CN111474490A - 一种梯次利用电池快速筛选方法 - Google Patents

一种梯次利用电池快速筛选方法 Download PDF

Info

Publication number
CN111474490A
CN111474490A CN202010274157.9A CN202010274157A CN111474490A CN 111474490 A CN111474490 A CN 111474490A CN 202010274157 A CN202010274157 A CN 202010274157A CN 111474490 A CN111474490 A CN 111474490A
Authority
CN
China
Prior art keywords
battery
clustering
function value
sub
health
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
CN202010274157.9A
Other languages
English (en)
Other versions
CN111474490B (zh
Inventor
李建林
马福元
陈新琪
王剑波
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.)
Beijing Lianzhi Huineng Technology Co ltd
Xinyuan Zhichu Energy Development Beijing Co ltd
North China University of Technology
Original Assignee
North China University of Technology
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 North China University of Technology filed Critical North China University of Technology
Priority to CN202010274157.9A priority Critical patent/CN111474490B/zh
Publication of CN111474490A publication Critical patent/CN111474490A/zh
Application granted granted Critical
Publication of CN111474490B publication Critical patent/CN111474490B/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]
    • G01R31/392—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Secondary Cells (AREA)

Abstract

本发明提供了一种梯次利用电池快速筛选方法，方法包括：基于BP神经网络构建电池健康状态预测模型；基于电池健康状态预测模型构建全局信息矩阵；将全局信息矩阵进行区域划分，获得多个子区和各子区对应的分区信息矩阵；采用粒子群优化算法进行寻优，确定各子区对应的最优位置；将各子区对应的最优位置作为各子区对应的初始聚类中心，采用K‑means聚类方法对全局信息矩阵进行聚类，获得各子单元对应的聚类中心；基于各子单元对应的聚类中心输出电池筛选结果。本发明通过构建电池健康状态预测模型，通过粒子群优化算法寻优，进而对K‑means聚类算法进行改进，既能够对退役动力电池梯次利用进行快速筛选，还避免陷入局部最优解的弊端，提高聚类算法的准确性。

Description

一种梯次利用电池快速筛选方法
技术领域
本发明涉及锂离子退役动力电池筛选技术领域，特别是涉及一种梯次利用电池快速筛选方法。
背景技术
退役动力电池是指锂离子动力电池的容量衰减至出厂额定容量的80％以下，达不到使用标准的动力电池。选择具备较好容量保持率、充放电效率等性能的退役动力电池，应用于后备电源、或参与辅助服务市场交易，可按照实际贡献获经济效益，避免资源浪费，同时也延长了电池使用寿命。
由于动力电池组不同单体电池在使用过程中自放电程度、环境温度等因素的不同，导致退役的动力电池的容量、内阻、电压存在差异性，各单体电池老化程度存在差异。目前退役电池筛选有采用深度充放电的方式计算电池实际容量，并在既定温度下静置电池获取自放电压值的方式，但是筛选周期过长；采用开路电压法提取电池健康因子对退役电池的筛选具有快速性，但是精度要求不高。
发明内容
基于此，本发明的目的是提供一种梯次利用电池快速筛选方法，以提高电池筛选精度和快速性。
为实现上述目的，本发明提供了一种梯次利用电池快速筛选方法，所述方法包括：
步骤S1：基于BP神经网络构建电池健康状态预测模型；
步骤S2：基于所述电池健康状态预测模型构建全局信息矩阵；
步骤S3：将所述全局信息矩阵进行区域划分，获得多个子区和各子区对应的分区信息矩阵；
步骤S4：采用粒子群优化算法进行寻优，确定各子区对应的最优位置；
步骤S5：将各子区对应的最优位置作为各子区对应的初始聚类中心，采用K-means聚类方法对全局信息矩阵进行聚类，获得各子单元对应的聚类中心；
步骤S6：基于各子单元对应的聚类中心输出电池筛选结果。
可选的，所述基于BP神经网络构建电池健康状态预测模型，具体包括：
步骤S11：建立原始样本特征集和原始电池健康状态数据集；
步骤S12：对所述原始样本特征集和所述原始电池健康状态数据集进行归一化处理，获得第一样本特征集、第一电池健康状态数据集、第二样本特征集和第二电池健康状态数据集；
步骤S13：基于所述第一样本特征集和所述第一电池健康状态数据集对BP神经网络进行训练，获得电池健康状态预测模型；
步骤S14：将所述第二样本特征集加入所述电池健康状态预测模型，获得第三电池健康状态数据集；
步骤S15：基于所述第二电池健康状态数据集和所述第三电池健康状态数据集确定偏差估计函数值；
步骤S16：判断所述偏差估计函数值是否大于设定阈值；如果所述偏差估计函数值大于设定阈值，则输出所述电池健康状态预测模型；如果所述偏差估计函数值小于或等于设定阈值，则返回“步骤S13”。
可选的，所述基于所述电池健康状态预测模型构建全局信息矩阵，具体包括：
步骤S21：基于所述电池健康状态预测模型确定第四电池健康状态数据集；
步骤S22：构建电池倍率数据集；
步骤S23：对所述电池倍率数据集进行归一化处理，获得归一电池倍率数据集；
步骤S24：基于所述第四电池健康状态数据集和所述归一电池倍率数据集构建全局信息矩阵。
可选的，所述采用粒子群优化算法进行寻优，确定各子区对应的最优位置，具体包括：
步骤S41：从各所述各子区对应的分区信息矩阵中选取多行，形成初始矩阵；
步骤S42：确定所述初始矩阵中各电池对应的适应度函数值，获得第一适应度函数值；
步骤S43：将最大的所述第一适应度函数值对应的电池位置作为个体最优位置；将最大的第一适应度函数值作为个体最佳适应度；
步骤S44：建立所述初始矩阵对应的种群初始速度矩阵；
步骤S45：通过粒子群算法速度更新公式对所述初始矩阵进行更新，获得新的初始矩阵；
步骤S46：确定所述新的初始矩阵中各电池对应的适应度函数值，获得第二适应度函数值；
步骤S47：判断最大的第二适应度函数值是否大于个体最佳适应度；如果所述最大的第二适应度函数值大于所述个体最佳适应度，则令所述个体最佳适应度等于所述最大的第二适应度函数值，个体最优位置等于所述最大的第二适应度函数值对应的位置，并执行步骤S48；如果所述最大的第二适应度函数值小于或等于所述个体最佳适应度，并执行步骤S48；
步骤S48：判断当前迭代次数是否大于最大迭代次数；如果当前迭代次数大于最大迭代次数，则输出各子区对应的最优位置；如果当前迭代次数小于或等于最大迭代次数，则令当前迭代次数加一，所述第一适应度函数值等于所述第二适应度函数值，并返回步骤S44。
可选的，所述将各子区对应的最优位置作为各子区对应的初始聚类中心，采用K-means聚类方法对全局信息矩阵进行聚类，获得各子单元对应的聚类中心，具体包括：
步骤S51：将各子区对应的最优位置作为各子区对应的初始聚类中心；
步骤S52：根据距离计算公式计算所述全局信息矩阵中每个行向量到各子区对应的初始聚类中心的距离；
步骤S53：按照距离最近原则对所述全局信息矩阵中各行向量进行聚类，获得多个子单元对应的信息矩阵；
步骤S54：计算各子单元对应的信息矩阵中列向量的平均数，将各平均数作为各子单元对应的聚类中心；
步骤S55：采用K-means算法，基于各子单元对应的参数和聚类中心确定目标函数值；
步骤S56：判断所述目标函数值是否小于或等于设定值；如果所述目标函数值小于或等于设定值，则输出各子单元的聚类中心，并执行步骤S57；如果所述目标函数值大于设定值，则将各子单元的聚类中心作为各子区对应的初始聚类中心，返回步骤S52；
步骤S57：基于各子单元的聚类中心采用欧式距离公式确定聚类评价结果；
步骤S58：判断所述聚类评价结果是否小于聚类阈值；如果所述聚类评价结果小于聚类阈值，则输出各子单元对应的聚类中心；如果所述聚类评价结果大于或等于聚类阈值，则执行步骤S59；
步骤S59：判断聚类迭代次数是否大于最大聚类迭代次数；如果聚类迭代次数大于最大聚类迭代次数，则输出各子单元对应的聚类中心；如果聚类迭代次数小于或等于最大聚类迭代次数，则令聚类迭代次数加一，将各子单元的聚类中心作为各子区对应的初始聚类中心，返回步骤S52。
可选的，所述确定所述初始矩阵中各电池对应的适应度函数值，获得第一适应度函数值，具体包括：
步骤S421：基于所述初始矩阵内各电池的健康状态确定健康状态评估结果；
步骤S422：基于所述初始矩阵内各电池的倍率确定电池倍率评估结果；
步骤S423：基于所述健康状态评估结果和所述电池倍率评估结果确定各电池对应的适应度函数值，获得第一适应度函数值。
可选的，所述基于所述健康状态评估结果和所述电池倍率评估结果确定各电池对应的适应度函数值，获得第一适应度函数值，具体公式为：
Figure BDA0002444185380000041
其中，Gi表示第i个电池对应的适应度函数值，gSOH,i表示第i个电池的健康状态评估结果，
Figure BDA0002444185380000042
表示第i个电池的电池倍率评估结果，ω表示SOH与CT指标对于电池再利用的重要程度的一个比重。
可选的，所述距离计算公式为：
D＝||Mes(i,:)*(X'(j,:)T)||2；
其中，Mes(i,:)表示全局信息矩阵的第i行向量，X’(j,:)T表示初始聚类中心集合中第j个初始聚类中心的转置，D表示距离。
可选的，基于所述第二电池健康状态数据集和所述第三电池健康状态数据集确定偏差估计函数值，具体公式为：
Figure BDA0002444185380000051
其中，R2为偏差估计函数值，n表示数据库中电池总数，s表示第一样本
特征集的总数，tc,s+i表示第二电池健康状态数据集对应的第i个元素，
Figure BDA0002444185380000052
表示第二样本特征集测试所得第三电池健康状态数据集的第i个元素。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种梯次利用电池快速筛选方法，方法包括：基于BP神经网络构建电池健康状态预测模型；基于电池健康状态预测模型构建全局信息矩阵；将全局信息矩阵进行区域划分，获得多个子区和各子区对应的分区信息矩阵；采用粒子群优化算法进行寻优，确定各子区对应的最优位置；将各子区对应的最优位置作为各子区对应的初始聚类中心，采用K-means聚类方法对全局信息矩阵进行聚类，获得各子单元对应的聚类中心；基于各子单元对应的聚类中心输出电池筛选结果。本发明通过构建电池健康状态预测模型，通过粒子群优化算法寻优，进而对K-means聚类算法进行改进，既能够对退役动力电池梯次利用进行快速筛选，还避免陷入局部最优解的弊端，提高聚类算法的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例梯次利用电池快速筛选方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种梯次利用电池快速筛选方法，以提高电池筛选精度和快速性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供了一种梯次利用电池快速筛选方法，所述方法包括：
步骤S1：基于BP神经网络构建电池健康状态预测模型。
步骤S2：基于所述电池健康状态预测模型构建全局信息矩阵。
步骤S3：将所述全局信息矩阵进行区域划分，获得多个子区和各子区对应的分区信息矩阵。
步骤S4：采用粒子群优化算法进行寻优，确定各子区对应的最优位置；
步骤S5：将各子区对应的最优位置作为各子区对应的初始聚类中心，采用K-means聚类方法对全局信息矩阵进行聚类，获得各子单元对应的聚类中心。
步骤S6：基于各子单元对应的聚类中心输出电池筛选结果。
下面对各个步骤进行详细论述：
步骤S1：基于BP神经网络构建电池健康状态预测模型，具体包括：
步骤S11：建立原始样本特征集和原始电池健康状态数据集；
所述原始样本特征集为
Figure BDA0002444185380000061
所述原始电池健康状态数据集为
Figure BDA0002444185380000071
其中，Yi＝[GT RN Q η R0 RJ1 RJ2 CJ1 CJ2 Uoc]，GT表示电池管理系统BMS型号，RN表示电池出厂阻抗，Q表示电池出厂安时容量，η表示电池的库伦效率；R0、RJ1、RJ2、CJ1、CJ2和Uoc分别表示电池达到退役标准时的欧姆内阻、极化电阻、极化电容和开路电压；
Figure BDA0002444185380000072
SOHi表示第i个电池的健康状态，Rtest表示退役电池实际测得的电阻。
步骤S12：对所述原始样本特征集和所述原始电池健康状态数据集进行归一化处理，获得第一样本特征集、第一电池健康状态数据集、第二样本特征集和第二电池健康状态数据集。
所述第一样本特征集为
Figure BDA0002444185380000073
所述第二样本特征集为
Figure BDA0002444185380000074
所述第一电池健康状态数据集为
Figure BDA0002444185380000075
所述第二电池健康状态数据集为
Figure BDA0002444185380000081
其中，n表示数据库中电池总数，s表示第一样本特征集的总数，ys+1表示第二样本特征集的第一个元素，tc,s+1表示第二电池健康状态数据集对应的第一个元素。
步骤S13：基于所述第一样本特征集和所述第一电池健康状态数据集对BP神经网络进行训练，获得电池健康状态预测模型；
步骤S14：将所述第二样本特征集加入所述电池健康状态预测模型，获得第三电池健康状态数据集。所述第三电池健康状态数据集为
Figure BDA0002444185380000082
其中，
Figure BDA0002444185380000083
表示第二样本特征集测试所得第三电池健康状态数据集的第一个元素。
步骤S15：基于所述第二电池健康状态数据集和所述第三电池健康状态数据集确定偏差估计函数值，具体公式为：
Figure BDA0002444185380000084
其中，R2为偏差估计函数值，n表示数据库中电池总数，s表示第一样本特征集的总数，tc,s+i表示第二电池健康状态数据集对应的第i个元素，
Figure BDA0002444185380000085
表示第二样本特征集测试所得第三电池健康状态数据集的第i个元素。
步骤S16：判断所述偏差估计函数值是否大于设定阈值；如果所述偏差估计函数值大于设定阈值，则输出所述电池健康状态预测模型；如果所述偏差估计函数值小于或等于设定阈值，则返回“步骤S13”。
步骤S2：基于所述电池健康状态预测模型构建全局信息矩阵，具体包括：
步骤S21：基于所述电池健康状态预测模型确定第四电池健康状态数据集；所述第四电池健康状态数据集
Figure BDA0002444185380000091
其中，SOHM为第M个电池的健康状态。
步骤S22：构建电池倍率数据集；所述电池倍率数据集为
Figure BDA0002444185380000092
其中，CT，i表示第i个电池的电池倍率。
步骤S23：对所述电池倍率数据集进行归一化处理，获得归一电池倍率数据集，所述归一电池倍率数据集为：
Figure BDA0002444185380000093
归一化处理公式为：
cT,i＝(CT,i(i)-min(CT,i))/(max(CT,i)-min(CT,i))i∈(1,M)；
其中，cT,i表示第i个电池归一化后的电池倍率，CT,i表示第i个电池的电池倍率，M表示电池的总个数。
表1退役电池分区规则
Figure BDA0002444185380000094
Figure BDA0002444185380000101
步骤S24：基于所述第四电池健康状态数据集和所述归一电池倍率数据集构建全局信息矩阵；
步骤S3：将所述全局信息矩阵按照表1中规则进行区域划分，获得多个子区和各子区对应的分区信息矩阵；所述全局信息矩阵为：
Figure BDA0002444185380000102
SOHi表示第四电池健康状态数据集中第i个电池的健康状态，cT,i表示归一化处理后第i个电池的倍率。
具体的，本发明依据表1中的分区规则进行划分，将全局信息矩阵Mes分为7个子区：梯次利用A1、A2、A3区；后备电源利用B1、B2、B3区；直接拆解C区。7个子区对应的分区信息矩阵分别用MesA1、MesA2、MesA3、MesB1、MesB2、MesB3和MesC表示。
步骤S4：采用粒子群优化算法进行寻优，确定各子区对应的最优位置，具体包括：
步骤S41：令迭代次数count＝1，从各所述各子区对应的分区信息矩阵中选取多行，形成初始矩阵，所述初始矩阵为：
Figure BDA0002444185380000103
其中，Xcount表示初始矩阵，SOHi count表示更新前的第i个电池对应的健康状态，
Figure BDA0002444185380000111
表示更新前的第j个电池对应的健康状态，
Figure BDA0002444185380000112
表示更新前的第i个电池对应的倍率，
Figure BDA0002444185380000113
表示更新前的第j个电池对应的倍率，N为矩阵的行数。
步骤S42：确定所述初始矩阵中各电池对应的适应度函数值，获得第一适应度函数值，具体步骤包括：
步骤S421：基于所述初始矩阵内各电池的健康状态确定健康状态评估结果；具体为：
以SOHi count为例进行论述：当第i个电池的健康状态SOHi count处于[0,0.2)时，表示数据结果差，则gSOH,i＝1；当第i个电池的健康状态SOHi count处于[0.2,0.4)时，表示数据结果较差，则gSOH,i＝3；当第i个电池的健康状态SOHi count处于[0.4,0.6)时，表示数据结果一般，则gSOH,i＝5；当第i个电池的健康状态SOHi count处于[0.6,0.8)时，表示数据结果较好，则gSOH,i＝7；当第i个电池的健康状态SOHi count处于[0.8,1)时，表示数据结果好，则gSOH,i＝9。
步骤S422：基于所述初始矩阵内各电池的倍率确定电池倍率评估结果；具体为：
以
Figure BDA0002444185380000114
为例进行论述：当第i个电池的倍率
Figure BDA0002444185380000115
处于[0,0.2)时，表示数据结果差，则
Figure BDA0002444185380000116
当第i个电池的倍率
Figure BDA0002444185380000117
处于[0.2,0.4)时，表示数据结果较差，则
Figure BDA0002444185380000118
当第i个电池的倍率
Figure BDA0002444185380000119
处于[0.4,0.6)时，表示数据结果一般，则
Figure BDA00024441853800001110
当第i个电池的倍率
Figure BDA00024441853800001111
处于[0.6,0.8)时，表示数据结果较好，则
Figure BDA00024441853800001112
当第i个电池的倍率
Figure BDA00024441853800001113
处于[0.8,1)时，表示数据结果好，则
Figure BDA00024441853800001115
步骤S423：基于所述健康状态评估结果和所述电池倍率评估结果确定各电池对应的适应度函数值，获得第一适应度函数值，具体公式为：
Figure BDA00024441853800001114
其中，Gi表示第i个电池对应的适应度函数值，gSOH,i表示第i个电池的健康状态评估结果，
Figure BDA0002444185380000121
表示第i个电池的电池倍率评估结果，ω表示SOH与CT指标对于电池再利用的重要程度的一个比重，它体现了SOH、和CT的相对重要度，这里ω取0.6，表示SOH相较于CT更重要。
步骤S43：将最大的所述第一适应度函数值对应的电池位置(SOHm，cT,m)作为个体最优位置gbest；将最大的第一适应度函数值作为个体最佳适应度fitnessgbest；具体公式为：
Figure BDA0002444185380000122
fitnessgbest＝max(Gi...Gj)；gbest＝(SOHm cT,m)；
其中，
Figure BDA0002444185380000123
表示第一适应度函数值数据集，count表示当前迭代次数，Gj表示第j个电池对应的适应度函数值，Gi表示第i个电池对应的适应度函数值，fitnessgbest表示个体最佳适应度，gbest表示个体最优位置，(SOHm，cT,m)表示第m个电池对应的位置。
步骤S44：建立所述初始矩阵对应的种群初始速度矩阵；具体的，将所述初始速度矩阵X中的每个元素赋予一个-0.05到0.05之间的移动速度，获得种群初始速度矩阵，具体公式为：
Figure BDA0002444185380000124
其中，Vcount表示种群初始速度矩阵，Vi count表示第i个电池对应的种群初始速度，Vj count表示第j个电池对应的种群初始速度。
步骤S45：通过粒子群算法速度更新公式对所述初始矩阵进行更新，获得新的初始矩阵；所述新的初始矩阵为：
Figure BDA0002444185380000125
其中，Xcount+1表示新的初始矩阵，SOHi count+1表示更新后的第i个电池对应的健康状态，
Figure BDA0002444185380000131
表示更新后的第j个电池对应的健康状态，
Figure BDA0002444185380000132
表示更新后的第i个电池对应的倍率，
Figure BDA0002444185380000133
表示更新后的第j个电池对应的倍率。
所述粒子群算法速度更新公式为：
Figure BDA0002444185380000134
其中，wq表示惯性权重，c1、c2均表示加速因子，r1、r2均表示0至1间的随机数，
Figure BDA0002444185380000135
表示更新前的第i个电池对应的电池健康状态，
Figure BDA0002444185380000136
表示更新后的第i个电池对应的电池倍率，SOHi count表示更新前的第i个电池对应的电池健康状态，
Figure BDA0002444185380000137
表示更新前的第i个电池对应的电池倍率，Vi count表示种群初始速度矩阵中第i个电池对应的初始速度，gbestcount表示更新前的个体最优位置，zbestcount表示更新前的全局最优位置。
步骤S46：确定所述新的初始矩阵中各电池对应的适应度函数值，获得第二适应度函数值；具体与步骤S421-步骤S423类似，在此不再一一赘述。
步骤S47：判断最大的第二适应度函数值是否大于个体最佳适应度；如果所述最大的第二适应度函数值大于所述个体最佳适应度，则令所述个体最佳适应度等于所述最大的第二适应度函数值，即fitnessgbest＝maxGX count+1，并令个体最优位置等于所述最大的第二适应度函数值对应的位置，即gbest＝(SOHm count+1，cT,m count+1)，并执行步骤S48；如果所述最大的第二适应度函数值小于或等于所述个体最佳适应度，并执行步骤S48。
步骤S48：判断当前迭代次数count是否大于最大迭代次数；如果当前迭代次数count大于最大迭代次数，则输出各子区对应的最优位置；如果当前迭代次数count小于或等于最大迭代次数，则令当前迭代次数加一，即count＝count+1，所述第一适应度函数值等于所述第二适应度函数值，并返回步骤S44。
步骤S5：将各子区对应的最优位置作为各子区对应的初始聚类中心，采用K-means聚类方法对全局信息矩阵进行聚类，获得各子单元对应的聚类中心，具体包括：
步骤S51：将各子区对应的最优位置作为各子区对应的初始聚类中心，构建初始聚类中心集合，具体公式为：
Figure BDA0002444185380000141
其中，X’表示初始聚类中心集合，zbestA1、zbestA2、zbestA3、zbest_B1、zbestB2、zbestB3和zbestC表示各子区对应的最优位置。
步骤S52：根据距离计算公式计算所述全局信息矩阵中每个行向量到各子区对应的初始聚类中心的距离。
所述距离计算公式为：
D＝||Mes(i,:)*(X'(j,:)T)||2；
其中，Mes(i,:)表示全局信息矩阵的第i行向量，X’(j,:)T表示初始聚类中心集合中第j个初始聚类中心的转置，D表示距离。
步骤S53：按照距离最近原则对所述全局信息矩阵中各行向量进行聚类，获得多个子单元对应的信息矩阵，也就是说，对所述全局信息矩阵中各行向量和距离最近的最优位置归为一组，获得多个子单元对应的信息矩阵。
通过初次聚类后，形成7个子单元，则全局信息矩阵C可以表示为：
Figure BDA0002444185380000143
各子单元对应的信息矩阵表示为：
Figure BDA0002444185380000142
其中，k表示A1、A2、A3、B1、B2、B3和C。
步骤S54：计算各子单元对应的信息矩阵中列向量的平均数，将各平均数作为各子单元对应的聚类中心，具体公式为：
Figure BDA0002444185380000151
其中，zbest′k表示第k子单元对应的聚类中心，s表示第k子单元的个体总数，SOHi、cT,i分别表示第k子单元对应的第i个电池的健康状态和电池倍率，k表示A1、A2、A3、B1、B2、B3和C。
最终得出zbest′A1、zbest′A2、zbest′A3、zbest′B1、zbest′B2、zbest′B3和zbest′C7个聚类中心。
步骤S55：采用K-means算法，基于各子单元对应的参数和聚类中心确定目标函数值，具体公式为：
Figure BDA0002444185380000152
其中，J表示整个全局信息矩阵到各聚类中心的目标函数值，Mesk(i,:)表示第k个子单元第i行对应的样本，zbestk表示第k个子单元的聚类中心，M为电池的总个数。
步骤S56：判断所述目标函数值是否小于或等于设定值；如果所述目标函数值小于或等于设定值，则输出各子单元的聚类中心，并执行步骤S57；如果所述目标函数值大于设定值，则将各子单元的聚类中心作为各子区对应的初始聚类中心，返回步骤S52。
步骤S57：基于各子单元的聚类中心采用欧式距离公式确定聚类评价结果，具体公式为：
Figure BDA0002444185380000153
其中，O(count1)表示聚类评价结果，Nk表示第k个子单元对应的样本数量，M为电池总数，Mesk(i,:)表示第k个子单元对应的第i个样本，zbestk表示第k个子单元对应的聚类中心，k取A1、A2、A3、B1、B2、B3、C。
步骤S58：判断所述聚类评价结果O(count1)是否小于聚类阈值；如果所述聚类评价结果O(count1)小于聚类阈值，则输出各子单元对应的聚类中心；如果所述聚类评价结果O(count1)大于或等于聚类阈值，则执行步骤S59。
步骤S59：判断聚类迭代次数count1是否大于最大聚类迭代次数；如果聚类迭代次数count1大于最大聚类迭代次数，则输出各子单元对应的聚类中心；如果聚类迭代次数count1小于或等于最大聚类迭代次数，则令聚类迭代次数加一，即count1＝count1+1，将各子单元的聚类中心作为各子区对应的初始聚类中心，返回步骤S52。
步骤S6：基于各子单元对应的聚类中心输出电池筛选结果：即以zbest′A1、zbest′A2和zbest′A3为聚类中心对应的子单元进行梯次利用；以zbest′B1、zbest′B2和zbest′B3为聚类中心对应的子单元作为后备电源利用；以zbest′C为聚类中心对应的子单元直接拆解。
本发明具有以下优点：
(一)通过训练好的BP神经网络即电池健康状态预测模型可以快速预测出退役锂离子动力电池的SOH值，进而可以对退役动力电池进行快速筛选，实现梯次利用电池快速自动筛选的功能。
(二)采用粒子群优化算法进行寻优，进而对K-means聚类算法进行改进，可以避免K-means算法中目标函数不是凸函数，容易陷入局部最优解的弊端，只需要选择粒子群优化算法中的权重系数和学习率就可以极大的提高聚类算法的准确性。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种梯次利用电池快速筛选方法，其特征在于，所述方法包括：
步骤S1：基于BP神经网络构建电池健康状态预测模型；
步骤S2：基于所述电池健康状态预测模型构建全局信息矩阵；
步骤S3：将所述全局信息矩阵进行区域划分，获得多个子区和各子区对应的分区信息矩阵；
步骤S4：采用粒子群优化算法进行寻优，确定各子区对应的最优位置；
步骤S5：将各子区对应的最优位置作为各子区对应的初始聚类中心，采用K-means聚类方法对全局信息矩阵进行聚类，获得各子单元对应的聚类中心；
步骤S6：基于各子单元对应的聚类中心输出电池筛选结果。
2.根据权利要求1所述的梯次利用电池快速筛选方法，其特征在于，所述基于BP神经网络构建电池健康状态预测模型，具体包括：
步骤S11：建立原始样本特征集和原始电池健康状态数据集；
步骤S12：对所述原始样本特征集和所述原始电池健康状态数据集进行归一化处理，获得第一样本特征集、第一电池健康状态数据集、第二样本特征集和第二电池健康状态数据集；
步骤S13：基于所述第一样本特征集和所述第一电池健康状态数据集对BP神经网络进行训练，获得电池健康状态预测模型；
步骤S14：将所述第二样本特征集加入所述电池健康状态预测模型，获得第三电池健康状态数据集；
步骤S15：基于所述第二电池健康状态数据集和所述第三电池健康状态数据集确定偏差估计函数值；
步骤S16：判断所述偏差估计函数值是否大于设定阈值；如果所述偏差估计函数值大于设定阈值，则输出所述电池健康状态预测模型；如果所述偏差估计函数值小于或等于设定阈值，则返回“步骤S13”。
3.根据权利要求1所述的梯次利用电池快速筛选方法，其特征在于，事实基于所述电池健康状态预测模型构建全局信息矩阵，具体包括：
步骤S21：基于所述电池健康状态预测模型确定第四电池健康状态数据集；
步骤S22：构建电池倍率数据集；
步骤S23：对所述电池倍率数据集进行归一化处理，获得归一电池倍率数据集；
步骤S24：基于所述第四电池健康状态数据集和所述归一电池倍率数据集构建全局信息矩阵。
4.根据权利要求1所述的梯次利用电池快速筛选方法，其特征在于，所述采用粒子群优化算法进行寻优，确定各子区对应的最优位置，具体包括：
步骤S41：从各所述各子区对应的分区信息矩阵中选取多行，形成初始矩阵；
步骤S42：确定所述初始矩阵中各电池对应的适应度函数值，获得第一适应度函数值；
步骤S43：将最大的所述第一适应度函数值对应的电池位置作为个体最优位置；将最大的第一适应度函数值作为个体最佳适应度；
步骤S44：建立所述初始矩阵对应的种群初始速度矩阵；
步骤S45：通过粒子群算法速度更新公式对所述初始矩阵进行更新，获得新的初始矩阵；
步骤S46：确定所述新的初始矩阵中各电池对应的适应度函数值，获得第二适应度函数值；
步骤S47：判断最大的第二适应度函数值是否大于个体最佳适应度；如果所述最大的第二适应度函数值大于所述个体最佳适应度，则令所述个体最佳适应度等于所述最大的第二适应度函数值，个体最优位置等于所述最大的第二适应度函数值对应的位置，并执行步骤S48；如果所述最大的第二适应度函数值小于或等于所述个体最佳适应度，并执行步骤S48；
步骤S48：判断当前迭代次数是否大于最大迭代次数；如果当前迭代次数大于最大迭代次数，则输出各子区对应的最优位置；如果当前迭代次数小于或等于最大迭代次数，则令当前迭代次数加一，所述第一适应度函数值等于所述第二适应度函数值，并返回步骤S44。
5.根据权利要求1所述的梯次利用电池快速筛选方法，其特征在于，所述将各子区对应的最优位置作为各子区对应的初始聚类中心，采用K-means聚类方法对全局信息矩阵进行聚类，获得各子单元对应的聚类中心，具体包括：
步骤S51：将各子区对应的最优位置作为各子区对应的初始聚类中心；
步骤S52：根据距离计算公式计算所述全局信息矩阵中每个行向量到各子区对应的初始聚类中心的距离；
步骤S53：按照距离最近原则对所述全局信息矩阵中各行向量进行聚类，获得多个子单元对应的信息矩阵；
步骤S54：计算各子单元对应的信息矩阵中列向量的平均数，将各平均数作为各子单元对应的聚类中心；
步骤S55：采用K-means算法，基于各子单元对应的参数和聚类中心确定目标函数值；
步骤S56：判断所述目标函数值是否小于或等于设定值；如果所述目标函数值小于或等于设定值，则输出各子单元的聚类中心，并执行步骤S57；如果所述目标函数值大于设定值，则将各子单元的聚类中心作为各子区对应的初始聚类中心，返回步骤S52；
步骤S57：基于各子单元的聚类中心采用欧式距离公式确定聚类评价结果；
步骤S58：判断所述聚类评价结果是否小于聚类阈值；如果所述聚类评价结果小于聚类阈值，则输出各子单元对应的聚类中心；如果所述聚类评价结果大于或等于聚类阈值，则执行步骤S59；
步骤S59：判断聚类迭代次数是否大于最大聚类迭代次数；如果聚类迭代次数大于最大聚类迭代次数，则输出各子单元对应的聚类中心；如果聚类迭代次数小于或等于最大聚类迭代次数，则令聚类迭代次数加一，将各子单元的聚类中心作为各子区对应的初始聚类中心，返回步骤S52。
6.根据权利要求4所述的梯次利用电池快速筛选方法，其特征在于，所述确定所述初始矩阵中各电池对应的适应度函数值，获得第一适应度函数值，具体包括：
步骤S421：基于所述初始矩阵内各电池的健康状态确定健康状态评估结果；
步骤S422：基于所述初始矩阵内各电池的倍率确定电池倍率评估结果；
步骤S423：基于所述健康状态评估结果和所述电池倍率评估结果确定各电池对应的适应度函数值，获得第一适应度函数值。
7.根据权利要求6所述的梯次利用电池快速筛选方法，其特征在于，所述基于所述健康状态评估结果和所述电池倍率评估结果确定各电池对应的适应度函数值，获得第一适应度函数值，具体公式为：
Figure FDA0002444185370000044
其中，Gi表示第i个电池对应的适应度函数值，gSOH,i表示第i个电池的健康状态评估结果，
Figure FDA0002444185370000043
表示第i个电池的电池倍率评估结果，ω表示SOH与CT指标对于电池再利用的重要程度的一个比重。
8.根据权利要求5所述的梯次利用电池快速筛选方法，其特征在于，所述距离计算公式为：
D＝||Mes(i,:)*(X'(j,:)T)||2；
其中，Mes(i,:)表示全局信息矩阵的第i行向量，X’(j,:)T表示初始聚类中心集合中第j个初始聚类中心的转置，D表示距离。
9.根据权利要求5所述的梯次利用电池快速筛选方法，其特征在于，基于所述第二电池健康状态数据集和所述第三电池健康状态数据集确定偏差估计函数值，具体公式为：
Figure FDA0002444185370000041
其中，R2为偏差估计函数值，n表示数据库中电池总数，s表示第一样本特征集的总数，tc,s+i表示第二电池健康状态数据集对应的第i个元素，
Figure FDA0002444185370000042
表示第二样本特征集测试所得第三电池健康状态数据集的第i个元素。
CN202010274157.9A 2020-04-09 2020-04-09 一种梯次利用电池快速筛选方法 Active CN111474490B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010274157.9A CN111474490B (zh) 2020-04-09 2020-04-09 一种梯次利用电池快速筛选方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010274157.9A CN111474490B (zh) 2020-04-09 2020-04-09 一种梯次利用电池快速筛选方法

Publications (2)

Publication Number Publication Date
CN111474490A true CN111474490A (zh) 2020-07-31
CN111474490B CN111474490B (zh) 2022-06-24

Family

ID=71751622

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010274157.9A Active CN111474490B (zh) 2020-04-09 2020-04-09 一种梯次利用电池快速筛选方法

Country Status (1)

Country Link
CN (1) CN111474490B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111915600A (zh) * 2020-08-12 2020-11-10 南京工程学院 一种退役动力锂电池热特征一致性筛选方法
CN112287980A (zh) * 2020-10-14 2021-01-29 北方工业大学 基于典型特征向量的动力电池筛选方法
CN112305441A (zh) * 2020-10-14 2021-02-02 北方工业大学 一种集成式聚类下的动力电池健康状态评估方法
CN112305442A (zh) * 2020-10-14 2021-02-02 北方工业大学 一种基于kmeans聚类的动力电池SOH快速估计方法
CN112327189A (zh) * 2020-10-14 2021-02-05 北方工业大学 一种基于knn算法的储能电池健康状态综合判断方法
CN112327190A (zh) * 2020-10-14 2021-02-05 北方工业大学 一种储能电池健康状态辨识方法
CN112485694A (zh) * 2020-11-23 2021-03-12 国网北京市电力公司 电池组的检测方法及装置
CN112505551A (zh) * 2020-12-16 2021-03-16 北方工业大学 一种面向退役动力电池的筛选方法
CN112651431A (zh) * 2020-12-16 2021-04-13 北方工业大学 一种退役动力电池的聚类分选方法
CN114047444A (zh) * 2021-11-09 2022-02-15 中国南方电网有限责任公司超高压输电公司广州局 蓄电池健康状况评估方法及装置
CN114487835A (zh) * 2022-01-17 2022-05-13 国网甘肃省电力公司经济技术研究院 一种粒子群优化birch算法的退役动力电池等级划分方法
CN114720878A (zh) * 2022-03-24 2022-07-08 长安大学 一种退役电池的状态检测方法
WO2024103563A1 (zh) * 2022-11-16 2024-05-23 广东邦普循环科技有限公司 一种退役电池筛选分类方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104299035A (zh) * 2014-09-29 2015-01-21 国家电网公司 基于聚类算法和神经网络的变压器故障诊断方法
CN104361393A (zh) * 2014-09-06 2015-02-18 华北电力大学 基于粒子群优化算法改进的神经网络模型用于数据预测方法
CN108076060A (zh) * 2017-12-18 2018-05-25 西安邮电大学 基于动态k-means聚类的神经网络态势预测方法
CN108155426A (zh) * 2017-12-25 2018-06-12 合肥工业大学智能制造技术研究院 基于衰减特性参数的电池梯次利用方法
CN110187281A (zh) * 2019-05-22 2019-08-30 天津大学 基于充电阶段健康特征的锂电池健康状态估算的方法
CN110224192A (zh) * 2019-05-30 2019-09-10 安徽巡鹰新能源科技有限公司 一种梯次利用动力电池寿命预测方法
US20190383876A1 (en) * 2018-06-14 2019-12-19 Richard Landry Gray method and device for gauging an electronic apparatus
CN110687452A (zh) * 2019-09-05 2020-01-14 南京理工大学 基于K均值聚类与Elman神经网络的锂电池容量在线预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104361393A (zh) * 2014-09-06 2015-02-18 华北电力大学 基于粒子群优化算法改进的神经网络模型用于数据预测方法
CN104299035A (zh) * 2014-09-29 2015-01-21 国家电网公司 基于聚类算法和神经网络的变压器故障诊断方法
CN108076060A (zh) * 2017-12-18 2018-05-25 西安邮电大学 基于动态k-means聚类的神经网络态势预测方法
CN108155426A (zh) * 2017-12-25 2018-06-12 合肥工业大学智能制造技术研究院 基于衰减特性参数的电池梯次利用方法
US20190383876A1 (en) * 2018-06-14 2019-12-19 Richard Landry Gray method and device for gauging an electronic apparatus
CN110187281A (zh) * 2019-05-22 2019-08-30 天津大学 基于充电阶段健康特征的锂电池健康状态估算的方法
CN110224192A (zh) * 2019-05-30 2019-09-10 安徽巡鹰新能源科技有限公司 一种梯次利用动力电池寿命预测方法
CN110687452A (zh) * 2019-09-05 2020-01-14 南京理工大学 基于K均值聚类与Elman神经网络的锂电池容量在线预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
XINING LI等: "Application of wavelet analysis theory in storage energy system of lithium battery", 《IEEE》 *

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111915600A (zh) * 2020-08-12 2020-11-10 南京工程学院 一种退役动力锂电池热特征一致性筛选方法
CN111915600B (zh) * 2020-08-12 2023-09-26 南京工程学院 一种退役动力锂电池热特征一致性筛选方法
CN112327190B (zh) * 2020-10-14 2023-06-20 北方工业大学 一种储能电池健康状态辨识方法
CN112327189B (zh) * 2020-10-14 2023-06-09 北方工业大学 一种基于knn算法的储能电池健康状态综合判断方法
CN112327189A (zh) * 2020-10-14 2021-02-05 北方工业大学 一种基于knn算法的储能电池健康状态综合判断方法
CN112327190A (zh) * 2020-10-14 2021-02-05 北方工业大学 一种储能电池健康状态辨识方法
CN112305442A (zh) * 2020-10-14 2021-02-02 北方工业大学 一种基于kmeans聚类的动力电池SOH快速估计方法
CN112287980A (zh) * 2020-10-14 2021-01-29 北方工业大学 基于典型特征向量的动力电池筛选方法
CN112287980B (zh) * 2020-10-14 2023-06-23 北方工业大学 基于典型特征向量的动力电池筛选方法
CN112305442B (zh) * 2020-10-14 2023-06-20 北方工业大学 一种基于kmeans聚类的动力电池SOH快速估计方法
CN112305441A (zh) * 2020-10-14 2021-02-02 北方工业大学 一种集成式聚类下的动力电池健康状态评估方法
CN112305441B (zh) * 2020-10-14 2023-06-16 北方工业大学 一种集成式聚类下的动力电池健康状态评估方法
CN112485694A (zh) * 2020-11-23 2021-03-12 国网北京市电力公司 电池组的检测方法及装置
CN112505551A (zh) * 2020-12-16 2021-03-16 北方工业大学 一种面向退役动力电池的筛选方法
CN112505551B (zh) * 2020-12-16 2023-01-10 北方工业大学 一种面向退役动力电池的筛选方法
CN112651431B (zh) * 2020-12-16 2023-07-07 北方工业大学 一种退役动力电池的聚类分选方法
CN112651431A (zh) * 2020-12-16 2021-04-13 北方工业大学 一种退役动力电池的聚类分选方法
CN114047444A (zh) * 2021-11-09 2022-02-15 中国南方电网有限责任公司超高压输电公司广州局 蓄电池健康状况评估方法及装置
CN114047444B (zh) * 2021-11-09 2024-05-28 中国南方电网有限责任公司超高压输电公司广州局 蓄电池健康状况评估方法及装置
CN114487835A (zh) * 2022-01-17 2022-05-13 国网甘肃省电力公司经济技术研究院 一种粒子群优化birch算法的退役动力电池等级划分方法
CN114720878A (zh) * 2022-03-24 2022-07-08 长安大学 一种退役电池的状态检测方法
WO2024103563A1 (zh) * 2022-11-16 2024-05-23 广东邦普循环科技有限公司 一种退役电池筛选分类方法

Also Published As

Publication number Publication date
CN111474490B (zh) 2022-06-24

Similar Documents

Publication Publication Date Title
CN111474490B (zh) 一种梯次利用电池快速筛选方法
WO2021259196A1 (zh) 一种电池组一致性评估方法及系统
CN106842045B (zh) 一种基于自适应权重方法的电池多模型融合建模方法和电池管理系统
WO2022213789A1 (zh) 锂电池soc估计方法、装置及计算机可读存储介质
CN110221222A (zh) 电池安全截止电压预测方法、装置及电池管理系统
CN113109717B (zh) 一种基于特征曲线优化的锂电池荷电状态估算方法
CN115632179B (zh) 一种锂离子电池智能快速充电方法及系统
CN108549036A (zh) 基于miv和svm模型的磷酸铁锂电池寿命预测方法
CN112036083B (zh) 一种相似产品剩余寿命预测方法及系统
CN108009585B (zh) 基于局部信息融合的铅酸电池健康状态预测方法
CN109768340B (zh) 一种电池放电过程电压不一致性估计方法及装置
CN112791997A (zh) 一种退役电池梯次利用筛选的方法
CN116449218B (zh) 一种锂电池健康状态的估计方法
CN112305441B (zh) 一种集成式聚类下的动力电池健康状态评估方法
CN114705990A (zh) 电池簇荷电状态的估计方法及系统、电子设备及存储介质
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
CN105471647A (zh) 一种电力通信网故障定位方法
CN113128672A (zh) 一种基于迁移学习算法的锂离子电池组soh估计方法
CN115963407A (zh) 一种基于icgwo优化elm的锂电池soc估计方法
CN113376541B (zh) 一种基于crj网络的锂离子电池健康状态预测方法
CN110491443B (zh) 一种基于投影邻域非负矩阵分解的lncRNA蛋白质关联预测方法
CN113534938B (zh) 一种基于改进Elman神经网络的笔记本电脑剩余电量估计方法
CN110232432B (zh) 一种基于人工生命模型的锂电池组soc预测方法
CN113820615A (zh) 一种电池健康度检测方法与装置
CN109657122A (zh) 一种基于学术大数据的学术团队重要成员识别方法

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

Effective date of registration: 20220519

Address after: 100144 Beijing City, Shijingshan District Jin Yuan Zhuang Road No. 5

Applicant after: NORTH CHINA University OF TECHNOLOGY

Applicant after: Beijing Lianzhi Huineng Technology Co.,Ltd.

Applicant after: Xinyuan Zhichu energy development (Beijing) Co.,Ltd.

Address before: 100144 Beijing City, Shijingshan District Jin Yuan Zhuang Road No. 5

Applicant before: NORTH CHINA University OF TECHNOLOGY

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant