前误差小于设定的全局误差E或者BP神经网络的运算次数大于设定值，则神经网络学习结束。
其中，所述隐含层的激活函数为s型的对数函数logsig函数；输出层的激活函数为线性函数purelin函数。
其中，所述全局误差为
，其中，Y为BP神经网络模型的期望输
出值，R为BP神经网络模型的实际输出值。
本发明的有益效果：可在线采集锂离子电池的等效内阻，从而在线判断锂离子电池的劣化等级，能够实时监测锂离子电池的老化状态；通过BP神经网络模型的运算，可在不需要了解锂离子电池内部特性的情况下，仅通过锂离子电池所表现的外部特性便可进行老化状态的监测，可操作性强。
附图说明
下面结合附图对本发明进一步说明：
图1是本发明的整体流程图；
图2是锂离子电池的内阻谱；
图3是构建BP神经网络模型流程图。
具体实施方式
结合具体的实施方式对本方面作进一步的说明。
本发明提供的一种基于BP神经网络的锂离子电池劣化分类方法,整体流程图如图1所示。
首先，对锂离子电池进行循环老化实验，获取等效直流内阻谱与有效容量。
在进行循环老化实验时，要控制温度条件以及充放电倍率条件。温度条件可设置有0℃、10℃、20℃、30℃、40℃与50℃；充放电倍率可设置有0.5C、1C、2C与3C。温度与充放电倍率两两组合，共组成24种不同的实验条件。
在进行循环老化实验过程中，每隔一定循环次数就要对电池进行容量评测、充电内阻评测，得到电池有效容量值Cn、充电等效内阻曲线。
其中容量评测为：先将电池以0.5C的电流大倍率恒流放电，当电压为2.2V时候，搁置一段时间后改为0.1C的倍率恒压放电，当电流小于0.033C时候，结束放电，搁置一段时间，接着以0.5C倍率恒流充电，当电压为3.6V时候，搁置一段时间后改为0.1C的倍率恒压充电，当电流小于0.033C时候，结束充电。那么，在充电过程中，电池充入的总电量为电池的有效容量Cn。
Id(τ)为充电过程中所监测到的实时电流的大小。
其中充电内阻评测为：
a、将锂离子电池放空；
b、搁置3600秒；
c、以0.5C的倍率向电池充电，充电300秒；若300秒内电池电压高于3.6V，进入步骤e，否则进入步骤d；
d、搁置3600秒；
e、用0.01C的倍率想电池充电，充电300秒；若300秒内电池电压高于3.6V，进入步骤d，否则进入步骤f；
f、将电池搁置600秒；
g、测试结束。
将步骤c最后一秒（例如300秒，4200秒，8100秒……）的充电电压即为工作电压Ucn（n=1，2,3……），将每次步骤d最后一秒（例如第3900秒，第7800秒，第11700秒……）的充电电压即为充电开路电压Uocvcn（n=1,2,3……），用以下公式可得等效充电内阻：
累计充电电量为：
其中，Icn为充电过程中所监测到的实时电流的大小，tcn表示充电所需的时间。
当Cn/C0小于0.7时，即可结束循环老化测试。因为锂离子电池Cn/C0小于0.7时候，其已不适合在电动汽车上使用。C0为标称容量。
在进行循环老化测试时候，可对电池划分劣化等级L。使用有效容量Cn与实际容量C0的比值Cn/C0作为锂离子电池劣化等级划分的依据。当Cn/C0＞0.9时，为一级劣化L1；当0.8＜Cn/C0≤0.9时，为二级劣化L2；当0.7＜Cn/C0≤0.8时，为三级劣化L3；当Cn/C0≤0.7时，电池为四级劣化L4。当电动汽车上的锂离子电池出现0.7＜Cn/C0≤0.8情况时，可考虑替换该电池，故四级劣化的电池不参与神经网络建模。
当循环老化测试结束时候，可得到图2所示的内阻谱。
其次，根据精度需求，构建合适的BP神经网络模型，如图3所示。
（1）建立神经元模型。BP神经网络包含输入层、隐含层与输出层，设输入层有i个神经元X=(x1,x2,…xi)，隐含层有j个神经元Q=(q1,q2,…qj)，输出层有k个神经元Y=(y1,y2,…yk)。其中，隐含层输入向量为QI=(qI1,qI2,…qIj)，隐含层输出向量为QO=(qO1,qO2,…qOj),输出层输入向量为YI=(yI1,yI2,…yIk)，输出层输出向量为YO=(yO1,yO2,…yOk)，输入层与隐含层之间的连接权值向量为W=(w1,w2,…wi)，隐含层与输出层之间的连接权值向量为V=(v1,v2,…vj)，激活函数为f(net)。
（2）为神经网络中的隐含层与输出层选择合适的激活函数。其中，隐含层的激活函数选择s型的对数函数logsig函数；输出层的激活函数选择线性函数purelin函数。
（3）对神经网络进行初始化。初始化输入层、隐含层与输出层的节点数为i、j、k；初始化权值为W、V；初始化最大迭代次数为Num，学习速率为η，误差为ε。神经网络的训练函数调用Matlab自带的traingdx函数。
（4）对神经网络的权值W、V进行更新。BP神经网络通过误差反向传播，实现对权值W和V的更新。
（5）计算神经网络的全局误差E并判断神经网络学习是否结束。如果E＜ε，或者学习次数大于设定值，则神经网络学习结束，否则进行下一轮学习。
（6）在训练神经网络前，应对输入样本进行处理。取Qcum/C0为0.3、0.5与0.7所对应的内阻值R0.3、R0.5、R0.7以及锂离子电池测试温度和充放电倍率作为BP神经网络的输入，劣化等级作为输出训练BP神经网络。利用Matlab自带的premnnex函数对输入与输出量进行归一化处理，使输入输出变量的范围在[-1,1]之间。
最后，根据式（1）～式（8），获取待测锂离子电池的在线充电样本参数。
锂离子电池模型使用下面所示的三阶等效电路模型：
其中，k为采样时刻， 
为第K时刻的充电电流， 
为第k时刻的荷电状态， 
为第k-1时刻的电流， 
为电池容量， 
、 
、 
、 
为欧姆内阻与三个极化电
阻的分压， 
、 
、 
、 
、 
、 
、 
为电池的模型参数。
通过三阶等效电路模型可得等效内阻为
其中， 
为第k时刻的开路电压。
通过电荷累积法
可得t2时刻的Qcum/C0为
其中，Qini为充电前的锂离子电池电量。
将样本数据输入经过训练的BP神经网络模型后，即可得知该电池的劣化等级。
Claims (7)
1.一种基于BP神经网络的锂离子电池劣化分类方法，其特征在于包括以下步骤：
a.抽取一定样本的锂离子电池，并对这些样本的锂离子电池进行循环老化实验后进行评测，获取等效直流内阻谱与有效容量；在充电过程中，电池充入的总电量为电池的有效容量；所述等效直流内阻谱是根据锂离子电池评测得到的数据，建立在不同温度T与充放电倍率C条件下，Qcum/C0与充电等效内阻的关系曲线；其中，Qcum为评测过程中累计充电电量，C0为该锂离子电池的标称容量；
b.根据上述样本的锂离子电池循环老化实验 后的有效容量建立划分锂离子电池划分劣化等级的标准；
c.对锂离子电池的构建BP神经网络模型；
d.通过锂离子电池模型计算获得待测锂离子电池在充电过程中的样本参数，将样本参数输入上述BP神经网络模型后运算获取待测锂离子电池的劣化等级；其中，所述样本参数为T，C，R0.3，R0.5，R0.7，上述R0.3、R0.5、R0.7分别为Qcum/C0为0.3、0.5以及0.7下的充电等效内阻。
2.根据权利要求1所述的一种基于BP神经网络的锂离子电池劣化分类方法，其特征在于：所述步骤a中对样本的锂离子电池进行循环老化实验的具体步骤包括：
a1.分别设定每个锂离子电池样本在循环老化实验中的温度T与充放电倍率C；
a2.对每个锂离子电池样本进行的循环老化实验；
a3.每循环一定次数后对锂离子电池进行一次评测，获得锂离子电池的有效容量Cn、充电等效内阻以及评测过程中累计充电电量Qcum；
a4.重复步骤a2及a3，直至当锂离子电池的Cn/C0小于0.7后，停止该电池的循环老化测试，其中C0为该锂离子电池的标称容量；
a5. 根据锂离子电池评测得到的数据，建立在不同温度T与充放电倍率C条件下，Qcum/C0与充电等效内阻的关系曲线，形成等效直流内阻谱。
3.根据权利要求2所述的一种基于BP神经网络的锂离子电池劣化分类方法，其特征在于：所述步骤b中锂离子电池划分劣化等级的标准为，当Cn/C0＞0.9时，为一级劣化L1；当0.8＜Cn/C0≤0.9时，为二级劣化L2；当0.7＜Cn/C0≤0.8时，为三级劣化L3；当Cn/C0≤0.7时，为四级劣化L4；当锂离子电池达到四级劣化L4时，该锂离子电池的参数不参与构建BP神经网络模型。
4.根据权利要求3所述的一种基于BP神经网络的锂离子电池劣化分类方法，其特征在于：所述步骤c的BP神经网络模型包含输入层、隐含层与输出层；其中，输入层有5个神经元X=（T，C，R0.3，R0.5，R0.7），隐含层有10个神经元Q=(q1，q2，…q10)，输出层有3个神经元Y=(L1，L2，L3)，锂离子电池的劣化等级为L=max(L1，L2，L3)，隐含层输出向量为QO=(qO1，qO2，…qO10)，输出层输入向量为YI=(yI1，yI2，yI3)，输出层输出向量为YO=(yO1，yO2，yO3)，输入层与隐含层之间的连接权值向量为W=(w1，w2，…w5)，隐含层与输出层之间的连接权值向量为V=(v1，v2，…v10)；上述R0.3、R0.5、R0.7分别为Qcum/C0为0.3、0.5以及0.7下的充电等效内阻。
5.根据权利要求4所述的一种基于BP神经网络的锂离子电池劣化分类方法，其特征在于：所述步骤d中，将样本参数输入BP神经网络模型进行运算的步骤为，所述样本参数为T，C，R0.3，R0.5，R0.7，将样本参数代入至BP神经网络模型的输入层的5个神经元X，选定隐含层及输出层的激活函数，初始化连接权值向量为W、V，BP神经网络模型进行运算，并计算获得当前误差为ε；当前误差大于设定的全局误差E时，对权值向量W、V进行更新并再次进行BP神经网络模型进行运算，直至当前误差小于设定的全局误差E或者BP神经网络的运算次数大于设定值，则神经网络学习结束。
6.根据权利要求5所述的一种基于BP神经网络的锂离子电池劣化分类方法，其特征在于：所述隐含层的激活函数为s型的对数函数logsig函数；输出层的激活函数为线性函数purelin函数。
7.根据权利要求5所述的一种基于BP神经网络的锂离子电池劣化分类方法，其特征在于：全局误差为
，其中，Y为BP神经网络模型的期望输出值，R为BP神经网络模型的实际输出值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810612307.5A CN108872869B (zh) | 2018-06-14 | 2018-06-14 | 一种基于bp神经网络的锂离子电池劣化分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810612307.5A CN108872869B (zh) | 2018-06-14 | 2018-06-14 | 一种基于bp神经网络的锂离子电池劣化分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108872869A CN108872869A (zh) | 2018-11-23 |
| CN108872869B true CN108872869B (zh) | 2022-04-12 |
Family
ID=64338260
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810612307.5A Active CN108872869B (zh) | 2018-06-14 | 2018-06-14 | 一种基于bp神经网络的锂离子电池劣化分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108872869B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110531280B (zh) * | 2019-07-22 | 2020-07-10 | 深圳职业技术学院 | 一种动力锂离子电池老化的快速检测方法 |
| KR20210146521A (ko) * | 2020-05-27 | 2021-12-06 | 주식회사 엘지에너지솔루션 | 리튬 이차전지의 퇴화 원인 진단 방법 |
| CN112563591B (zh) * | 2020-12-11 | 2021-10-01 | 吉林大学 | 一种蓄电池组均衡控制方法 |
| CN112986830A (zh) * | 2021-04-22 | 2021-06-18 | 湖北工业大学 | 一种基于卷积时间记忆神经网络的锂电池容量估计方法 |
| CN114720879A (zh) * | 2022-03-25 | 2022-07-08 | 中国长江三峡集团有限公司 | 基于bp神经网络的储能锂电池组老化模式自动识别方法 |
| CN116540097A (zh) * | 2023-04-12 | 2023-08-04 | 广东博通新能源科技有限公司 | 电池劣化度在线评估方法及装置 |
| CN117080588B (zh) * | 2023-10-13 | 2024-01-02 | 快电动力(北京)新能源科技有限公司 | 对电池进行分类的处理方法、装置、系统和部件 |
| CN117214728B (zh) * | 2023-11-09 | 2024-04-05 | 溧阳中科海钠科技有限责任公司 | 电池的劣化程度确定方法、装置、电子设备及存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107895307A (zh) * | 2017-12-06 | 2018-04-10 | 佛山华平勇创能源科技有限公司 | 电池组件租赁定价方法、装置、存储介质及服务器 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1691209B1 (en) * | 2005-02-14 | 2008-10-01 | Denso Corporation | Method and apparatus for detecting charged state of secondary battery based on neural network calculation |
| TWI395963B (zh) * | 2010-01-05 | 2013-05-11 | 鉛酸電池壽命狀態的估測方法 | |
| CN105164392B (zh) * | 2013-04-30 | 2018-01-19 | 三菱电机株式会社 | 蓄电池状态检测装置以及蓄电池状态检测方法 |
| JP6671016B2 (ja) * | 2015-03-09 | 2020-03-25 | パナソニックＩｐマネジメント株式会社 | 貸与システムおよび貸与管理方法 |
| CN107870306A (zh) * | 2017-12-11 | 2018-04-03 | 重庆邮电大学 | 一种基于深度神经网络下的锂电池荷电状态预测算法 |
-
2018
- 2018-06-14 CN CN201810612307.5A patent/CN108872869B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107895307A (zh) * | 2017-12-06 | 2018-04-10 | 佛山华平勇创能源科技有限公司 | 电池组件租赁定价方法、装置、存储介质及服务器 |
Non-Patent Citations (3)
| Title |
|---|
| BP神经网络在电池分选中的应用;武云丽 等;《哈尔滨理工大学学报》;20011031;第6卷(第5期);第10-13页 * |
| LiFePO4动力电池直流等效内阻温度特性研究;谭晓军 等;《电源技术》;20180131;第42卷(第1期);第27-31页 * |
| 基于Elman神经网络锂电池劣化程度的预测研究;石春源;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20120515(第05期);第C042-773页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108872869A (zh) | 2018-11-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108872869B (zh) | 一种基于bp神经网络的锂离子电池劣化分类方法 | |
| Hussein | Capacity fade estimation in electric vehicle li-ion batteries using artificial neural networks | |
| CN111323719A (zh) | 一种电动汽车动力电池组健康状态在线确定方法和系统 | |
| CN111007401A (zh) | 一种基于人工智能的电动汽车电池故障诊断方法及设备 | |
| CN110850298B (zh) | 基于数据驱动的锂电池soh估计方法及系统 | |
| CN106354964B (zh) | 电动汽车用锂离子电容器荷电状态估计方法 | |
| CN108846227B (zh) | 一种基于随机森林及容量自恢复效应分析的锂离子电池容量退化预测评估方法 | |
| CN111366848A (zh) | 一种基于pso-elm算法的电池健康状态预测方法 | |
| CN111208438B (zh) | 基于神经网络与无迹卡尔曼滤波器的锂电子电池剩余电量与传感器偏差协同估计的方法 | |
| CN109358293B (zh) | 基于ipf的锂离子电池soc估计方法 | |
| CN111856282B (zh) | 基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法 | |
| CN112986830A (zh) | 一种基于卷积时间记忆神经网络的锂电池容量估计方法 | |
| CN111983459A (zh) | 一种基于车用锂离子电池的健康状态测试评估方法 | |
| Li et al. | Lithium-ion battery remaining useful life prognostics using data-driven deep learning algorithm | |
| CN111983464B (zh) | 一种基于纯电动车用锂电池析锂测试方法 | |
| CN115494400B (zh) | 一种基于集成学习的锂电池析锂状态在线监控方法 | |
| Ye et al. | Model-based state-of-charge estimation approach of the Lithium-ion battery using an improved adaptive particle filter | |
| CN112686380A (zh) | 基于神经网络的梯次动力电芯一致性评估方法和系统 | |
| CN113406525A (zh) | 一种基于优化变分模态分解的锂电池组剩余寿命预测方法 | |
| CN115186579A (zh) | 一种基于容量增量变化量曲线的锂电池健康状态估计方法 | |
| CN114839537A (zh) | 电池荷电状态预测方法和装置 | |
| CN114740385A (zh) | 一种自适应的锂离子电池荷电状态估计方法 | |
| Li et al. | State-of-charge estimation of lithium-ion battery using multi-state estimate technic for electric vehicle applications | |
| Jiani et al. | Li-ion battery SOC estimation using EKF based on a model proposed by extreme learning machine | |
| CN116679213A (zh) | 基于集成深度学习的电动汽车动力电池soh估算方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231102 Address after: 510000 Room 101, 201, 301, 401, 501, building 2, 1003 Asian Games Avenue, Shiqi Town, Panyu District, Guangzhou City, Guangdong Province Patentee after: Guangzhou silinger Technology Co.,Ltd. Address before: 510275 No. 135 West Xingang Road, Guangdong, Guangzhou Patentee before: SUN YAT-SEN University |
|
| TR01 | Transfer of patent right |