CN110806541B - 一种基于ad-bas的锂电池模型参数辨识方法 - Google Patents
一种基于ad-bas的锂电池模型参数辨识方法 Download PDFInfo
- Publication number
- CN110806541B CN110806541B CN201911100803.3A CN201911100803A CN110806541B CN 110806541 B CN110806541 B CN 110806541B CN 201911100803 A CN201911100803 A CN 201911100803A CN 110806541 B CN110806541 B CN 110806541B
- Authority
- CN
- China
- Prior art keywords
- terminal voltage
- lithium battery
- decomposition
- atom
- parameters
- 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
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种基于AD‑BAS的锂电池模型参数辨识方法,包括:步骤1,建立锂电池二阶等效电路模型;步骤2,通过HPPC充放电试验方法对锂电池进行充放电实验,得到循环脉冲试验曲线;步骤3,对锂电池二阶等效电路模型的参数进行辨识,包括开路电压、欧姆内阻以及端电压的所有参数;其中,以锂电池模型的端电压的所有参数作为原子索引,对端电压进行原子分解,且分解过程采用天牛须算法寻优最匹配的原子,最终使用分解得到的原子表示端电压信号,通过关系匹配实现对锂电池的端电压相关参数进行辨识。本发明可以对非线性时变的端电压参数辨识,进而提高锂电池模型参数辨识的可靠性以及精确度。
Description
技术领域
本发明涉及锂电池模型的参数辨识技术领域,具体涉及一种基于AD-BAS的锂电池模型参数辨识方法。
背景技术
随着全球能源紧张的加剧,新能源发电的不断投入,电力储能得到了广泛的关注,其中电池储能因为其良好的性能以及较好的发展前景得到了广泛的关注。当前主流的储能电池为锂离子电池,其具有寿命长、稳定性好、成本适中、环保无污染等优点,能够用于大规模应用,锂离子电池系统为一个非线性时变的系统,对其内部参数的识别,是应用到电力系统中的前提。建立一个精确的锂离子电池模型,首要的即为对其内部参数的辨识,以便反应出电池的工作特性。通过建立的电池模型可以估计电池工作中的各种表现,有助于电池管理策略的仿真及验证;也能通过检测外部的表现来评估内在的荷电状态(state ofcharge,SOC),这将有助于提高估计的准确性。
现有的锂离子电池模型参数辨识分析方法,大部分对线性系统有良好的分析效果,但对于非线性时变的系统的参数估计方面处理效果较差,而电力系统电池储能是非线性时变的系统,因此现有的分析方法无法完全满足需要。
发明内容
本发明所要解决的技术问题是,提供一种基于AD-BAS的锂电池模型参数辨识方法,适用于线性及非线性时变的电力系统电池储能锂离子电池模型参数辨识,提高锂电池模型参数辨识的可靠性以及精确度。
为实现上述技术目的,本发明采用如下技术方案:
一种基于AD-BAS的锂电池模型参数辨识方法,包括以下步骤:
步骤1,建立锂电池二阶等效电路模型,得到锂电池的端电压为:
式中,端电压的参数分别为:开路电压U0、电化学极化电阻R1、电化学极化电容C1、电化学极化初始电压U1(0)、浓差极化电阻R2、浓差极化电容C2、浓差极化初始电压U2(0);
步骤2,通过HPPC充放电试验方法对锂电池进行充放电实验,得到循环脉冲试验曲线;
步骤3,对锂电池二阶等效电路模型的参数进行辨识,包括开路电压、欧姆内阻以及端电压的所有参数;
其中,采用原子分解法对锂电池模型的端电压所有参数进行辨识,具体过程为:
步骤3.1,以锂电池模型的端电压的所有参数作为原子索引,构建待辨识的端电压参数原子库:
其中,U(t)表示t时刻的电压,τ1=R1C1表示电化学极化时间常数,τ2=R2C2表示浓差极化时间常数τ2,
步骤3.2,采用天牛须算法、并基于端电压参数原子库对端电压进行原子分解;
每次原子分解的方法为:以分解后得到的端电压参数原子与当前残余信号的内积作为当前分解的寻优函数,采用天牛须算法在端电压参数原子库中寻优端电压参数原子,作为当前分解最终得到的端电压参数原子;其中,首次原子分解时使用端电压信号作为残余信号;
步骤3.3,循环执行步骤3.2,直到满足原子分解结束条件时,执行步骤3.4;
步骤3.4,求解分解得到所有端电压参数原子的均值,得到新的端电压参数原子,并使用新的端电压参数原子表示端电压信号,通过匹配即可得到锂电池的以下参数:电化学极化初始电压U1(0)、浓差极化初始电压U2(0)、电化学极化时间常数τ1、浓差极化时间常数τ2;
步骤3.5,根据锂电池HPPC充放电实验在静置后的放电过程为零状态响应可得:
将步骤3.4得到的锂电池参数代入上述零状态响应公式,并利用循环脉冲试验曲线的数据,计算可得锂电池的以下参数:电化学极化电阻R1、电化学极化电容C1、浓差极化电阻R2、浓差极化电容C2。
进一步地,步骤3.2中采用天牛须算法在端电压参数原子库中寻优端电压参数原子,具体步骤为:
(1)将天牛的质心坐标x随机初始化为残余信号Rn-1空间内的端电压参数原子grn,设置天牛的行进距离step;用xl表示左须坐标,xr表示右须坐标,使用d0表示天牛两须之间的距离,利用随机向量dir=rands(n,1)表示两须之间的朝向,并归一化朝向为将归一化朝向使用坐标表示为
(2)设置第n次原子分解的寻优函数为Hn=<Rn-1,grn>,grn表示第n次原子分解的端电压参数原子,Rn-1表示第n-1次原子分解后的残余信号;分别计算左右两须相应的寻优函数值:Hleft=H(xl),Hright=H(xr);
(3)根据左右两须的寻优函数值,按以下公式更新天牛的质心坐标:
式中,t、t+1表示天牛的搜索行进次数;
(4)判断是否满足Hn-Hn-1≤Hn*1%,若满足则停止迭代,将天牛此时的质心坐标作为第n次原子分解最终得到的端电压参数原子;若不满足,则返回步骤(2);
其中,Hn表示第n次原子分解的寻优函数,Hn-1表示第n-1次原子分解的寻优函数。
进一步地,天牛的行进距离step在迭代搜索过程中采用改进步长:stept+1=ε×stept;t、t+1表示天牛的搜索行进次数,ε表示步长迭代参数,0<ε<1。
进一步地,步骤3.3的原子分解结束条件,是指当前次原子分解相对于上一次原子分解的寻优函数值,增加不足1%;或者,当前次原子分解得到的新原子所有参数值,相对于上一次原子分解得到的新原子对应参数值,增加均不足10%。
进一步地,对锂电池二阶等效电路模型的开路电压的辨识方法为:取脉冲试验曲线中的放电结束后静置期间段的末端电压U(te)和充电结束后静置期间段的末端电压U(ti),再取两个末端电压的均值作为开路电压U0。
进一步地,对锂电池二阶等效电路模型的欧姆内阻R0的辨识方法为:根据脉冲试验曲线,计算锂电池在放电脉冲开始瞬间的电压变化与电流的比值Ra,b,还计算在锂电池在充电脉冲开始瞬间的电压变化与电流的比值Re,f,再取两个比值的均值作为欧姆内阻R0。
有益效果
本发明采用原子分解法,根据端电压信号的特点来构建端电压参数原子库,可以对锂电池二阶等效电路模型中的端电压进行充分的分解,使重构信号无限接近于非线性时变的端电压信号,从而提高对端电压各参数辨识的精度和可靠度;进而,利用锂电池HPPC充放电实验在静置后的放电过程为零状态响应,即可求解得到端电压的所有参数,且精度和可靠度高。而且,在原子分解时,利用天牛须算法寻优新原子,不需要类似于其他智能算法,在函数具体形式以及梯度不确定的情况下就可以实现高效寻优,降低了原子分解的运算量,解决了传统的优化方法运算量大、效率低的技术问题,并且解决了在寻优最优原子时容易陷入局部最优,不会造成虚假最优参数的问题,并且在优化后期依旧可以保持高效率和高精度寻找最优原子参数。从而实现提高锂离子电池模型参数精度,进而使得对电池静态以及动态特性仿真更加准确。
附图说明
图1为锂离子电池二阶等效电路;
标号说明:1-电池开路电压U0,2-电池得欧姆内阻R0,3-电池的端电压UL,4-电池电化学极化电阻R1,5-电池电化学极化电容C1,6-电池浓差极化电阻R2,7-电池浓差极化电容C2,8-电流I;
图2为循环脉冲试验曲线;
图2中,a点以前,电池处于长时间的静置状态;ab段,放电时电压的瞬间变化;bc段,放电过程中的电压变化;cd段,放电结束时电压的瞬间变化;de段,电池放电结束后静置期间的电压变化;ef段,充电时电压的瞬间变化;fg段,充电过程中的电压变化;gh段,充电结束时电压的瞬间变化;hi段,电池充电结束后静置期间的电压变化;
图3为本发明实施例所述的对端电压信号进行原子分解的流程示意图。
具体实施方式
下面对本发明的实施例作详细说明,本实施例以本发明的技术方案为依据开展,给出了详细的实施方式和具体的操作过程,对本发明的技术方案作进一步解释说明。
本实施例提供一种基于AD-BAS的锂电池模型参数辨识方法,包括以下步骤:
步骤1,建立锂电池二阶等效电路模型,如图1所示,其中锂电池的端电压表示为:
式中,端电压的参数分别为:电化学极化电阻R1、电化学极化电容C1、电化学极化初始电压U1(0)、浓差极化电阻R2、浓差极化电容C2、浓差极化初始电压U2(0)。
步骤2,通过HPPC充放电试验方法对锂电池进行充放电实验,记录端电压UL和电流I,得到循环脉冲试验曲线。
步骤3,从循环脉冲试验曲线中任选其中一个周期的脉冲试验曲线,对锂电池二阶等效电路模型的参数进行辨识,包括开路电压、欧姆内阻以及端电压的所有参数。
其中,对锂电池二阶等效电路模型的开路电压的辨识方法为:取脉冲试验曲线中的放电结束后静置期间段的末端电压U(te)和充电结束后静置期间段(即图2中的hi段)的末端电压U(ti),再取两个末端电压的均值作为开路电压U0。
图2中的de段和hi段,对应的是脉冲试验曲线中放电和充电结果后的静置状态时间段,可以认为在e、i点时极化电压为0,可以将其作为开路电压,因此本实施例取该两点的电压均值作为开路电压。
对锂电池二阶等效电路模型的欧姆内阻R0的辨识方法为:根据脉冲试验曲线,计算锂电池在放电脉冲开始瞬间的电压变化与电流的比值Ra,b,即还计算在锂电池在充电脉冲开始瞬间的电压变化与电流的比值Re,f:即然后取两个比值Ra,b和Re,f的均值作为欧姆内阻R0,可以减小极化效应对欧姆内阻R0参数辨识的影响。
本发明具体采用原子分解法对锂电池模型的端电压所有参数进行辨识,具体辨识过程为:
步骤3.1,以锂电池模型的端电压的所有参数作为原子索引,构建待辨识的端电压参数原子库:
其中,U(t)表示t时刻的电压,τ1=R1C1表示电化学极化时间常数,τ2=R2C2表示浓差极化时间常数τ2。
步骤3.2,采用天牛须算法、并基于端电压参数原子库对端电压进行原子分解;
每次原子分解的方法为:以分解后得到的端电压参数原子与当前残余信号的内积作为当前分解的寻优函数,采用天牛须算法在端电压参数原子库中寻优端电压参数原子,作为当前次分解最终得到的端电压参数原子;其中,首次原子分解时使用端电压信号作为残余信号。如图3所示,第n次原子分解的具体过程为:
(1)将天牛的质心坐标x随机初始化为残余信号Rn-1空间内的端电压参数原子grn,设置天牛的行进距离step;用xl表示左须坐标,xr表示右须坐标,使用d0表示天牛两须之间的距离,利用随机向量dir=rands(n,1)表示两须之间的朝向,并归一化朝向为将归一化朝向使用坐标表示为
(2)设置第n次原子分解的寻优函数为Hn=<Rn-1,grn>,grn表示第n次原子分解的端电压参数原子,Rn-1表示第n-1次原子分解后的残余信号;以左右两须分别作为新原子计算相应的寻优函数值:Hleft=H(xl),Hright=H(xr);
(3)若Hleft<Hright,则天牛向着右须的方向进行搜索,行进距离step,此时的质心坐标为:x=x-step*normal(xl-xr);若Hleft>Hright,天牛向着左须的方向进行搜索,行进距离step,此时的质心坐标为:x=x+step*normal(xl-xr)。normal()为归一化函数。
在本实施例中,为提高算法优化精度,搜索的行进距离step采用改进步长,即在每次的迭代时均更新行进距离:stept+1=ε×stept;ε表示步长迭代参数,ε的取值在0至1之间且靠近1,通常可取ε=0.95。
(4)判断是否满足Hn-Hn-1≤Hn*1%,若满足则天牛停止搜索行进,并将天牛此时的质心坐标作为第n次原子分解最终得到的端电压参数原子;若不满足,则返回步骤(2)。
在本发明中,设置天牛搜索行进的初始最大迭代次数为m,本实施例优选设置m=40。若天牛在搜索行进的次数到达40次时,仍不满足Hn-Hn-1≤Hn*1%,则重新设置最大迭代次数m=m+10,并返回步骤(2)继续搜索行进,直到得到的端电压原子满足Hn-Hn-1≤Hn*1%为止。
步骤3.3,令n=n+1,循环执行步骤3.2,直到满足原子分解结束条件时,执行步骤3.4;
其中,原子分解的结束条件,是指当前次原子分解相对于上一次原子分解的寻优函数值,增加不足1%;或者,当前次原子分解得到的新原子所有参数值,相对于上一次原子分解得到的新原子对应参数值,增加均不足10%。
步骤3.4,求解分解得到所有端电压参数原子的均值,得到新的端电压参数原子,并使用新的端电压参数原子表示端电压信号,通过匹配即可得到锂电池的以下参数:电化学极化初始电压U1(0)、浓差极化初始电压U2(0)、电化学极化时间常数τ1、浓差极化时间常数τ2;
步骤3.5,根据锂电池HPPC充放电实验在静置后的放电过程为零状态响应可得:
将步骤3.4得到的锂电池参数代入上述零状态响应公式,并利用循环脉冲试验曲线的数据,计算可得锂电池的以下参数:电化学极化电阻R1、电化学极化电容C1、浓差极化电阻R2、浓差极化电容C2。
以上实施例为本申请的优选实施例,本领域的普通技术人员还可以在此基础上进行各种变换或改进,在不脱离本申请总的构思的前提下,这些变换或改进都应当属于本申请要求保护的范围之内。
Claims (6)
1.一种基于AD-BAS的锂电池模型参数辨识方法,其特征在于,包括以下步骤:
步骤1,建立锂电池二阶等效电路模型,得到锂电池的端电压为:
式中,端电压的参数分别为:开路电压U0、电化学极化电阻R1、电化学极化电容C1、电化学极化初始电压U1(0)、浓差极化电阻R2、浓差极化电容C2、浓差极化初始电压U2(0);
步骤2,通过HPPC充放电试验方法对锂电池进行充放电实验,得到循环脉冲试验曲线;
步骤3,对锂电池二阶等效电路模型的参数进行辨识,包括开路电压、欧姆内阻以及端电压的所有参数;
其中,采用原子分解法对锂电池模型的端电压所有参数进行辨识,具体过程为:
步骤3.1,以锂电池模型的端电压的所有参数作为原子索引,构建待辨识的端电压参数原子库:
其中,U(t)表示t时刻的电压,τ1=R1C1表示电化学极化时间常数,τ2=R2C2表示浓差极化时间常数τ2,
步骤3.2,采用天牛须算法、并基于端电压参数原子库对端电压进行原子分解;
每次原子分解的方法为:以分解后得到的端电压参数原子与当前残余信号的内积作为当前分解的寻优函数,采用天牛须算法在端电压参数原子库中寻优端电压参数原子,作为当前分解最终得到的端电压参数原子;其中,首次原子分解时使用端电压信号作为残余信号;
步骤3.3,循环执行步骤3.2,直到满足原子分解结束条件时,执行步骤3.4;
步骤3.4,求解分解得到所有端电压参数原子的均值,得到新的端电压参数原子,并使用新的端电压参数原子表示端电压信号,通过匹配即可得到锂电池的以下参数:电化学极化初始电压U1(0)、浓差极化初始电压U2(0)、电化学极化时间常数τ1、浓差极化时间常数τ2;
步骤3.5,根据锂电池HPPC充放电实验在静置后的放电过程为零状态响应可得:
将步骤3.4得到的锂电池参数代入上述零状态响应公式,并利用循环脉冲试验曲线的数据,计算可得锂电池的以下参数:电化学极化电阻R1、电化学极化电容C1、浓差极化电阻R2、浓差极化电容C2。
2.根据权利要求1所述的方法,其特征在于,步骤3.2中采用天牛须算法在端电压参数原子库中寻优端电压参数原子,具体步骤为:
(1)将天牛的质心坐标x随机初始化为残余信号Rn-1空间内的端电压参数原子grn,设置天牛的行进距离step;用xl表示左须坐标,xr表示右须坐标,使用d0表示天牛两须之间的距离,利用随机向量dir=rands(n,1)表示两须之间的朝向,并归一化朝向为将归一化朝向使用坐标表示为
(2)设置第n次原子分解的寻优函数为Hn=<Rn-1,grn>,grn表示第n次原子分解的端电压参数原子,Rn-1表示第n-1次原子分解后的残余信号;分别计算左右两须相应的寻优函数值:Hleft=H(xl),Hright=H(xr);
(3)根据左右两须的寻优函数值,按以下公式更新天牛的质心坐标:
式中,t、t+1表示天牛的搜索行进次数;
(4)判断是否满足Hn-Hn-1≤Hn*1%,若满足则停止迭代,将天牛此时的质心坐标作为第n次原子分解最终得到的端电压参数原子;若不满足,则返回步骤(2);
其中,Hn表示第n次原子分解的寻优函数,Hn-1表示第n-1次原子分解的寻优函数。
3.根据权利要求2所述的方法,其特征在于,天牛的行进距离step在迭代搜索过程中采用改进步长:stept+1=ε×stept;t、t+1表示天牛的搜索行进次数,ε表示步长迭代参数,0<ε<1。
4.根据权利要求1所述的方法,其特征在于,步骤3.3的原子分解结束条件,是指当前次原子分解相对于上一次原子分解的寻优函数值,增加不足1%;或者,当前次原子分解得到的新原子所有参数值,相对于上一次原子分解得到的新原子对应参数值,增加均不足10%。
5.根据权利要求1所述的方法,其特征在于,对锂电池二阶等效电路模型的开路电压的辨识方法为:取脉冲试验曲线中的放电结束后静置期间段的末端电压U(te)和充电结束后静置期间段的末端电压U(ti),再取两个末端电压的均值作为开路电压U0。
6.根据权利要求1所述的方法,其特征在于,对锂电池二阶等效电路模型的欧姆内阻R0的辨识方法为:根据脉冲试验曲线,计算锂电池在放电脉冲开始瞬间的电压变化与电流的比值Ra,b,还计算在锂电池在充电脉冲开始瞬间的电压变化与电流的比值Re,f,再取两个比值的均值作为欧姆内阻R0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911100803.3A CN110806541B (zh) | 2019-11-12 | 2019-11-12 | 一种基于ad-bas的锂电池模型参数辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911100803.3A CN110806541B (zh) | 2019-11-12 | 2019-11-12 | 一种基于ad-bas的锂电池模型参数辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110806541A CN110806541A (zh) | 2020-02-18 |
CN110806541B true CN110806541B (zh) | 2020-10-27 |
Family
ID=69502586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911100803.3A Active CN110806541B (zh) | 2019-11-12 | 2019-11-12 | 一种基于ad-bas的锂电池模型参数辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110806541B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111426962B (zh) * | 2020-03-23 | 2022-08-09 | 华为技术有限公司 | 电池参数的辨识方法和终端 |
CN111413618A (zh) * | 2020-03-27 | 2020-07-14 | 国联汽车动力电池研究院有限责任公司 | 一种锂离子电池的等效电路模型参数关系计算方法及系统 |
CN111474431B (zh) * | 2020-04-21 | 2022-02-01 | 三峡大学 | 一种电解电容器分数阶等效电路模型及其参数辨识方法 |
CN111844023A (zh) * | 2020-06-28 | 2020-10-30 | 合肥工业大学 | 一种基于天牛须算法的六自由度机器人逆解算法 |
CN112800676B (zh) * | 2021-01-28 | 2023-12-26 | 中国三峡新能源(集团)股份有限公司 | 基于ide-bas算法的风电场参数分步辨识动态等值方法 |
CN113111579B (zh) * | 2021-04-02 | 2022-09-09 | 华北电力大学(保定) | 一种自适应天牛须优化神经网络的锂电池等效电路模型参数辨识方法 |
CN117590243B (zh) * | 2024-01-19 | 2024-03-29 | 清华四川能源互联网研究院 | 一种锂离子电池直流内阻分解方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103646146B (zh) * | 2013-12-20 | 2017-03-29 | 武汉大学 | 基于改进原子分解参数辨识的svc控制器设计方法 |
CN109061508A (zh) * | 2018-09-11 | 2018-12-21 | 上海电力学院 | 一种电动汽车锂电池soh的估计方法 |
-
2019
- 2019-11-12 CN CN201911100803.3A patent/CN110806541B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110806541A (zh) | 2020-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110806541B (zh) | 一种基于ad-bas的锂电池模型参数辨识方法 | |
Zhang et al. | A reliable data-driven state-of-health estimation model for lithium-ion batteries in electric vehicles | |
CN110286332B (zh) | 一种基于多新息理论的电动汽车动力电池soc估计方法 | |
CN110568374B (zh) | 基于考虑内外特性的锂离子电池剩余使用寿命预测方法 | |
US20220283240A1 (en) | Method and system for estimating state of health of battery pack | |
CN113111579B (zh) | 一种自适应天牛须优化神经网络的锂电池等效电路模型参数辨识方法 | |
CN110146822A (zh) | 一种基于恒流充电过程的车用动力电池容量在线估计方法 | |
CN112415391A (zh) | 基于改进粒子群优化的船用锂离子电池参数辨识方法 | |
CN109346787B (zh) | 一种电动汽车动力电池自适应优化充电方法 | |
CN113985294A (zh) | 一种电池剩余寿命的预估方法及装置 | |
CN111983474A (zh) | 一种基于容量衰退模型的锂离子电池寿命预测方法和系统 | |
CN115308606B (zh) | 一种基于邻近特征的锂离子电池健康状态估计方法 | |
CN113687242A (zh) | 基于ga算法优化改进gru神经网络的锂离子电池soh估计方法 | |
CN114200333A (zh) | 一种铅酸蓄电池容量预测方法 | |
Fu et al. | Data-driven capacity estimation for lithium-ion batteries with feature matching based transfer learning method | |
CN116298936A (zh) | 在不完全电压范围内的锂离子电池智能健康状态预测方法 | |
CN115146723A (zh) | 基于深度学习和启发式算法的电化学模型参数辨识方法 | |
CN116953554A (zh) | 一种基于多片段数据的储能电站锂电池soh估计方法及装置 | |
CN112580211A (zh) | 基于sa和ann算法的铅酸蓄电池soh估计方法 | |
CN117169743A (zh) | 基于部分数据和模型融合的电池健康状态估计方法及设备 | |
CN109738808B (zh) | 基于模拟退火算法优化后的bp神经网络来估算soc的方法 | |
CN117110884A (zh) | 基于多核相关向量机的锂电池剩余使用寿命预测方法 | |
CN116679213A (zh) | 基于集成深度学习的电动汽车动力电池soh估算方法 | |
CN113702836B (zh) | 一种基于emd-gru锂离子电池荷电状态估计方法 | |
CN113255215B (zh) | 一种基于电压片段的锂电池健康状态估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |