CN109507594A - 锂电池容量估计的间接健康因子选取方法 - Google Patents
锂电池容量估计的间接健康因子选取方法 Download PDFInfo
- Publication number
- CN109507594A CN109507594A CN201811602112.9A CN201811602112A CN109507594A CN 109507594 A CN109507594 A CN 109507594A CN 201811602112 A CN201811602112 A CN 201811602112A CN 109507594 A CN109507594 A CN 109507594A
- Authority
- CN
- China
- Prior art keywords
- health factor
- battery capacity
- indirect
- indirect health
- indirectly
- 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
Abstract
本发明实施例提出了一种用于锂电池容量估计的间接健康因子选取方法,包括:计算多个备选间接健康因子与电池容量的关联度;从所述多个备选间接健康因子中选择所述关联度最大的N个所述备选间接健康因子作为初始间接健康因子;将所述初始间接健康因子以及与所述初始间接健康因子对应的所述电池容量作为相关向量机模型的输入,以对所述相关向量机模型进行模型训练得到目标训练模型;判断所述目标训练模型是否满足所述预设精度要求;若所述目标训练模型满足所述预设精度要求,将所述初始间接健康因子作为目标间接健康因子以用于锂电池容量估计;以及若所述目标训练模型不满足所述预设精度要求,更新N=N+1。本发明实施例可以很好地解决间接健康因子选择的问题。
Description
技术领域
本发明涉及产品寿命估计技术领域,尤其涉及一种用于锂电池容量估计的间接健康因子选取方法。
背景技术
产品寿命估计是指对于某一产品设备,对其进行从现在到完全不能使用或者从现在到不能完成其规定功能为止的时间估计。通过对产品施行寿命估计,能够让产品得到及时和必要的维修保养,提升产品的使用时长或避免重大安全事故的发生。锂电池容量估计本质上是对锂电池这一产品进行剩余寿命估计的问题,对于用于锂电池容量估计的间接健康因子的选择实际上是特征选择问题。目前,国内外已有一定的电池剩余寿命估计问题的研究,对特征选择方法的研究也并不罕见,这些研究对于用于锂电池容量估计的间接健康因子选取提供了有益的借鉴。
现有技术中已有一些运用相关向量机模型来进行锂离子电池容量估计的研究,举例如下:
基于上述分析,令Xi代表第i时刻的间接健康因子向量,K(X,Xi)为核函数,w=(w1,w2,...,wN)T表示权重向量,w0为偏差,εn为服从独立分布、均值为零、方差为σ2的高斯噪声,则电池容量可以看作由间接健康因子与权重的乘积与随机扰动组成。因此该问题的数学模型如下:
根据tn独立性的假设,则训练样本集的完全似然函数为:
其中t=(t1,…,tN)T为训练样本的输出向量,Φ=[φ(X1),...,φ(XN)]T为N×(N+1)维的设计矩阵,其中φ(Xn)=[1,K(Xn,X1),…,K(Xn,XN)]T。从贝叶斯理论的角度出发,认为w服从一定的先验分布,即:
其中α为N+1维的超参数向量。根据贝叶斯定理,可以得到权重向量的后验分布:
且A=diag(α1,α2,...,αN)。如果给定一个新的输入向量x*,则对应的点估计值为:
y*(x*)=μTφ(x*)
该模型的目标在于构建锂离子的间接健康因子与电池容量之间的关系,在训练时的输入为锂离子电池的间接健康因子向量和电池容量,在进行电池容量估计时的输入为锂离子电池在某一时刻的间接健康因子向量。
在锂电池的间接健康因子的选择上,目前的锂电池的间接健康因子的选择主要根据以往经验或者间接健康因子与电池容量之间的相关性,但是实际的情况往往更加复杂。这一问题可以被描述为:根据监测到的锂电池数据,处理得到一些经常用于锂电池容量估计的间接健康因子,这些间接健康因子与电池容量之间的相关性如何,怎样在确保能够达到产品寿命估计的要求下,尽可能地减少间接健康因子的数量,完成锂离子电池的寿命估计。
在实际操作中,由于监测数据量较大、种类较多,需要同时考虑多个间接健康因子,因此主要通过机器学习的方法对电池容量与这些间接健康因子之间进行匹配,然后再进行电池容量估计。目前,针对锂离子电池容量估计的间接健康因子选择的研究还较为少见。
锂离子电池容量的大小就决定了锂离子电池的剩余寿命,对于锂离子的电池容量进行估计实际上也是对其剩余寿命的估计。通过机器学习对锂离子电池容量估计,当前面临的主要问题描述如下:锂离子电池的工作环境往往比较复杂,在其工作过程中存在很多不确定因素,电池通常会经历不完全循环充放电过程;各个间接健康因子与锂离子电池容量之间的相关程度不同,如何筛选出合适的间接健康因子以达到锂离子电池容量估计的精度要求。
发明内容
为了解决上述技术问题,本发明实施例提供了一种用于锂电池容量估计的间接健康因子选取方法,以解决现有技术中对锂离子电池容量估计所面临的如何筛选出合适的间接健康因子以达到锂离子电池容量估计的精度要求的问题。
本发明实施例提供了一种用于锂电池容量估计的间接健康因子选取方法,包括:(a)计算多个备选间接健康因子与电池容量的关联度;(b)从所述多个备选间接健康因子中选择所述关联度最大的N个所述备选间接健康因子作为初始间接健康因子;(c)将所述初始间接健康因子以及与所述初始间接健康因子对应的所述电池容量作为相关向量机模型的输入,以对所述相关向量机模型进行模型训练得到目标训练模型;(d)判断所述目标训练模型是否满足所述预设精度要求;(e)若所述目标训练模型满足所述预设精度要求,将所述初始间接健康因子作为目标间接健康因子以用于锂电池容量估计;以及(f)若所述目标训练模型不满足所述预设精度要求,更新N=N+1、并返回执行步骤(b);其中,N为正整数,且N小于等于所述多个备选间接健康因子中所包括的所述备选间接健康因子的数目。
在本发明其中一个实施例中,步骤(a)包括:计算所述多个备选健康因子与所述电池容量之间的灰色关联系数;以及根据所述灰色关联系数计算所述多个备选健康因子与所述电池容量之间的关联度。
在本发明其中一个实施例中,步骤(a)还包括:对所述多个备选间接健康因子和所述电池容量进行无量纲化处理。
在本发明其中一个实施例中,第一次执行步骤(b)时的所述N的初始值为1。
在本发明其中一个实施例中,步骤(c)包括:将所述初始间接健康因子以及与所述初始间接健康因子对应的所述电池容量作为相关向量机模型的输入;利用粒子群优化算法优化所述相关向量机模型的核函数参数得到目标核函数参数;以及将所述目标核函数参数代入到所述相关向量机模型中,得到所述目标训练模型。
采用本发明上述实施例可以获得如下有益效果:本发明实施例提出的步骤简便易行,便于程序化处理。本发明实施例借助于计算机程序,可避免大量复杂的数学运算。本发明实施例的目的在于提供一种方法,基于相关向量机(RVM,Relevance Vector Machine)学习模型,结合加速的粒子群优化(APSO,Adaptive Particle Swarm Optimization)算法,实现锂离子电池容量估计的间接健康因子选择。本发明实施例很好地解决间接健康因子选择的问题,为在产品寿命估计的特征选择上的研究提供一个好的思路。
附图说明
图1是本发明实施例提供的一种用于锂电池容量估计的间接健康因子选取方法的总体流程示意图。
图2是本发明实施例的实例中以X1作为间接健康因子时的估计结果。
图3是本发明实施例的实例中以X1、X4作为间接健康因子时的估计结果。
图4是本发明实施例的实例中以X1、X4、X5作为间接健康因子时的估计结果。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
本发明实施例主要建立了间接健康因子的选择模型,并采用了一种新的双层优化算法,外层基于相关向量机(RVM)学习匹配电池容量与间接健康因子,内层基于改进的粒子群算法生成较优的核函数参数。其具体技术方案为:
如图1所示,一种用于锂电池容量估计的间接健康因子选取方法,主要包括如下步骤:
(S1)计算间接健康因子与电池容量的关联度;
(S2)将所选间接健康因子作为输入,进行相关向量机(RVM)模型训练;
(S3)判断是否达到精度要求,得到最终的间接健康因子。
总体思路为:在现有的相关向量机(RVM)模型基础上,引入了间接健康因子与电池容量的灰色关联度以筛选特征,基于改进的粒子群算法(APSO)生成RVM模型的核函数参数优化学习模型,不停测试所选的间接健康因子,直到估计结果达到预设精度,得到所选的间接健康因子。
进一步地,所述步骤(S1)的具体过程包括:
(S11)对电池容量和间接健康因子序列进行无量纲化处理。
由于系统中各个因素的物理含义不同,量纲一般不同。为了去除量纲对计算出的关联度的影响,需要对电池容量和间接健康因子序列进行无量纲化处理。使得其元素的值在0到1之间。
其中,Xi={xi(t)|t=1,…,T;i=1,…,M}为间接健康因子序列,X0={x0(t)|t=1,…,T}为电池容量序列,T为序列长度,M为影响因素的个数。
(S12)计算间接健康因子与电池容量之间的灰色关联系数。
关联程度实际上是指曲线几何形状上的差异,因此,可以利用电池容量序列与间接健康因子序列的绝对差值衡量关联程度。关联系数计算如下:
式中的ρ∈[0,1]表示分辨系数,一般ρ取0.5。
(S13)计算关联度,计算公式如下:
(S14)将间接健康因子按对应的关联度大小排序,将关联度最大的间接健康因子选入间接健康因子集。
进一步地,所述步骤(S2)的具体过程包括:
(S21)将在步骤(S14)中已选择的间接健康因子与其对应的电池容量作为进行RVM模型模型训练时的输入。
(S22)利用APSO(改进粒子群优化)算法优化RVM模型的核函数参数。RVM模型例如选择MKRVM(Multi-kernel Relevance Vector Machine,多核相关向量机)模型,则相应地,利用APSO算法优化MKRVM模型的混合核函数参数,RVM模型建模过程中的边际似然函数作为APSO算法的目标函数。随机生成初始粒子群,例如混合核函数参数(r,s,ρ),种群数目为P,初始化APSO算法参数。当然,RVM模型也可以是单核相关向量机模型,并不局限于本例中的MKRVM模型。
粒子群方法参考了动物的群体行为特征,将进化更新过程表示如下:
其中,c1和c2是学习因子,用以确定粒子当前位置、历史轨迹以及当前最优解对粒子演化的影响程度;ω是惯性因子,决定粒子速度对于运动过程的影响程度;r1和r2是0和1之间的两个随机数,分别用以确定解的演化过程中朝向历史轨迹和当前最优解的更新步长。
在训练达到APSO算法设定的最大迭代次数MaxInt时,将核函数参数输出,进入步骤(S23)。
(S23)将核函数参数代入到RVM模型中,得到目标训练模型。
进一步地,所述步骤(S3)的具体过程包括:
(S31)为了对目标训练模型的估计误差进行衡量,需要确定实验结果的评价标准。采用均方误差、平均相对误差和决定系数三个评价标准衡量实验结果的估计误差、相对于电池容量真实值的偏差程度以及目标训练模型对数据的拟合优度,进入步骤(S32)。
(S32)判断实验结果是否满足实验要求,如果不满足,则返回步骤(S14);如果满足,则此时的间接健康因子集就是锂离子电池容量估计所需要的特征。
下面结合具体实例详细介绍本发明实施例的用于锂电池容量估计的间接健康因子选择方法。在本实例中的寿命估计对象为一个美国航天局NASA的开源数据库中的#5锂离子电池。根据目前已有的研究所选取的间接健康因子:等压升充电时间间隔(X1)、等流降充电时间间隔(X2)、等压降放电时间间隔(X3)、充电电池平均温度(X4)以及放电电池平均温度(X5),对以上5个间接健康因子进行特征选取。根据采集的数据一共有168个充放周期,采取#5锂离子电池的前90周期的锂离子电池试验数据作为训练数据集,后78个周期的锂离子电池试验数据作为预测结果验证。RVM模型仍以MKRVM模型为例,对应的核函数参数为混合核函数参数。
(S1)计算间接健康因子与电池容量的关联度:
(S11、S12、S13)对电池容量和间接健康因子序列进行无量纲处理,计算间接健康因子与电池容量之间的灰色关联系数,从而得出灰色关联度结果如表1所示。
表1各间接健康因子的灰色关联度结果
间接健康因子 | X1 | X2 | X3 | X4 | X5 |
灰色关联度 | 0.720 | 0.523 | 0.541 | 0.624 | 0.545 |
(S14)将间接健康因子按对应的关联度大小排序,将关联度最大的间接健康因子选入间接健康因子集,选择结果如表2所示。
表2间接健康因子排序选择结果
关联度排序 | 间接健康因子集 |
X1>X4>X5>X3>X2 | X1 |
(S2)将步骤(S14)中所选间接健康因子也即X1作为输入,进行RVM模型训练:
(S21)将已选择的间接健康因子也即X1与其对应的电池容量作为模型训练时的输入。
(S22、S23)通过加速的粒子群算法得到混合核函数参数,并将混合核函数参数带到RVM模型中,得到目标训练模型。
(S3)判断模型估计结果是否达到精度要求,得到最终的间接健康因子:
(S31)为了对模型的估计误差进行衡量,需要确定实验结果的评价标准为如下三个参数。
设定目标训练模型估计结果精度要求为εRMS≤2%,εMR≤2%,R2≥0.9。采用X1作为间接健康因子时的估计结果如图2,间接健康因子X1的估计精度如表3所示。
表3间接健康因子X1的估计精度
间接健康因子 | ε<sub>RMS</sub> | ε<sub>MR</sub> | R<sup>2</sup> | 失效周期 | 周期估计误差 |
X1 | 11.49% | 7.68% | -1.482 | --- | --- |
(S32)根据表3中的结果可以判断间接健康因子X1不满足实验要求,则返回步骤(S14)。
(S14)将间接健康因子按对应的关联度大小排序,将关联度最大的间接健康因子选入间接健康因子集,如表4所示。
表4间接健康因子排序选择结果
关联度排序 | 间接健康因子集 |
X4>X5>X3>X2 | X1、X4 |
(S2)将所选间接健康因子X1、X4作为输入,进行RVM模型训练:
(S21)将已选择的间接健康因子X1、X4与其对应的电池容量作为模型训练时的输入。
(S22、S23)通过加速的粒子群算法得到混合核函数参数,并将混合核函数参数带到RVM模型中,得到目标训练模型。
(S3)判断目标训练模型估计结果是否达到精度要求,得到最终的间接健康因子:
(S31)采用X1、X4作为间接健康因子时的估计结果如图3所示,间接健康因子X1、X4的估计精度如表5所示。
表5间接健康因子X1、X4的估计精度
间接健康因子 | ε<sub>RMS</sub> | ε<sub>MR</sub> | R<sup>2</sup> | 失效周期 | 周期估计误差 |
X1、X4 | 2.97% | 1.91% | 0.835 | 131 | +6 |
(S32)根据表5中的结果可以判断间接健康因子X1、X4不满足实验要求,则返回步骤(S14)。
(S14)将间接健康因子按对应的关联度大小排序,将关联度最大的间接健康因子选入间接健康因子集,如表6所示。
表6间接健康因子排序选择结果
关联度排序 | 间接健康因子集 |
X5>X3>X2 | X1、X4、X5 |
(S2)将表6中所选的间接健康因子X1、X4、X5作为输入,进行RVM模型训练:
(S21)将已选择的间接健康因子X1、X4、X5与其对应的电池容量作为RVM模型训练时的输入。
(S22-3)通过加速的粒子群算法得到混合核函数参数,并将混合核函数参数带到RVM模型中,得到目标训练模型。
(S3)判断目标训练模型估计结果是否达到精度要求,得到最终的间接健康因子:
(S31)采用X1、X4、X5作为间接健康因子时的估计结果如图4所示,间接健康因子X1、X4、X5的估计精度如表7所示。
表7间接健康因子X1、X4、X5的估计精度
间接健康因子 | ε<sub>RMS</sub> | ε<sub>MR</sub> | R<sup>2</sup> | 失效周期 | 周期估计误差 |
X1、X4、X5 | 1.70% | 1.10% | 0.946 | 119 | -6 |
(S32)根据表7中的数据可以判断间接健康因子X1、X4、X5的估计精度满足实验要求,则此时间接健康因子集X1、X4、X5就是锂离子电池容量估计所需要的特征。
本发明实施例首先确定可用于锂离子电池容量估计的间接健康因子,并通过计算各个间接健康因子与电池容量的关联度以确定选择特征的顺序,然后基于相关向量机(RVM)模型,运用加速的粒子群算法优化RVM模型的混合核函数完成目标训练模型,再确定实验精度要求,判断所选的间接健康因子是否满足实验精度要求,如此往复最终得到满足实验精度要求的间接健康因子,从而完成锂离子电池容量估计的间接健康因子的选择。通过上述过程,本发明实施例很好地解决了间接健康因子的选择问题,为在产品寿命估计的特征选择上的研究提供一个好的思路。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种用于锂电池容量估计的间接健康因子选取方法,其特征在于,包括:
(a)计算多个备选间接健康因子与电池容量的关联度;
(b)从所述多个备选间接健康因子中选择所述关联度最大的N个所述备选间接健康因子作为初始间接健康因子;
(c)将所述初始间接健康因子以及与所述初始间接健康因子对应的所述电池容量作为相关向量机模型的输入,以对所述相关向量机模型进行模型训练得到目标训练模型;
(d)判断所述目标训练模型是否满足所述预设精度要求;
(e)若所述目标训练模型满足所述预设精度要求,将所述初始间接健康因子作为目标间接健康因子以用于锂电池容量估计;以及
(f)若所述目标训练模型不满足所述预设精度要求,更新N=N+1、并返回执行步骤(b);
其中,N为正整数,且N小于等于所述多个备选间接健康因子中所包括的所述备选间接健康因子的数目。
2.如权利要求1所述的用于锂电池容量估计的间接健康因子选取方法,其特征在于,步骤(a)包括:
计算所述多个备选健康因子与所述电池容量之间的灰色关联系数;以及
根据所述灰色关联系数计算所述多个备选健康因子与所述电池容量之间的关联度。
3.如权利要求2所述的用于锂电池容量估计的间接健康因子选取方法,其特征在于,步骤(a)还包括:对所述多个备选间接健康因子和所述电池容量进行无量纲化处理。
4.如权利要求1所述的用于锂电池容量估计的间接健康因子选取方法,其特征在于,第一次执行步骤(b)时的所述N的初始值为1。
5.如权利要求1所述的用于锂电池容量估计的间接健康因子选取方法,其特征在于,步骤(c)包括:
将所述初始间接健康因子以及与所述初始间接健康因子对应的所述电池容量作为相关向量机模型的输入;
利用粒子群优化算法优化所述相关向量机模型的核函数参数得到目标核函数参数;以及
将所述目标核函数参数代入到所述相关向量机模型中,得到所述目标训练模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811602112.9A CN109507594B (zh) | 2018-12-26 | 2018-12-26 | 锂电池容量估计的间接健康因子选取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811602112.9A CN109507594B (zh) | 2018-12-26 | 2018-12-26 | 锂电池容量估计的间接健康因子选取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109507594A true CN109507594A (zh) | 2019-03-22 |
CN109507594B CN109507594B (zh) | 2020-11-13 |
Family
ID=65755426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811602112.9A Active CN109507594B (zh) | 2018-12-26 | 2018-12-26 | 锂电池容量估计的间接健康因子选取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109507594B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110187281A (zh) * | 2019-05-22 | 2019-08-30 | 天津大学 | 基于充电阶段健康特征的锂电池健康状态估算的方法 |
CN110398697A (zh) * | 2019-07-23 | 2019-11-01 | 北京工业大学 | 一种基于充电过程的锂离子健康状态估计方法 |
CN116298906A (zh) * | 2023-01-19 | 2023-06-23 | 四川新能源汽车创新中心有限公司 | 电池容量的预测模型训练方法、预测方法、装置及介质 |
CN117825975A (zh) * | 2024-03-05 | 2024-04-05 | 烟台海博电气设备有限公司 | 基于数据驱动的锂离子电池soh评估方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1651972A1 (en) * | 2003-07-01 | 2006-05-03 | Eaton Power Quality Limited | Apparatus, methods and computer program products for estimation of battery reserve life using adaptively modified state of health indicator-based reserve life models |
CN102968573A (zh) * | 2012-12-14 | 2013-03-13 | 哈尔滨工业大学 | 基于相关向量回归的在线预测锂离子电池剩余寿命的方法 |
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 |
CN103954915A (zh) * | 2014-05-16 | 2014-07-30 | 哈尔滨工业大学 | 基于概率集成的锂离子电池剩余寿命间接预测方法 |
CN106597311A (zh) * | 2016-12-21 | 2017-04-26 | 哈尔滨工业大学 | 基于主成分分析的融合hi等效性锂离子电池退化预测方法 |
CN108535656A (zh) * | 2018-03-22 | 2018-09-14 | 中北大学 | 基于pca-narx神经网络的锂离子电池剩余使用寿命预测方法和系统 |
CN109061504A (zh) * | 2018-08-28 | 2018-12-21 | 中北大学 | 同类型不同锂离子电池剩余使用寿命预测方法和系统 |
-
2018
- 2018-12-26 CN CN201811602112.9A patent/CN109507594B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1651972A1 (en) * | 2003-07-01 | 2006-05-03 | Eaton Power Quality Limited | Apparatus, methods and computer program products for estimation of battery reserve life using adaptively modified state of health indicator-based reserve life models |
CN102968573A (zh) * | 2012-12-14 | 2013-03-13 | 哈尔滨工业大学 | 基于相关向量回归的在线预测锂离子电池剩余寿命的方法 |
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 |
CN103954915A (zh) * | 2014-05-16 | 2014-07-30 | 哈尔滨工业大学 | 基于概率集成的锂离子电池剩余寿命间接预测方法 |
CN106597311A (zh) * | 2016-12-21 | 2017-04-26 | 哈尔滨工业大学 | 基于主成分分析的融合hi等效性锂离子电池退化预测方法 |
CN108535656A (zh) * | 2018-03-22 | 2018-09-14 | 中北大学 | 基于pca-narx神经网络的锂离子电池剩余使用寿命预测方法和系统 |
CN109061504A (zh) * | 2018-08-28 | 2018-12-21 | 中北大学 | 同类型不同锂离子电池剩余使用寿命预测方法和系统 |
Non-Patent Citations (2)
Title |
---|
YANG ZHANG等: "Online Capacity Estimation of Lithium-Ion Batteries", 《ENERGIES》 * |
张洋: "基于相关向量机的锂离子电池在线剩余寿命", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110187281A (zh) * | 2019-05-22 | 2019-08-30 | 天津大学 | 基于充电阶段健康特征的锂电池健康状态估算的方法 |
CN110187281B (zh) * | 2019-05-22 | 2021-06-04 | 天津大学 | 基于充电阶段健康特征的锂电池健康状态估算的方法 |
CN110398697A (zh) * | 2019-07-23 | 2019-11-01 | 北京工业大学 | 一种基于充电过程的锂离子健康状态估计方法 |
CN116298906A (zh) * | 2023-01-19 | 2023-06-23 | 四川新能源汽车创新中心有限公司 | 电池容量的预测模型训练方法、预测方法、装置及介质 |
CN116298906B (zh) * | 2023-01-19 | 2024-04-16 | 四川新能源汽车创新中心有限公司 | 电池容量的预测模型训练方法、预测方法、装置及介质 |
CN117825975A (zh) * | 2024-03-05 | 2024-04-05 | 烟台海博电气设备有限公司 | 基于数据驱动的锂离子电池soh评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109507594B (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109507594A (zh) | 锂电池容量估计的间接健康因子选取方法 | |
Guo et al. | Online estimation of SOH for lithium-ion battery based on SSA-Elman neural network | |
CN110068774B (zh) | 锂电池健康状态的估计方法、装置及存储介质 | |
Deng et al. | Battery health estimation with degradation pattern recognition and transfer learning | |
CN108536971A (zh) | 一种基于贝叶斯模型的结构损伤识别方法 | |
CN109472321A (zh) | 一种面向时间序列型地表水质大数据的预测与评估模型构建方法 | |
CN103926536A (zh) | 基于dst和bmc技术的锂离子电池剩余使用寿命预测方法 | |
CN110501646A (zh) | 一种离线锂电池剩余电量估计方法 | |
CN110466381B (zh) | 充电桩状态的评估方法 | |
CN108872866A (zh) | 一种锂离子电池荷电状态动态评估与长效预测融合方法 | |
CN107025503A (zh) | 基于迁移学习和缺陷数量信息的跨公司软件缺陷预测方法 | |
CN113030761B (zh) | 一种超大规模储能电站电池健康状态的评估方法及系统 | |
CN111413619B (zh) | 基于高斯过程回归的多工况电池剩余容量预测方法及系统 | |
WO2018112818A1 (zh) | 一种电池循环寿命的快速预测方法及其快速预测装置 | |
CN107133400A (zh) | 一种飞机结构疲劳可靠度贝叶斯组合预测方法 | |
CN109917292A (zh) | 一种基于daupf的锂离子电池寿命预测方法 | |
CN113189490B (zh) | 基于特征筛选和高斯过程回归的锂电池健康状态估计方法 | |
CN108121215A (zh) | 基于全回路重构仿真的工业控制回路性能评价方法及装置 | |
CN108957331A (zh) | 电池性能检测方法及电池性能检测系统 | |
CN104008433A (zh) | 基于贝叶斯动态模型的中长期电力负荷预测方法 | |
Wu et al. | Optimized multi-source fusion based state of health estimation for lithium-ion battery in fast charge applications | |
CN113109717A (zh) | 一种基于特征曲线优化的锂电池荷电状态估算方法 | |
CN111639882A (zh) | 一种基于深度学习的用电风险的判定方法 | |
CN112083346A (zh) | 基于lstm的并联电池组内部电流分布估计方法及系统 | |
CN105303835A (zh) | 一种道路交通流状态的短时预测方法 |
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 |