CN111157899A - 一种基于模型融合思想对电池soc的估计方法 - Google Patents
一种基于模型融合思想对电池soc的估计方法 Download PDFInfo
- Publication number
- CN111157899A CN111157899A CN202010065000.5A CN202010065000A CN111157899A CN 111157899 A CN111157899 A CN 111157899A CN 202010065000 A CN202010065000 A CN 202010065000A CN 111157899 A CN111157899 A CN 111157899A
- Authority
- CN
- China
- Prior art keywords
- soc
- battery
- data
- svr
- estimating
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Secondary Cells (AREA)
Abstract
一种基于模型融合思想对电池SOC的估计方法,基于Stacking模型融合思想将改进支持向量回归PSO‑SVR、AdaBoost、随机森林RF三种模型进行融合的集成算法对电池SOC估计的方法,先对电池SOC的特征工程进行特征扩展和特征筛选,为了降低过拟合风险,利用K折交叉验证的方法对数据集进行处理,然后利用粒子群算法对支持向量机算法进行改进,最后利用提出的模型融合方法对电池SOC进行估计。本方法对电池SOC的估计精度要优于SVR、AdaBoost和RF三种单模型对电池SOC的估计精度,能够精确地估计储能电池荷电状态,电池SOC精确地估计是高效安全进行电池充放电、延长电池使用寿命的保证,是故障诊断的前提,是电力系统稳定、安全、高效运行的重要保障,也是加快推进智能电网必不可少的途径之一。
Description
技术领域
本发明属于电池荷电状态估计领域,具有涉及一种基于模型融合思想对电池SOC的估计方法。
背景技术
由于近些年的环境问题以及能源匮乏问题,人们找到了光伏、风机等新能源代替过去传统的化石能源,但是光伏和风机发电具有随机性、波动性和间歇性,这给并网带来了巨大的问题,会给电网带来巨大的冲击,严重的可能会导致电网的瘫痪,但是储能能够解决并网带来的一系列问题,电池是储能的一种技术,但是电池属于强非线性特性,这就给科研带来了许多难题,比如说,准确的估计电池SOC的值,电池SOC精确地估计是高效安全进行电池充放电、延长电池使用寿命的保证,是故障诊断的前提,是电力系统稳定、安全、高效运行的重要保障,也是加快推进智能电网必不可少的途径之一。国内外很多专家都对电池的研究有着自己的理解,但是仍未能够精确的预测电池SOC,这就给智能电网的发展带来了障碍。因此,精确地估计电池SOC的值对智能电网的发展具有非常重要的意义,为中国的电网发展做出了贡献。
电池具有强非线性,其SOC的值主要受电压、电流、温度等影响。
常用的电池SOC预测方法有卡尔曼滤波算法、开路电压法、安时积分法、内阻法以及机器学习算法等。当下最常用的方法当属卡尔曼滤波算法和机器学习算法,但卡尔曼滤波算法对模型有着很高的要求,需要很多种类的数据,还需要做参数辨识,过分依赖模型的精确度,而且计算量相当大。机器学习虽然也需要大量数据,但是,所需数据种类却不多,一般而言只需要电流值、电压值、环境温度等即可,计算量也不是很大,而且通常来说精度更高,相比较其他几种方法而言,优点大于缺点。
发明内容
本发明的目的是为了解决当前电池SOC估计精度不高这一问题,提供了一种基于Stacking方法将改进支持向量回归(PSO-SVR)、AdaBoost、随机森林(RF)三种模型进行融合的集成算法对电池SOC估计的方法。该方法考虑了电压、电流、环境温度以及扩展的特征(输出功率)对SOC的影响,将三种算法的优点进行集成,这一方法有效地解决了SOC估计精度不高这一问题,提高了SOC的估计精度,能够应用于实际工程中。
一种基于模型融合思想对电池SOC的估计方法,包括如下分步骤:
步骤1,进行数据收集;
步骤2,对收集到的数据进行预处理,对数据缺失值和异常值进行处理;
步骤3,进行特征工程筛选和扩展;
步骤4,建立改进支持向量回归PSO-SVR、AdaBoost、随机森林RF三种单模型;
步骤5,K折交叉验证方法对数据集处理;
步骤6,基于Stacking方法将三种单模型进行融合;
步骤7,通过上述融合后的模型对电池SOC进行估计。
进一步地,步骤1中,所述数据收集具体为,进行电池充放电循环实验并采集相关的数据,包括电池温度、电流和电压;电池电路搭建完成后,将新电池放入恒温箱中进行电池的循环充放电,在此过程中,每隔十秒记录下电流值、电压值、温度值以及间隔时间。
进一步地,步骤2中,对实验所采集到的数据进行预处理,包括数据清洗、特征处理;数据清洗将数据可视化,保证SOC的值在0-1之间,剔除小于0或者大于1的数据,剔除那些明显偏离的数据;利用Python语言统计缺失值个数,缺失值用该字段的平均值或者中位数填充。
进一步地,步骤3中,使用随机森林算法将工作电流、端电压、工作温度这三个特征工程重要度可视化,并对该三个特征工程进行扩展,将工作电流和端电压进行求积,扩展为输出功率这一特征,此时有工作电流,端电压,工作温度以及输出功率这四个特征工程,然后将扩展后的四个特征工程重要度进行可视化,从而筛选出重要度较大的特征。
进一步地,步骤4中,PSO-SVR模型建立步骤如下:
SVR问题其实就是凸优化问题,则SVR问题可形式化为:
通过一系列数学计算推导,SVR形如:
若考虑特征映射形式,则相应的:
最终得到SVR的表达式为:
利用种群优化算法PSO对SVR中惩罚系数C、径向基核函数的核宽度系数σ,以及不敏感损失函数的宽度∈三个参数进行优化,得到改进后的SVR算法,即PSO-SVR;选取能直接反映回归性能的均方差MSE作为粒子群算法的适应度函数fitness,即:
进一步地,步骤4中,AdaBoost模型建立步骤如下:
先从初始训练集训练出一个基学习器,再根据基学习器的表现对训练样本分布进行调整,使得先前基学习器做错的训练样本在后续收到更多关注,然后基于调整后的样本分布来训练下一个基学习器;如此重复进行,直至基学习器数目达到事先指定的值T,最终将这T个基学习器进行加权结合;
基于基学习器的线性组合:
AdaBoost算法流程如下:
输入:
训练集D={(x1,y1),(x2,y2),...,(xm,ym)};
基学习算法£;
训练轮数T;
过程:
1:D1(x)=1/m;
2:for t=1,2,...,T do
3:ht=£(D,DT);
5:if∈t>0.5then break;
8:end for
输出:
进一步地,步骤4中,RF模型建立步骤如下:
RF在以决策树为基学习器构建Bagging集成的基础上,进一步在决策树的训练过程中引入了随机属性选择,具体地,对决策树的每个结点,先从该结点的属性集合中随机选择一个包含k个属性的子集,然后再从这个子集中选择一个最优属性用于划分;这里的参数k控制了随机性的引入程度;若令k=d,则基决策树的构建与传统决策树相同;若令k=1,则是随机选择一个属性用于划分;一般情况下,设值k=log2d。
进一步地,步骤5中,提出K折交叉验证方法对数据集处理,将原始数据分为K个子数据集,每个子数据集分别验证一次,剩余的K-1组子数据集作为训练集,这样就能得到K组训练集和测试集,然后以最终的K组平均精度作为性能指标。
进一步地,步骤6中,基于Stacking方法将三种单模型进行融合,Stacking先从初始数据集训练出初级学习器,然后生成一个新数据集用于训练次级学习器;在这个新数据集中,初级学习器的输出被当作样例输入特征,而初始样本的标记仍被当作样例标记;
Stacking建模流程如下:
输入:
训练集D={(x1,y1),(x2,y2),...,(xm,ym)};
初级学习算法£1,£2,...,£T;
次级学习算法£;
过程:
1:for t=1,2,...,T do;
2:ht=£t(D);
3:end for
5:for i=1,2,…,m do;
6:fort=1,2,…,T do;
7:zit=ht(xi);
8:end for
9:D′=D′∪((zi1,zi2,...,ziT),yi);
10:end for
11:h′=£(D');
输出:
H(x)=h′(h1(x),h2(x),...,hT(x))
进一步地,所述步骤7中,具体估计步骤为:以电流、电压、温度以及输出功率4个特征为电池SOC估计的输入,以改进PSO-SVR、AdaBoost和随机森林RF3种单一模型作为Stacking模型融合算法的初级学习器,以线性回归算法作为Stacking模型融合算法的次级学习器,对电池SOC进行估计。
本发明与现有技术相比,具有如下优点和效果:
(1)本发明在工作电流、端电压及工作温度三个特征的基础上进行了特征扩展,扩展特征为输出功率。
(2)本发明利用随机森林算法对影响电池SOC的因素进行了特征筛选,剔除了非影响因素或者弱影响因素,提高了SOC估计精度。
(3)本发明提出了利用粒子群算法对支持向量机进行改进的方法估计电池SOC的值,即PSO-SVR。
(4)本发明基于Stacking方法将改进支持向量回归(PSO-SVR)、AdaBoost、随机森林(RF)三种模型进行融合的集成算法对电池SOC估计的方法,提高了电池SOC预测精度,解决了电池SOC预测精度较低的问题。
(5)本发明在基于模型融合的基础上,可以精确地估计任意时刻电池SOC的值,延长了电池的寿命和使用效率。
附图说明
图1为本发明实施例中所述基于模型融合思想对电池SOC估计的方法流程图。
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
一种基于模型融合思想对电池SOC的估计方法,包括如下分步骤:
步骤1,进行数据收集。
步骤1中,所述数据收集具体为,进行电池充放电循环实验并采集相关的数据,包括电池温度、电流和电压;电池电路搭建完成后,将新电池放入恒温箱中进行电池的循环充放电,在此过程中,每隔十秒记录下电流值、电压值、温度值以及间隔时间。
首先进行了数据的采集,这里假设电池工作温度在10-50℃,电流工作范围在1C-5C,具体实验步骤如下:
(1)将温度分为8段,分别为10℃、15℃、20℃……。
(2)将电流分为5段,分别为1C、2C、3C、4C、5C。
(3)将电池在10℃下进行恒流充电(此时充电电流为电池的额定电流),待电压达到充电截止电压后,切换到恒压充电,待电流下降到最小充电电流,此时充电阶段完成。
(4)将电池进行恒流放电,放电电流调至1C直至电压达到放电截止电压,此时放电阶段完成。
(5)循环重复第(3)步和第(4)步。
步骤2,对收集到的数据进行预处理,对数据缺失值和异常值进行处理。
步骤2中,对实验所采集到的数据进行预处理,包括数据清洗、特征处理;数据清洗将数据可视化,保证SOC的值在0-1之间,剔除小于0或者大于1的数据,剔除那些明显偏离的数据;利用Python语言统计缺失值个数,缺失值用该字段的平均值或者中位数填充。
步骤3,进行特征工程筛选和扩展。
步骤3中,使用随机森林算法将工作电流、端电压、工作温度这三个特征工程重要度可视化,并对该三个特征工程进行扩展,将工作电流和端电压进行求积,扩展为输出功率这一特征,此时有工作电流,端电压,工作温度以及输出功率这四个特征工程,然后将扩展后的四个特征工程重要度进行可视化,从而筛选出重要度较大的特征。
步骤4,建立改进支持向量回归PSO-SVR、AdaBoost、随机森林RF三种单模型。
步骤4中,PSO-SVR模型建立步骤如下:
SVR问题其实就是凸优化问题,则SVR问题可形式化为:
通过一系列数学计算推导,SVR形如:
若考虑特征映射形式,则相应的:
最终得到SVR的表达式为:
利用种群优化算法PSO对SVR中惩罚系数C、径向基核函数的核宽度系数σ,以及不敏感损失函数的宽度∈三个参数进行优化,得到改进后的SVR算法,即PSO-SVR;选取能直接反映回归性能的均方差MSE作为粒子群算法的适应度函数fitness,即:
AdaBoost模型建立步骤如下:
先从初始训练集训练出一个基学习器,再根据基学习器的表现对训练样本分布进行调整,使得先前基学习器做错的训练样本在后续收到更多关注,然后基于调整后的样本分布来训练下一个基学习器;如此重复进行,直至基学习器数目达到事先指定的值T,最终将这T个基学习器进行加权结合。
基于基学习器的线性组合:
AdaBoost算法流程如下:
输入:
训练集D={(x1,y1),(x2,y2),...,(xm,ym)};
基学习算法£;
训练轮数T;
过程:
1:D1(x)=1/m;
2:for t=1,2,...,T do
3:ht=£(D,DT);
5:if∈t>0.5then break;
8:end for
输出:
步骤4中,RF模型建立步骤如下:
RF在以决策树为基学习器构建Bagging集成的基础上,进一步在决策树的训练过程中引入了随机属性选择,具体地,对决策树的每个结点,先从该结点的属性集合中随机选择一个包含k个属性的子集,然后再从这个子集中选择一个最优属性用于划分;这里的参数k控制了随机性的引入程度;若令k=d,则基决策树的构建与传统决策树相同;若令k=1,则是随机选择一个属性用于划分;一般情况下,设值k=log2d。
步骤5,K折交叉验证方法对数据集处理。
步骤5中,提出K折交叉验证方法对数据集处理,将原始数据分为K个子数据集,每个子数据集分别验证一次,剩余的K-1组子数据集作为训练集,这样就能得到K组训练集和测试集,然后以最终的K组平均精度作为性能指标。
步骤6,基于Stacking方法将三种单模型进行融合。
步骤6中,基于Stacking方法将三种单模型进行融合,Stacking先从初始数据集训练出初级学习器,然后生成一个新数据集用于训练次级学习器;在这个新数据集中,初级学习器的输出被当作样例输入特征,而初始样本的标记仍被当作样例标记。
Stacking建模流程如下:
输入:
训练集D={(x1,y1),(x2,y2),...,(xm,ym)};
初级学习算法£1,£2,...,£T;
次级学习算法£;
过程:
1:for t=1,2,...,T do;
2:ht=£t(D);
3:end for
5:for i=1,2,…,m do;
6:for t=1,2,…,T do;
7:zit=ht(xi);
8:end for
9:D′=D′∪((zi1,zi2,...,ziT),yi);
10:end for
11:h′=£(D′);
输出:
H(x)=h(h1(x),h2(x),…,hT(x))
步骤7,在完成步骤1至6后,通过上述融合后的模型对电池SOC进行估计。具体估计步骤为:以电流、电压、温度以及输出功率4个特征为电池SOC估计的输入,以改进PSO-SVR、AdaBoost和随机森林RF3种单一模型作为Stacking模型融合算法的初级学习器,以线性回归算法作为Stacking模型融合算法的次级学习器,对电池SOC进行估计。
以上所述仅为本发明的较佳实施方式,本发明的保护范围并不以上述实施方式为限,但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化,皆应纳入权利要求书中记载的保护范围内。
Claims (10)
1.一种基于模型融合思想对电池SOC的估计方法,其特征在于:包括如下分步骤:
步骤1,进行数据收集;
步骤2,对收集到的数据进行预处理,对数据缺失值和异常值进行处理,对缺失值进行取中位数操作,对异常值进行丢弃操作;
步骤3,进行特征工程筛选和扩展,扩展出的新特征为输出功率;
步骤4,建立改进支持向量回归PSO-SVR、AdaBoost、随机森林RF三种单模型;
步骤5,为了避免过拟合,利用5折交叉验证方法对数据集处理;
步骤6,基于Stacking模型融合方法将步骤4中的三种单模型进行融合;
步骤7,通过上述融合后的模型对电池SOC进行估计。
2.根据权利要求1所述的一种基于模型融合思想对电池SOC的估计方法,其特征在于:步骤1中,所述数据收集具体为,进行电池充放电循环实验并采集相关的数据,包括电池温度、电流和电压;电池电路搭建完成后,将新电池放入恒温箱中进行电池的循环充放电,在此过程中,每隔十秒记录下电流值、电压值、温度值以及间隔时间。
3.根据权利要求1所述的一种基于模型融合思想对电池SOC的估计方法,其特征在于:步骤2中,对实验所采集到的数据进行预处理,包括数据清洗、特征处理;数据清洗将数据可视化,保证SOC的值在0-1之间,剔除小于0或者大于1的数据,剔除那些明显偏离的数据;利用Python语言统计缺失值个数,缺失值用该字段的平均值或者中位数填充。
4.根据权利要求1所述的一种基于模型融合思想对电池SOC的估计方法,其特征在于:步骤3中,使用随机森林算法将工作电流、端电压、工作温度这三个特征工程重要度可视化,并对该三个特征工程进行扩展,将工作电流和端电压进行求积,扩展为输出功率这一特征,此时有工作电流,端电压,工作温度以及输出功率这四个特征工程,然后将扩展后的四个特征工程重要度进行可视化,从而筛选出重要度较大的特征。
5.根据权利要求1所述的一种基于模型融合思想对电池SOC的估计方法,其特征在于:步骤4中,PSO-SVR模型建立步骤如下:
SVR问题其实就是凸优化问题,则SVR问题可形式化为:
通过一系列数学计算推导,SVR形如:
若考虑特征映射形式,则相应的:
最终得到SVR的表达式为:
利用种群优化算法PSO对SVR中惩罚系数C、径向基核函数的核宽度系数σ,以及不敏感损失函数的宽度∈三个参数进行优化,得到改进后的SVR算法,即PSO-SVR;选取能直接反映回归性能的均方差MSE作为粒子群算法的适应度函数fitness,即:
6.根据权利要求1所述的一种基于模型融合思想对电池SOC的估计方法,其特征在于:步骤4中,AdaBoost模型建立步骤如下:
先从初始训练集训练出一个基学习器,再根据基学习器的表现对训练样本分布进行调整,使得先前基学习器做错的训练样本在后续收到更多关注,然后基于调整后的样本分布来训练下一个基学习器;如此重复进行,直至基学习器数目达到事先指定的值T,最终将这T个基学习器进行加权结合;
基于基学习器的线性组合:
AdaBoost算法流程如下:
输入:
训练集D={(x1,y1),(x2,y2),…,(xm,ym)};
基学习算法£;
训练轮数T;
过程:
1:D1(x)=1/m;
2:for t=1,2,...,T do
3:ht=£(D,DT);
5:if ∈t>0.5 then break;
8:end for
输出:
7.根据权利要求1所述的一种基于模型融合思想对电池SOC的估计方法,其特征在于:步骤4中,RF模型建立步骤如下:
RF在以决策树为基学习器构建Bagging集成的基础上,进一步在决策树的训练过程中引入了随机属性选择,具体地,对决策树的每个结点,先从该结点的属性集合中随机选择一个包含k个属性的子集,然后再从这个子集中选择一个最优属性用于划分;这里的参数k控制了随机性的引入程度;若令k=d,则基决策树的构建与传统决策树相同;若令k=1,则是随机选择一个属性用于划分;一般情况下,设值k=log2d。
8.根据权利要求1所述的一种基于模型融合思想对电池SOC的估计方法,其特征在于:步骤5中,提出K折交叉验证方法对数据集处理,将原始数据分为K个子数据集,每个子数据集分别验证一次,剩余的K-1组子数据集作为训练集,这样就能得到K组训练集和测试集,然后以最终的K组平均精度作为性能指标。
9.根据权利要求1所述的一种基于模型融合思想对电池SOC的估计方法,其特征在于:步骤6中,基于Stacking方法将三种单模型进行融合,Stacking先从初始数据集训练出初级学习器,然后生成一个新数据集用于训练次级学习器;在这个新数据集中,初级学习器的输出被当作样例输入特征,而初始样本的标记仍被当作样例标记;
Stacking建模流程如下:
输入:
训练集D={(x1,y1),(x2,y2),...,(xm,ym)};
初级学习算法£1,£2,...,£T;
次级学习算法£;
过程:
1:for t=1,2,...,T do;
2:ht=£t(D);
3:end for
5:for i=1,2,…,m do;
6:for t=1,2,…,T do;
7:zit=ht(xi);
8:end for
9:D′=D′∪((zi1,zi2,...,ziT),yi);
10:end for
11:h′=£(D′);
输出:
H(x)=h′(h1(x),h2(x),...,hT(x)) 。
10.根据权利要求1所述的一种基于模型融合思想对电池SOC的估计方法,其特征在于:所述步骤7中,具体估计步骤为:以电流、电压、温度以及输出功率4个特征为电池SOC估计的输入,以改进PSO-SVR、AdaBoost和随机森林RF3种单一模型作为Stacking模型融合算法的初级学习器,以线性回归算法作为Stacking模型融合算法的次级学习器,对电池SOC进行估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010065000.5A CN111157899B (zh) | 2020-01-20 | 2020-01-20 | 一种基于模型融合思想对电池soc的估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010065000.5A CN111157899B (zh) | 2020-01-20 | 2020-01-20 | 一种基于模型融合思想对电池soc的估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111157899A true CN111157899A (zh) | 2020-05-15 |
CN111157899B CN111157899B (zh) | 2022-09-13 |
Family
ID=70564733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010065000.5A Active CN111157899B (zh) | 2020-01-20 | 2020-01-20 | 一种基于模型融合思想对电池soc的估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111157899B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111812515A (zh) * | 2020-07-17 | 2020-10-23 | 广西师范大学 | 基于XGboost模型的锂离子电池荷电状态估算 |
CN111983465A (zh) * | 2020-08-24 | 2020-11-24 | 深圳市加码能源科技有限公司 | 一种基于剩余电量估计的电动汽车充电安全防护方法 |
CN112347692A (zh) * | 2020-09-21 | 2021-02-09 | 深圳前海有电物联科技有限公司 | 不间断电源的电池预测性维护的实现方法、装置和电子装置 |
CN112557907A (zh) * | 2020-12-17 | 2021-03-26 | 杭州六纪科技有限公司 | 一种基于gru-rnn的电动汽车锂离子电池的soc估计方法 |
CN112904157A (zh) * | 2021-01-19 | 2021-06-04 | 重庆邮电大学 | 一种基于集成机器学习的故障电弧检测方法 |
CN113255746A (zh) * | 2021-05-14 | 2021-08-13 | 国网甘肃省电力公司经济技术研究院 | 基于决策树的新能源电动汽车退役动力电池等级筛选方法 |
CN113466718A (zh) * | 2021-06-29 | 2021-10-01 | 广东工业大学 | 一种手机电池soc校正方法 |
CN113934158A (zh) * | 2021-10-20 | 2022-01-14 | 东南大学 | 一种基于改进随机森林的电弧炉建模方法 |
CN115327385A (zh) * | 2022-07-29 | 2022-11-11 | 武汉理工大学 | 一种动力电池soc值估算方法及系统 |
CN116699412A (zh) * | 2023-05-17 | 2023-09-05 | 盐城工学院 | 一种储能电池模组的剩余容量估算方法 |
CN116953554A (zh) * | 2023-07-25 | 2023-10-27 | 国网江苏省电力有限公司镇江供电分公司 | 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 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103399279A (zh) * | 2013-08-01 | 2013-11-20 | 哈尔滨工业大学 | 基于ekf方法和ar模型融合型锂离子电池循环寿命预测方法 |
US20140214348A1 (en) * | 2013-01-29 | 2014-07-31 | Mitsubishi Electric Research Laboratories, Inc. | Method for Estimating a State of Charge of Batteries |
KR101529515B1 (ko) * | 2014-06-12 | 2015-06-17 | 국방과학연구소 | Mmae-ekf를 이용한 배터리의 soc 추정 방법 및 그 장치 |
CN105974219A (zh) * | 2016-04-11 | 2016-09-28 | 中国电力科学研究院 | 一种节能电器负荷类型的分类识别方法 |
CN106291376A (zh) * | 2016-07-29 | 2017-01-04 | 华晨汽车集团控股有限公司 | 基于支持向量机模型和卡尔曼滤波的锂电池soc估计方法 |
CN107817404A (zh) * | 2017-11-18 | 2018-03-20 | 广西电网有限责任公司电力科学研究院 | 一种便携式计量自动化终端故障诊断装置及其诊断方法 |
CN109143091A (zh) * | 2018-10-15 | 2019-01-04 | 四川长虹电器股份有限公司 | 基于双冗余的电池管理系统故障fdir系统及方法 |
CN110031761A (zh) * | 2019-03-21 | 2019-07-19 | 南京四象新能源科技有限公司 | 电池筛选方法、电池筛选装置及终端设备 |
-
2020
- 2020-01-20 CN CN202010065000.5A patent/CN111157899B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140214348A1 (en) * | 2013-01-29 | 2014-07-31 | Mitsubishi Electric Research Laboratories, Inc. | Method for Estimating a State of Charge of Batteries |
CN103399279A (zh) * | 2013-08-01 | 2013-11-20 | 哈尔滨工业大学 | 基于ekf方法和ar模型融合型锂离子电池循环寿命预测方法 |
KR101529515B1 (ko) * | 2014-06-12 | 2015-06-17 | 국방과학연구소 | Mmae-ekf를 이용한 배터리의 soc 추정 방법 및 그 장치 |
CN105974219A (zh) * | 2016-04-11 | 2016-09-28 | 中国电力科学研究院 | 一种节能电器负荷类型的分类识别方法 |
CN106291376A (zh) * | 2016-07-29 | 2017-01-04 | 华晨汽车集团控股有限公司 | 基于支持向量机模型和卡尔曼滤波的锂电池soc估计方法 |
CN107817404A (zh) * | 2017-11-18 | 2018-03-20 | 广西电网有限责任公司电力科学研究院 | 一种便携式计量自动化终端故障诊断装置及其诊断方法 |
CN109143091A (zh) * | 2018-10-15 | 2019-01-04 | 四川长虹电器股份有限公司 | 基于双冗余的电池管理系统故障fdir系统及方法 |
CN110031761A (zh) * | 2019-03-21 | 2019-07-19 | 南京四象新能源科技有限公司 | 电池筛选方法、电池筛选装置及终端设备 |
Non-Patent Citations (1)
Title |
---|
武骥 等: "一种基于自适应模型融合算法的动力锂电池建模方法", 《系统仿真技术及其应用》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111812515A (zh) * | 2020-07-17 | 2020-10-23 | 广西师范大学 | 基于XGboost模型的锂离子电池荷电状态估算 |
CN111983465B (zh) * | 2020-08-24 | 2022-07-19 | 深圳市加码能源科技有限公司 | 一种基于剩余电量估计的电动汽车充电安全防护方法 |
CN111983465A (zh) * | 2020-08-24 | 2020-11-24 | 深圳市加码能源科技有限公司 | 一种基于剩余电量估计的电动汽车充电安全防护方法 |
CN112347692A (zh) * | 2020-09-21 | 2021-02-09 | 深圳前海有电物联科技有限公司 | 不间断电源的电池预测性维护的实现方法、装置和电子装置 |
CN112347692B (zh) * | 2020-09-21 | 2024-02-06 | 深圳有电物联科技有限公司 | 不间断电源的电池预测性维护的实现方法、装置和电子装置 |
CN112557907A (zh) * | 2020-12-17 | 2021-03-26 | 杭州六纪科技有限公司 | 一种基于gru-rnn的电动汽车锂离子电池的soc估计方法 |
CN112904157A (zh) * | 2021-01-19 | 2021-06-04 | 重庆邮电大学 | 一种基于集成机器学习的故障电弧检测方法 |
CN113255746B (zh) * | 2021-05-14 | 2022-03-29 | 国网甘肃省电力公司经济技术研究院 | 基于决策树的新能源电动汽车退役动力电池等级筛选方法 |
CN113255746A (zh) * | 2021-05-14 | 2021-08-13 | 国网甘肃省电力公司经济技术研究院 | 基于决策树的新能源电动汽车退役动力电池等级筛选方法 |
CN113466718A (zh) * | 2021-06-29 | 2021-10-01 | 广东工业大学 | 一种手机电池soc校正方法 |
CN113934158A (zh) * | 2021-10-20 | 2022-01-14 | 东南大学 | 一种基于改进随机森林的电弧炉建模方法 |
CN115327385A (zh) * | 2022-07-29 | 2022-11-11 | 武汉理工大学 | 一种动力电池soc值估算方法及系统 |
CN116699412A (zh) * | 2023-05-17 | 2023-09-05 | 盐城工学院 | 一种储能电池模组的剩余容量估算方法 |
CN116953554A (zh) * | 2023-07-25 | 2023-10-27 | 国网江苏省电力有限公司镇江供电分公司 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN111157899B (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111157899B (zh) | 一种基于模型融合思想对电池soc的估计方法 | |
Xu et al. | A novel clustering algorithm for grouping and cascade utilization of retired Li-ion batteries | |
CN108846227B (zh) | 一种基于随机森林及容量自恢复效应分析的锂离子电池容量退化预测评估方法 | |
CN111368904B (zh) | 一种基于电力指纹的电器设备识别方法 | |
Haris et al. | Degradation curve prediction of lithium-ion batteries based on knee point detection algorithm and convolutional neural network | |
CN114219147A (zh) | 一种基于联邦学习的配电站故障预测方法 | |
Wang et al. | PSO-based optimization for constant-current charging pattern for li-ion battery | |
CN111999649A (zh) | 一种基于XGBoost算法的锂电池剩余寿命预测方法 | |
Mukherjee et al. | Development of an ensemble decision tree-based power system dynamic security state predictor | |
CN110009141B (zh) | 基于sdae特征提取和svm分类模型的爬坡事件预测方法及系统 | |
CN116609668B (zh) | 一种锂离子电池健康状态和剩余寿命预测方法 | |
CN113125960A (zh) | 一种基于随机森林模型的车载锂离子电池荷电状态预测方法 | |
CN108520986B (zh) | 一种基于生成对抗网络的动力电池配组方法 | |
Liang et al. | Evaluation of battery modules state for electric vehicle using artificial neural network and experimental validation | |
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 | |
CN117031310A (zh) | 一种电动汽车动力电池剩余使用寿命预测方法 | |
CN116449218A (zh) | 一种锂电池健康状态的估计方法 | |
Zhu et al. | A novel fast estimation and regroup method of retired lithium‐ion battery cells | |
Kharlamova et al. | Evaluating machine-learning-based methods for modeling a digital twin of battery systems providing frequency regulation | |
Eleftheriadis et al. | Hyperband optimization of stacked bidirectional long short-term memory neural network for the state of charge estimation | |
Eleftheriadis et al. | Bayesian hyperparameter optimization of stacked long short-term memory neural network for the state of charge estimation | |
CN116930769A (zh) | 一种基于双向生成式对抗神经网络的锂电池建模方法 | |
Bian et al. | An improved particle filter method to estimate state of health of lithium-ion battery | |
Qianglong et al. | State of health estimation of lithium-ion battery based on ant lion optimization and support vector regression | |
Liu et al. | Fault diagnosis of series batteries based on GWO-SVM |
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 |