CN110109028A - 一种动力电池剩余寿命间接预测方法 - Google Patents
一种动力电池剩余寿命间接预测方法 Download PDFInfo
- Publication number
- CN110109028A CN110109028A CN201910294756.4A CN201910294756A CN110109028A CN 110109028 A CN110109028 A CN 110109028A CN 201910294756 A CN201910294756 A CN 201910294756A CN 110109028 A CN110109028 A CN 110109028A
- Authority
- CN
- China
- Prior art keywords
- battery
- prediction
- power battery
- life
- remaining life
- 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.)
- Pending
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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- 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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
-
- 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
Abstract
本发明公开了一种动力电池剩余寿命间接预测方法,以等充电压升时间、等放电压降时间为特征健康因子,构建健康特征因子与循环次数的时间序列,利用经验模态分解解耦全局退化和局部波动,将粒子滤波和多项式回归联合来预测电池剩余寿命,粒子滤波用来追踪局部波动现象,多项式回归用来拟合全局退化趋势。实验结果表明:本方法预测结果与来自美国宇航局艾姆斯卓越预测中心的锂电池循环寿命实验数据误差在4%之内,具有很好的精确性和实用性。
Description
技术领域
本发明属于电池管理系统健康预测和诊断技术领域,更为具体地,涉及一种动力电池剩余寿命间接预测方法。
背景技术
近年来,新能源汽车迅速发展,锂离子电池由于具备小体积、长寿命、高工作电压、高比能量比密度、无记忆效应等优势,逐渐成为主要动力来源,其精确的电池状态估算和寿命预测对于整车性能提升和锂电池实际应用十分重要。但是电池寿命实验周期特别长、实施难度大,使得电池健康状态评估(SOH)和寿命预测(RUL)研究相对较少,因此通过小样本的电池特性数据,精确的寿命预测不仅对系统安全还是对成本控制都具有重要意义。
电池剩余寿命预测模型和算法很多,可总结为基于模型预测、基于曲线特征分析、基于数据驱动三大类。基于模型预测方法具有模型复杂、预测算法计算困难等缺点,不适用于新能源汽车嵌入式应用;基于曲线特征分析具有数据处理复杂、特征较多且难以找到特征与目标之间的联系等缺点;而基于数据驱动不需要考虑电池内部机理变化,通过历史数据来训练模型参数,其精确度依赖于数据。
大部分研究工作对于电池剩余寿命研究一般从容量退化和内阻增大两方面出发,找到容量、内阻变化与电池循环次数之间的关系。但是电池容量无法直接通过传感器测量所得,通常通过测量电池放电或充电电流大小,然后用安时积分计算所得,测量误差具有时间累积效应;电池内阻测量一般通过电化学阻抗谱(EIS)测量所得,因测量条件要求很高,一般用于实验室研究,不适用于实际工程应用。此外,在新能源汽车使用过程中,用户难以做到动力电池满充满放,导致电池充放电数据不完整,使得电池容量无法在线计算。因此,电池容量衰退特征无法直接作为直接研究对象。
发明内容
本发明是针对汽车实际运行过程中,动力电池非满充满放工况下电池退化特征难以提取的问题,提出一种动力电池剩余寿命间接预测方法,特征提取简单,预测容易实现。
本发明提供了一种动力电池剩余寿命间接预测方法,实现过程如下:
步骤(1),对动力电池进行充放电循环寿命测试,得到充放电过程电压曲线;
步骤(2),对单次动力电池充放电的电压曲线进行特征提取,构建两类时间序列;
步骤(3),采用经验模态分解方法对两类时间序列分解分成不同尺度的特征模态函数和一个主元函数;
步骤(4),特征模态函数采用粒子滤波PF跟踪预测,主元函数采用多项式回归PR拟合全局退化趋势;
步骤(5),将所有的特征模态函数预测序列和主元函数预测序列相加,得到电池特征健康因子总体预测序列,再将电池寿命终止时对应循环次数与总体预测序列预测值对应的循环次数作差,得到电池的剩余使用寿命。
进一步,所述特征提取的特征健康因子为动力电池等充电压升时间CT和等放电压降时间DT,构建健康特征因子与循环次数的时间序列。
进一步,所述充电压升范围为3.5V-4V,放电电压压降范围为4V-3.5V。
进一步,特征模态函数采用粒子滤波跟踪预测的过程包括初始化、更新、重采样、预测。
进一步,所述多项式回归选用一元多项式回归模型,通过最小二乘法求解回归模型参数,最终得到多项式回归曲线。
进一步,所述电池特征健康因子总体预测序列采用的公式为:电池剩余使用寿命其中n为循环次数,T为特征模态函数个数,EOL为电池终止寿命,f()为预测结果对应循环次数。
本发明采用的技术方案,有如下有益效果:
(1)本发明将动力电池恒流充电时电压变化曲线中等充电压升时间和恒流放电时电压变化曲线中等放电压降时间作为特征健康因子,特征健康因子可以直接从监测数据中直接提取,不会因间接计算而造成累计误差,满足新能源车辆在实际运行过程中动力电池处于非满充满放工况下的数据在线寿命估算的要求。
(2)本发明将粒子滤波算法和多项式回归联合来预测动力电池的剩余使用寿命,针对时间序列经过经验模态分解为不同尺度的特征模态函数和主元函数,粒子滤波用来追踪特征模态函数的局部波动,多项式回归拟合主元函数的全局退化趋势,联合预测提升了曲线退化时预测的精度,解决了时间序列退化过程中曲线上下波动问题。
(3)本发明选择的电压压升和压降范围既可以反映出电池在不同循环次数下变化规律,也可以缓解新能源车的电池管理系统在估算电池剩余使用寿命时存储全部数据的压力。
(4)本发明所采用的方法相比于传统卡尔曼滤波、支持向量机和神经网络等数据驱动算法,计算资源压力较小,精度也能满足在线预测的应用需求。
附图说明
图1为EMD方法操作流程图;
图2为电池充放电循环实验的部分实验结果图,图2(a)为充电循环实验的部分实验结果,图2(b)为放电循环实验的部分实验结果;
图3为等压升时间和等压降时间的特征健康因子曲线图,图3(a)为等压升时间的特征健康因子曲线图,图3(b)为等压降时间的特征健康因子曲线图;
图4为特征因子与循环次数构成的时间序列曲线图,图4(a)为充电时特征因子与循环次数构成的时间序列曲线图,图4(b)为放电时特征因子与循环次数构成的时间序列曲线图;
图5为5#电池经EMD分解后生成的不同尺度的特征模态函数和一个主元函数图,图5(a)为等充电压升时间序列分解图,图5(b)为等放电压降时间序列分解图;
图6为粒子滤波联合多项式回归的预测框架图;
图7为5#电池充电时预测结果图;
图8为5#电池放电时预测结果图;
图9为6#电池充电时预测结果图;
图10为6#电池放电时预测结果图;
图11为7#电池充电时预测结果图;
图12为7#电池放电时预测结果图。
具体实施方式
下面结合具体实施方式对本发明的技术方案作进一步更详细的描述。
本发明提供了一种动力电池剩余寿命间接预测方法,实现过程如下:
本实例所用的电池数据,来自美国NASA艾姆斯卓越预测中心编号为5#、6#、7#电池寿命实验数据。电池具体参数:18650型号电池,额定容量2000mAh,上截止电压4.2V,下截止电压2.75V。
步骤一:对动力电池进行充放电循环寿命测试,记录每次充放电过程电压随时间变化数据,直到动力电池最大放电容量下降至额定容量的70%,停止实验。
电池循环寿命实验具体步骤为:
①恒流充电:三个电池都采用1.5A恒流充电,当电压达到4.2V时,停止恒流充电;
②恒压充电:三个电池进行4.2V恒压充电,直到充电电流降到20mA时,停止充电,静置30分钟;
③恒流放电:同时对三个电池都进行2A恒流放电,当三个电压分别达到2.7V、2.5V、2.2V时,停止放电,并且静置30分钟;
④重复①-③,直到电池容量衰退到额定容量的70%,实验结束。
由于电池充放电循环次数多,周期长,图2只展示了电池循环第34、54、74、94、114次的充电电压(图2(a))和放电电压图2(b)实验结果。
步骤二:对单次动力电池充放电的电压曲线进行特征提取,构建两类时间序列。
根据步骤一动力电池充放电循环寿命测试实验,得到充电过程电压曲线以及放电过程电压曲线,以等充电压升时间(CT)和等放电压降时间(DT)为特征健康因子,如图3 所示,图3(a)中充电电压压升范围为3.5V-4V,图3(b)中放电电压压降范围为4V-3.5V,以压升和压降对应的时间间隔构建两个特征健康因子,这两个健康因子与循环次数构成时间序列,分别为:CTn和DTn(n为循环次数);图4(a)为编号5#、6#、7#电池的等充电压升时间序列,图4(b)为编号5#、6#、7#电池的等放电压降时间序列。
步骤三:采用经验模态分解方法(EMD)对两时间序列进行分解,把时间序列分成若干个特征模态函数分量,通过研究分量来揭示原序列的特征。
如图1所示,经验模态分解的具体过程为:
(1)对给定时间序列CTn和DTn,首先确定出CTn和DTn上所有极值点,用三次样条曲线连接所有极大值点形成上包络线E1,再用三次样条曲线连接所有极小值点形成下包络线E2;数据CTn和DTn与上下包络线均值m1的差记为h1,则
h1=CTn,DTn-m1 (1)
(2)将h1视作新的CTn和DTn,重复(1),直到hi满足特征模态函数(IMF)的两个条件时,则其成为第一阶IMF,记为C1;特征模态函数需满足以下两个条件:①整个时间历程内,穿越零点的次数与极值点数相等或至多相差1;②信号关于时间轴局部对称。
(3)将C1从CTn和DTn中分离出来,得到一个去掉高频分量的差值信号r1,即
r1=CTn,DTn-C1 (2)
(4)将r1作为新信号,重复(1)、(2),直到第n阶的残余信号成为单调函数,不能筛分出IMF分量;
rn=rn-1-Cn (3)
其中rn为主元函数。
将5#电池所有充放电实验数据统计完整,提取每次循环的健康因子,健康因子与循环次数形成新的时间序列,然后在MATLAB中根据经验模态分解步骤对时间序列进行处理,生成不同时间尺度的特征模态函数和一个主元函数,如图5所示。图5(a)为等充电压升时间序列分解图,处理结果为两个时间尺度的特征模态函数和一个主元函数;图5(b)为等放电压降时间序列分解图,处理结果为三个时间尺度的特征模态函数和一个主元函数。
步骤四:对不同尺度的特征模态函数采用粒子滤波跟踪预测,对主元函数采用多项式回归预测。
根据步骤三已经得到特征模态函数和主元函数,特征模态函数采用的粒子滤波算法 (PF)跟踪预测的过程如下:
(1)初始化
由先验概率p(x0)产生粒子群N为粒子总个数,所有粒子权值为
(2)更新
在k时刻,更新粒子权值,并且归一化:
其中:为k时刻第i个粒子权重,zk为k时刻观测量,为k时刻状态对应的第i个粒子;
也可得到k时刻未知参数x的最小均方估计为:
(3)重采样,得到新的粒子集
(4)预测
利用状态方程X(K+1)=f(X(K),W(K))预测未知参数
其中X(K+1)为k+1时刻状态,X(K)为k时刻状态,W(K)为系统过程噪声;
(5)在时刻k=k+1,转到(2)。
主元函数采用的多项式回归算法(PR)如下:
选用一元多项式回归模型,一元多项式回归模型为:
p(x)=θ0+θ1x+…+θmxm (6)
其中:θ0,θ1,…,θm为一元多项式的所有未知系数;
通过最小二乘法求解回归模型参数,即:
其中:y(i)为观测量;
设
其中:0≤j≤m;
将(8)范德蒙化得到:
可得系数矩阵为:
θ=(XTX)-1XTY (9)
将θ带入公式(6),从而得到多项式回归曲线。
步骤五:采用多项式回归联合粒子滤波预测电池剩余寿命,并将本次联合预测结果与真实测试结果进行比较。
将所有的特征模态函数预测序列和主元函数预测序列相加,得到电池特征健康因子总体预测序列:
其中T为特征模态函数个数,RUL为电池剩余使用寿命,EOL为电池终止寿命, f()为预测结果对应循环次数。
将实验电池寿命终止时对应循环次数与该序列预测值对应的循环次数作差,得到电池的剩余使用寿命。
图6为本发明电池剩余使用寿命预测框架,首先在离线阶段监测电池充放电循环实验数据,根据实验数据把电池所有循环等充电压升时间和等放电压降时间两个特征健康因子提取出,同时与循环次数构成时间序列,然后这两类时间序列通过经验模态分解分成不同尺度的特征模态函数和一个主元函数,特征模态函数采用粒子滤波跟踪局部波动,主元函数采用多项式回归拟合全局退化趋势,并将所有单个函数预测进行累加得到原时间序列的预测结果,最后将离线阶段预测模型应用到在线诊断预测当中。预测过程当中数据处理以及算法编程都通过MATLAB实现。图7为5#电池等充电压升时间序列预测结果和实验结果,当预测值下降到电池终止寿命(EOL)时,电池实验真实剩余使用寿命为123次,而预测结果为120次。图8为5#电池等放电压降时间序列预测结果和实验结果,当预测值到达电池终止寿命时,电池真实剩余使用寿命为123次,预测结果也为123次。图9为6#电池等充电压升时间序列预测结果和实验结果,当预测值下降到电池终止寿命(EOL)时,电池实验真实剩余使用寿命为109次,而预测结果为108次。图10为6#电池等放电压降时间序列预测结果和实验结果,当预测值到达电池终止寿命时,电池真实剩余使用寿命为 109次,预测结果为113次。图11为7#电池等充电压升时间序列预测结果和实验结果,当预测值下降到电池终止寿命(EOL)时,电池实验真实剩余使用寿命为159次,而预测结果为165次。图12为7#电池等放电压降时间序列预测结果和实验结果,当预测值到达电池终止寿命时,电池真实剩余使用寿命为159次,预测结果也为154次。下表为三个电池预测结果和实验结果对比。
表1预测结果和实验结果对比
从表1可以看出,本发明提出的两个特征健康因子,对于充电过程和放电过程,预测结果相比于实验测试结果误差在4%以内,由此证明,本发明所提供的预测方法可以有效地预测出动力电池剩余使用寿命,精度也符合在线预测要求。
需要指出的是,本实施例的目的是为了更好的解释本发明,而不是限制本发明的保护范围。实施例中设置的算法参数值和具体电池参数只是本次实验验证所需,基于本发明中的实施例,本领域技术人员在没有作出创造性劳动的前提下的其他所有实施例,都应属于本发明的保护范围。
Claims (6)
1.一种动力电池剩余寿命间接预测方法,其特征在于,包括如下步骤:
步骤(1),对动力电池进行充放电循环寿命测试,得到充放电过程电压曲线;
步骤(2),对单次动力电池充放电的电压曲线进行特征提取,构建两类时间序列;
步骤(3),采用经验模态分解方法对两类时间序列分解分成不同尺度的特征模态函数和一个主元函数;
步骤(4),特征模态函数采用粒子滤波PF跟踪预测,主元函数采用多项式回归PR拟合全局退化趋势;
步骤(5),将所有的特征模态函数预测序列和主元函数预测序列相加,得到电池特征健康因子总体预测序列,再将电池寿命终止时对应循环次数与总体预测序列预测值对应的循环次数作差,得到电池的剩余使用寿命。
2.如权利要求1所述的动力电池剩余寿命间接预测方法,其特征在于,所述特征提取的特征健康因子为动力电池等充电压升时间CT和等放电压降时间DT,构建健康特征因子与循环次数的时间序列。
3.如权利要求2所述的动力电池剩余寿命间接预测方法,其特征在于,所述充电压升范围为3.5V-4V,放电电压压降范围为4V-3.5V。
4.如权利要求1所述的动力电池剩余寿命间接预测方法,其特征在于,特征模态函数采用粒子滤波跟踪预测的过程包括初始化、更新、重采样、预测。
5.如权利要求1所述的动力电池剩余寿命间接预测方法,其特征在于,所述多项式回归选用一元多项式回归模型,通过最小二乘法求解回归模型参数,最终得到多项式回归曲线。
6.如权利要求1或2所述的动力电池剩余寿命间接预测方法,其特征在于,所述电池特征健康因子总体预测序列采用的公式为:电池剩余使用寿命其中n为循环次数,T为特征模态函数个数,EOL为电池终止寿命,f()为预测结果对应循环次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910294756.4A CN110109028A (zh) | 2019-04-12 | 2019-04-12 | 一种动力电池剩余寿命间接预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910294756.4A CN110109028A (zh) | 2019-04-12 | 2019-04-12 | 一种动力电池剩余寿命间接预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110109028A true CN110109028A (zh) | 2019-08-09 |
Family
ID=67484213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910294756.4A Pending CN110109028A (zh) | 2019-04-12 | 2019-04-12 | 一种动力电池剩余寿命间接预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110109028A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111007418A (zh) * | 2019-12-30 | 2020-04-14 | 电子科技大学 | 一种基于扩展性指数分布的锂电池剩余寿命预测方法 |
CN111220921A (zh) * | 2020-01-08 | 2020-06-02 | 重庆邮电大学 | 基于改进卷积-长短时记忆神经网络的锂电池容量估算方法 |
CN112149746A (zh) * | 2020-09-27 | 2020-12-29 | 中国商用飞机有限责任公司北京民用飞机技术研究中心 | 起落架剩余使用次数模型训练方法、装置及计算机设备 |
CN112257348A (zh) * | 2020-12-22 | 2021-01-22 | 北京航空航天大学 | 一种锂电池长期退化趋势预测方法 |
CN112327169A (zh) * | 2020-11-09 | 2021-02-05 | 上海工程技术大学 | 一种锂电池剩余寿命预测方法 |
CN112557931A (zh) * | 2019-09-10 | 2021-03-26 | 中国科学院苏州纳米技术与纳米仿生研究所 | 金属锂电池健康程度的检测装置及方法 |
CN113359048A (zh) * | 2021-04-28 | 2021-09-07 | 中国矿业大学 | 一种锂离子电池剩余使用寿命间接预测方法 |
CN113743541A (zh) * | 2021-11-04 | 2021-12-03 | 华中科技大学 | 一种基于退化模式预测船用动力系统轴承剩余寿命的方法 |
CN115114878A (zh) * | 2022-07-26 | 2022-09-27 | 中国长江三峡集团有限公司 | 一种储能电站电池寿命在线预测方法、装置及存储介质 |
CN115575843A (zh) * | 2022-10-25 | 2023-01-06 | 楚能新能源股份有限公司 | 一种锂离子电池寿命预测方法 |
CN117148170A (zh) * | 2023-10-30 | 2023-12-01 | 深圳市普裕时代新能源科技有限公司 | 一种电池储能系统及其储能测试方法 |
CN117374437A (zh) * | 2023-12-07 | 2024-01-09 | 天津国能津能滨海热电有限公司 | 蓄电池寿命管理系统、方法、装置、存储介质及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107015165A (zh) * | 2017-06-14 | 2017-08-04 | 安庆师范大学 | 基于稀疏系数多核相关向量机的锂电池剩余寿命预测方法 |
CN107015157A (zh) * | 2017-04-01 | 2017-08-04 | 湖南银杏数据科技有限公司 | 基于恒流等压升片段的锂电池剩余循环寿命在线快速测试法 |
CN107092744A (zh) * | 2017-04-16 | 2017-08-25 | 北京工业大学 | 基于emd‑svr的地表沉降量预测方法 |
WO2018080043A1 (ko) * | 2016-10-25 | 2018-05-03 | 주식회사 엘지화학 | 이차 전지 및 그것의 수명 예측 장치 |
CN108303652A (zh) * | 2018-01-18 | 2018-07-20 | 武汉理工大学 | 一种锂电池剩余寿命预测方法 |
-
2019
- 2019-04-12 CN CN201910294756.4A patent/CN110109028A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2018080043A1 (ko) * | 2016-10-25 | 2018-05-03 | 주식회사 엘지화학 | 이차 전지 및 그것의 수명 예측 장치 |
CN107015157A (zh) * | 2017-04-01 | 2017-08-04 | 湖南银杏数据科技有限公司 | 基于恒流等压升片段的锂电池剩余循环寿命在线快速测试法 |
CN107092744A (zh) * | 2017-04-16 | 2017-08-25 | 北京工业大学 | 基于emd‑svr的地表沉降量预测方法 |
CN107015165A (zh) * | 2017-06-14 | 2017-08-04 | 安庆师范大学 | 基于稀疏系数多核相关向量机的锂电池剩余寿命预测方法 |
CN108303652A (zh) * | 2018-01-18 | 2018-07-20 | 武汉理工大学 | 一种锂电池剩余寿命预测方法 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112557931A (zh) * | 2019-09-10 | 2021-03-26 | 中国科学院苏州纳米技术与纳米仿生研究所 | 金属锂电池健康程度的检测装置及方法 |
CN112557931B (zh) * | 2019-09-10 | 2024-04-09 | 中国科学院苏州纳米技术与纳米仿生研究所 | 金属锂电池健康程度的检测装置及方法 |
CN111007418B (zh) * | 2019-12-30 | 2020-12-29 | 电子科技大学 | 一种的锂电池剩余寿命预测方法 |
CN111007418A (zh) * | 2019-12-30 | 2020-04-14 | 电子科技大学 | 一种基于扩展性指数分布的锂电池剩余寿命预测方法 |
CN111220921A (zh) * | 2020-01-08 | 2020-06-02 | 重庆邮电大学 | 基于改进卷积-长短时记忆神经网络的锂电池容量估算方法 |
CN112149746B (zh) * | 2020-09-27 | 2024-02-06 | 中国商用飞机有限责任公司北京民用飞机技术研究中心 | 起落架剩余使用次数模型训练方法、装置及计算机设备 |
CN112149746A (zh) * | 2020-09-27 | 2020-12-29 | 中国商用飞机有限责任公司北京民用飞机技术研究中心 | 起落架剩余使用次数模型训练方法、装置及计算机设备 |
CN112327169A (zh) * | 2020-11-09 | 2021-02-05 | 上海工程技术大学 | 一种锂电池剩余寿命预测方法 |
CN112257348A (zh) * | 2020-12-22 | 2021-01-22 | 北京航空航天大学 | 一种锂电池长期退化趋势预测方法 |
CN113359048A (zh) * | 2021-04-28 | 2021-09-07 | 中国矿业大学 | 一种锂离子电池剩余使用寿命间接预测方法 |
CN113743541A (zh) * | 2021-11-04 | 2021-12-03 | 华中科技大学 | 一种基于退化模式预测船用动力系统轴承剩余寿命的方法 |
CN113743541B (zh) * | 2021-11-04 | 2022-02-08 | 华中科技大学 | 一种基于退化模式预测船用动力系统轴承剩余寿命的方法 |
CN115114878A (zh) * | 2022-07-26 | 2022-09-27 | 中国长江三峡集团有限公司 | 一种储能电站电池寿命在线预测方法、装置及存储介质 |
CN115575843A (zh) * | 2022-10-25 | 2023-01-06 | 楚能新能源股份有限公司 | 一种锂离子电池寿命预测方法 |
CN117148170A (zh) * | 2023-10-30 | 2023-12-01 | 深圳市普裕时代新能源科技有限公司 | 一种电池储能系统及其储能测试方法 |
CN117148170B (zh) * | 2023-10-30 | 2024-01-09 | 深圳市普裕时代新能源科技有限公司 | 一种电池储能系统及其储能测试方法 |
CN117374437A (zh) * | 2023-12-07 | 2024-01-09 | 天津国能津能滨海热电有限公司 | 蓄电池寿命管理系统、方法、装置、存储介质及设备 |
CN117374437B (zh) * | 2023-12-07 | 2024-03-19 | 天津国能津能滨海热电有限公司 | 蓄电池寿命管理系统、方法、装置、存储介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110109028A (zh) | 一种动力电池剩余寿命间接预测方法 | |
Guo et al. | A data-driven remaining capacity estimation approach for lithium-ion batteries based on charging health feature extraction | |
Zhang et al. | A novel approach of battery pack state of health estimation using artificial intelligence optimization algorithm | |
CN105334462B (zh) | 电池容量损失在线估算方法 | |
KR101846690B1 (ko) | Wls 기반 soh 추정 시스템 및 방법 | |
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 | |
CN111443293A (zh) | 一种基于数据驱动的锂电池健康状态soh估算方法 | |
CN107690585A (zh) | 用于确定锂硫电池组的健康状况和充电状态的方法和装置 | |
CN109358293B (zh) | 基于ipf的锂离子电池soc估计方法 | |
EP3591413B1 (en) | Method for evaluating an electric battery state of health | |
CN110673037B (zh) | 基于改进模拟退火算法的电池soc估算方法及系统 | |
CN110703112A (zh) | 一种基于局部充电数据的电池组状态的在线估计方法 | |
Liu et al. | Battery degradation model and multiple-indicators based lifetime estimator for energy storage system design and operation: Experimental analyses of cycling-induced aging | |
Keshun et al. | Remaining useful life prediction of lithium-ion batteries using EM-PF-SSA-SVR with gamma stochastic process | |
Venugopal et al. | Analysis of optimal machine learning approach for battery life estimation of Li-ion cell | |
CN115994441A (zh) | 基于机理信息的大数据云平台在线电池寿命预测方法 | |
Donato et al. | Machine learning systems based on xgBoost and MLP neural network applied in satellite lithium-ion battery sets impedance estimation | |
De Sousa et al. | Comparison of different approaches for lead acid battery state of health estimation based on artificial neural networks algorithms | |
Merrouche et al. | Improved model and simulation tool for dynamic SOH estimation and life prediction of batteries used in PV systems | |
Bak et al. | Accurate estimation of battery SOH and RUL based on a progressive lstm with a time compensated entropy index | |
Eleftheriadis et al. | Comparative study of machine learning techniques for the state of health estimation of li-ion batteries | |
CN112557908A (zh) | 一种锂离子动力电池soc和soh联合估计方法 | |
Li et al. | The state of charge estimation of lithium-ion battery based on battery capacity | |
CN113743664A (zh) | 一种基于随机片段数据的锂电池状态估计方法及系统 | |
Dong et al. | State of health estimation and remaining useful life estimation for Li-ion batteries based on a hybrid kernel function relevance vector machine |
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 |