CN111476355A - 一种基于蝙蝠探测-极限学习机的锂电池soc估计方法 - Google Patents

一种基于蝙蝠探测-极限学习机的锂电池soc估计方法 Download PDF

Info

Publication number
CN111476355A
CN111476355A CN202010299241.6A CN202010299241A CN111476355A CN 111476355 A CN111476355 A CN 111476355A CN 202010299241 A CN202010299241 A CN 202010299241A CN 111476355 A CN111476355 A CN 111476355A
Authority
CN
China
Prior art keywords
lithium battery
bat
fitness
soc estimation
learning machine
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
Application number
CN202010299241.6A
Other languages
English (en)
Inventor
葛东东
万志平
吴壮文
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.)
Zhejiang Industry Polytechnic College
Original Assignee
Zhejiang Industry Polytechnic College
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 Zhejiang Industry Polytechnic College filed Critical Zhejiang Industry Polytechnic College
Priority to CN202010299241.6A priority Critical patent/CN111476355A/zh
Publication of CN111476355A publication Critical patent/CN111476355A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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]
    • G01R31/389—Measuring internal impedance, internal conductance or related variables
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

一种基于蝙蝠探测‑极限学习机的锂电池SOC估计方法，属于电池技术领域。本发明包括如下步骤，S1：对锂电池进行动态工况测试并记录外特性数据，对外特性数据进行处理，产生训练集和测试集；S2：设计蝙蝠探测算法并导入训练集进行迭代寻优算法，得到最优输出权值；S3：计算输入连接权值和隐含层神经元阈值，构建前馈神经网络结构极限学习机；S4：将测试集导入步骤S3构建的极限学习机进行锂电池SOC估计，并进行锂电池SOC估计的性能评价。本发明泛化能力好，噪声容错能力强，可有效降低SOC估计误差，提高SOC估计精度。

Description

一种基于蝙蝠探测-极限学习机的锂电池SOC估计方法
技术领域
本发明属于电池技术领域，具体是涉及一种基于蝙蝠探测-极限学习机的锂电池SOC估计方法。
背景技术
当今世界面临石油能源短缺、环境污染问题日益严重等问题，电动汽车作为一种可持续发展新型绿色交通工具，近年来成为世界各国和车企的研发热点。
锂电池因其具有能量密度大、输出功率高、充放电寿命长等优点，成为一种重要的电动汽车动力电池。电池的荷电状态(State of Charge，SOC)是电池状态分析的核心问题。准确估算和预测电池实际剩余电量(SOC)，进而预测出电动汽车剩余续航里程是目前电动汽车研发的重点问题。
电池的SOC作为电池的内部状态，无法用一种传感器直接测得。目前主要通过测量电池外特性数据，如电流、电压、电阻、温度等，进行SOC估计。目前，商用的SOC估算中主要采用电流积分法(安时积分法)和开路电压查表法。电流积分法是一个纯积分环节，无法消除SOC初始误差。此外，电流测量中所产生的累计误差，会随着运行时间的增加而不断增加。开路电压查表法必须将电池长时间静置，才能获取准确的开路电压。卡尔曼滤波算法对电池模型精度要求较高，模型参数辨识的不准确，直接影响SOC的估计精度。目前亟需具有泛化性能好、噪声容错能力强、估计精度高的方法进行锂电池SOC估计。
发明内容
本发明主要是解决上述现有技术所存在的技术问题，提供一种基于蝙蝠探测-极限学习机的锂电池SOC估计方法，该方法泛化能力好，噪声容错能力强，可有效降低SOC估计误差，提高SOC估计精度。
本发明的上述技术问题主要是通过下述技术方案得以解决的：一种基于蝙蝠探测-极限学习机的锂电池SOC估计方法，包括如下步骤：
S1：对锂电池进行动态工况测试并记录外特性数据，对外特性数据进行处理，产生训练集和测试集；
S2：设计蝙蝠探测算法并导入训练集进行迭代寻优算法，得到最优输出权值；
S3：计算输入连接权值和隐含层神经元阈值，构建前馈神经网络结构极限学习机；
S4：将测试集导入步骤S3构建的极限学习机进行锂电池SOC估计，并进行锂电池SOC估计的性能评价。
作为优选，在步骤S1中，所述外特性数据包括锂电池电压、锂电池电流、环境温度、锂电池温度、以及锂电池内阻。
作为优选，在步骤S1中，所述外特性数据的处理包括确定锂电池的输入数据、确定锂电池的输出数据、数据滤波处理、以及归一化处理；所述外特性数据经处理后进行挑选，从而得到输入数据训练集、输出数据训练集、输入数据测试集和输出数据测试集。
作为优选，步骤S2包括如下步骤：
S2-1：对蝙蝠探测算法进行初始化参数设置，参数包括种群大小n、初始脉冲响度Ai 0、初始脉冲发射率ri 0、最大频率范围Qmax、最小频率范围Qmin、迭代终止条件、隐含层神经元数S1、最大迭代次数N、最小适应度阈值、以及适应度评价函数Fitness；
S2-2：计算当前每只蝙蝠的频率Qi、位置Si、速度Vi、适应度值Fitnessi、输出权值βik，根据如下公式寻找适应度最小的蝙蝠及对应的一组输出权值，即当前种群最优解；
fmin＝min(Fitness)
Qi＝Qmin+(Qmin-Qmax)×rand
Vi t＝Vi t-1+(Si t-1-BestS)×Qi
Si＝Vi t+Si t-1
式中，rand∈[0,1]是随机向量，fmin是适应度最小的蝙蝠，BestS是适应度最小的蝙蝠对应的位置，即当前最好位置，t是迭代次数，i＝1,2,3…n；
S2-3：在随机变化下，计算每只蝙蝠新的频率Qi、位置Si、以及速度Vi；
S2-4：判断每只蝙蝠脉冲发射率是否满足要求，如果满足转至下一步骤，否则转至步骤S2-3；
S2-5：计算每只蝙蝠在新位置下的适应度值Fitnessi和输出权值βik；
S2-6：判断每只蝙蝠新适应度值Fitnessi和响度Ai是否满足要求，如果满足转至下一步骤，否则转至步骤S2-3；
S2-7：根据每只蝙蝠接受的新位置Si，计算对应的适应度Fitnessi和输出权值βik，并进行响度Ai和脉冲发射率ri的更新；
S2-8：寻找适应度最小的蝙蝠，将所有的蝙蝠移动至当前适应度最小的蝙蝠的位置，更新当前最优位置BestS、当前最优输出权值Bestβ、当前最小适应度fmin，即当前最优解的更新；
S2-9：判断是否满足终止条件，如果满足则保存最优输出权值β，否则转至步骤S2-3，再次进行迭代计算；其中，终止条件为达到最大迭代次数N，或最小适应度达到阈值。
作为优选，在步骤S3中，所述输入连接权值和隐含层神经元阈值是通过reshape函数进行计算，其中函数变量为当前最好位置BestS、隐含层神经元数S1、输入层神经元数R、以及测试集样本数。
作为优选，在步骤S4中，所述锂电池SOC估计的性能评价指标包括SOC估计值与SOC实际值之间的绝对误差、均方根误差、平均绝对误差、平均绝对误差百分比、最大绝对误差、最小绝对误差、以及决定系数。
本发明具有的有益效果：本发明依据蝙蝠探测仿生原理，设计迭代优化流程，得到优化的输出权值。通过计算输入连接权值和隐含层神经元阈值，构建极限学习机，从而进行锂电池SOC估计。本发明能够处理复杂的非线性电池系统，提高了泛化能力和噪声容错能力，可有效降低电池SOC估计误差，提高电池SOC估计精度。
附图说明
图1是本发明的一种流程示意图；
图2是本发明SOC估计值、传统极限学习机(ELM)SOC估计值、SOC实际值的对比图；
图3是本发明与传统极限学习机(ELM)在进行SOC估计时的误差对比图；
图4是本发明与传统极限学习机(ELM)在进行SOC估计时的平均绝对误差和均方根误差的对比图。
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：一种基于蝙蝠探测-极限学习机的锂电池SOC估计方法，如图1所示，包括如下步骤：
S1：对锂电池进行动态工况测试并记录外特性数据，对外特性数据进行处理，产生训练集和测试集；
S2：设计蝙蝠探测算法并导入训练集进行迭代寻优算法，得到最优输出权值；
S3：计算输入连接权值和隐含层神经元阈值，构建前馈神经网络结构极限学习机；
S4：将测试集导入步骤S3构建的极限学习机进行锂电池SOC估计，并进行锂电池SOC估计的性能评价。
在步骤S1中，所述动态工况测试是指按照中国国标或者美国、欧洲、日本等电动汽车行业规定进行锂电池工况测试。在此处，采用按照美国联邦城市运行工况FUDS(federalurban driving schedule)规定进行锂电池工况测试，同时记录该工况下锂电池的外特性数据。所述外特性数据包括锂电池电压、锂电池电流、环境温度、锂电池温度、以及锂电池内阻。
在步骤S1中，所述外特性数据的处理包括确定锂电池的输入数据、确定锂电池的输出数据、数据滤波处理、以及通过归一化函数将输入数据和输出数据进行归一化处理，其中输入数据为锂电池电压V、锂电池电流I、以及环境温度T，输出数据为锂电池SOC值。所述输入数据经处理后进行挑选，形成一定比例的输入数据训练集，剩余部分为输入数据测试集；所述输出数据经处理后进行挑选，形成一定比例的输出数据训练集，剩余部分为输出数据测试集；所述输入数据的挑选比例和输出数据的挑选比例相同。挑选方式包括排序后按顺序挑选、打乱后随机挑选等。在此处，选用打乱后随机挑选的方式形成输入数据训练集P、输出数据训练集T、输入数据测试集TV.P、以及输出数据测试集TV.T，挑选比例为7:3，即输入数据训练集P与输入数据测试集TV.P之比、输出数据训练集T与输出数据测试集TV.T之比均为7:3，具体为：输入数据训练集P的样本数为13727、输出数据训练集T的样本数为13727、输入数据测试集TV.P的样本数为5883、以及输出数据测试集TV.T的样本数为5883。
在步骤S2中，包括如下步骤：
S2-1：对蝙蝠探测算法进行初始化参数设置，种群大小n为10、初始脉冲响度Ai 0为0.9、初始脉冲发射率ri 0为0.1、最大频率范围Qmax为1、最小频率范围Qmin为0、最大迭代次数N为2000、迭代终止条件为达到最大迭代次数、隐含层神经元数为10、适应度评价函数Fitness为Fitness＝sqrt(mse(T-Y))；
S2-2：计算当前每只蝙蝠的频率Qi、位置Si、速度Vi、适应度值Fitnessi、输出权值βik，根据如下公式寻找适应度最小的蝙蝠及对应的一组输出权值，即当前种群最优解；
fmin＝min(Fitness)
Qi＝Qmin+(Qmin-Qmax)×rand
Vi t＝Vi t-1+(Si t-1-BestS)×Qi
Si＝Vi t+Si t-1
式中，rand∈[0,1]是随机向量，fmin是适应度最小的蝙蝠，BestS是适应度最小的蝙蝠对应的位置，即当前最好位置，t是迭代次数，i＝1,2,3…n；
S2-3：在随机变化下，计算每只蝙蝠新的频率Qi、位置Si、以及速度Vi；
S2-4：判断每只蝙蝠脉冲发射率是否满足要求，如果满足转至下一步骤，否则转至步骤S2-3；满足要求为此次脉冲发射率大于上次脉冲发射率，即rand(r)>ri；
S2-5：计算每只蝙蝠在新位置下的适应度值Fitnessi和输出权值βik；
S2-6：判断每只蝙蝠新适应度值Fitnessi和响度Ai是否满足要求，如果满足转至下一步骤，否则转至步骤S2-3；满足要求为此次适应度值小于上次适应度值，且此次响度小于上次响度，即Fitnessinew<Fitnessiold，rand(A)<Ai
S2-7：根据每只蝙蝠接受的新位置Si，计算对应的适应度Fitnessi和输出权值βik，并进行响度Ai和脉冲发射率ri的更新；
S2-8：寻找适应度最小的蝙蝠，将所有的蝙蝠移动至当前适应度最小的蝙蝠的位置，更新当前最优位置BestS、当前最优输出权值Bestβ、当前最小适应度fmin，即当前最优解的更新；
S2-9：判断是否满足终止条件，如果满足则保存最优输出权值β，否则转至步骤S2-3，再次进行迭代计算；终止条件可为达到最大迭代次数N，或最小适应度达到阈值。在此处，终止条件为达到最大迭代次数。迭代结束时，最优输出权值β如下：
β＝[1.19570.85590.09321.28151.26141.01131.16013.50741.87241.4964]T
在步骤S3中，输入连接权值w和隐含层神经元阈值b是通过reshape函数进行计算，其中函数变量为当前最好位置BestS、隐含层神经元数S1、输入层神经元数R、以及测试集样本数等。
Figure BDA0002453356840000051
在步骤S4中，所述锂电池SOC估计的性能评价指标包括SOC估计值与SOC实际值之间的绝对误差、均方根误差、平均绝对误差、平均绝对误差百分比、最大绝对误差、最小绝对误差、以及决定系数。
将本发明与传统极限学习机(ELM)分别进行锂电池SOC估计，并进行对比，其中，传统极限学习机的隐含层神经元节点数、训练集、测试集、隐含层神经元的激活函数等设置均与本发明的设置一致。误差越小，决定系数越接近1，表示SOC估计精度越高。
图2是本发明SOC估计值、传统极限学习机(ELM)SOC估计值、SOC实际值的对比图，为更进一步描述，图中截取了4500秒到4700秒的放大图，由图可知，本发明SOC估计值更接近SOC实际值，特别是在SOC末端，大幅度地提高了SOC估计精度。
图3是本发明与传统极限学习机(ELM)在进行SOC估计时的误差对比图，为更进一步描述，图中截取了4500秒到4700秒的放大图，由图可知，本发明SOC估计的误差曲线更接近于0，特别是在SOC末端，大幅度地降低了SOC估计的误差。
图4是本发明与传统极限学习机(ELM)在进行SOC估计时的平均绝对误差和均方根误差的对比图。经计算，锂电池SOC估计的性能评价指标值如下：
本发明的平均绝对误差为0.9997％，传统极限学习机的平均绝对误差为1.9267％，本发明降低了平均绝对误差48.11％；
本发明的均方根误差为1.2869％，传统极限学习机的均方根误差为2.6448％，本发明降低了均方根误差51.34％；
本发明的最大绝对误差为13.88％，传统极限学习机的最大绝对误差为65.44％，本发明降低了最大绝对误差78.79％；
本发明的决定系数为0.9935，传统极限学习机的决定系数为0.9914，本发明提高了决定系数0.212％。
综上所述，本发明依据蝙蝠探测仿生原理，设计迭代优化流程，得到优化的输出权值。通过计算输入连接权值和隐含层神经元阈值，构建极限学习机，从而进行锂电池SOC估计。本发明能够处理复杂的非线性电池系统，提高了泛化能力和噪声容错能力，可有效降低电池SOC估计误差，提高电池SOC估计精度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等.
最后，应当指出，以上实施例仅是本发明较有代表性的例子。显然，本发明不限于上述实施例，还可以有许多变形。凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均应认为属于本发明的保护范围。

Claims (6)

1.一种基于蝙蝠探测-极限学习机的锂电池SOC估计方法，其特征在于，包括如下步骤：
S1：对锂电池进行动态工况测试并记录外特性数据，对外特性数据进行处理，产生训练集和测试集；
S2：设计蝙蝠探测算法并导入训练集进行迭代寻优算法，得到最优输出权值；
S3：计算输入连接权值和隐含层神经元阈值，构建前馈神经网络结构极限学习机；
S4：将测试集导入步骤S3构建的极限学习机进行锂电池SOC估计，并进行锂电池SOC估计的性能评价。
2.根据权利要求1所述一种基于蝙蝠探测-极限学习机的锂电池SOC估计方法，其特征在于，在步骤S1中，所述外特性数据包括锂电池电压、锂电池电流、环境温度、锂电池温度、以及锂电池内阻。
3.根据权利要求1所述一种基于蝙蝠探测-极限学习机的锂电池SOC估计方法，其特征在于，在步骤S1中，所述外特性数据的处理包括确定锂电池的输入数据、确定锂电池的输出数据、数据滤波处理、以及归一化处理；所述外特性数据经处理后进行挑选，从而得到输入数据训练集、输出数据训练集、输入数据测试集和输出数据测试集。
4.根据权利要求1所述一种基于蝙蝠探测-极限学习机的锂电池SOC估计方法，其特征在于，步骤S2包括如下步骤：
S2-1：对蝙蝠探测算法进行初始化参数设置，参数包括种群大小n、初始脉冲响度Ai 0、初始脉冲发射率ri 0、最大频率范围Qmax、最小频率范围Qmin、迭代终止条件、隐含层神经元数S1、最大迭代次数N、最小适应度阈值、以及适应度评价函数Fitness；
S2-2：计算当前每只蝙蝠的频率Qi、位置Si、速度Vi、适应度值Fitnessi、输出权值βik，根据如下公式寻找适应度最小的蝙蝠及对应的一组输出权值，即当前种群最优解；
fmin＝min(Fitness)
Qi＝Qmin+(Qmin-Qmax)×rand
Vi t＝Vi t-1+(Si t-1-BestS)×Qi
Si＝Vi t+Si t-1
式中，rand∈[0,1]是随机向量，fmin是适应度最小的蝙蝠，BestS是适应度最小的蝙蝠对应的位置，即当前最好位置，t是迭代次数，i＝1,2,3…n；
S2-3：在随机变化下，计算每只蝙蝠新的频率Qi、位置Si、以及速度Vi；
S2-4：判断每只蝙蝠脉冲发射率是否满足要求，如果满足转至下一步骤，否则转至步骤S2-3；
S2-5：计算每只蝙蝠在新位置下的适应度值Fitnessi和输出权值βik；
S2-6：判断每只蝙蝠新适应度值Fitnessi和响度Ai是否满足要求，如果满足转至下一步骤，否则转至步骤S2-3；
S2-7：根据每只蝙蝠接受的新位置Si，计算对应的适应度Fitnessi和输出权值βik，并进行响度Ai和脉冲发射率ri的更新；
S2-8：寻找适应度最小的蝙蝠，将所有的蝙蝠移动至当前适应度最小的蝙蝠的位置，更新当前最优位置BestS、当前最优输出权值Bestβ、当前最小适应度fmin，即当前最优解的更新；
S2-9：判断是否满足终止条件，如果满足则保存最优输出权值β，否则转至步骤S2-3，再次进行迭代计算；其中，终止条件为达到最大迭代次数N，或最小适应度达到阈值。
5.根据权利要求1所述一种基于蝙蝠探测-极限学习机的锂电池SOC估计方法，其特征在于，在步骤S3中，所述输入连接权值和隐含层神经元阈值是通过reshape函数进行计算，其中函数变量为当前最好位置BestS、隐含层神经元数S1、输入层神经元数R、以及测试集样本数。
6.根据权利要求1所述一种基于蝙蝠探测-极限学习机的锂电池SOC估计方法，其特征在于，在步骤S4中，所述锂电池SOC估计的性能评价指标包括SOC估计值与SOC实际值之间的绝对误差、均方根误差、平均绝对误差、平均绝对误差百分比、最大绝对误差、最小绝对误差、以及决定系数。
CN202010299241.6A 2020-04-16 2020-04-16 一种基于蝙蝠探测-极限学习机的锂电池soc估计方法 Pending CN111476355A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010299241.6A CN111476355A (zh) 2020-04-16 2020-04-16 一种基于蝙蝠探测-极限学习机的锂电池soc估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010299241.6A CN111476355A (zh) 2020-04-16 2020-04-16 一种基于蝙蝠探测-极限学习机的锂电池soc估计方法

Publications (1)

Publication Number Publication Date
CN111476355A true CN111476355A (zh) 2020-07-31

Family

ID=71754346

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010299241.6A Pending CN111476355A (zh) 2020-04-16 2020-04-16 一种基于蝙蝠探测-极限学习机的锂电池soc估计方法

Country Status (1)

Country Link
CN (1) CN111476355A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117688852A (zh) * 2024-02-04 2024-03-12 山东电工时代能源科技有限公司 一种基于极限学习机的锂离子电池soc的估算方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100280694A1 (en) * 2007-10-03 2010-11-04 Peugeot Citroen Automobiles S.A. Method for driving a hybrid traction chain based on the battery charge state
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
CN105226744A (zh) * 2015-09-10 2016-01-06 广西大学 一种基于soc的动力电池组均衡充放电控制方法及系统
US20190025813A1 (en) * 2016-05-09 2019-01-24 Strong Force Iot Portfolio 2016, Llc Methods and systems for intelligent collection and analysis of vehicle data
CN110073301A (zh) * 2017-08-02 2019-07-30 强力物联网投资组合2016有限公司 工业物联网中具有大数据集的数据收集环境下的检测方法和系统
CN111563576A (zh) * 2020-04-16 2020-08-21 浙江工业职业技术学院 一种基于蝙蝠探测-极限学习机的锂电池容量估计方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100280694A1 (en) * 2007-10-03 2010-11-04 Peugeot Citroen Automobiles S.A. Method for driving a hybrid traction chain based on the battery charge state
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
CN105226744A (zh) * 2015-09-10 2016-01-06 广西大学 一种基于soc的动力电池组均衡充放电控制方法及系统
US20190025813A1 (en) * 2016-05-09 2019-01-24 Strong Force Iot Portfolio 2016, Llc Methods and systems for intelligent collection and analysis of vehicle data
CN110073301A (zh) * 2017-08-02 2019-07-30 强力物联网投资组合2016有限公司 工业物联网中具有大数据集的数据收集环境下的检测方法和系统
CN111563576A (zh) * 2020-04-16 2020-08-21 浙江工业职业技术学院 一种基于蝙蝠探测-极限学习机的锂电池容量估计方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
刘凯文 等: "基于 GA-ELM 模型的锂电池 SOH 预测", 《无线电通信技术》, vol. 45, no. 3, 31 May 2019 (2019-05-31), pages 248 - 252 *
刘晓悦 等: "双通道ELM在锂离子电池SOC估算的应用", 《辽宁工程技术大学学报(自然科学版)》, vol. 35, no. 8, 31 December 2016 (2016-12-31), pages 878 - 884 *
李国进 等: "磷酸铁锂电池的SOC预测", 《计算机仿真》, vol. 32, no. 3, 31 December 2015 (2015-12-31), pages 163 - 168 *
罗宏远 等: "基于DE-ELM的电池SOC预测研究", 《数学的实践与认识》, vol. 46, no. 22, 31 December 2016 (2016-12-31), pages 236 - 243 *
耿银凤 等: "基于极限学习机 的脑卒中TCD 数据分类 研究", 《中国优秀硕士学位论文全 文数据库信息科技辑》, no. 8, 15 August 2019 (2019-08-15), pages 18 - 21 *
陈婕 等: "基于极限学习机的锂电池健康状态预测", 《软件》, vol. 39, no. 2, 28 February 2018 (2018-02-28), pages 191 - 196 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117688852A (zh) * 2024-02-04 2024-03-12 山东电工时代能源科技有限公司 一种基于极限学习机的锂离子电池soc的估算方法及系统

Similar Documents

Publication Publication Date Title
CN111707951B (zh) 一种电池组一致性评估方法及系统
CN110596593B (zh) 基于智能自适应扩展卡尔曼滤波的锂离子电池soc估计方法
CN111856287B (zh) 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法
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
CN111965559B (zh) 一种锂离子电池soh在线估计方法
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
CN109459699A (zh) 一种锂离子动力电池soc实时监测方法
CN112595979B (zh) 一种考虑非充分激励的锂电池参数在线辨识方法及系统
CN112180274B (zh) 一种动力电池组快速检测测评方法
Takyi-Aninakwa et al. An optimized long short-term memory-weighted fading extended Kalman filtering model with wide temperature adaptation for the state of charge estimation of lithium-ion batteries
CN114970332B (zh) 基于混沌量子麻雀搜索算法的锂电池模型参数辨识方法
CN112684363A (zh) 一种基于放电过程的锂离子电池健康状态估计方法
CN112858929A (zh) 一种基于模糊逻辑与扩展卡尔曼滤波的电池soc估计方法
CN111929602A (zh) 一种基于容量估计的单体电池漏电或微短路定量诊断方法
CN109346787B (zh) 一种电动汽车动力电池自适应优化充电方法
CN115219918A (zh) 一种基于容量衰退组合模型的锂离子电池寿命预测方法
CN115389946A (zh) 一种基于等压升能量和改进gru的锂电池健康状态估计方法
CN114217234B (zh) 一种基于ide-asrckf的锂离子电池参数辨识与soc估计方法
CN112462282A (zh) 基于机理模型的用于确定电池组实时荷电状态的方法
CN111563576A (zh) 一种基于蝙蝠探测-极限学习机的锂电池容量估计方法
CN113805060B (zh) 基于相关向量回归的锂电池剩余寿命检测方法
CN110232432B (zh) 一种基于人工生命模型的锂电池组soc预测方法
CN111476355A (zh) 一种基于蝙蝠探测-极限学习机的锂电池soc估计方法
CN112946480A (zh) 一种提高soc估计实时性的锂电池电路模型简化方法
CN116449219A (zh) 一种改进vffrls的锂电池模型参数辨识方法

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