CN110941796A - 一种三元锂离子电池单体充电策略评价方法 - Google Patents
一种三元锂离子电池单体充电策略评价方法 Download PDFInfo
- Publication number
- CN110941796A CN110941796A CN201911039100.4A CN201911039100A CN110941796A CN 110941796 A CN110941796 A CN 110941796A CN 201911039100 A CN201911039100 A CN 201911039100A CN 110941796 A CN110941796 A CN 110941796A
- Authority
- CN
- China
- Prior art keywords
- charging
- charging strategy
- indexes
- strategy
- lithium ion
- 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
- 238000007600 charging Methods 0.000 title claims abstract description 138
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 15
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 15
- 239000000178 monomer Substances 0.000 title claims abstract description 7
- 238000011156 evaluation Methods 0.000 title abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 74
- 238000011160 research Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000001186 cumulative effect Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000012847 principal component analysis method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 2
- 238000000513 principal component analysis Methods 0.000 abstract description 4
- 238000010278 pulse charging Methods 0.000 abstract description 4
- 238000010281 constant-current constant-voltage charging Methods 0.000 abstract description 3
- 238000007619 statistical method Methods 0.000 abstract description 3
- 230000001939 inductive effect Effects 0.000 abstract description 2
- 230000009467 reduction Effects 0.000 abstract description 2
- 239000000306 component Substances 0.000 description 26
- 238000001816 cooling Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012858 packaging process Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010280 constant potential charging Methods 0.000 description 1
- 238000010277 constant-current charging Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Secondary Cells (AREA)
Abstract
本发明提出一种三元锂离子电池单体充电策略评价方法,基于恒流恒压充电法、阶梯充电法、脉冲充电法、间歇充电法(变电流充电&变电压充电)、线性充电法、带负脉冲充电法等多种充电策略的基础研究,对实验结果采用主成分分析法(Principal Component Analysis,PCA)进行降维统计分析,最终确定充电容量、充电时间、充电温升、能量效率四个指标作为充电策略关键影响指标的主成分。与此同时,采用归纳式学习中连续型数据的区间划分——类‑属性间的相关度极大值法进一步确定了四个指标的区间划分方法及评分细则,结果可以雷达图的形式清晰呈现,最后通过对全部指标加权平均得到该充电策略的最终评分结果。
Description
技术领域
本发明属于锂离子电池领域,尤其是涉及一种三元锂离子电池单体充电策略评价方法。
背景技术
近年来,我国政府逐步加大了新能源汽车的政策支持力度,努力推进电动汽车产业化。作为电动汽车核心部件,动力电池的性能直接影响电动汽车的续航里程、使用寿命和推广程度,不容忽视。动力电池的充电过程是其使用、维护技术中的重要环节,对电池性能有很大影响。不合理的充电策略会造成动力电池容量的快速衰减,使其寿命变短,严重时还会使电池报废。反之,合理的充电策略不仅能够提高续航里程、缩短充电时间、保证充电过程不发生温度危害,还能有效的延长电池在日常使用过程中的循环寿命。
发明内容
有鉴于此,本发明旨在提出一种三元锂离子电池单体充电策略评价方法,以解决上述背景技术中提到的问题。
为达到上述目的,本发明的技术方案是这样实现的:
一种三元锂离子电池单体充电策略评价方法,具体包括如下步骤:
(1)利用主成分分析法确定影响充电策略可用性的关键影响指标;
(2)确定关键影响指标的区间划分方法及评分细则;
(3)设置权重影响因子,获得充电策略评分结果。
进一步的,所述步骤(1)中具体包括,首先采用多种充电策略对电池单体进行充电研究,记录充电容量、充电时间、充电温升、能量效率、容量效率、满充内阻指标参数,选取累计方差贡献率在90%时的成分作为主成分,作为该充电策略的关键影响指标,得到关键影响指标为充电容量、充电时间、充电温升、能量效率。
进一步的,所述步骤(1)还包括,根据如下矩阵,通过主成分分析法对其中的关键影响指标进行提取。
其中,Xi(i=1,2,…,p)代表总共p种充电策略,Xmi(i=1,2,…,p,m=1,2,…,n)代表每一种充电策略的影响指标,包括充电容量指标、充电时间指标、充电温升指标、能量效率指标、容量效率、满充内阻指标。
首先,进行上述变量数据标准化处理,计算各变量的均值和标准差,均值和标准差的计算公式为:
采用均值和标准差对原始数据进行标准化处理,以消除量纲影响,标准化处理的计算公式为:
其次,建立协方差矩阵,计算特征值和特征向量,采用标准化处理后的数据,计算协方差矩阵R,协方差矩阵R的计算公式为:
计算协方差矩阵R的特征值和特征向量,将特征值从大到小进行排序,假设特征值排列顺序为λ1,λ2,...,λp,对应的特征向量为li=[li1 li2 ... lip]T。
再次,计算方差贡献率和累计方差贡献率,第m个成分的方差贡献率的计算公式为:
前m个成分的累计方差贡献率的计算公式为:
最后,获取关键指标主成分信息,原始变量数据的关键指标主成分信息的计算公式为:
Z=X*l
式中,主成分矩阵Z为原始变量矩阵X的主成分部分。根据累计方差贡献率达到的百分比来确定主成分个数,数据统计学通常选取累计方差贡献率在75%-95%时的成分作为主成分,其他成分作为可忽略成分。
进一步的,所述步骤(2)关键影响指标的区间划分方法具体包括,确定任一关键影响指标的样本,给出初始区间划分方式,不断调整区间的边界,不断得到类-属性间的相关度值,当取得最大的类-属性间的相关度值,其所对应的区间划分则为最优区间。
进一步的,初始区间划分方式采用统计学经典五分位法按照初始区间采用等间距法以每5%作为一个区分度。
相对于现有技术,本发明所述的一种三元锂离子电池单体充电策略评价方法具有以下优势:
本发明填补了目前国内对于充电策略评价的空白。本发明率先确定了影响充电策略可用性的充电容量、充电时间、充电温升、能量效率四个关键影响指标。进一步地,确定了四个指标的区间划分方法及评分细则,如此可获得任一充电策略在四个维度下的雷达分布图。并可通过设置权重影响因子最终获得充电策略的评分结果。通过本发明,可针对任一提出的充电策略,完成对其可用性优劣的评价,有助于行业和企业设计更加满足自身电池系统产品特点的充电策略,从而更好地在整车充电桩处应用,提高电动汽车整车充电性能。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例所述的充电策略各影响指标得分雷达图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本发明。
本发明基于对锂离子电池充电策略进行全面、系统的研究分析,研究内容不仅包含目前企业广泛采用的常规恒流恒压充电策略,同时也涵盖近期国内外知名高校和企业提出的新型充电策略,包括阶梯充电法、脉冲充电法、间歇充电法(变电流充电&变电压充电)、线性充电法、带负脉冲充电法等。对于每种充电策略,从不同角度全面系统地的进行评价,除考察企业目前仅关注到的容量指标外,还全方位囊括不同充电策略带来的其他关键指标,包括充电时间、充电温升、能量效率等。
本发明为充电策略关键影响指标规定评分细则,结果可以雷达图的形式清晰呈现,最后通过对全部指标加权平均,得到该充电策略的最终评分结果,为新能源电池行业及企业贡献一电池单体充电策略评价方法。具体实现过程如下:
本发明首先基于恒流恒压充电法、阶梯充电法、脉冲充电法、间歇充电法(变电流充电&变电压充电)、线性充电法、带负脉冲充电法等多种充电策略的基础研究,对实验结果采用主成分分析法(Principal Component Analysis,PCA)进行降维统计分析,最终确定充电容量、充电时间、充电温升、能量效率四个指标作为充电策略关键影响指标的主成分。
具体的,根据如下矩阵,通过主成分分析法对其中的关键影响指标进行提取。
其中,Xi(i=1,2,…,p)代表总共p种充电策略,Xmi(i=1,2,…,p,m=1,2,…,n)代表每一种充电策略的影响指标,如充电容量指标、充电时间指标、充电温升指标、能量效率指标、容量效率、满充内阻指标等。
首先,进行上述变量数据标准化处理,计算各变量的均值和标准差,均值和标准差的计算公式为:
采用均值和标准差对原始数据进行标准化处理,以消除量纲影响,标准化处理的计算公式为:
其次,建立协方差矩阵,计算特征值和特征向量,采用标准化处理后的数据,计算协方差矩阵R,协方差矩阵R的计算公式为:
计算协方差矩阵R的特征值和特征向量,将特征值从大到小进行排序,假设特征值排列顺序为λ1,λ2,...,λp,对应的特征向量为li=[li1 li2 ... lip]T。
再次,计算方差贡献率和累计方差贡献率,第m个成分的方差贡献率的计算公式为:
前m个成分的累计方差贡献率的计算公式为:
最后,获取关键指标主成分信息,原始变量数据的关键指标主成分信息的计算公式为:
Z=X*l
式中,主成分矩阵Z为原始变量矩阵X的主成分部分。根据累计方差贡献率达到的百分比来确定主成分个数,数据统计学通常选取累计方差贡献率在75%-95%时的成分作为主成分,其他成分作为可忽略成分。本发明利用主成分分析法对其中的关键影响指标进行提取和权重分配,各关键影响指标权重分配可根据具体电池体系、材料性能、封装工艺类型、冷却方式等设置影响因子以达到灵活性的效果。
其次,采用归纳式学习中连续型数据的区间划分——类-属性间的相关度极大值法进一步确定了四个指标的区间划分方法及评分细则,结果可以雷达图的形式清晰呈现。
具体的,考虑一个由M个样本点组成的集合,每个样本点分别属于事先指定的S个类别中的一类cs,s=1,…,S,用C表示样本点所属的类别;每个样本点具有n个属性A1,…,Aj,…,An,属性Aj的值域记为domain(Aj)={vjk|k=1,2,…,Kj},其中vjk可以是数字、符号或二者的混合。
设连续型属性Aj的值域为[a,b],a≤vjk≤b,则称Tj:{[e0,e1],[e1,e2],…,[eLj-1,eLj]}
为对Aj的值域的一个划分,其中e0=a,eLj=b,ei-1<ei,i=1,2,…,Lj,记Bj={e0,e1,…,eLj}为划分Tj的边界值。
设Qj表示一组观测结果:{qsr|s=1,2,…,S,r=1,2,…,Lj},其中qsr表示样本点集中类别为cs,属性Aj的取值落在[er-1,er]中的所有样本点个数。这样,所有观测到的Aj的实际值就分别落在Lj个顺序排列的区间中,我们用Aj∈er表示Aj的实际值vjk落在区间[er-1,er]中。
经过区间划分后,属性Aj的取值实际上成了一个离散型随机变量,故可得到如下形式的概率估计P(C=cs,Aj∈er)=Psr=qsr/M,其中M为样本点总数。同样,还可以得到边际概率的估计P(C=cs)=Ps+=qs+/M,qs+表示样本点集中类别为cs的所有属性A的取值落在[e0,eLj]中的所有样本点个数。P(Aj∈er)=P+r=q+r/M,q+r表示样本点集中所有类别为C的某个属性Aj的取值落在[er-1,er]中的所有样本点个数。
设Tj:{[e0,e1],[e1,e2],…,[eLj-1,eLj]}为连续型属性Aj的值域的任一划分,则称
为类-属性之间的共有信息,称
为类-属性的联合熵。
设Tj:{[e0,e1],[e1,e2],…,[eLj-1,eLj]}为连续型属性Aj的值域的任一划分,则称
为类-属性间的相关度。
在样本点确定的情况下,首先给出一种初始区间划分方式,通过不断调整区间的边界e0,e1,…,eLj,从而不断得到类-属性间的相关度值,当取得最大的类-属性间的相关度值,其所对应的区间划分则为最优区间,通过以上方法获得最优区间划分的方法为类-属性间的相关度极大值法。
选取不同充电策略中充电容量这一关键指标,具体说明表1最优区间的划分方法。根据常规恒流恒压充电法、阶梯充电法、脉冲充电法、间歇充电法(变电流充电&变电压充电)、线性充电法、带负脉冲充电法等多种充电策略的研究结果进行类-属性间的相关度极大值法统计分析。充电容量关键指标整体区间值在(80%-100%]C0,根据GB/T 31486-2015《电动汽车用动力蓄电池电性能要求及试验方法》中有关单体循环的要求,当充电容量为80%C0时即为充电刚好合格。此种情况下,基于统计学经典五分位法,按照初始区间采用等间距法以每5%作为一个区分度,即设置四个初始区间(95%,100%]、(90%,95%]、(85%,90%]、(80%,85%],得到类-属性间的相关度初始值RCAj0.2094,通过调整四个区间段的边界值,不断获得类-属性间相关度,最终获得类-属性间的相关度最大值RCAj0.4024,得到所划分最优区间为(97%,100%]、(90%,97%]、(84%,90%]、(80%,84%]。评分自满分100开始,基于统计学经典五分位法,直至充电容量80%C0为刚好符合相应国家标准60分,采用等间距法将评分分布,得到分差为10。如表1所示。
同理,当选定行业目前慢充充电时间8h、电池系统在整车充电运行的警报开始温度50℃、电池最低可用能量效率90%作为充电策略评价刚好合格条件,同样基于统计学经典五分位法,按照上述类-属性间的相关度极大值法,分别获得充电时间的最优区间为[0,2.0)、[2.0,3.2)、[3.2,5.4)、
[5.4,8.0),类-属性间的相关度最大值RCAj0.4868,如表2所示;最高温度最优区间为[25,28)、[28,34)、[34,42)、[42,50),类-属性间的相关度最大值RCAj0.4376,如表3所示;能量效率的最优区间为(99,100]、(97,99]、(93,97]、(90,93],类-属性间的相关度最大值RCAj0.4988,如表4所示。此三个关键指标评分与上述充电容量的确定方法一致。
表1.充电容量指标区间划分及评分细则
注:C0为电池额定容量
表2.充电时间指标区间划分及评分细则
注:hour为充电时间单位小时,缩写为h
表3.最高温度指标区间划分及评分细则
表4.能量效率指标区间划分及评分细则
最后,通过对全部指标加权平均得到该充电策略的最终评分结果。
充电策略最终评分结果=充电容量指标评分×权重1+充电时间指标评分×权重2+充电温升指标评分×权重3+能量效率指标评分×权重4。其中,权重1~权重4的比重由使用者根据具体电池体系、材料性能、封装工艺类型、冷却方式等设置影响因子以达到灵活适应性的效果。
下面举例说明本发明工作过程:
以额定容量C0=2.8Ah的圆柱形三元锂离子动力电池为例,充电策略采用三阶段间隙降流充电,详细充电策略为:
室温25℃下,从SOC=0开始,首先以2.8A电流充电到达上限截止电压4.2V,随后静置间歇1min,继续以1.4A降流充电到达上限截止电压4.2V,静置1min,最后以0.7A电流充电到达上限截止电压4.2V时停止。
以该种充电策略充电,其充电全过程各影响指标情况如表5所示:
表5
项目 | 充电容量 | 充电时间 | 最高温度 | 能量效率 |
参数 | 2.49Ah | 1.4h | 32.5℃ | 100% |
以本专利所述充电策略评价方法,各关键指标得分情况如表6所示:
表6
项目 | 充电容量 | 充电时间 | 最高温度 | 能量效率 |
指标得分 | 80分 | 100分 | 90分 | 100分 |
各关键指标得分情况可以下雷达图1的形式清晰呈现:
表7
则以本专利所述充电策略评价方法,该三阶段间隙降流充电评分情况如下:
充电策略最终评分结果=80(充电容量)×0.4+80(充电时间)×0.3+90×0.2+100(能量效率)×0.1=84。
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保护范围之内。
Claims (5)
1.一种三元锂离子电池单体充电策略评价方法,其特征在于:具体包括如下步骤:
(1)利用主成分分析法确定影响充电策略可用性的关键影响指标;
(2)确定关键影响指标的区间划分方法及评分细则;
(3)设置权重影响因子,获得充电策略评分结果。
2.根据权利要求1所述的一种三元锂离子电池单体充电策略评价方法,其特征在于:所述步骤(1)中具体包括,首先采用多种充电策略对电池单体进行充电研究,记录充电容量、充电时间、充电温升、能量效率、容量效率、满充内阻指标参数,选取累计方差贡献率在90%时的成分作为主成分,作为该充电策略的关键影响指标,得到关键影响指标为充电容量、充电时间、充电温升、能量效率。
3.根据权利要求2所述的一种三元锂离子电池单体充电策略评价方法,其特征在于:所述步骤(1)还包括,根据如下矩阵,通过主成分分析法对其中的关键影响指标进行提取,
其中,Xi(i=1,2,…,p)代表总共p种充电策略,Xmi(i=1,2,…,p,m=1,2,…,n)代表每一种充电策略的影响指标,包括充电容量指标、充电时间指标、充电温升指标、能量效率指标、容量效率、满充内阻指标;
首先,进行上述变量数据标准化处理,计算各变量的均值和标准差,均值和标准差的计算公式为:
采用均值和标准差对原始数据进行标准化处理,以消除量纲影响,标准化处理的计算公式为:
其次,建立协方差矩阵,计算特征值和特征向量,采用标准化处理后的数据,计算协方差矩阵R,协方差矩阵R的计算公式为:
计算协方差矩阵R的特征值和特征向量,将特征值从大到小进行排序,假设特征值排列顺序为λ1,λ2,...,λp,对应的特征向量为li=[li1 li2...lip]T;
再次,计算方差贡献率和累计方差贡献率,第m个成分的方差贡献率的计算公式为:
前m个成分的累计方差贡献率的计算公式为:
最后,获取关键指标主成分信息,原始变量数据的关键指标主成分信息的计算公式为:
Z=X*l
式中,主成分矩阵Z为原始变量矩阵X的主成分部分,根据累计方差贡献率达到的百分比来确定主成分个数,选取累计方差贡献率在75%-95%时的成分作为主成分。
4.根据权利要求1所述的一种三元锂离子电池单体充电策略评价方法,其特征在于:所述步骤(2)关键影响指标的区间划分方法具体包括,确定任一关键影响指标的样本,给出初始区间划分方式,不断调整区间的边界,不断得到类-属性间的相关度值,当取得最大的类-属性间的相关度值,其所对应的区间划分则为最优区间。
5.根据权利要求4所述的一种三元锂离子电池单体充电策略评价方法,其特征在于:初始区间划分方式采用统计学经典五分位法按照初始区间采用等间距法以每5%作为一个区分度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911039100.4A CN110941796A (zh) | 2019-10-29 | 2019-10-29 | 一种三元锂离子电池单体充电策略评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911039100.4A CN110941796A (zh) | 2019-10-29 | 2019-10-29 | 一种三元锂离子电池单体充电策略评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110941796A true CN110941796A (zh) | 2020-03-31 |
Family
ID=69906265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911039100.4A Pending CN110941796A (zh) | 2019-10-29 | 2019-10-29 | 一种三元锂离子电池单体充电策略评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110941796A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598725A (zh) * | 2014-12-31 | 2015-05-06 | 国家电网公司 | 一种分布式电源并网后配电网适应性的评价方法 |
CN107545380A (zh) * | 2017-10-13 | 2018-01-05 | 常州工学院 | 基于主成分分析的城市宜居性评价模型 |
CN107679676A (zh) * | 2017-10-27 | 2018-02-09 | 河海大学 | 一种基于数值模拟的城市低影响开发优化配置方法 |
CN107967544A (zh) * | 2016-10-19 | 2018-04-27 | 浙江省电力公司电力科学研究院 | 一种典型配电网串联无功补偿策略的能效水平评价方法 |
CN109191001A (zh) * | 2018-09-21 | 2019-01-11 | 常州工学院 | 基于主成分分析的教育质量评价方法 |
-
2019
- 2019-10-29 CN CN201911039100.4A patent/CN110941796A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598725A (zh) * | 2014-12-31 | 2015-05-06 | 国家电网公司 | 一种分布式电源并网后配电网适应性的评价方法 |
CN107967544A (zh) * | 2016-10-19 | 2018-04-27 | 浙江省电力公司电力科学研究院 | 一种典型配电网串联无功补偿策略的能效水平评价方法 |
CN107545380A (zh) * | 2017-10-13 | 2018-01-05 | 常州工学院 | 基于主成分分析的城市宜居性评价模型 |
CN107679676A (zh) * | 2017-10-27 | 2018-02-09 | 河海大学 | 一种基于数值模拟的城市低影响开发优化配置方法 |
CN109191001A (zh) * | 2018-09-21 | 2019-01-11 | 常州工学院 | 基于主成分分析的教育质量评价方法 |
Non-Patent Citations (5)
Title |
---|
王旭等: "国际电网评价关键指标"一流水平"量化评估", 《电力系统及其自动化学报》 * |
王旭等: "国际电网评价关键指标"一流水平"量化评估", 《电力系统及其自动化学报》, no. 02, 15 February 2016 (2016-02-15) * |
陈秉正,韩春鹏: "归纳式学习中连续型数据的区间划分问题", 系统工程理论与实践, no. 04, pages 1 - 7 * |
陈秉正等: "归纳式学习中连续型数据的区间划分问题", 《系统工程理论与实践》 * |
陈秉正等: "归纳式学习中连续型数据的区间划分问题", 《系统工程理论与实践》, no. 04, 25 April 2001 (2001-04-25), pages 1 - 7 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110045298B (zh) | 一种动力电池组参数不一致性的诊断方法 | |
CN110752410B (zh) | 一种快速分选和重组退役锂电池的方法 | |
CN111707951B (zh) | 一种电池组一致性评估方法及系统 | |
CN108445406B (zh) | 一种动力电池健康状态估计方法 | |
CN108280479B (zh) | 一种基于负荷特性指标加权聚类算法的电网用户分类方法 | |
CN107741568B (zh) | 一种基于状态转移优化rbf神经网络的锂电池soc估算方法 | |
CN112034356A (zh) | 基于gp-ukf的电动汽车动力电池在线soh估算方法 | |
CN111366848A (zh) | 一种基于pso-elm算法的电池健康状态预测方法 | |
CN108655028A (zh) | 一种基于模糊均值聚类算法对电池进行分类的方法及系统 | |
CN113917334B (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
CN115166563B (zh) | 一种动力电池老化状态评估与退役筛选方法及系统 | |
CN114839536B (zh) | 一种基于多健康因子的锂离子电池健康状态估计方法 | |
CN110031771A (zh) | 一种描述电池一致性的方法 | |
CN112791997A (zh) | 一种退役电池梯次利用筛选的方法 | |
CN115121507B (zh) | 一种低测试成本的退役动力电池分选方法 | |
CN113945852B (zh) | 一种蓄电池组不一致性评价方法 | |
CN115382798A (zh) | 一种退役锂电池梯次利用快速分选的方法 | |
CN114646888A (zh) | 一种动力电池容量衰减的评估方法及系统 | |
CN112698217B (zh) | 基于粒子群优化算法的电池单体容量估计方法 | |
CN116699407A (zh) | 一种基于安全熵的动力电池安全风险预警方法 | |
CN110941796A (zh) | 一种三元锂离子电池单体充电策略评价方法 | |
CN115889245A (zh) | 一种锂电池一致性分选方法 | |
CN115308623A (zh) | 一种基于粒子重采样与搜寻者优化算法的电池荷电状态估计方法 | |
CN110639844B (zh) | 一种空间飞行器用锂离子蓄电池一致性筛选方法 | |
Lin et al. | Research on Inconsistency Identification of Lithium-ion Battery Pack Based on Operational Data |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200331 |