CN110687452A - 基于K均值聚类与Elman神经网络的锂电池容量在线预测方法 - Google Patents
基于K均值聚类与Elman神经网络的锂电池容量在线预测方法 Download PDFInfo
- Publication number
- CN110687452A CN110687452A CN201910835244.4A CN201910835244A CN110687452A CN 110687452 A CN110687452 A CN 110687452A CN 201910835244 A CN201910835244 A CN 201910835244A CN 110687452 A CN110687452 A CN 110687452A
- Authority
- CN
- China
- Prior art keywords
- neural network
- lithium battery
- elman neural
- vector
- capacity
- 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
Images
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
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提出了一种基于K均值聚类与Elman神经网络的锂电池容量在线预测方法。首先,确定待测锂离子电池的型号,利用一块与待测电池相同型号的电池进行循环充放电实验,记录锂电池放电时间序列并对其做K均值聚类,建立数据模型;然后,引入模拟退火遗传算法优化Elman神经网络的初始权值与阈值,利用构建的数据模型训练Elman神经网络,离线建立起锂离子电池实际容量预测系统。在线进行容量预测时,将采集到的待测锂离子电池实际放电时间序列数据,输入预测系统,在不影响锂离子电池正常工作的同时,预测出电池的实际容量。本发明的技术可以实现锂离子电池实际容量的在线精确预测。
Description
技术领域
本发明属于锂电池技术领域,具体涉及一种基于K均值聚类与Elman神经网络的锂电池容量在线预测方法。
背景技术
作为当代电子产品的主要储能器件,锂电池受益于其较轻的质量、较低的放电率和长使用寿命等优势,已经基本取代了传统的镍镉电池、镍氢电池。锂电池在载人航天器、无人驾驶飞机等其他工业领域应用也颇为广泛。锂电池已然成为促进国民经济健康发展和国家科技进步的重要元件,对推动工业技术进步、新能源应用和生态环境的改善起到了重要作用。
不可避免的是,锂电池内部在实际使用过程也存在着一些无法控制的物理化学变化,这将引起锂电池的性能下降和失效,甚至引发安全事故。近年来,由锂电池故障导致的安全事故频发,这些重大安全事故的发生,不仅与使用人员操作方法相关,更与锂电池自身的固有特性有着密不可分的联系。因此,为了提高锂电池的安全性与可靠性,既需要不断改进锂电池的加工工艺,提高其安全性,也要求我们必须实时对其进行实际容量监测,在了解锂电池的退化过程,制定合理的锂电池健康管理方案的同时避免一些不必要事故的发生。
锂电池容量(即锂电池实际容量)指在一定的放电制度下(一定深度,一定的电流密度和终止电压),电池所能释放的电量。传统的锂电池实际容量预测方法基于建立物理化学机理模型。但是,基于物理化学机理的建模方法非常复杂,模型求解通常不易实现,且在线应用与泛化能力较差。所以,基于自回归滑动模型、支持矢量机、粒子滤波和神经网络等数据驱动的方式预测锂电池容量方法应运而生。在实际预测过程中,自回归滑动模型需要估计求和自回归滑动平均的阶次、未知参数,算法实现比较复杂,一般难以在对软件硬件资源约束较高的工程领域得到广泛应用;支持矢量机虽然具有较优的人工智能自学习功能,但是其模型求解过程相对复杂,不易在工程上实现推广和应用;粒子滤波算法在预测锂电池实际容量时过度依赖电池经验退化模型,在线应用能力较差;传统神经网络算法自身存在易陷入局部极小值,收敛速度慢等问题。
发明内容
本发明的目的在于提出了一种基于K均值聚类与Elman神经网络的锂电池容量在线预测方法,通过K均值聚类在构建完成的锂电池放电时间序列数据模型中选取最佳样本,构建多组训练集分别训练Elman神经网络。在开始训练前,引入模拟退火遗传算法优化Elman神经网络的初始权值和阈值,利用模拟退火遗传算法的全局优化搜索能力,有效避开局部极小值点。利用本发明中提出的方法,将K均值聚类算法与训练完成的Elman神经网络相结合,离线构建锂电池实际容量预测系统并在线应用,实现锂电池实际容量的在线精确预测。
实现本发明目的的技术解决方案为:一种基于K均值聚类与Elman神经网络的锂电池容量在线预测方法,包括以下步骤:
步骤1:通过实验构建锂电池实际容量预测数据模型
1-1)确定待测锂电池型号,并利用一块与待测电池型号相同的崭新锂电池进行循环充放电实验。实验过程为:以充电电流I1恒流充电,直至电池电压达到预设值U1,保持电池电压U1不变,在恒压模式下继续充电,直至充电电流I1下降至预设值I2。接着以放电电流I3恒流放电,直至电压下降至预设值U2。按上述过程对锂电池循环充电、放电,直至锂电池健康状态值(SOH)下降至预设值停止实验。实验中电流I1,I2,I3,电压U1,U2和健康状态值SOH均为常数,可根据锂电池实际工作环境不同而选取不同值。锂电池完成一次充电与一次放电的过程记为一次循环。其中,锂电池SOH定义为:
式中:CM——锂电池实际容量;
CN——锂电池的额定容量。
1-2)每次循环从锂电池开始放电的时刻计时,统计每次循环中锂电池放电过程的端电压分别为V1,V2,…,Vn(Vn-1≥Vn且Vn-1-Vn=常数,该常数可根据实际工作环境不同而选取不同值。)这n个电压值对应的时刻,相应的端电压记为向量V=[V1,V2,…,Vn],向量V中各元素所对应的时间点依次排列组成的时间序列记为u=[t1,t2,…,tn],称该时间序列为锂电池放电时间序列。将N次循环记录的N个锂电池放电时间序列合并,记为矩阵T1:
式中:N——实验停止时锂电池循环充放电的次数。
1-3)记录每次循环结束后锂电池的实际容量,记为向量C1:
C1=[c1 c2 … cN]
式中:N——实验停止时锂电池循环充放电的次数。
转入步骤2。
步骤2:对矩阵T1做K均值聚类,构建Elman神经网络训练集
2-1)将矩阵T1的每行记作一个向量,在矩阵T1中随机选择k个向量,作为数据集的初始聚类中心。聚类个数k的确定方式如下:
在正整数1,2,…,q中(q可根据实际情况选取不同值),找出一个正整数,使评价指标J在评价矩阵T1时为最小值,得到的正整数即为k。评价指标J定义为:
2-2)分别计算T1中每个行向量到k个聚类中心的欧式距离,若某个向量与第l个聚类中心的欧式距离最近,则将该数据划分至第l簇,其中,l∈{1,2,…,k}。如果某个向量与多个聚类中心的欧式距离相等,该向量可以划分至对应的多个簇中的任意一簇。
2-3)计算每簇中所有行向量的均值向量,将得到的这k个均值向量作为数据集新的聚类中心。
2-4)重复步骤2)和3)直至聚类中心不再变化。
2-5)将T1中对应每一簇的所有行向量依次组成新的矩阵,分别记为A1,A2,…,Ak。在预测系统中构建l个Elman神经网络,Al为第l个Elman神经网络的输入训练集。
2-6)在步骤1所构建的向量C1中,提取与Al中每个行向量相对应的电池实际容量,得到的新向量作为第l个Elman神经网络的目标输出训练集。
转入步骤3。
步骤3:使用模拟退火遗传算法优化Elman神经网络。首先建立Elman神经网络的拓扑结构,然后使用模拟退火遗传算法确定网络的最优初始连接权值和阈值。使用模拟退火遗传算法确定Elman神经网络的最优连接权值与阈值主要有以下步骤:
3-1)设置模拟退火初始温度t;
3-2)给出Elman神经网络的权值和阈值编码方案,同时生成初始种群:
采用实数编码方案,每个个体均为一个实数串,网络的权值和阈值参数分别由输入层与隐含层的连接权值、承接层与隐含层的连接权值、隐含层与输出层的连接权值、隐含层神经元的阈值、输出层神经元的阈值;每个个体代表一个结构、初始权值和阈值确定的神经网络;
3-3)解码初始种群中的每个个体,并构造其相对应的神经网络;
3-4)根据性能评价准则计算出每个个体的适应度;
3-5)根据适应度大小决定每个个体繁衍后代的概率,完成个体选择操作;
3-6)个体选择完成后,将产生的新种群按照一定的概率做交叉、变异操作得到新一代种群;
3-7)计算3-6)中新生成的种群中每个个体的适应度,对新种群中所有个体做模拟退火操作;
对所有个体做模拟退火操作的步骤为:
依据Metropolis准则,按照一定概率接受新个体,接受新个体的概率r如下:
式中:fnew为新生成的种群中个体适应度;fold为步骤3-5)之前的种群中个体的适应度;t为每次对新种群做模拟退火时的温度;
3-8)更新退火温度;
3-9)计算Elman神经网络的输出,评估输出结果是否满足要求:
如果评估结果满足要求,则转到3-10),否则返回3-4);
3-10)根据Elman神经网络的输出进行Elman神经网络性能评估:
如果评估结果满足要求则转到3-12),否则转到3-11)。
3-11)计算正向、反向误差,调节神经网络权值和阈值,并返回3-10)。
采用均方误差作为误差的计算方式;采用BP算法修正网络权值和阈值;学习目标函数采用误差平方和函数,定义w时刻Elman神经网络误差平方和函数E(w)为:
3-12)记录经过模拟退火遗传算法优化之后获得的Elman神经网络连接权值和阈值,转入步骤4。
步骤4:训练Elman神经网络,离线构建锂电池实际容量预测系统
4-1)将步骤2中构建Elman神经网络训练集中的输入训练集,分别进行归一化处理后,输入相应的k个Elman神经网络;
4-2)将步骤2中构建Elman神经网络训练集中的输出训练集,分别归一化处理后,作为相应的第l个Elman神经网络的输出;
步骤4-1)~步骤4-2)中,归一化的方式定义为:
式中:ymax为归一化上限;ymin为归一化下限;y为归一化后的值;x为实际值;xmax为实际值的最大值;xmin为实际值的最小值。
4-3)将步骤3中得到的最优初始权值和阈值赋给每个Elman神经网络,利用对应的各个训练集训练相应的Elman神经网络。
4-4)将K均值聚类分析与训练好的Elman神经网络相结合。结合方式为:若输入的待测电池的放电时间被划分至第l簇,则将锂电池放电时间序列归一化后,输入第l个Elman神经网络,以确定待测锂电池实际容量。
转入步骤5。
步骤5:在线实现锂电池实际容量预测
5-1)采集锂电池实际工作时,以放电电流I3恒流放电,直至电压下降至预设值U2的过程中,电池端电压分别为V1,V2,…,Vn这n个电压值时对应的时刻。相应的电压值组成行向量V=[V1,V2,…,Vn],相应的时间序列组成行向量T2:
T2=[t1 t2 … tn]
5-3)对矩阵T做K均值聚类计算,若向量T2被划分至第l簇,则将向量T2归一化后送入第l个Elman神经网络。
5-4)将Elman神经网络输出结果反归一化,得到的数值即为预测的锂电池实际容量。
本发明与现有技术相比,其显著优点在于:
1、使用K均值聚类方法,在构建好的数据模型中选取最佳样本,构建多组训练集分别训练Elman神经网络,使得训练完成的神经网络具有更强的非线性逼近能力,有效解决了使用传统神经网络方法预测锂电池实际容量时,由于锂电池额定容量不同导致的在锂电池使用初期预测精度偏低的问题。
2、训练Elman神经网络前,引入模拟退火遗传算法进行Elman神经网络的初始权值、阈值优化,有效解决了使用传统神经网络预测所带来的弊端。
3、使用本发明中提出的方法,离线创建锂电池实际容量预测系统,在线应用。相比传统方法,该系统预测结果精度更高,泛化能力与在线应用能力强。解决了锂电池容量难以在线测量的问题。在锂电池正常工作时可以同时测量锂电池容量,实时获取锂电池性能衰退信息,及时制定合理的锂电池健康管理策略。
附图说明
图1为本发明基于K均值聚类与Elman神经网络的锂电池容量在线预测方法的流程图。
图2为本发明中退火遗传Elman神经网络模型训练过程流程图。
图3为本发明中的退火遗传算法优化Elman神经网络时,种群适应度下降曲线图。
图4为仅仅使用遗传算法优化Elman神经网络时,种群适应度下降曲线图。
图5为采用本发明中一种基于K均值聚类与Elman神经网络的锂电池容量在线预测方法预测锂电池实际容量时,电池容量实际值与预测值对比曲线图。
图6为本发明中提出的基于K均值聚类与Elman神经网络的锂电池容量在线预测方法实现方式图。
具体实施方式
结合图1,一种基于K均值聚类与Elman神经网络的锂电池容量在线预测方法,利用K均值聚类算法对实验获取的锂电池实际容量预测数据模型做聚类分析,引入模拟退火遗传算法优化Elman神经网络的初始权值和阈值,离线构建预测系统,实现精确地在线预测锂电池的实际容量,具体包括以下步骤:
步骤1、通过实验构建锂电池实际容量预测数据模型,具体如下:
通过对一块崭新锂电池做循环充放电实验,构建锂电池实际容量预测数据模型,具体如下:
1-1)确定待测锂电池型号,并利用一块与待测电池型号相同的崭新锂电池进行循环充放电实验,实验过程为:
以充电电流I1恒流充电,直至锂电池电压达到预设值U1,保持电压U1不变,在恒压模式下继续充电,直至充电电流I1下降至预设值I2;接着以放电电流I3恒流放电,直至电压下降至预设值U2;
按上述过程对锂电池循环充电、放电,直至锂电池SOH下降至其预设值停止实验,实验中电流I1,I2,I3,电压U1,U2和SOH均为常数,根据锂电池实际工作环境不同而选取不同值,锂电池完成一次充电与一次放电的过程记为一次循环;
1-2)每次循环从锂电池开始放电的时刻计时,统计每次循环中锂电池放电过程的端电压分别为V1,V2,…,Vn,这n个电压值对应的时刻,相应的端电压记为向量V=[V1,V2,…,Vn],向量V中各元素所对应的时间点依次排列组成的时间序列记为u=[t1,t2,…,tn],称该时间序列为锂电池放电时间序列,其中Vn-1≥Vn且Vn-1-Vn=常数,将N次循环记录的N个锂电池放电时间序列合并,记为矩阵T1:
式中:N为实验停止时锂电池循环充放电的次数;
1-3)记录每次循环结束后锂电池的实际容量,记为向量C1:
C1=[c1 c2 … cN]
锂电池的放电时间随着锂电池容量的减小而减小。因此,选取无需精密仪器即可在线精确测量的锂电池的放电时间作为表示锂电池容量衰减的特征,利用锂电池容量在线预测系统实时预测锂电池容量,有效解决了锂电池容量难以在线测量的问题。
转入步骤2。
步骤2:对矩阵T1做K均值聚类,构建Elman神经网络训练集,具体如下:
2-1)将矩阵T1的每行记作一个向量,在矩阵T1中随机选择k个向量,作为数据集的初始聚类中心;
2-2)分别计算T1中每个行向量到k个聚类中心的欧式距离,若某个向量与第l个聚类中心的欧式距离最近,则将该数据划分至第l簇,其中,l∈{1,2,…,k};如果某个向量与多个聚类中心的欧式距离相等,则该向量被划分至对应的多个簇的任意一簇中,其中,聚类个数k的确定方式如下:
在正整数1,2,…,q中,找出一个正整数,q根据实际情况选取不同值,使评价指标J在评价矩阵T1时为最小值,得到的正整数即为k,评价指标J定义为:
其中,每个向量到k个聚类中心的欧式距离clm为第l个聚类中心向量的第m个值,N为实验停止时锂电池循环充放电的次数;n为实验中采集的锂电池端电压值的个数;i为实验中锂电池已经完成的充放电循环次数。
2-3)计算每簇中所有行向量的均值向量,将得到的这k个均值向量作为数据集新的聚类中心;
2-4)重复步骤2-2)和步骤2-3)直至聚类中心不再变化;
2-5)将T1中对应每一簇的所有行向量依次组成新的矩阵,分别记为A1,A2,…,Ak,构建k个Elman神经网络,其中Al为第l个Elman神经网络的输入训练集;
2-6)在步骤1所构建的向量C1中,分别提取与Al中每个行向量相对应的电池实际容量,得到的新向量作为第l个Elman神经网络的目标输出训练集,转入步骤3。
针锂电池设计寿命长,电池历史数据量大这一特性,难以提取有效特征信息问题。通过K均值聚类算法,根据锂电池放电时间序列,将锂电池历史实验数据划分为k簇,构建k个训练集分别训练k个Elman神经网络。精确地将实时监测的待测锂电池放电时间序列划分至与其SOH近似的训练集,再利用对应的Elman神经网络完成预测,解决了锂电池容量在锂电池使用初期预测精度较低的问题,提高锂电池容量预测精度的有效途径。转入步骤3。
步骤3、使用模拟退火遗传算法优化Elman神经网络:
建立Elman神经网络的拓扑结构,使用模拟退火遗传算法确定Elman神经网络的最优初始连接权值和阈值,算法流程图如图2所示。具体步骤如下:
3-1)设置模拟退火初始温度t;
3-2)给出Elman神经网络的权值和阈值编码方案,同时生成初始种群:
采用实数编码方案,每个个体均为一个实数串,网络的权值和阈值参数分别由输入层与隐含层的连接权值、承接层与隐含层的连接权值、隐含层与输出层的连接权值、隐含层神经元的阈值、输出层神经元的阈值;每个个体代表一个结构、初始权值和阈值确定的神经网络;
3-3)解码初始种群中的每个个体,并构造其相对应的神经网络;
3-4)根据性能评价准则计算出每个个体的适应度;
3-5)根据适应度大小决定每个个体繁衍后代的概率,完成个体选择操作;
3-6)个体选择完成后,将产生的新种群按照一定的概率做交叉、变异操作得到新一代种群。
3-7)计算3-6)中新生成的种群中每个个体的适应度,对新种群中所有个体做模拟退火操作;
3-8)更新退火温度;
3-9)计算Elman神经网络的输出,评估输出结果是否满足要求:
如果评估结果满足要求,则转到3-10),否则返回3-4);
3-10)根据Elman神经网络的输出进行Elman神经网络性能评估:
如果评估结果满足要求则转到3-12),否则转到3-11);
3-11)计算正向、反向误差,调节神经网络权值和阈值,并返回3-10);
3-12)记录经过模拟退火遗传算法优化之后获得最优的Elman神经网络连接权值和阈值,转入步骤4。
引入模拟退火遗传算法优化Elman神经网络的初始权值与阈值,解决了仅仅使用遗传算法与传统神经网络算法时,算法收敛慢,易陷入局部极小值的弊端。
其中,3-7)中,对所有个体做模拟退火操作的步骤为:
依据Metropolis准则,按照一定概率接受新个体,接受新个体的概率r如下:
式中:fnew为新生成的种群中个体适应度;
fold为步骤3-5)之前的种群中个体的适应度;
t为每次对新种群做模拟退火时的温度;
步骤3-9)~11)中,采用均方误差作为误差的计算方式;采用BP算法修正网络权值和阈值;学习目标函数采用误差平方和函数,定义w时刻Elman神经网络误差平方和函数E(w)为:
式中:yp(w)——第w时刻第p个输出神经元的目标输出;
z——输出神经元的个数。
转入步骤4。
步骤4、训练Elman神经网络,离线构建锂电池实际容量预测系统如图6所示,具体步骤如下:
4-1)将步骤2中构建Elman神经网络训练集中的输入训练集,分别进行归一化处理后,输入相应的k个Elman神经网络;
4-2)将步骤2中构建Elman神经网络训练集中的输出训练集,分别归一化处理后,作为相应的第l个Elman神经网络的输出;
其中,步骤4-1)~步骤4-2)中,归一化的方式定义为:
式中:ymax——归一化上限;
ymin——归一化下限;
y——归一化后的值;
x——实际值;
xmax——实际值的最大值;
xmin——实际值的最小值。
4-3)将步骤3中得到的最优初始连接权值和阈值赋给每个Elman神经网络,利用对应的各个训练集训练相应的Elman神经网络;
4-4)将K均值聚类分析与训练好的Elman神经网络相结合,结合方式为:若输入的待测电池的放电时间被划分至第l簇,则将待测锂电池的放电时间序列归一化后,输入第l个Elman神经网络,以确定待测锂电池的实际容量,转入步骤5。
步骤5、在线实现锂电池实际容量预测,具体如下:
5-1)采集待测锂电池实际工作时,以放电电流I3恒流放电,直至电压下降至预设值U2的过程中,电池端电压分别为V1,V2,…,Vn,这n个电压值时对应的时刻,相应的电压值组成行向量V=[V1,V2,…,Vn],相应的时间序列组成行向量T2:
T2=[t1 t2 … tn]
5-2)将矩阵A1,A2,…,Ak和向量T2合并为矩阵T,记为
5-3)对矩阵T做K均值聚类计算,若向量T2被划分至第l簇,则将向量T2归一化后送入第l个Elman神经网络;
5-4)将Elman神经网络输出结果反归一化,得到的数值即为预测的锂电池实际容量。
利用本发明提出的方法离线构建锂电池容量预测系统,在线实现锂电池容量预测,解决了锂电池容量难以在线测量的问题。在锂电池正常工作时可以同时测量锂电池容量,实时获取锂电池性能衰退信息,及时制定合理的锂电池健康管理策略。
实施例1
为了说明本发明的技术方案及技术目的,下面结合附图及具体实施例对本发明做进一步的介绍。
结合图1,本发明提出的一种基于K均值聚类与Elman神经网络的锂电池实际容量预测方法,包括以下步骤:
步骤1:通过实验构建锂电池实际容量预测数据模型
1-1)确定待测锂电池型号,并利用一块与待测电池型号相同的崭新锂电池进行循环充放电实验。实验过程为:以1.5A电流对锂电池恒流充电,直至电池端电压达到4.2V,保持电池端电压为4.2V不变,在恒压模式下继续充电,直至充电电流下降至预设值20mA。接着以2A电流对锂电池恒流放电,直至电压下降至2.7V。按上述过程对锂电池循环充电、放电,直至锂电池健康状态值(SOH)下降至0.7时停止实验。锂电池完成一次充电与一次放电的过程记为一次循环。
1-2)每次循环从锂电池开始放电的时刻计时,统计每次循环中锂电池放电过程的端电压分别为4.0V、3.9V、3.8V、3.7V、3.6V、3.5V、3.4V、3.3V、3.2V这9个电压值对应的时刻,相应的端电压记为向量V=[V1,V2,…,V9],向量V中各元素所对应的时间点依次排列组成的时间序列记为u=[t1,t2,…,t9],称该时间序列为锂电池放电时间序列。将N次循环记录的N个锂电池放电时间序列合并,记为矩阵T1:
式中:N——实验停止时锂电池循环充放电的次数。
1-3)记录每次循环结束后锂电池的实际容量,记为向量C1:
C1=[c1 c2 … cN]
式中:N——实验停止时锂电池循环充放电的次数。
转入步骤2。
步骤2:对矩阵T1做K均值聚类,构建Elman神经网络训练集
2-1)将矩阵T1的每行记作一个向量,在矩阵T1中随机选择k个向量,作为数据集的初始聚类中心。
聚类个数k的确定方式如下:在正整数1,2,…,15中,找出一个正整数,使评价指标J在评价矩阵T1时为最小值,得到的正整数即为k。评价指标J定义为:
2-2)分别计算T1中每个行向量到k个聚类中心的欧式距离,若某个向量与第l个聚类中心的欧式距离最近,则将该数据划分至第l簇。其中,l∈{1,2,…,k}。如果某个向量与多个聚类中心的欧式距离相等,该向量可以划分至对应的多个簇中的任意一簇。
2-3)计算每簇中所有行向量的均值向量,将得到的这k个均值向量作为数据集新的聚类中心。
2-4)重复步骤2)和3)直至聚类中心不再变化。
2-5)将T1中对应每一簇的所有行向量依次组成新的矩阵,分别记为A1,A2,…,Ak。在预测系统中构建l个Elman神经网络,Al为第l个Elman神经网络的输入训练集。
2-6)在步骤1所构建的向量C1中,提取与Al中每个行向量相对应的电池实际容量,得到的新向量作为第l个Elman神经网络的目标输出训练集。
转入步骤3。
步骤3:使用模拟退火遗传算法优化Elman神经网络。首先建立Elman神经网络的拓扑结构,然后使用模拟退火遗传算法确定网络的最优初始连接权值和阈值。使用模拟退火遗传算法确定Elman神经网络的最优连接权值与阈值主要有以下步骤:
3-1)设置模拟退火初始温度t;
3-2)给出Elman神经网络的权值和阈值编码方案,同时生成初始种群:
采用实数编码方案,每个个体均为一个实数串,网络的权值和阈值参数分别由输入层与隐含层的连接权值、承接层与隐含层的连接权值、隐含层与输出层的连接权值、隐含层神经元的阈值、输出层神经元的阈值;每个个体代表一个结构、初始权值和阈值确定的神经网络;
3-3)解码初始种群中的每个个体,并构造其相对应的神经网络;
3-4)根据性能评价准则计算出每个个体的适应度;
3-5)根据适应度大小决定每个个体繁衍后代的概率,完成个体选择操作;
3-6)个体选择完成后,将产生的新种群按照一定的概率做交叉、变异操作得到新一代种群;
3-7)计算3-6)中新生成的种群中每个个体的适应度,对新种群中所有个体做模拟退火操作;对所有个体做模拟退火操作的步骤为:依据Metropolis准则,按照一定概率接受新个体,接受新个体的概率r如下:
式中:fnew为新生成的种群中个体适应度;fold为步骤3-5)之前的种群中个体的适应度;t为每次对新种群做模拟退火时的温度;
3-8)更新退火温度;
3-9)计算Elman神经网络的输出,评估输出结果是否满足要求:
如果评估结果满足要求,则转到3-10),否则返回3-4);
3-10)根据Elman神经网络的输出进行Elman神经网络性能评估:
如果评估结果满足要求则转到3-12),否则转到3-11)。
3-11)计算正向、反向误差,调节神经网络权值和阈值,并返回3-10)。
采用均方误差作为误差的计算方式;采用BP算法修正网络权值和阈值;学习目标函数采用误差平方和函数,定义w时刻Elman神经网络误差平方和函数E(w)为:
3-12)记录经过模拟退火遗传算法优化之后获得的Elman神经网络连接权值和阈值,转入步骤4。
使用本发明中的模拟退火遗传算法优化Elman神经网络时,种群适应度下降曲线如图3所示。仅仅使用传统遗传算法优化Elman神经网络时,种群适应度下降曲线如图4所示。由图可以看出,使用融合算法优化神经网络时,平均适应度经过30次进化后下降至2.3左右并趋于稳定,算法收敛较快。然而在仅仅使用遗传算法时,平均适应度经过30次进化后下降至3.5左右且不再发生明显改变,陷入局部极小值。证明了本发明方法的模拟退火遗传算法在解决遗传算法收敛较慢且易陷入局部极小值问题的有效性和卓越性。
步骤4:训练Elman神经网络,离线构建锂电池实际容量预测系统
4-1)将步骤2中构建Elman神经网络训练集中的输入训练集,分别进行归一化处理后,输入相应的k个Elman神经网络;
4-2)将步骤2中构建Elman神经网络训练集中的输出训练集,分别归一化处理后,作为相应的第l个Elman神经网络的输出;
4-3)将步骤3中得到的最优初始权值和阈值赋给每个Elman神经网络,利用对应的各个训练集训练相应的Elman神经网络。
4-4)将K均值聚类分析与训练好的Elman神经网络相结合。结合方式为:若输入的待测电池的放电时间被划分至第l簇,则将锂电池放电时间序列归一化后,输入第l个Elman神经网络,以确定待测锂电池实际容量。
转入步骤5。
步骤5:锂电池实际容量预测技术在线实现
5-1)采集锂电池实际工作时,以2A电流对锂电池恒流放电,直至电压下降至2.7V的过程中,电池端电压分别为4.0V、3.9V、3.8V、3.7V、3.6V、3.5V、3.4V、3.3V、3.2V这9个电压值时对应的时刻。相应的电压值组成行向量V=[V1,V2,…,V9],相应的时间序列组成行向量T2:
T2=[t1 t2 … t9]
5-2)将矩阵A1,A2,…,Ak和向量T2合并为矩阵T,记为
5-3)对矩阵T做K均值聚类计算,若向量T2被划分至第l簇,则将向量T2归一化后送入第l个Elman神经网络。
5-4)将Elman神经网络输出结果反归一化,得到的数值即为预测的锂电池实际容量。
引入均方根误差(RMSE)和平均绝对百分误差百分比(MAPE)评价预测精度。RMSE直观地展现了预测值与真实值的误差大小;MAPE体现了误差与真实值之间的百分比。RMSE与MAPE评价准则定义如下。
使用文本提出的方法离线建立锂电池容量预测系统,在线预测锂电池容量,预测值与实际值的对比如图5所示。由图可以看出,锂电池容量预测值与实际值曲线在锂电池全寿命周期均具有较高的贴合度。预测结果的均方根误差与平均绝对误差百分比分别为0.015和1.02%,具有比较精确的预测结果。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的改进范围之内。
Claims (10)
1.一种基于K均值聚类与Elman神经网络的锂电池容量在线预测方法,其特征在于:利用K均值聚类算法对实验获取的锂电池实际容量预测数据模型做聚类分析,引入模拟退火遗传算法优化Elman神经网络的初始权值和阈值,离线构建预测系统,实现精确地在线预测锂电池的实际容量。
2.根据权利要求1所述的基于K均值聚类与Elman神经网络的锂电池容量在线预测方法,其特征在于:包括以下步骤:
步骤1、通过实验构建锂电池实际容量预测数据模型,转入步骤2;
步骤2:对矩阵T1做K均值聚类,构建Elman神经网络训练集,转入步骤3;
步骤3、使用模拟退火遗传算法优化Elman神经网络:
建立Elman神经网络的拓扑结构,使用模拟退火遗传算法确定Elman神经网络的最优初始连接权值和阈值,转入步骤4;
步骤4、训练Elman神经网络,离线构建锂电池实际容量预测系统,转入步骤5;
步骤5、在线实现锂电池实际容量预测。
3.根据权利要求1所述的基于K均值聚类与Elman神经网络的锂电池容量在线预测方法,其特征在于,步骤1中通过实验构建锂电池实际容量预测数据模型,具体如下:
1-1)确定待测锂电池型号,并利用一块与待测电池型号相同的崭新锂电池进行循环充放电实验,实验过程为:
以充电电流I1恒流充电,直至锂电池电压达到预设值U1,保持电压U1不变,在恒压模式下继续充电,直至充电电流I1下降至预设值I2;接着以放电电流I3恒流放电,直至电压下降至预设值U2;
按上述过程对锂电池循环充电、放电,直至锂电池SOH下降至其预设值停止实验,实验中电流I1,I2,I3,电压U1,U2和SOH均为常数,根据锂电池实际工作环境不同而选取不同值,锂电池完成一次充电与一次放电的过程记为一次循环;
1-2)每次循环从锂电池开始放电的时刻计时,统计每次循环中锂电池放电过程的端电压分别为V1,V2,…,Vn,这n个电压值对应的时刻,相应的端电压记为向量V=[V1,V2,…,Vn],向量V中各元素所对应的时间点依次排列组成的时间序列记为u=[t1,t2,…,tn],称该时间序列为锂电池放电时间序列,其中Vn-1≥Vn且Vn-1-Vn=常数,将N次循环记录的N个锂电池放电时间序列合并,记为矩阵T1:
式中:N为实验停止时锂电池循环充放电的次数;
1-3)记录每次循环结束后锂电池的实际容量,记为向量C1:
C1=[c1 c2 … cN]
转入步骤2。
4.根据权利要求1或3所述的基于K均值聚类与Elman神经网络的锂电池容量在线预测方法,其特征在于,步骤2中,对矩阵T1做K均值聚类,构建Elman神经网络训练集,具体如下:
2-1)将矩阵T1的每行记作一个向量,在矩阵T1中随机选择k个向量,作为数据集的初始聚类中心;
2-2)分别计算T1中每个行向量到k个聚类中心的欧式距离,若某个向量与第l个聚类中心的欧式距离最近,则将该数据划分至第l簇,其中,l∈{1,2,…,k};如果某个向量与多个聚类中心的欧式距离相等,则该向量被划分至对应的多个簇的任意一簇中;
2-3)计算每簇中所有行向量的均值向量,将得到的这k个均值向量作为数据集新的聚类中心;
2-4)重复步骤2-2)和步骤2-3)直至聚类中心不再变化;
2-5)将T1中对应每一簇的所有行向量依次组成新的矩阵,分别记为A1,A2,…,Ak,构建k个Elman神经网络,其中Al为第l个Elman神经网络的输入训练集;
2-6)在步骤1所构建的向量C1中,分别提取与Al中每个行向量相对应的电池实际容量,得到的新向量作为第l个Elman神经网络的目标输出训练集,转入步骤3。
6.根据权利要求1或4所述的基于K均值聚类与Elman神经网络的锂电池容量在线预测方法,其特征在于,步骤3中,建立Elman神经网络的拓扑结构,使用模拟退火遗传算法确定Elman神经网络的最优初始连接权值和阈值,具体如下:
3-1)设置模拟退火初始温度t;
3-2)给出Elman神经网络的权值和阈值编码方案,同时生成初始种群:
采用实数编码方案,每个个体均为一个实数串,网络的权值和阈值参数分别由输入层与隐含层的连接权值、承接层与隐含层的连接权值、隐含层与输出层的连接权值、隐含层神经元的阈值、输出层神经元的阈值;每个个体代表一个结构、初始权值和阈值确定的神经网络;
3-3)解码初始种群中的每个个体,并构造其相对应的神经网络;
3-4)根据性能评价准则计算出每个个体的适应度;
3-5)根据适应度大小决定每个个体繁衍后代的概率,完成个体选择操作;
3-6)个体选择完成后,将产生的新种群按照一定的概率做交叉、变异操作得到新一代种群。
3-7)计算3-6)中新生成的种群中每个个体的适应度,对新种群中所有个体做模拟退火操作;
3-8)更新退火温度;
3-9)计算Elman神经网络的输出,评估输出结果是否满足要求:
如果评估结果满足要求,则转到3-10),否则返回3-4);
3-10)根据Elman神经网络的输出进行Elman神经网络性能评估:
如果评估结果满足要求则转到3-12),否则转到3-11);
3-11)计算正向、反向误差,调节神经网络权值和阈值,并返回3-10);
3-12)记录经过模拟退火遗传算法优化之后获得最优的Elman神经网络连接权值和阈值,转入步骤4。
7.根据权利要求6所述的基于K均值聚类与Elman神经网络的锂电池容量在线预测方法,其特征在于,步骤3-7)中,对所有个体做模拟退火操作的步骤为:
依据Metropolis准则,按照一定概率接受新个体,接受新个体的概率r如下:
式中:fnew为新生成的种群中个体适应度;
fold为步骤3-5)之前的种群中个体的适应度;
t为每次对新种群做模拟退火时的温度;
步骤3-9)~11)中,采用均方误差作为误差的计算方式;采用BP算法修正网络权值和阈值;学习目标函数采用误差平方和函数,定义w时刻Elman神经网络误差平方和函数E(w)为:
式中:yp(w)——第w时刻第p个输出神经元的目标输出;
z——输出神经元的个数。
8.根据权利要求1或6所述的基于K均值聚类与Elman神经网络的锂电池容量在线预测方法,其特征在于,步骤4中,训练Elman神经网络,离线构建锂电池实际容量预测系统,具体如下:
4-1)将步骤2中构建Elman神经网络训练集中的输入训练集,分别进行归一化处理后,输入相应的k个Elman神经网络;
4-2)将步骤2中构建Elman神经网络训练集中的输出训练集,分别归一化处理后,作为相应的第l个Elman神经网络的输出;
4-3)将步骤3中得到的最优初始连接权值和阈值赋给每个Elman神经网络,利用对应的各个训练集训练相应的Elman神经网络;
4-4)将K均值聚类分析与训练好的Elman神经网络相结合,结合方式为:若输入的待测电池的放电时间被划分至第l簇,则将待测锂电池的放电时间序列归一化后,输入第l个Elman神经网络,以确定待测锂电池的实际容量,转入步骤5。
10.根据权利要求1或8所述的基于K均值聚类与Elman神经网络的锂电池容量在线预测方法,其特征在于,步骤5中,在线实现锂电池实际容量预测,具体如下:
5-1)采集待测锂电池实际工作时,以放电电流I3恒流放电,直至电压下降至预设值U2的过程中,电池端电压分别为V1,V2,…,Vn,这n个电压值时对应的时刻,相应的电压值组成行向量V=[V1,V2,…,Vn],相应的时间序列组成行向量T2:
T2=[t1 t2 … tn]
5-3)对矩阵T做K均值聚类计算,若向量T2被划分至第l簇,则将向量T2归一化后送入第l个Elman神经网络;
5-4)将Elman神经网络输出结果反归一化,得到的数值即为预测的锂电池实际容量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910835244.4A CN110687452B (zh) | 2019-09-05 | 2019-09-05 | 基于K均值聚类与Elman神经网络的锂电池容量在线预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910835244.4A CN110687452B (zh) | 2019-09-05 | 2019-09-05 | 基于K均值聚类与Elman神经网络的锂电池容量在线预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110687452A true CN110687452A (zh) | 2020-01-14 |
CN110687452B CN110687452B (zh) | 2022-05-20 |
Family
ID=69108783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910835244.4A Active CN110687452B (zh) | 2019-09-05 | 2019-09-05 | 基于K均值聚类与Elman神经网络的锂电池容量在线预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110687452B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111474490A (zh) * | 2020-04-09 | 2020-07-31 | 北方工业大学 | 一种梯次利用电池快速筛选方法 |
CN111815069A (zh) * | 2020-07-23 | 2020-10-23 | 南京理工大学 | 基于时间序列分析原理的卫星锂电池电压预测方法 |
CN111814826A (zh) * | 2020-06-08 | 2020-10-23 | 武汉理工大学 | 退役动力电池余能快速检测评级方法 |
CN112557034A (zh) * | 2020-12-25 | 2021-03-26 | 南京理工大学 | 一种基于pca_cnns的轴承故障诊断方法 |
CN112580211A (zh) * | 2020-12-23 | 2021-03-30 | 天津大学 | 基于sa和ann算法的铅酸蓄电池soh估计方法 |
CN112684346A (zh) * | 2020-12-10 | 2021-04-20 | 西安理工大学 | 基于遗传卷积神经网络的锂电池健康状态估计方法 |
CN112881914A (zh) * | 2021-01-12 | 2021-06-01 | 常州大学 | 一种锂电池健康状态预测方法 |
CN112883638A (zh) * | 2021-02-02 | 2021-06-01 | 同济大学 | 一种超级电容器模组温度分布的在线估计方法 |
CN112883637A (zh) * | 2021-01-29 | 2021-06-01 | 南昌师范学院 | 锂离子电池rul的混沌时序非线性组合预测方法 |
CN113534938A (zh) * | 2021-06-29 | 2021-10-22 | 广东工业大学 | 一种基于改进Elman神经网络的笔记本电脑剩余电量估计方法 |
CN113848480A (zh) * | 2021-09-23 | 2021-12-28 | 广东恒翼能科技有限公司 | 锂电池分容工艺的放电总容量预测方法 |
CN115276177A (zh) * | 2022-08-18 | 2022-11-01 | 上海采日能源科技有限公司 | 储能电池充放电功率控制方法、装置及电池控制系统 |
CN116404186A (zh) * | 2023-06-08 | 2023-07-07 | 西安黄河电子技术有限公司 | 一种功率型锂锰电池生产系统 |
CN116401585A (zh) * | 2023-04-19 | 2023-07-07 | 江苏果下科技有限公司 | 一种基于大数据的储能电池失效风险评估方法 |
CN116930788A (zh) * | 2023-07-25 | 2023-10-24 | 国网江苏省电力有限公司镇江供电分公司 | 一种基于堆叠模型的储能电站锂电池容量估计方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103954913A (zh) * | 2014-05-05 | 2014-07-30 | 哈尔滨工业大学深圳研究生院 | 电动汽车动力电池寿命预测方法 |
CN205246835U (zh) * | 2015-12-18 | 2016-05-18 | 安徽师范大学 | 基于ds2788的锂电池电量管理系统 |
US20170023649A1 (en) * | 2015-07-21 | 2017-01-26 | Samsung Electronics Co., Ltd. | Method and apparatus for estimating state of battery |
CN108183514A (zh) * | 2016-12-08 | 2018-06-19 | 南京理工大学 | 一种立体式充电站云平台智能充放电控制系统及方法 |
CN109143085A (zh) * | 2018-07-18 | 2019-01-04 | 中国电力科学研究院有限公司 | 一种基于人工智能算法对锂离子电池进行预警的方法及系统 |
CN109752656A (zh) * | 2019-03-07 | 2019-05-14 | 深圳市计量质量检测研究院 | 一种在多时间尺度下用电动汽车电池soh评估方法 |
-
2019
- 2019-09-05 CN CN201910835244.4A patent/CN110687452B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103954913A (zh) * | 2014-05-05 | 2014-07-30 | 哈尔滨工业大学深圳研究生院 | 电动汽车动力电池寿命预测方法 |
US20170023649A1 (en) * | 2015-07-21 | 2017-01-26 | Samsung Electronics Co., Ltd. | Method and apparatus for estimating state of battery |
CN106371021A (zh) * | 2015-07-21 | 2017-02-01 | 三星电子株式会社 | 用于估计电池的状态的方法和设备 |
CN205246835U (zh) * | 2015-12-18 | 2016-05-18 | 安徽师范大学 | 基于ds2788的锂电池电量管理系统 |
CN108183514A (zh) * | 2016-12-08 | 2018-06-19 | 南京理工大学 | 一种立体式充电站云平台智能充放电控制系统及方法 |
CN109143085A (zh) * | 2018-07-18 | 2019-01-04 | 中国电力科学研究院有限公司 | 一种基于人工智能算法对锂离子电池进行预警的方法及系统 |
CN109752656A (zh) * | 2019-03-07 | 2019-05-14 | 深圳市计量质量检测研究院 | 一种在多时间尺度下用电动汽车电池soh评估方法 |
Non-Patent Citations (1)
Title |
---|
苏晓波等: "基于神经网络建模和K-均值算法的电池健康状态评估", 《价值工程》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111474490A (zh) * | 2020-04-09 | 2020-07-31 | 北方工业大学 | 一种梯次利用电池快速筛选方法 |
CN111474490B (zh) * | 2020-04-09 | 2022-06-24 | 北方工业大学 | 一种梯次利用电池快速筛选方法 |
CN111814826B (zh) * | 2020-06-08 | 2022-06-03 | 武汉理工大学 | 退役动力电池余能快速检测评级方法 |
CN111814826A (zh) * | 2020-06-08 | 2020-10-23 | 武汉理工大学 | 退役动力电池余能快速检测评级方法 |
CN111815069A (zh) * | 2020-07-23 | 2020-10-23 | 南京理工大学 | 基于时间序列分析原理的卫星锂电池电压预测方法 |
CN111815069B (zh) * | 2020-07-23 | 2022-08-16 | 南京理工大学 | 基于时间序列分析原理的卫星锂电池电压预测方法 |
CN112684346A (zh) * | 2020-12-10 | 2021-04-20 | 西安理工大学 | 基于遗传卷积神经网络的锂电池健康状态估计方法 |
CN112684346B (zh) * | 2020-12-10 | 2023-06-20 | 西安理工大学 | 基于遗传卷积神经网络的锂电池健康状态估计方法 |
CN112580211A (zh) * | 2020-12-23 | 2021-03-30 | 天津大学 | 基于sa和ann算法的铅酸蓄电池soh估计方法 |
CN112557034A (zh) * | 2020-12-25 | 2021-03-26 | 南京理工大学 | 一种基于pca_cnns的轴承故障诊断方法 |
CN112881914A (zh) * | 2021-01-12 | 2021-06-01 | 常州大学 | 一种锂电池健康状态预测方法 |
CN112881914B (zh) * | 2021-01-12 | 2022-03-25 | 常州大学 | 一种锂电池健康状态预测方法 |
CN112883637A (zh) * | 2021-01-29 | 2021-06-01 | 南昌师范学院 | 锂离子电池rul的混沌时序非线性组合预测方法 |
CN112883638A (zh) * | 2021-02-02 | 2021-06-01 | 同济大学 | 一种超级电容器模组温度分布的在线估计方法 |
CN113534938A (zh) * | 2021-06-29 | 2021-10-22 | 广东工业大学 | 一种基于改进Elman神经网络的笔记本电脑剩余电量估计方法 |
CN113848480B (zh) * | 2021-09-23 | 2022-08-23 | 广东恒翼能科技有限公司 | 锂电池分容工艺的放电总容量预测方法 |
CN113848480A (zh) * | 2021-09-23 | 2021-12-28 | 广东恒翼能科技有限公司 | 锂电池分容工艺的放电总容量预测方法 |
CN115276177A (zh) * | 2022-08-18 | 2022-11-01 | 上海采日能源科技有限公司 | 储能电池充放电功率控制方法、装置及电池控制系统 |
CN115276177B (zh) * | 2022-08-18 | 2023-09-26 | 上海采日能源科技有限公司 | 储能电池充放电功率控制方法、装置及电池控制系统 |
CN116401585A (zh) * | 2023-04-19 | 2023-07-07 | 江苏果下科技有限公司 | 一种基于大数据的储能电池失效风险评估方法 |
CN116401585B (zh) * | 2023-04-19 | 2023-11-10 | 江苏果下科技有限公司 | 一种基于大数据的储能电池失效风险评估方法 |
CN116404186A (zh) * | 2023-06-08 | 2023-07-07 | 西安黄河电子技术有限公司 | 一种功率型锂锰电池生产系统 |
CN116404186B (zh) * | 2023-06-08 | 2023-09-19 | 西安黄河电子技术有限公司 | 一种功率型锂锰电池生产系统 |
CN116930788A (zh) * | 2023-07-25 | 2023-10-24 | 国网江苏省电力有限公司镇江供电分公司 | 一种基于堆叠模型的储能电站锂电池容量估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110687452B (zh) | 2022-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110687452B (zh) | 基于K均值聚类与Elman神经网络的锂电池容量在线预测方法 | |
CN110752410B (zh) | 一种快速分选和重组退役锂电池的方法 | |
CN106842045B (zh) | 一种基于自适应权重方法的电池多模型融合建模方法和电池管理系统 | |
WO2020191801A1 (zh) | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 | |
CN110888058B (zh) | 一种基于动力电池soc和soh联合估计的算法 | |
CN110824364A (zh) | 一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法 | |
CN113917334B (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
CN111680848A (zh) | 基于预测模型融合的电池寿命预测方法及存储介质 | |
CN111366848A (zh) | 一种基于pso-elm算法的电池健康状态预测方法 | |
CN111736084A (zh) | 基于改进lstm神经网络的阀控铅酸蓄电池健康状态预测方法 | |
CN108009585B (zh) | 基于局部信息融合的铅酸电池健康状态预测方法 | |
CN116449218B (zh) | 一种锂电池健康状态的估计方法 | |
CN114545274A (zh) | 一种锂电池剩余寿命预测方法 | |
CN112834927A (zh) | 锂电池剩余寿命预测方法、系统、设备及介质 | |
CN112305441B (zh) | 一种集成式聚类下的动力电池健康状态评估方法 | |
CN112287980B (zh) | 基于典型特征向量的动力电池筛选方法 | |
CN112733417A (zh) | 一种基于模型优化的异常负荷数据检测与修正方法和系统 | |
CN110837915A (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
CN112036083A (zh) | 一种相似产品剩余寿命预测方法及系统 | |
CN114384435A (zh) | 一种基于wsa-lstm算法的新能源汽车动力电池剩余使用寿命自适应预测方法 | |
CN115204038A (zh) | 一种基于数据分解和集成模型的储能锂电池寿命预测方法 | |
JP2021176131A (ja) | 学習モデル生成方法、プログラム、記憶媒体、学習済みモデル | |
CN112287597B (zh) | 基于vpga-gpr算法的铅酸蓄电池soh估计方法 | |
Wang et al. | An efficient state-of-health estimation method for lithium-ion batteries based on feature-importance ranking strategy and PSO-GRNN algorithm | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 |
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 |