CN111308375A - 一种基于lstm-ffnn的电动叉车锂离子电池健康状态预测方法 - Google Patents
一种基于lstm-ffnn的电动叉车锂离子电池健康状态预测方法 Download PDFInfo
- Publication number
- CN111308375A CN111308375A CN202010079916.6A CN202010079916A CN111308375A CN 111308375 A CN111308375 A CN 111308375A CN 202010079916 A CN202010079916 A CN 202010079916A CN 111308375 A CN111308375 A CN 111308375A
- Authority
- CN
- China
- Prior art keywords
- lstm
- ffnn
- model
- value
- time
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明主要解决现有技术中,预测方法计算量大,预测结果精度低;提供一种基于LSTM‑FFNN的电动叉车锂离子电池健康状态预测方法,减少了训练模型所需的数据,提高了锂电池健康状态预测的精度。包括以下步骤:建立基于LSTM的时间尺度参数预测模型,以预测放电过程中时间尺度参数开路电压V的变化;从时间尺度参数预测模型的开路电压V中提取循环尺度参数放电至最小电压的时间Tmin;建立基于FFNN的循环尺度参数预测模型,以预测锂电池容量C,从而得到锂电池健康状态预测值SOH。结合了LSTM对长时间序列的预测能力和FFNN的算法简单性,实现了从时间尺度参数到循环尺度参数的预测,减少了训练模型所需的数据,提高了锂电池健康状态预测的精度。
Description
技术领域
本发明涉及电池技术领域,尤其涉及一种电池健康状态预测方法。
背景技术
锂离子电池是一种充电电池,正负极一般均采用含有锂元素的材料,在充放电过程中,锂离子从一极材料脱出,之后移动并嵌入到另一极材料中。锂离子电池由于其具有工作电压高、循环寿命长、能量密度高、自放电率低等特点,已经被广泛应用于各个领域中。在不断的充放电循环下,锂离子电池中的材料在锂离子不断嵌入和脱出的情况下,材料结构逐渐发生变化,并出现越来越多的缺陷,锂离子电池的电化学性能因此逐渐下降。在达到最大寿命后锂离子电池无法提供稳定的能源,需要及时维护和更换,若继续使用则可能导致经济损失,甚至引发重要的安全问题。
锂离子电池是电动叉车的重要动力源,在不断的充放电过程中,电池的性能降低,容量衰减,在达到最大寿命后锂电池将无法为电动叉车提供稳定的能源,继续使用容易导致经济损失,甚至导致严重的安全问题,而目前电动叉车锂电池健康状态的监测方法精度低,无法满足实际工业需求。
发明内容
本发明主要解决现有技术中,预测方法计算量大,预测结果精度低;提供一种基于LSTM-FFNN的电动叉车锂离子电池健康状态预测方法,减少了训练模型所需的数据,提高了锂电池健康状态预测的精度。
上述技术问题主要是通过下述技术方案得以解决的,包括以下步骤:
S1:建立基于LSTM的时间尺度参数预测模型,以预测放电过程中时间尺度参数开路电压V的变化;
S2:从时间尺度参数预测模型的开路电压V中提取循环尺度参数放电至最小电压的时间Tmin;
S3:建立基于FFNN的循环尺度参数预测模型,以预测锂电池容量C,从而得到锂电池健康状态预测值SOH。
结合了LSTM对长时间序列的预测能力和FFNN的算法简单性,实现了从时间尺度参数到循环尺度参数的预测,减少了训练模型所需的数据,提高了锂电池健康状态预测的精度。
作为优选,所述S1具体步骤如下:
S11:设定神经网络的输入层神经元个数为L1,设定神经网络隐藏层层数N1和神经元个数L2,完成从输入空间UM到输出空间UT的映射,即根据前m个时刻的开路电压预测后续时刻的开路电压;
S13:将S13所得数据经LSTM模型计算得到开路电压预测值作为时间尺度参数预测模型。
作为优选,所述S14具体实现方法如下:
在训练过程中,每个神经元的输入包括前一时刻的单元状态c(t-1)、前一时刻的输出h(t-1)以及当前时刻的输入V(t),利用LSTM来决定前一时刻的信息被保留或丢弃,f(t)作为判定依据,取值为1则保留,取值为0则丢弃,,运算规则如下:
f(t)=σ(WfxV(t)+Wfhh(t-1)+bf);
其中Wfx和Wfh分别为对应函数当前时刻的输入值和前一时刻输出值的权值,bf为偏置参数;
计算当前时刻输入的保留信息i(t)和新的状态信息a(t):
i(t)=σ(WixV(t)+Wihh(t-1)+bi),a(t)=tanh(WaxV(t)+Wahh(t-1)+ba);
其中,Wix和Wax为对应函数当前时刻的输入值的权值,Wih和Wah分别为对应函数前一时刻输出值的权值,bi和ba分别为对应函数的偏置参数;
设c(t)为当前时刻单元状态,则LSTM神经元的状态更新为:
c(t)=a(t)×i(t)+c(t-1)×f(t);
计算中间函数o(t)和当前输出信息h(t):
o(t)=σ(WoxV(t)+Wohh(t-1)+bo),h(t)=tanh(c(t))×o(t);
其中Wox和Woh分别为对应函数当前时刻的输入值和前一时刻输出值的权值,bo为偏置参数;
LSTM模型的训练采用均方误差(MSE,mean square error)作为损失函数:
根据损失函数构建如下成本函数:
则对各函数权值ω和偏置参数b做如下迭代计算:
其中k为迭代训练的次数,α为学习率,代表迭代学习的速度;当成本函数J1(ω,b)达到最小值时,模型的迭代训练终止,保存LSTM模型。
作为优选,所述S2包括以下步骤:
S21:根据S1所得到的时间尺度参数预测模型预测的开路电压数据,统计放电至最低电压Vmin时开路电压V的样本个数n,设采样间隔时间为TS,放电至最小电压的时间为Tmin,则该循环内放电至最低电压的时间为:Tmin=n×Ts;
S22:统计S12与S22中的对应数据得到循环尺度参数。
作为优选,所述S3的具体步骤如下:
作为优选,所述S32具体实现方法如下:
FFNN各隐藏神经元的计算过程如下:
其中WHx和bH分别为输入值的权值和偏置参数;
FFNN模型的训练采用均方误差(MSE,mean square error)作为损失函数:
根据损失函数构建如下成本函数:
则对各函数权值ω和偏置参数b做如下迭代计算:
其中i为循环数,α为学习率,代表迭代学习的速度;当成本函数J2(ω,b)达到最小值时,模型的迭代训练终止,保存FFNN模型;
定义并计算锂电池健康状态SOH:
其中Cr为锂电池的额定容量。
本发明的有益效果是:
建立了LSTM-FFNN多神经网络耦合模型,结合了LSTM对长时间序列的预测能力和FFNN的算法简单性,实现了从时间尺度参数到循环尺度参数的预测,减少了训练模型所需的数据,提高了锂电池健康状态预测的精度。
通过结合LSTM和FFNN两种神经网络建立了锂电池健康状态预测模型,充分利用了LSTM对时序数据的预测能力和FFNN的简洁性,能够准确预测电动叉车锂离子电池的健康状态,确保电动叉车有稳定的能源供应,避免了经济损失和安全问题。
附图说明
图1是本发明的方法流程框图;
图2是本发明的预测结果对比图;
图3是本发明与LSTM模型的平均绝对误差和均方根误差计算结果对比图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:本实施例的一种基于LSTM-FFNN的电动叉车锂离子电池健康状态预测方法,流程框图如图1所示,具体步骤如下:
S1:建立基于LSTM的时间尺度参数预测模型,以预测放电过程中时间尺度参数开路电压V的变化,包括以下步骤:
S11:设定神经网络的输入层神经元个数为L1,设定神经网络隐藏层层数N1和神经元个数L2,完成从输入空间UM到输出空间UT的映射,即根据前m个时刻的开路电压预测后续时刻的开路电压;
S13:将S13所得数据经LSTM模型计算得到开路电压预测值作为时间尺度参数预测模型,即在训练过程中,记录每个神经元的输入包括前一时刻的单元状态c(t-1)、前一时刻的输出h(t-1)以及当前时刻的输入V(t),利用LSTM来决定前一时刻的信息被保留或丢弃,f(t)作为判定依据,取值为1则保留,取值为0则丢弃,,运算规则如下:
f(t)=σ(WfxV(t)+Wfhh(t-1)+bf);
其中Wfx和Wfh分别为对应函数当前时刻的输入值和前一时刻输出值的权值,bf为偏置参数;
计算当前时刻输入的保留信息i(t)和新的状态信息a(t):
i(t)=σ(WixV(t)+Wihh(t-1)+bi),a(t)=tanh(WaxV(t)+Wahh(t-1)+ba);
其中,Wix和Wax为对应函数当前时刻的输入值的权值,Wih和Wah分别为对应函数前一时刻输出值的权值,bi和ba分别为对应函数的偏置参数;
设c(t)为当前时刻单元状态,则LSTM神经元的状态更新为:
c(t)=a(t)×i(t)+c(t-1)×f(t);
计算中间函数o(t)和当前输出信息h(t):
o(t)=σ(WoxV(t)+Wohh(t-1)+bo),h(t)=tanh(c(t))×o(t);
其中Wox和Woh分别为对应函数当前时刻的输入值和前一时刻输出值的权值,bo为偏置参数;
LSTM模型的训练采用均方误差(MSE,mean square error)作为损失函数:
根据损失函数构建如下成本函数:
则对各函数权值ω和偏置参数b做如下迭代计算:
其中k为迭代训练的次数,α为学习率,代表迭代学习的速度;当成本函数J1(ω,b)达到最小值时,模型的迭代训练终止,保存LSTM模型。
S2:从时间尺度参数预测模型的开路电压V中提取循环尺度参数放电至最小电压的时间Tmin,包括以下步骤:
S21:根据S1所得到的时间尺度参数预测模型预测的开路电压数据,统计放电至最低电压Vmin时开路电压V的样本个数n,设采样间隔时间为TS,放电至最小电压的时间为Tmin,则该循环内放电至最低电压的时间为:
Tmin=n×Ts;
S22:统计S12与S22中的对应数据得到循环尺度参数。
S3:建立基于FFNN的循环尺度参数预测模型,以预测锂电池容量C,从而得到锂电池健康状态预测值SOH,包括以下步骤:
其中WHx和bH分别为输入值的权值和偏置参数;
FFNN模型的训练采用均方误差(MSE,mean square error)作为损失函数:
根据损失函数构建如下成本函数:
则对各函数权值ω和偏置参数b做如下迭代计算:
其中i为循环数,α为学习率,代表迭代学习的速度;当成本函数J2(ω,b)达到最小值时,模型的迭代训练终止,保存FFNN模型;
定义并计算锂电池健康状态SOH:
其中Cr为锂电池的额定容量。
使用上述方法在Python 3.7和MATLAB 2016环境下进行建模,得到LSTM-FFNN模型预测值,将最终结果与常规LSTM模型预测值以及作为真实值的NASA Ames PrognosticsCenter of Excellence(PCOE)提供的锂电池寿命衰减数据的预测结果进行对比,对比结果如图2所示,可以看到本发明建立的LSTM-FFNN模型的预测结果明显对真实值具有更好的拟合效果。
为进一步体现本发明的效果,利用平均绝对误差(MAE,mean absolute error)和均方根误差(RMSE,root mean squared error)对预测结果进行评价,计算过程如式(1)(2)所示:
其中,SOHi为电池第i个循环的健康状态值,为对应的预测值。计算结果如图3所示,本发明建立的LSTM-FFNN模型预测结果的MAE值为0.0052,RMSE值为0.0062;与LSTM模型相比均有明显降低,因此具有较高的预测精度。
上述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (6)
1.一种基于LSTM-FFNN的电动叉车锂离子电池健康状态预测方法,其特征在于,包括以下步骤:
S1:建立基于LSTM的时间尺度参数预测模型,以预测放电过程中时间尺度参数开路电压V的变化;
S2:从时间尺度参数预测模型的开路电压V中提取循环尺度参数放电至最小电压的时间Tmin;
S3:建立基于FFNN的循环尺度参数预测模型,以预测锂电池容量C,从而得到锂电池健康状态预测值SOH。
2.根据权利要求1所述的一种基于LSTM-FFNN的电动叉车锂离子电池健康状态预测方法,其特征在于,所述S1的具体步骤如下:
S11:设定神经网络的输入层神经元个数为L1,设定神经网络隐藏层层数N1和神经元个数L2,完成从输入空间UM到输出空间UT的映射,即根据前m个时刻的开路电压预测后续时刻的开路电压;
S13:将S13所得数据经LSTM模型计算得到开路电压预测值作为时间尺度参数预测模型。
3.根据权利要求2所述的一种基于LSTM-FFNN的电动叉车锂离子电池健康状态预测方法,其特征在于,所述S13具体实现方法如下:
在训练过程中,每个神经元的输入包括前一时刻的单元状态c(t-1)、前一时刻的输出h(t -1)以及当前时刻的输入V(t),利用LSTM来决定前一时刻的信息被保留或丢弃,f(t)作为判定依据,取值为1则保留,取值为0则丢弃,,运算规则如下:
f(t)=σ(WfxV(t)+Wfhh(t-1)+bf);
其中Wfx和Wfh分别为对应函数当前时刻的输入值和前一时刻输出值的权值,bf为偏置参数;
计算当前时刻输入的保留信息i(t)和新的状态信息a(t):
i(t)=σ(WixV(t)+Wihh(t-1)+bi),a(t)=tanh(WaxV(t)+Wahh(t-1)+ba);
其中,Wix和Wax为对应函数当前时刻的输入值的权值,Wih和Wah分别为对应函数前一时刻输出值的权值,bi和ba分别为对应函数的偏置参数;
设c(t)为当前时刻单元状态,则LSTM神经元的状态更新为:
c(t)=a(t)×i(t)+c(t-1)×f(t);
计算中间函数o(t)和当前输出信息h(t):
o(t)=σ(WoxV(t)+Wohh(t-1)+bo),h(t)=tanh(c(t))×o(t);
其中Wox和Woh分别为对应函数当前时刻的输入值和前一时刻输出值的权值,bo为偏置参数;
LSTM模型的训练采用均方误差(MSE,mean square error)作为损失函数:
根据损失函数构建如下成本函数:
则对各函数权值ω和偏置参数b做如下迭代计算:
其中k为迭代训练的次数,α为学习率,代表迭代学习的速度;当成本函数J1(ω,b)达到最小值时,模型的迭代训练终止,保存LSTM模型。
4.根据权利要求1所述的一种基于LSTM-FFNN的电动叉车锂离子电池健康状态预测方法,其特征在于,所述S2的具体步骤如下:
S21:根据S1所得到的时间尺度参数预测模型预测的开路电压数据,统计放电至最低电压Vmin时开路电压V的样本个数n,设采样间隔时间为TS,放电至最小电压的时间为Tmin,则该循环内放电至最低电压的时间为:Tmin=n×Ts;
S22:统计S12与S22中的对应数据得到循环尺度参数。
6.根据权利要求4所述的一种基于LSTM-FFNN的电动叉车锂离子电池健康状态预测方法,其特征在于,所述S32的具体实现过程如下:
FFNN各隐藏神经元的计算过程如下:
其中WHx和bH分别为输入值的权值和偏置参数;
FFNN模型的训练采用均方误差(MSE,mean square error)作为损失函数:
根据损失函数构建如下成本函数:
则对各函数权值ω和偏置参数b做如下迭代计算:
其中i为循环数,α为学习率,代表迭代学习的速度;当成本函数J2(ω,b)达到最小值时,模型的迭代训练终止,保存FFNN模型;
定义并计算锂电池健康状态SOH:
其中Cr为锂电池的额定容量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010079916.6A CN111308375B (zh) | 2020-02-04 | 2020-02-04 | 一种基于lstm-ffnn的电动叉车锂离子电池健康状态预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010079916.6A CN111308375B (zh) | 2020-02-04 | 2020-02-04 | 一种基于lstm-ffnn的电动叉车锂离子电池健康状态预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111308375A true CN111308375A (zh) | 2020-06-19 |
CN111308375B CN111308375B (zh) | 2021-12-07 |
Family
ID=71156400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010079916.6A Active CN111308375B (zh) | 2020-02-04 | 2020-02-04 | 一种基于lstm-ffnn的电动叉车锂离子电池健康状态预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111308375B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111983457A (zh) * | 2020-07-15 | 2020-11-24 | 江苏大学 | 一种基于lstm神经网络的电池组soh估算方法 |
CN112001114A (zh) * | 2020-07-02 | 2020-11-27 | 浙江大学 | 一种基于lstm改进的正则化粒子滤波算法的电池寿命预测方法 |
CN112345952A (zh) * | 2020-09-23 | 2021-02-09 | 上海电享信息科技有限公司 | 动力电池老化程度判断方法 |
CN113064093A (zh) * | 2021-03-22 | 2021-07-02 | 山东建筑大学 | 储能电池荷电状态与健康状态联合估算方法及系统 |
CN113219358A (zh) * | 2021-04-29 | 2021-08-06 | 东软睿驰汽车技术(沈阳)有限公司 | 电池包健康状态计算方法、系统及电子设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105183994A (zh) * | 2015-09-10 | 2015-12-23 | 广西大学 | 一种基于改进的i-elm的动力电池soc预测方法及装置 |
CN105277896A (zh) * | 2015-10-26 | 2016-01-27 | 安徽理工大学 | 基于elm-mukf的锂电池剩余寿命预测方法 |
CN108519556A (zh) * | 2018-04-13 | 2018-09-11 | 重庆邮电大学 | 一种基于循环神经网络的锂离子电池soc预测方法 |
CN108805217A (zh) * | 2018-06-20 | 2018-11-13 | 山东大学 | 一种基于支持向量机的锂离子电池健康状态估计方法及系统 |
CN109459699A (zh) * | 2018-12-25 | 2019-03-12 | 北京理工大学 | 一种锂离子动力电池soc实时监测方法 |
CN109993270A (zh) * | 2019-03-27 | 2019-07-09 | 东北大学 | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 |
CN110133511A (zh) * | 2019-06-11 | 2019-08-16 | 邹金续 | 一种基于长短时记忆网络的锂电池组剩余电量实时预测方法 |
CN110598300A (zh) * | 2019-09-05 | 2019-12-20 | 东软睿驰汽车技术(沈阳)有限公司 | 一种电池soh预测方法及装置 |
CN111950205A (zh) * | 2020-08-25 | 2020-11-17 | 哈尔滨理工大学 | 一种基于fwa优化极限学习机的锂电池soh预测方法 |
-
2020
- 2020-02-04 CN CN202010079916.6A patent/CN111308375B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105183994A (zh) * | 2015-09-10 | 2015-12-23 | 广西大学 | 一种基于改进的i-elm的动力电池soc预测方法及装置 |
CN105277896A (zh) * | 2015-10-26 | 2016-01-27 | 安徽理工大学 | 基于elm-mukf的锂电池剩余寿命预测方法 |
CN108519556A (zh) * | 2018-04-13 | 2018-09-11 | 重庆邮电大学 | 一种基于循环神经网络的锂离子电池soc预测方法 |
CN108805217A (zh) * | 2018-06-20 | 2018-11-13 | 山东大学 | 一种基于支持向量机的锂离子电池健康状态估计方法及系统 |
CN109459699A (zh) * | 2018-12-25 | 2019-03-12 | 北京理工大学 | 一种锂离子动力电池soc实时监测方法 |
CN109993270A (zh) * | 2019-03-27 | 2019-07-09 | 东北大学 | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 |
CN110133511A (zh) * | 2019-06-11 | 2019-08-16 | 邹金续 | 一种基于长短时记忆网络的锂电池组剩余电量实时预测方法 |
CN110598300A (zh) * | 2019-09-05 | 2019-12-20 | 东软睿驰汽车技术(沈阳)有限公司 | 一种电池soh预测方法及装置 |
CN111950205A (zh) * | 2020-08-25 | 2020-11-17 | 哈尔滨理工大学 | 一种基于fwa优化极限学习机的锂电池soh预测方法 |
Non-Patent Citations (4)
Title |
---|
JICHAO HONG: "Fault prognosis of battery system based on accurate voltage abnormity prognosis using long short-term memory neural networks", 《APPLIED ENERGY》 * |
WENHUA LI ET AL: "An indirect RUL prognosis for lithium-ion battery under vibration stress using Elman neural network", 《INTERNATIONAL JOURNAL OF HYDROGEN ENERGY》 * |
朱亚运等: "基于递归神经网络和粒子滤波的锂电池SOC估计", 《第二十届中国系统仿真技术及其应用学术年会论文集(20TH CCSSTA 2019)》 * |
程博等: "基于混沌免疫进化网络的电池荷电状态预测", 《系统仿真学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112001114A (zh) * | 2020-07-02 | 2020-11-27 | 浙江大学 | 一种基于lstm改进的正则化粒子滤波算法的电池寿命预测方法 |
CN112001114B (zh) * | 2020-07-02 | 2024-02-02 | 浙江大学 | 一种基于lstm改进的正则化粒子滤波算法的电池寿命预测方法 |
CN111983457A (zh) * | 2020-07-15 | 2020-11-24 | 江苏大学 | 一种基于lstm神经网络的电池组soh估算方法 |
CN112345952A (zh) * | 2020-09-23 | 2021-02-09 | 上海电享信息科技有限公司 | 动力电池老化程度判断方法 |
CN113064093A (zh) * | 2021-03-22 | 2021-07-02 | 山东建筑大学 | 储能电池荷电状态与健康状态联合估算方法及系统 |
CN113064093B (zh) * | 2021-03-22 | 2024-03-08 | 百思科新能源技术(青岛)有限公司 | 储能电池荷电状态与健康状态联合估算方法及系统 |
CN113219358A (zh) * | 2021-04-29 | 2021-08-06 | 东软睿驰汽车技术(沈阳)有限公司 | 电池包健康状态计算方法、系统及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111308375B (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111308375B (zh) | 一种基于lstm-ffnn的电动叉车锂离子电池健康状态预测方法 | |
KR102153888B1 (ko) | 계단 충전 | |
CN111948563B (zh) | 一种基于多神经网络耦合的电动叉车锂电池剩余寿命预测方法 | |
Balagopal et al. | The state of the art approaches to estimate the state of health (SOH) and state of function (SOF) of lithium Ion batteries | |
US10686321B2 (en) | Secondary battery management | |
Tang et al. | A hybrid neural network model with attention mechanism for state of health estimation of lithium-ion batteries | |
CN111948560A (zh) | 基于多因子评估模型的锂电池健康状态估算方法 | |
CN110703101B (zh) | 一种锂离子电池分区间循环容量衰退预测方法 | |
CN114035098A (zh) | 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法 | |
CN111999648A (zh) | 一种基于长短期记忆网络的锂电池剩余寿命预测方法 | |
CN110568367A (zh) | 一种锂离子电池正负极材料循环容量衰减分析方法 | |
US20220404420A1 (en) | Estimation device, estimation method, and computer program | |
CN112083345B (zh) | 电池状态检测方法、装置及存储介质 | |
CN111898325A (zh) | 一种电动汽车动力电池剩余使用寿命预测方法 | |
CN114624604A (zh) | 一种电池寿命预测模型生成、预测方法、装置和电子设备 | |
Zhang et al. | State of health estimation method for lithium-ion batteries using incremental capacity and long short-term memory network | |
CN115356647A (zh) | 一种锂离子电池寿命早期预测方法 | |
Guha et al. | Remaining useful life estimation of lithium-ion batteries based on a new capacity degradation model | |
CN108134417B (zh) | 一种均衡电池内各单体电芯能量的方法 | |
CN116047314B (zh) | 一种可充电电池健康状态预测方法 | |
Avadhanula et al. | Comparative study of mathematical models and data driven models for battery performance parameter estimation | |
CN114879053B (zh) | 一种储能磷酸铁锂电池寿命预测方法 | |
CN116774045A (zh) | 一种基于hho-svr的锂电池健康状态预测方法 | |
Udeogu et al. | Remaining useful life prediction for supercapacitors using an optimized end-to-end deep learning approach | |
CN114896865A (zh) | 一种面向数字孪生的自适应演化神经网络健康状态在线预测方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211117 Address after: 310000 Yuhang Tang Road, Xihu District, Hangzhou, Zhejiang 866 Applicant after: ZHEJIANG University Applicant after: Hangcha Group Co., Ltd Address before: 310000 Yuhang Tang Road, Xihu District, Hangzhou, Zhejiang 866 Applicant before: ZHEJIANG University |
|
GR01 | Patent grant | ||
GR01 | Patent grant |