CN111220912A - 一种基于移植神经网络的电池容量衰减轨迹预测方法 - Google Patents

一种基于移植神经网络的电池容量衰减轨迹预测方法 Download PDF

Info

Publication number
CN111220912A
CN111220912A CN202010060435.0A CN202010060435A CN111220912A CN 111220912 A CN111220912 A CN 111220912A CN 202010060435 A CN202010060435 A CN 202010060435A CN 111220912 A CN111220912 A CN 111220912A
Authority
CN
China
Prior art keywords
battery
neural network
base
model
data
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
Application number
CN202010060435.0A
Other languages
English (en)
Other versions
CN111220912B (zh
Inventor
刘凯龙
谢翌
冯飞
孟锦豪
彭琦奥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Original Assignee
Chongqing University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University filed Critical Chongqing University
Priority to CN202010060435.0A priority Critical patent/CN111220912B/zh
Publication of CN111220912A publication Critical patent/CN111220912A/zh
Application granted granted Critical
Publication of CN111220912B publication Critical patent/CN111220912B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)

Abstract

本发明涉及一种基于移植神经网络的电池容量衰减轨迹预测方法，属于电池管理技术领域。该方法包括：S1选定待测试的动力电池，制定两种不同工况的循环条件，针对这两种不同工况的循环条件分别进行电池老化实验，采集电池测试数据；S2根据所采集的电池测试数据，计算电池在对应工况下的容量衰减，生成基准模型训练数据库和移植神经网络训练数据库；S3选取基模型种类，用基准模型训练数据库中的全部数据辨识基模型的参数；S4根据所收集的移植神经网络训练数据库进行移植神经网络训练，建立移植神经网络模型；S5基于移植神经网络模型对衰减较慢的电池未来容量轨迹进行预测。本发明具有代价小、复杂度低和移植性好等优点。

Description

一种基于移植神经网络的电池容量衰减轨迹预测方法
技术领域
本发明属于电池管理技术领域，涉及一种基于移植神经网络的电池容量衰减轨迹预测方法。
背景技术
在电动汽车以及储能系统的实际应用中，电池健康状态的准确估计对电池的安全性和效率至关重要。在需要估计的电池健康状态中，未来时刻的电池容量信息能够帮助确保电池在可靠安全的条件下运行，并减少用户对电池续航寿命的担忧。因此，开发有效的电池容量衰减轨迹预测方法至关重要。
目前对电池未来时刻的电池容量衰减轨迹预测主要有以下几类：
1)利用复杂的非线性模型诸如电池电化学模型来生成未来时刻电池内部的电化学老化机理或容量衰减信息，该种方法复杂度较高且计算量大，不适合在线使用。
2)采用具有特定数学表达形式的经验模型通过离线辨识参数后在线预测电池的容量衰减曲线，该种方法自适应能力差，对噪声比较敏感，在不同工况下易产生巨大误差。
3)采用机器学习技术如神经网络，支持向量机等推导数据驱动模型进行未来容量衰减估计，但传统的数据驱动模型需要大量的实验数据来训练，从而消耗大量的实验成本与时间成本。
基于上述方法的缺陷，亟需一种代价小、复杂度低和移植性较好的电池容量衰减轨迹预测方法来预测电池在不同循环工况下的未来健康状态。
发明内容
有鉴于此，本发明的目的在于提供一种基于移植神经网络的电池容量衰减轨迹预测方法，将在只采集到电池某一循环工况初始部分容量衰减数据集的情况下，也能对电池在该循环工为达到上述目的，本发明提供如下技术方案：
一种基于移植神经网络的电池容量衰减轨迹预测方法，该方法具体包括以下步骤：
S1：选定待测试的动力电池，制定两种不同工况的循环条件，针对这两种不同工况的循环条件分别进行电池老化实验，采集电池测试数据；
S2：根据所采集的电池测试数据，计算电池在对应工况下的容量衰减，生成基准模型训练数据库Bbase和移植神经网络训练数据库Btransfer；
S3：针对基准模型训练数据库Bbase，选取基模型种类，用Bbase中的全部数据辨识基模型的参数；
S4：根据所收集的移植神经网络训练数据库Btransfer，进行移植神经网络训练，建立移植神经网络模型；
S5：基于移植神经网络模型对衰减较慢的电池未来容量轨迹进行预测。
可选的，所述步骤S1中，工况的循环条件包括电池充电与放电的电流倍率C-rate，放电深度DOD，温度Temperature和截止电压Cut-offvoltage；采集的电池测试数据包括但不限于两种不同工况条件下产生的所有终端电流数据和电压数据,对应的数据采集时间。
可选的，所述步骤S2具体包括以下步骤：
S21：针对每一个循环工况下产生的电池测试数据，利用包括但不限于安时积分法计算电池在每一个循环期间从上限截止电压放电到下限截止电压的电池容量，最终生成循环次数CNumber与电池放电容量Cap相互一一对应的衰减实验曲线；
S22:通过对比衰减实验曲线的斜率，选取斜率较大曲线情况下的所有循环次数数据Nbase和与Nbase相互对应的电池放电容量数据Cbase作为基准模型训练数据库Bbase,对应的数据采集时间记为Tbase；
S23:针对衰减斜率较小的曲线，选取在Tbase时间段内所生成的循环次数数据Ntransfer和与Ntransfer相互对应的电池放电容量数据Ctransfer作为移植神经网络训练数据库Btransfer。
可选的，所述步骤S3具体包括以下步骤：
S31:选取基模型种类，基模型种类包括但不限于指数模型、正弦函数模型、多项式模型；基模型的输入数据为循环次数数据Nbase，输出数据为一一对应循环次数数据Nbase的电池放电容量Cbase；
S32:利用包括但不限于遗传算法辨识基模型参数，建立对应数据库Bbase的基模型fbase；其中辨识过程中的损耗函数Loss定义为基模型fbase输出容量
Figure BDA0002374286900000021
与实际采集的电池放电容量Cbase的均方根误差，计算公式为：
Figure BDA0002374286900000022
其中，n为数据点个数。
可选的，所述步骤S4具体包括以下步骤：
S41:设置移植神经网络的模型结构为包括输入层、隐藏层1、隐藏层2和输出层的四层神经网络；所述输入层拥有一个节点，所述隐藏层1拥有N个节点加上一个偏执Bias1,所述隐藏层2拥有M个节点加上一个偏执Bias2,所述输出层拥有一个节点；
S42:隐藏层1中所有节点的激励函数均设置为辨识好参数的基模型fbase,隐藏层2中所有节点的激励函数均设置为整流线性单元ReLU，计算公式为：
ReLU(x)＝max{0，x}+min{0，x}*λ
其中，x为整流线性单元的输入值，λ为预设的权值参数，max{0，x}和min{0，x}分别表示取{0，x}中的最大值和最小值。
S43：选取移植神经网络训练数据库Btransfer中的循环次数数据Ntransfer作为整个移植神经网络模型的输入，与Ntransfer一一对应的电池放电容量数据Ctransfer作为整个移植神经网络模型的输出来训练得到移植神经网络模型NNM，该训练方法包括但不限于梯度下降法；
可选的，所述步骤S5具体包括以下步骤：
S51：基于训练好后的移植神经网络模型NNM，输入未来时刻的循环次数数据集Nfuture,通过NNM的输出获得对应未来循环次数数据集Nfuture的电池容量估计数据集Cfuture.
S52:以循环次数数据集Nfuture作为横坐标，一一对应的电池容量估计数据集Cfuture作为纵坐标做二维图，即得到该电池在衰减较慢情况下的未来容量衰减轨迹预测图。
本发明的有益效果在于：本发明通过针对电池容量衰减较快的循环工况建立基模型以捕获该电池的容量衰减信息，在此基础上，利用神经网络来进行基模型的非线性迁移，从而开发出针对电池容量衰减较慢循环工况下的迁移神经网络模型，以实现对该循环工况条件下的未来电池容量衰减轨迹的有效预测。具体优点有：
(1)本发明通过基模型来拟合电池衰减较快情况下的容量曲线，可以有效捕获电池容量衰减的整体趋势与信息。
(2)本发明利用四层神经网络来进行基模型的迁移，可以实现高性能的非线性迁移。获得的迁移神经网络模型同时拥有基模型提供的容量衰减信息和神经网络强大的非线性拟合能力，从而能提供针对其他循环工况的有效容量衰减预测。
(3)本发明所开发的方法具备数据驱动特性，没有涉及复杂的电池电化学机理，可以方便地用于各种不同种类电池的未来容量衰减轨迹估计。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本发明所述的电池容量衰减轨迹预测方法流程图；
图2为本发明实施例步骤S4中移植神经网络模型建立流程图；
图3为本发明实施例移植神经网络模型简图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
请参阅图1～图3，如图1所示，图1为一种基于移植神经网络的电池容量衰减轨迹预测方法，该方法包括以下步骤：
S1：选定待测试的动力电池，制定两种不同工况的循环条件，针对这两种不同工况的循环条件分别进行电池老化实验，采集电池测试数据。其中工况的循环条件包括电池充电与放电的电流倍率(Current rate,C-rate)，放电深度(Depth of discharge,DOD)，温度(Temperature)和截止电压(Cut-off voltage)；采集的电池测试数据包括但不限于两种不同工况条件下的产生的所有终端电流数据和电压数据,对应的数据采集时间；
S2：根据所采集的电池测试数据，计算电池在对应工况下的容量衰减，生成基准模型训练数据库Bbase和移植神经网络训练数据库Btransfer。具体包括以下步骤：
S21：针对每一个循环工况下产生的终端电流数据，利用包括但不限于安时积分法计算电池在每一个循环期间从上限截止电压放电到下限截止电压的电池容量，最终生成循环次数CNumber与电池放电容量Cap相互一一对应的衰减实验曲线；
S22:通过对比衰减实验曲线的斜率，选取斜率较大曲线情况下的所有循环次数数据Nbase和与Nbase相互对应的电池放电容量数据Cbase作为基准模型的训练数据库Bbase,其对应的数据采集时间记为Tbase.
S23:针对衰减斜率较小的曲线，选取在Tbase时间段内所生成的循环次数数据Ntransfer和与Ntransfer一一对应的电池放电容量数据Ctransfer作为移植神经网络的训练数据库Btransfer.
S3：针对基准模型训练数据库Bbase，选取基模型种类，用Bbase中的全部数据辨识基模型的参数。具体包括以下步骤：
S31:选取基模型种类，基模型种类包括但不限于指数模型、正弦函数模型、多项式模型。
模型方程如表1所示：
表1基模型主流种类及对应方程
Figure BDA0002374286900000051
其中m为参数阶数，ai,bi为基模型待辨识的参数(i＝1，...，m)，x为基准模型训练数据库Bbase中的循环次数数据Nbase，f(x)为基准模型训练数据库Bbase中一一对应Nbase的电池放电容量数据Cbase。
S32:利用包括但不限于遗传算法来辨识基模型参数αi和bi，建立对应数据库Bbase的基模型fbase；其中辨识过程中的损耗函数Loss定义为基模型fbase输出容量
Figure BDA0002374286900000052
与实际采集的电池放电容量Cbase的均方根误差，计算公式为：
Figure BDA0002374286900000053
其中，n为数据点个数。
S4：根据所收集的移植神经网络训练数据库Btransfer，进行移植神经网络训练，建立移植神经网络模型。如图2所示，具体包括以下步骤：
S41:设置移植神经网络的模型结构为包括输入层、隐藏层1、隐藏层2和输出层的四层神经网络；所述输入层拥有一个节点，所述隐藏层1拥有N个节点加上一个偏执Bias1,所述隐藏层2拥有M个节点加上一个偏执Bias2,所述输出层拥有一个节点，如图3所示。
S42:隐藏层1中所有节点的激励函数均设置为辨识好参数的基模型fbase,隐藏层2中所有节点的激励函数均设置为整流线性单元(Rectified Linear Unit,ReLU),其计算公式为：
ReLU(x)＝max{0，x}+min{0，x}*λ
其中，x为整流线性单元的输入值，λ设置为0.05，max{0，x}和min{0，x}分别表示取{0，x}中的最大值和最小值。
S43：选取移植神经网络训练数据库Btransfer中的循环次数数据Ntransfer作为整个移植神经网络模型的输入，与Ntransfer一一对应的电池放电容量数据Ctransfer作为整个移植神经网络模型的输出来训练得到移植神经网络模型NNM，该训练方法包括但不限于梯度下降法。
S5：基于移植神经网络模型对衰减较慢的电池未来容量轨迹进行预测。具体包括以下步骤：
S51：基于训练好后的移植神经网络模型NNM，输入未来时刻的循环次数数据集Nfuture,通过NNM的输出获得对应未来循环次数数据集Nfuture的电池容量估计数据集Cfuture.
S52:以循环次数数据集Nfuture作为横坐标，一一对应的电池容量估计数据集Cfuture作为纵坐标做二维图，即可得到该电池在衰减较慢情况下的未来容量衰减轨迹预测图。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种基于移植神经网络的电池容量衰减轨迹预测方法，其特征在于：该方法具体包括以下步骤：
S1：选定待测试的动力电池，制定两种不同工况的循环条件，针对这两种不同工况的循环条件分别进行电池老化实验，采集电池测试数据；
S2：根据所采集的电池测试数据，计算电池在对应工况下的容量衰减，生成基准模型训练数据库Bbase和移植神经网络训练数据库Btransfer；
S3：针对基准模型训练数据库Bbase，选取基模型种类，用Bbase中的全部数据辨识基模型的参数；
S4：根据所收集的移植神经网络训练数据库Btransfer，进行移植神经网络训练，建立移植神经网络模型；
S5：基于移植神经网络模型对衰减较慢的电池未来容量轨迹进行预测。
2.根据权利要求1所述的一种基于移植神经网络的电池容量衰减轨迹预测方法，其特征在于：所述步骤S1中，工况的循环条件包括电池充电与放电的电流倍率C-rate，放电深度DOD，温度Temperature和截止电压Cut-offvoltage；采集的电池测试数据包括但不限于两种不同工况条件下产生的所有终端电流数据和电压数据,对应的数据采集时间。
3.根据权利要求1所述的一种基于移植神经网络的电池容量衰减轨迹预测方法，其特征在于：所述步骤S2具体包括以下步骤：
S21：针对每一个循环工况下产生的电池测试数据，利用包括但不限于安时积分法计算电池在每一个循环期间从上限截止电压放电到下限截止电压的电池容量，最终生成循环次数CNumber与电池放电容量Cap相互一一对应的衰减实验曲线；
S22:通过对比衰减实验曲线的斜率，选取斜率较大曲线情况下的所有循环次数数据Nbase和与Nbase相互对应的电池放电容量数据Cbase作为基准模型训练数据库Bbase,对应的数据采集时间记为Tbase；
S23:针对衰减斜率较小的曲线，选取在Tbase时间段内所生成的循环次数数据Ntransfer和与Ntransfer相互对应的电池放电容量数据Ctransfer作为移植神经网络训练数据库Btransfer。
4.根据权利要求1所述的一种基于移植神经网络的电池容量衰减轨迹预测方法，其特征在于：所述步骤S3具体包括以下步骤：
S31:选取基模型种类，基模型种类包括但不限于指数模型、正弦函数模型、多项式模型；基模型的输入数据为循环次数数据Nbase，输出数据为一一对应循环次数数据Nbase的电池放电容量Cbase；
S32：利用包括但不限于遗传算法辨识基模型参数，建立对应数据库Bbase的基模型fbase；其中辨识过程中的损耗函数Loss定义为基模型fbase输出容量
Figure FDA0002374286890000023
与实际采集的电池放电容量Cbase的均方根误差，计算公式为：
Figure FDA0002374286890000022
其中，n为数据点个数。
5.根据权利要求1所述的一种基于移植神经网络的电池容量衰减轨迹预测方法，其特征在于：所述步骤S4具体包括以下步骤：
S41：设置移植神经网络的模型结构为包括输入层、隐藏层1、隐藏层2和输出层的四层神经网络；所述输入层拥有一个节点，所述隐藏层1拥有N个节点加上一个偏执Bias1，所述隐藏层2拥有M个节点加上一个偏执Bias2，所述输出层拥有一个节点；
S42：隐藏层1中所有节点的激励函数均设置为辨识好参数的基模型fbase，隐藏层2中所有节点的激励函数均设置为整流线性单元ReLU，计算公式为：
ReLU(x)＝max{0，x}+min{0，x}*λ
其中，x为整流线性单元的输入值，λ为预设的权值参数，max{0，x}和min{0，x}分别表示取{0，x}中的最大值和最小值。
S43：选取移植神经网络训练数据库Btransfer中的循环次数数据Ntransfer作为整个移植神经网络模型的输入，与Ntransfer一一对应的电池放电容量数据Gtransfer作为整个移植神经网络模型的输出来训练得到移植神经网络模型NNM，该训练方法包括但不限于梯度下降法。
6.根据权利要求1所述的一种基于移植神经网络的电池容量衰减轨迹预测方法，其特征在于：所述步骤S5具体包括以下步骤：
S51：基于训练好后的移植神经网络模型NNM，输入未来时刻的循环次数数据集Nfuture，通过NNM的输出获得对应未来循环次数数据集Nfuture的电池容量估计数据集Cfuture
S52：以循环次数数据集Nfuture作为横坐标，一一对应的电池容量估计数据集Cfuture作为纵坐标做二维图，即得到该电池在衰减较慢情况下的未来容量衰减轨迹预测图。
CN202010060435.0A 2020-01-19 2020-01-19 一种基于移植神经网络的电池容量衰减轨迹预测方法 Active CN111220912B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010060435.0A CN111220912B (zh) 2020-01-19 2020-01-19 一种基于移植神经网络的电池容量衰减轨迹预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010060435.0A CN111220912B (zh) 2020-01-19 2020-01-19 一种基于移植神经网络的电池容量衰减轨迹预测方法

Publications (2)

Publication Number Publication Date
CN111220912A true CN111220912A (zh) 2020-06-02
CN111220912B CN111220912B (zh) 2022-03-29

Family

ID=70831210

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010060435.0A Active CN111220912B (zh) 2020-01-19 2020-01-19 一种基于移植神经网络的电池容量衰减轨迹预测方法

Country Status (1)

Country Link
CN (1) CN111220912B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
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
CN112034355A (zh) * 2020-09-04 2020-12-04 中国南方电网有限责任公司超高压输电公司曲靖局 蓄电池状态的评估方法及评估装置
CN112198434A (zh) * 2020-09-29 2021-01-08 蜂巢能源科技有限公司 电池容量衰减模型参数的辨识方法、系统、设备、装置及介质
CN113406496A (zh) * 2021-05-26 2021-09-17 广州市香港科大霍英东研究院 基于模型迁移的电池容量预测方法、系统、装置及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103698710A (zh) * 2013-12-12 2014-04-02 中南大学 一种电池寿命周期预测方法
CN106650709A (zh) * 2017-01-22 2017-05-10 深圳市唯特视科技有限公司 一种基于传感器数据的深度学习脚步检测方法
CN108334936A (zh) * 2018-01-30 2018-07-27 华中科技大学 基于迁移卷积神经网络的故障预测方法
CN110187290A (zh) * 2019-06-27 2019-08-30 重庆大学 一种基于融合型算法的锂离子电池剩余寿命预测方法
CN110703114A (zh) * 2019-10-28 2020-01-17 重庆大学 一种基于电-热-神经网络耦合模型的动力电池soc和sot联合状态估计方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103698710A (zh) * 2013-12-12 2014-04-02 中南大学 一种电池寿命周期预测方法
CN106650709A (zh) * 2017-01-22 2017-05-10 深圳市唯特视科技有限公司 一种基于传感器数据的深度学习脚步检测方法
CN108334936A (zh) * 2018-01-30 2018-07-27 华中科技大学 基于迁移卷积神经网络的故障预测方法
CN110187290A (zh) * 2019-06-27 2019-08-30 重庆大学 一种基于融合型算法的锂离子电池剩余寿命预测方法
CN110703114A (zh) * 2019-10-28 2020-01-17 重庆大学 一种基于电-热-神经网络耦合模型的动力电池soc和sot联合状态估计方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SHENG SHEN 等: "Online Estimation of Lithium-Ion Battery Capacity Using Transfer Learning", 《2019 IEEE TRANSPORTATION ELECTRIFICATION CONFERENCE AND EXPO》 *
XIAOPENG TANG 等: "Aging trajectory prediction for lithium-ion batteries via model migration and Bayesian Monte Carlo method", 《APPLIED ENERGY》 *
文泽军 等: "质子交换膜燃料电池建模与控制的综述", 《电源技术》 *

Cited By (6)

* Cited by examiner, † Cited by third party
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
CN112034355A (zh) * 2020-09-04 2020-12-04 中国南方电网有限责任公司超高压输电公司曲靖局 蓄电池状态的评估方法及评估装置
CN112034355B (zh) * 2020-09-04 2023-09-05 中国南方电网有限责任公司超高压输电公司曲靖局 蓄电池状态的评估方法及评估装置
CN112198434A (zh) * 2020-09-29 2021-01-08 蜂巢能源科技有限公司 电池容量衰减模型参数的辨识方法、系统、设备、装置及介质
CN112198434B (zh) * 2020-09-29 2023-05-19 蜂巢能源科技有限公司 电池容量衰减模型参数的辨识方法、系统、设备、装置及介质
CN113406496A (zh) * 2021-05-26 2021-09-17 广州市香港科大霍英东研究院 基于模型迁移的电池容量预测方法、系统、装置及介质

Also Published As

Publication number Publication date
CN111220912B (zh) 2022-03-29

Similar Documents

Publication Publication Date Title
CN111220912B (zh) 一种基于移植神经网络的电池容量衰减轨迹预测方法
CN110568361B (zh) 一种动力电池健康状态的预测方法
CN104899439B (zh) 一种锂离子电池机理建模方法
CN113049962B (zh) 一种基于lstm的储能装置运行态势推演方法
CN107957562A (zh) 一种锂离子电池剩余寿命在线预测方法
CN107132490B (zh) 一种实现锂电池组荷电状态估计的方法
CN115632179B (zh) 一种锂离子电池智能快速充电方法及系统
CN110082682B (zh) 一种锂电池荷电状态估计方法
CN110941929A (zh) 一种基于ARMA和Elman神经网络联合建模的电池健康状态评估方法
CN114942392B (zh) 基于电化学老化机理和数据驱动的储能锂电池soh估算方法
CN112798960A (zh) 一种基于迁移深度学习的电池组剩余寿命预测方法
CN111999649A (zh) 一种基于XGBoost算法的锂电池剩余寿命预测方法
CN114779107A (zh) 一种考虑温度影响的锂离子电池soc估计方法
CN115586444A (zh) 一种基于vmd与bp神经网络的锂电池剩余寿命预测方法
Lipu et al. Feature selection and optimal neural network algorithm for the state of charge estimation of lithium-ion battery for electric vehicle application
CN111474487A (zh) 一种电池荷电状态-内部温度联合在线估计方法
CN112800708B (zh) 一种基于滚动时域算法的全钒液流电池峰值功率估计方法
CN113093014B (zh) 一种基于阻抗参数的soh与soc的在线协同估计方法及系统
CN113255205B (zh) 基于电动汽车电池的生命周期成本和电池温度优化方法
CN113419177A (zh) 基于结合改进的粒子群算法的扩展卡尔曼滤波soc估算方法
CN103679292A (zh) 一种智能微电网双电池电能协同优化方法
CN116973756A (zh) 用于估计电池的健康状态的方法及设备以及计算机程序
CN114239463A (zh) 基于大数据的电池簇荷电状态修正方法
CN114091975B (zh) 一种储能电站运行寿命的评估方法
Degla et al. An Enhanced Neural Network Application for a Lithium-ion Battery Pack State-of-Health Estimator

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