CN109738810A - 一种电池剩余使用寿命的综合估算方法 - Google Patents
一种电池剩余使用寿命的综合估算方法 Download PDFInfo
- Publication number
- CN109738810A CN109738810A CN201910053460.3A CN201910053460A CN109738810A CN 109738810 A CN109738810 A CN 109738810A CN 201910053460 A CN201910053460 A CN 201910053460A CN 109738810 A CN109738810 A CN 109738810A
- Authority
- CN
- China
- Prior art keywords
- rul
- battery
- neural network
- soh
- estimated
- 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
本发明公开了一种电池剩余使用寿命的综合估算方法,包括以下步骤:使用曲线拟合的方法估算出电池的RUL1;使用卡尔曼滤波算法估算出电池的RUL2;使用灰色神经网络算法估算出电池的RUL3;使用BP神经网络算法作为综合法,将RUL1、RUL2和RUL3作为神经网络的输入,将最终的RUL作为神经网络的输出,最终估算出电池的剩余使用寿命RUL。本发明具有以下优点和效果:能够避免现有单一变量预测电池RUL的局限性,通过三种方法综合估算电池的RUL,该综合估算方法不需要建立复杂的模型,易于实现,同时估算出电池的RUL可以平抑误差的波动,提高预测精度,鲁棒性好,可靠性高。
Description
技术领域
本发明涉及电池状态估算技术领域,特别涉及一种电池剩余使用寿命的综合估算方法。
背景技术
准确预测电池剩余使用寿命(Remaining Useful Life,RUL),能够提前获知其寿命信息,对不能使用的电池进行及时更换,这极大保障了设备的安全可靠运行,避免了用电设备因电池失效而无法工作的情况发生。因此,锂离子电池的剩余寿命(RUL)预测研究已然成为纯电动汽车领域的研究热点问题,对研究纯电动汽车的使用寿命和应用推广具有重要意义。
目前对锂电池的RUL预测的研究相对较少,且预测精度不高。通常采用的估算电池RUL的方法包括以下几种:
(1)基于退化机理模型的预测方法:方法主要是对电池进行电化学测试,从电池本质电化学机理的角度分析电池中的性能变化规律,再利用电池性能参数与剩余使用寿命之间的内在联系来预测电池剩余使用寿命。基于退化机理模型的剩余使用寿命预测能够得到电池老化过程的详细物理分析和化学分析,但其涉及电池内部材料参数较多,模型复杂度高,计算量大,实际应用较为困难。
(2)基于经验退化模型的预测方法:基于经验退化模型的方法主要是通过建立一个能够精确反映电池性能状态参数(如容量、内阻、放电终压等)随时间的变化趋势、或系统前后两个时刻状态变量之间变化关系的经验模型,从而实现电池RUL的预测。但是,这种模型易受噪声和环境干扰,难以跟踪负载动态特性,其动态精度、鲁棒性及适应性较差。
(3)基于数据驱动的RUL预测方法:基于数据驱动的RUL预测方法是目前电池寿命预测的主流方法,通过采集运行状态下电池的有效失效数据和性能退化数据,然后分析和挖掘电池失效数据或性能退化数据中隐含的电池性能退化因子演变规律来预测电池剩余寿命。这种方法需要大量历史数据进行寿命预测,否则难以保证预测结果的准确度,预测精度不高。
现有的方法预测电池的RUL普遍存以下问题:首先是单一变量预测电池RUL的局限性,可靠性不高;预测电池RUL需要建立复杂的模型;预测精度普遍不高且鲁棒性差。
发明内容
本发明的目的在于提供一种电池剩余使用寿命的综合估算方法,能够避免现有单一变量预测电池RUL的局限性,通过三种方法综合估算电池的RUL,该综合估算方法不需要建立复杂的模型,易于实现,同时估算出电池的RUL可以平抑误差的波动,提高预测精度,鲁棒性好,可靠性高。
本发明的上述技术目的是通过以下技术方案得以实现的:一种电池剩余使用寿命的综合估算方法,包括以下步骤:
S1、使用曲线拟合的方法估算出电池的RUL1;
S2:使用卡尔曼滤波算法估算出电池的RUL2;
S3:使用灰色神经网络算法估算出电池的RUL3;
S4:使用BP神经网络算法作为综合法,将RUL1、RUL2和RUL3作为神经网络的输入,将最终的RUL作为神经网络的输出,最终估算出电池的剩余使用寿命RUL。
进一步设置是所述的步骤S1具体包括:
S11、通过实验采集电池的SOH和循环使用次数的数据,找出电池的SOH与RUL的关系;
S12、采用最小二乘法拟合电池的RUL和SOH数据样本;
S13、通过实验采集当前循环使用次数Nnow和对应的SOH数据,并通过曲线拟合的方法拟合出当前循环使用次数Nnow和对应的SOH关系曲线图,即Nnow=aSOH+b,其中,a,b为拟合系数;
S14、估算出RUL1,RUL1等于寿命终止循环使用次数EOL减去当前循环使用次数Nnow,即RUL1=EOL-Nnow。
进一步设置是所述的步骤S2具体包括:
S21、通过步骤S1中估算的RUL1值为观测值Z(k);
S22、使用卡尔曼滤波算法,利用k-1时刻的RUL值预测第k时刻的RUL值,其预测偏差为P(k|k-1)=P(k-1|k-1)+Q;
S23、再计算卡尔曼增益,计算公式为Kg(k)=P(k|k-1)/(P(k|k-1)+R);
S24、利用k时刻的观测值,得到估计RUL的值RUL(k)=RUL(k-1)+kg(k)[Z(k)-RUL(k-1)];
此时再更新k时刻的偏差P(k|k)=[I-Kg(k)]P(k|k-1);
这样就可以对下一时刻的观测数据Z(k+1)进行处理,最终预测出RUL2的值。
进一步设置是所述的步骤S3具体包括:
采用选择当前电池的SOH、SOC、电阻、电压和电流作为输入,RUL作为输出,所以灰色神经网络的结构为1-1-6-1,即LA层有一个节点,输入为时间序列t,LB层有一个节点,LC层有五个节点,第2-6个节点分别为选择当前电池的SOH、SOC、电阻、电压和电流的归一化数据,输出为RUL3的预测值。
进一步设置是所述的步骤S4具体包括:
将步骤S1中使用曲线拟合的方法估算出电池的RUL1,步骤S2中使用卡尔曼滤波算法估算出电池的RUL2和步骤S3使用灰色神经网络算法估算出电池的RUL3的数据采集;然后使用BP神经网络算法作为综合法,将RUL1、RUL2和RUL3作为神经网络的输入,将最终的RUL作为神经网络的输出,最终估算出电池的剩余使用寿命RUL。
进一步设置是所述的步骤S11中采集电池的SOH具体包括:
S111、采集电池的电压、电流、温度和内阻作为神经网络的输入,SOC作为输出,并采用BP神经网络算法估算出电池的荷电状态SOC值;
S121、将荷电状态SOC值与安时积分法相结合,估算出电池的SOH值。
进一步设置是所述的步骤S121具体为:
采用安时积分法对电流在时间上积分计算出放电量,通过公式计算出电池的SOH值,即式中的SOHc,式中的分子表示现在时刻电池放电,由SOCt1放电至SOCt2对应的放电量;分母表示初始时刻,即新电池放电,由SOCt1放电至SOCt2对应的放电量。
本发明的有益效果是:从上述分别使用三种方法估算电池的RUL,但RUL的预测精度不高。单独的使用一种方法估算电池的RUL,可靠性不高。为了提高RUL预测精度,同时避免单一参方法预测电池RUL误差波动大的缺点,再使用综合法估算电池的RUL。这种方法不仅提高了RUL的预测精度,也避免单一方法预测电池RUL的局限性,同时又可以平抑误差波动,鲁棒性好,减小误差,可靠性得到了提高。同时该方法是将几种方法综合估算,易于实现。
附图说明
图1为本发明中综合估算电池RUL方法的步骤图;
图2为本发明中SOC的估算方法结构图;
图3为本发明中SOH的估算方法结构图;
图4为本发明中RUL的预测示意图;
图5为本发明中曲线拟合方法估算出电池RUL1的估算过程;
图6为本发明中RUL2的预测框图;
图7为本发明中卡尔曼滤波算法示意图;
图8为本发明中灰色神经网络估算电池RUL3的结构图;
图9为本发明中灰色神经网络的结构图;
图10为本发明中综合法估算电池RUL的结构图;
图11为本发明中综合法与独立法预测精度对比图。
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作进一步地详细描述。
如图1至图11所示,为本发明实施例中,提出的一种综合估算电池RUL的方法,包括以下步骤:
步骤S1:使用曲线拟合的方法估算出电池的RUL1;
步骤S2:使用卡尔曼滤波算法估算出电池的RUL2;
步骤S3:使用灰色神经网络算法估算出电池的RUL3;
步骤S4:使用BP神经网络算法作为综合法,将RUL1、RUL2和RUL3作为神经网络的输入,将最终的RUL作为神经网络的输出,最终估算出电池的剩余使用寿命RUL。
本发明预测电池RUL的过程中,其中步骤S1、步骤S2和步骤S3为并列进行,为了方便说明分别进行介绍。
具体过程为,在步骤S1中,首先采用BP神经网络算法估算出电池的荷电状态SOC,结构如图2所示。利用数据采集模块,采集电池的电压、电流、温度和内阻作为神经网络的输入,SOC作为输出,估算电池的荷电状态。用图2中估算出的SOC值与安时积分法相结合,估算出电池的SOH。采用安时积分法对电流在时间上积分计算出放电量,通过公式计算出电池的SOH值,即式中的SOHc,式中的分子表示现在时刻电池放电,由SOCt1放电至SOC t2对应的放电量;分母表示初始时刻,即新电池放电,由SOC t1放电至SOC t2对应的放电量。
通过实验采集电池的SOH和循环使用次数的数据。电池的寿命终止是根据电池的健康状态定义,当电池的健康状态达到80%,表示电池的寿命终止。所以可以根据电池的健康状态,找出电池健康状态(SOH)与电池剩余使用寿命(RUL)的关系。采用最小二乘法拟合RUL和SOH数据样本。从图4中可以看出,RUL等于寿命终止循环使用次数EOL减去当前的循环使用次数。通过实验采集当前循环使用次数Nnow和对应的SOH数据(xi,yi)。通过曲线拟合的方法拟合出当前循环使用次数Nnow和对应的SOH关系曲线图。当知道SOH的数据,就可以估算出当前循环使用次数Nnow的值。拟合曲线的公式为:Nnow=aSOH+b,其中a,b为拟合系数。估算RUL的公式为:RUL1=EOL-Nnow,RUL1为电池的剩余使用寿命,EOL为电池寿命终止的循环使用次数,Nnow为当前的电池循环使用次数。
在步骤S2中,使用卡尔曼滤波算法估算出电池的RUL2。通过所述的S1中估算的RUL1值为观测值Z(k)。使用卡尔曼滤波算法,利用k-1时刻的RUL值预测第k时刻的RUL值,其预测偏差P(k|k-1)=P(k-1|k-1)+Q。再计算卡尔曼增益,计算公式如下:Kg(k)=P(k|k-1)/(P(k|k-1)+R)。利用k时刻的观测值,得到估计RUL的值:RUL(k)=RUL(k-1)+kg(k)[Z(k)-RUL(k-1)],如图6RUL2的预测框图所示。此时再更新k时刻的偏差P(k|k)=[I-Kg(k)]P(k|k-1)。这样就可以对下一时刻的观测数据Z(k+1)进行处理,最终预测出RUL2的值。使用卡尔曼滤波算法估算出电池的RUL2的过程,如图7卡尔曼滤波算法示意图所示。
在步骤S3中,首先通过实验和仿真,寻找RUL的影响因素。对于电池的RUL估算,影响因素有很多。根据实验数据以及仿真结果对电池RUL估算结果影响的大小,选择当前电池的SOH、SOC、R、V和I五个输入量作为主要因素预测电池的RUL。当前电池健康状态,在同一时刻SOC下对应的电池的内阻、电流和电压,可以反映电池的寿命状态,从而预测电池的RUL。图8为灰色神经网络估算电池RUL的结构图。
灰色神经网络的结构图如图9所示。灰色神经网络根据输入输出的个数来确定灰色神经网络的结构。本发明采用选择当前电池的SOH、SOC、R、V和I作为输入,RUL作为输出,所以灰色神经网络的结构为1-1-6-1,即LA层有一个节点,输入为时间序列t。LB层有一个节点。LC层有五个节点,第2-6个节点分别为选择当前电池的SOH、SOC、R、V和I的归一化数据,输出为RUL3的预测值。
在步骤S4中,将步骤S1中使用曲线拟合的方法估算出电池的RUL1,步骤S2中使用卡尔曼滤波算法估算出电池的RUL2和步骤S3使用灰色神经网络算法估算出电池的RUL3的数据采集。然后使用BP神经网络算法作为综合法,将RUL1、RUL2和RUL3作为神经网络的输入,将最终的RUL作为神经网络的输出,最终估算出电池的剩余使用寿命RUL。其中综合法预测电池RUL的方法如图10所示。
图11为综合法预测精度与其他三种方法预测精度对比图。图中的RUL为综合方法预测的误差曲线。RUL1、RUL2和RUL3分别是使用曲线拟合的方法估算出电池RUL1的误差曲线,使用卡尔曼滤波算法估算出电池RUL2的误差曲线,使用灰色神经网络算法估算出电池RUL3的误差曲线。从图中可以看出使用综合法估算电池的RUL,预测精度最高,误差的波动范围最小。而其他三种单独的方法预测电池RUL的精度都低于综合的方法,误差的波动范围较大。
实施本发明实施例,具有如下有益效果:
从上述分别使用三种方法估算电池的RUL,但RUL的预测精度不高。单独的使用一种方法估算电池的RUL,可靠性不高。为了提高RUL预测精度,同时避免单一参方法预测电池RUL误差波动大的缺点,再使用综合法估算电池的RUL。这种方法不仅提高的RUL的预测精度,也避免单一方法预测电池RUL的局限性,同时又可以平抑误差波动,鲁棒性好,减小误差,可靠性得到了提高。同时该方法是将几种方法综合估算,易于实现。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (7)
1.一种电池剩余使用寿命的综合估算方法,其特征在于,包括以下步骤:
S1、使用曲线拟合的方法估算出电池的RUL1;
S2:使用卡尔曼滤波算法估算出电池的RUL2;
S3:使用灰色神经网络算法估算出电池的RUL3;
S4:使用BP神经网络算法作为综合法,将RUL1、RUL2和RUL3作为神经网络的输入,将最终的RUL作为神经网络的输出,最终估算出电池的剩余使用寿命RUL。
2.根据权利要求1所述的一种电池剩余使用寿命的综合估算方法,其特征在于,所述的步骤S1具体包括:
S11、通过实验采集电池的SOH和循环使用次数的数据,找出电池的SOH与RUL的关系;
S12、采用最小二乘法拟合电池的RUL和SOH数据样本;
S13、通过实验采集当前循环使用次数Nnow和对应的SOH数据,并通过曲线拟合的方法拟合出当前循环使用次数Nnow和对应的SOH关系曲线图,即Nnow=aSOH+b,其中,a,b为拟合系数;
S14、估算出RUL1,RUL1等于寿命终止循环使用次数EOL减去当前循环使用次数Nnow,即RUL1=EOL-Nnow。
3.根据权利要求1所述的一种电池剩余使用寿命的综合估算方法,其特征在于,所述的步骤S2具体包括:
S21、将步骤S1中估算的RUL1值作为观测值Z(k);
S22、使用卡尔曼滤波算法,利用k-1时刻的RUL值预测第k时刻的RUL值,其预测偏差为P(k|k-1)=P(k-1|k-1)+Q;
S23、再计算卡尔曼增益,计算公式为Kg(k)=P(k|k-1)/(P(k|k-1)+R);
S24、利用k时刻的观测值,得到估计RUL的值RUL(k)=RUL(k-1)+kg(k)[Z(k)-RUL(k-1)];
此时再更新k时刻的偏差P(k|k)=[I-Kg(k)]P(k|k-1);
这样就可以对下一时刻的观测数据Z(k+1)进行处理,最终预测出RUL2的值。
4.根据权利要求1所述的一种电池剩余使用寿命的综合估算方法,其特征在于,所述的步骤S3具体包括:
采用选择当前电池的SOH、SOC、电阻、电压和电流作为输入,RUL作为输出,所以灰色神经网络的结构为1-1-6-1,即LA层有一个节点,输入为时间序列t,LB层有一个节点,LC层有五个节点,第2-6个节点分别为选择当前电池的SOH、SOC、电阻、电压和电流的归一化数据,输出为RUL3的预测值。
5.根据权利要求1所述的一种电池剩余使用寿命的综合估算方法,其特征在于,所述的步骤S4具体包括:
将步骤S1中使用曲线拟合的方法估算出电池的RUL1,步骤S2中使用卡尔曼滤波算法估算出电池的RUL3和步骤S3使用灰色神经网络算法估算出电池的RUL3的数据采集;然后使用BP神经网络算法作为综合法,将RUL1、RUL2和RUL3作为神经网络的输入,将最终的RUL作为神经网络的输出,最终估算出电池的剩余使用寿命RUL。
6.根据权利要求2所述的一种电池剩余使用寿命的综合估算方法,其特征在于,所述的步骤S11中采集电池的SOH具体包括:
S111、采集电池的电压、电流、温度和内阻作为神经网络的输入,SOC作为输出,并采用BP神经网络算法估算出电池的荷电状态SOC值;
S121、将荷电状态SOC值与安时积分法相结合,估算出电池的SOH值。
7.根据权利要求6所述的一种电池剩余使用寿命的综合估算方法,其特征在于,所述的步骤S121具体为:
采用安时积分法对电流在时间上积分计算出放电量,通过公式计算出电池的SOH值,即式中的SOHc,式中的分子表示现在时刻电池放电,由SOCt1放电至SOC t2对应的放电量;分母表示初始时刻,即新电池放电,由SOC t1放电至SOC t2对应的放电量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910053460.3A CN109738810B (zh) | 2019-01-21 | 2019-01-21 | 一种电池剩余使用寿命的综合估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910053460.3A CN109738810B (zh) | 2019-01-21 | 2019-01-21 | 一种电池剩余使用寿命的综合估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109738810A true CN109738810A (zh) | 2019-05-10 |
CN109738810B CN109738810B (zh) | 2021-06-15 |
Family
ID=66365437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910053460.3A Active CN109738810B (zh) | 2019-01-21 | 2019-01-21 | 一种电池剩余使用寿命的综合估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109738810B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112285568A (zh) * | 2020-10-21 | 2021-01-29 | 合肥工业大学 | 一种基于动力锂电池能量状态的剩余放电时间的估计方法 |
CN112327170A (zh) * | 2020-11-13 | 2021-02-05 | 中汽研(天津)汽车工程研究院有限公司 | 基于神经网络的动力电池全周期剩余寿命估算方法 |
CN112526378A (zh) * | 2019-09-18 | 2021-03-19 | 中车时代电动汽车股份有限公司 | 一种电池不一致性故障预警方法及设备 |
CN112630661A (zh) * | 2020-12-28 | 2021-04-09 | 广州橙行智动汽车科技有限公司 | 一种电池荷电状态soc估算方法和装置 |
CN112685961A (zh) * | 2021-01-12 | 2021-04-20 | 武汉大学 | 一种模拟电路的剩余使用寿命预测方法及系统 |
CN113552489A (zh) * | 2021-06-29 | 2021-10-26 | 广东工业大学 | 一种基于灰色神经网络的电站备用电源荷电状态估计方法 |
CN113740739A (zh) * | 2021-07-22 | 2021-12-03 | 西安交通大学 | 一种车载起动型免维护铅酸蓄电池剩余寿命预测方法 |
CN114019380A (zh) * | 2021-10-29 | 2022-02-08 | 天津市捷威动力工业有限公司 | 一种电芯的日历寿命扩展预测方法 |
US11300623B2 (en) | 2019-05-08 | 2022-04-12 | Tata Consultancy Services Limited | Method and system for remaining useful life prediction of lithium based batteries |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103698710A (zh) * | 2013-12-12 | 2014-04-02 | 中南大学 | 一种电池寿命周期预测方法 |
CN106443453A (zh) * | 2016-07-04 | 2017-02-22 | 陈逸涵 | 一种基于bp神经网络的锂电池soc估算方法 |
CN108226809A (zh) * | 2018-04-13 | 2018-06-29 | 淮阴工学院 | 一种多模型并用的电池soc估算方法 |
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 |
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 |
-
2019
- 2019-01-21 CN CN201910053460.3A patent/CN109738810B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103698710A (zh) * | 2013-12-12 | 2014-04-02 | 中南大学 | 一种电池寿命周期预测方法 |
CN106443453A (zh) * | 2016-07-04 | 2017-02-22 | 陈逸涵 | 一种基于bp神经网络的锂电池soc估算方法 |
CN108226809A (zh) * | 2018-04-13 | 2018-06-29 | 淮阴工学院 | 一种多模型并用的电池soc估算方法 |
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 |
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 (3)
Title |
---|
徐腊梅: "《质子交换膜燃料电池模拟与优化》", 31 December 2012, 国防工业出版社 * |
艾力等: "卫星锂离子电池寿命预测方法研究", 《第二十三届测试与故障诊断技术研讨会论文集》 * |
艾力等: "基于数据驱动的卫星锂离子电池寿命预测方法", 《计算机测量与控制》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11300623B2 (en) | 2019-05-08 | 2022-04-12 | Tata Consultancy Services Limited | Method and system for remaining useful life prediction of lithium based batteries |
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 |
CN112526378A (zh) * | 2019-09-18 | 2021-03-19 | 中车时代电动汽车股份有限公司 | 一种电池不一致性故障预警方法及设备 |
CN112285568A (zh) * | 2020-10-21 | 2021-01-29 | 合肥工业大学 | 一种基于动力锂电池能量状态的剩余放电时间的估计方法 |
CN112285568B (zh) * | 2020-10-21 | 2023-11-14 | 合肥工业大学 | 一种基于动力锂电池能量状态的剩余放电时间的估计方法 |
CN112327170A (zh) * | 2020-11-13 | 2021-02-05 | 中汽研(天津)汽车工程研究院有限公司 | 基于神经网络的动力电池全周期剩余寿命估算方法 |
CN112630661A (zh) * | 2020-12-28 | 2021-04-09 | 广州橙行智动汽车科技有限公司 | 一种电池荷电状态soc估算方法和装置 |
CN112630661B (zh) * | 2020-12-28 | 2022-12-09 | 广州橙行智动汽车科技有限公司 | 一种电池荷电状态soc估算方法和装置 |
CN112685961A (zh) * | 2021-01-12 | 2021-04-20 | 武汉大学 | 一种模拟电路的剩余使用寿命预测方法及系统 |
CN112685961B (zh) * | 2021-01-12 | 2022-06-21 | 武汉大学 | 一种模拟电路的剩余使用寿命预测方法及系统 |
CN113552489A (zh) * | 2021-06-29 | 2021-10-26 | 广东工业大学 | 一种基于灰色神经网络的电站备用电源荷电状态估计方法 |
CN113552489B (zh) * | 2021-06-29 | 2022-03-11 | 广东工业大学 | 一种基于灰色神经网络的电站备用电源荷电状态估计方法 |
CN113740739A (zh) * | 2021-07-22 | 2021-12-03 | 西安交通大学 | 一种车载起动型免维护铅酸蓄电池剩余寿命预测方法 |
CN114019380A (zh) * | 2021-10-29 | 2022-02-08 | 天津市捷威动力工业有限公司 | 一种电芯的日历寿命扩展预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109738810B (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109738810A (zh) | 一种电池剩余使用寿命的综合估算方法 | |
Wang et al. | An improved feedforward-long short-term memory modeling method for the whole-life-cycle state of charge prediction of lithium-ion batteries considering current-voltage-temperature variation | |
CN110568361B (zh) | 一种动力电池健康状态的预测方法 | |
CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
CN111505506A (zh) | 一种多尺度卡尔曼滤波与无迹卡尔曼滤波融合的电池soc估算方法 | |
Wang et al. | Perspectives and challenges for future lithium-ion battery control and management | |
CN109633477A (zh) | 基于ekf-gpr和日常片段数据的电池组健康状态的实时监控方法 | |
Wei et al. | Lyapunov-based state of charge diagnosis and health prognosis for lithium-ion batteries | |
CN113049962A (zh) | 一种基于lstm的储能装置运行态势推演方法 | |
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 | |
CN115598541B (zh) | 基于遗忘因子自适应反馈修正的电池能量状态评估方法 | |
Al-Greer et al. | Physics-based model informed smooth particle filter for remaining useful life prediction of lithium-ion battery | |
CN113392507A (zh) | 一种锂离子动力电池剩余寿命预测方法 | |
CN112611976A (zh) | 一种基于双差分曲线的动力电池健康状态估计方法 | |
CN109633470B (zh) | 基于ekf-gpr和日常片段数据的电池实时全充时间的估算方法 | |
CN116106761A (zh) | 基于典型相关分析的锂离子电池电量实时估计方法 | |
CN115201686A (zh) | 一种不完备充放电数据下的锂离子电池健康状态评估方法 | |
CN115308608A (zh) | 一种全钒液流电池电压预测方法、装置及介质 | |
Audin et al. | Auto-encoder LSTM for Li-ion SOH prediction: A comparative study on various benchmark datasets | |
CN114839550A (zh) | 一种基于ukf-aukf的锂电池soc联合估计方法 | |
CN112327169A (zh) | 一种锂电池剩余寿命预测方法 | |
CN115598546A (zh) | 锂离子电池soh、soc和rul的联合估计方法 | |
CN114325449A (zh) | 一种锂离子电池soh预测方法 | |
CN114417686B (zh) | 一种面向单个锂离子电池的自适应在线剩余使用寿命预测方法 | |
Che et al. | Health Prediction for Lithium-Ion Batteries Under Unseen Working Conditions |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190510 Assignee: Hefei Jinhe Electronic Technology Co.,Ltd. Assignor: Wenzhou University Contract record no.: X2021330000834 Denomination of invention: A comprehensive estimation method for remaining service life of battery Granted publication date: 20210615 License type: Common License Record date: 20211222 |