CN111537888A - 一种数据驱动的梯次电池soc预测方法 - Google Patents
一种数据驱动的梯次电池soc预测方法 Download PDFInfo
- Publication number
- CN111537888A CN111537888A CN202010387134.9A CN202010387134A CN111537888A CN 111537888 A CN111537888 A CN 111537888A CN 202010387134 A CN202010387134 A CN 202010387134A CN 111537888 A CN111537888 A CN 111537888A
- Authority
- CN
- China
- Prior art keywords
- data
- battery
- neural network
- lstm
- parameters
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013528 artificial neural network Methods 0.000 claims abstract description 48
- 238000012360 testing method Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 7
- 230000005284 excitation Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000002945 steepest descent method Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000001914 filtration Methods 0.000 description 6
- 238000012937 correction Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000007847 structural defect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开一种数据驱动的梯次电池SOC预测方法,从单体电池或电池组的一系列数据,得到电池的SOC变化规律,选取LSTM人工神经网络对电池的状态进行预测或估计,电池的历史数据会被采集到数据库中,然后根据一定的参数优化方法,修正LSTM人工神经网络中的参数,使得神经网络逼近的函数关系更加接近于电池真实的SOC损耗规律,从而更精确地估计电池的SOC状态。
Description
技术领域
本发明涉及电池的SOC预测领域,特别是指一种数据驱动的梯次电池SOC 预测方法。
背景技术
目前,关于电池SOC估计的方法各有优缺点,其中Kalman滤波法将电池看成一个开环系统,对电池的SOC变化用线性差分方程进行描述。近年来,一些学者也尝试用人工智能的方法(比如神经网络方法)去进行SOC估计,但是(1)Kalman 滤波方法的缺点:Kalman滤波方法虽然考虑了噪声给电池状态估计带来的影响,但是,一方面,电池的噪声序列并不满足白噪声的假设;二方面,为了保证参数辨识时的收敛性,该方法采用线性模型对电池的动态特性进行建模,带来先天的模型误差。如果将模型描述为非线性模型,则很难保证参数辨识的收敛性。
(2)传统神经网络方法的缺点:过去采用反向传播神经网络作电池的SOC 估计,只能建立各种电池参数和环境参数对于电池SOC的静态关系,然而,对于SOC随时间和电池状态等因素不能很好地描述。若简单修改BP神经网络的结构,引入递归的回路,设计递归神经网络去学习时序数据的规律,由于层数浅又存在递归环节,往往需要通过很多次的尝试才能找到比较好的参数。
综上所述,现有的电池SOC状态估计方法,缺点主要有:
(1)模型的结构过于简单,不能很好地逼近实际的动态。无论是Kalman滤波技术,还是传统的BP神经网络技术,其构造的数据驱动模型,本身比较简单(线型系统模型或者是简单的三层神经元逼近结构),这导致了在数据驱动的过程中,由于模型本身的结构性缺陷,即便找到最优的参数逼近实际系统,其误差上界也会比较大。
(2)未考虑环境因素和电池内部因素给模型参数辨识带来的偏差;事实上,电池的Kalman滤波辨识方法,和BP神经网络,均要求外部噪声为零均值噪声且对方差要求很小,在噪声幅值大的环境中效果不好。
(3)未考虑电池的SOC变化规律将随着电池使用的时间变长而发生变化。 Kalman滤波方法和BP神经网络方法的参数修正,一般采用批量修正的方法,一旦电池的寿命衰减,SOC的变化规律发生变化,要重新建立数据驱动模型。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷,提出一种数据驱动的梯次电池SOC预测方法,旨在从单体电池或电池组的一系列数据,得到电池的 SOC变化规律,选取LSTM人工神经网络对电池的状态进行预测或估计,电池的历史数据会被采集到数据库中,然后根据一定的参数优化方法,修正LSTM人工神经网络中的参数,使得神经网络逼近的函数关系更加接近于电池真实的SOC 损耗规律,从而更精确地估计电池的SOC状态。
本发明采用如下技术方案:
一种数据驱动的梯次电池SOC预测方法,具体步骤如下:
步骤S1:离线采集梯次电池的物理参数,形成梯次电池的原始数据集X;
步骤S2:确定LSTM人工神经网络的超参数;
步骤S3:将原始数据集X分成训练子集X1,验证子集X2,测试子集X3,训练子集用于修正LSTM人工神经网络参数,验证子集用于在训练过程中,实时检测损失函数是否单调递减,若损失函数增加,则本次训练停止,进入下一次训练,测试子集X3用于验证训练好的网络参数是否满足工程精度要求;
步骤S4:根据训练子集X1、验证子集X2和带有一阶动量的最速下降法,反复修正LSTM人工神经网络的参数;
步骤S5:运用测试子集X3,验证LSTM人工神经网络的逼近效果,设定要求的逼近精度ε,当检测指标符合时,进入步骤6;否则,转回步骤2。
步骤S6:将BenchMark参数集合植入电池能量管理系统的储存器当中;
步骤S7:获取梯次电池的测试数据,将所述测试数据输入步骤S1中训练好的LSTM人工神经网络中,得到梯次电池SOC的预测。并不断测试在线数据,对网络参数进行实时修正。
所述步骤S1中,梯次电池的物理参数包括梯次电池的电压、电流、温度、功率。
所述步骤S1中,梯次电池的原始数据集X通过电池测试仪采集得到,具体采集步骤为:
步骤S11.在电池测试仪中设定充放电截止SOC;
步骤S12.采集电池的电压、电流、温度、功率和仪器的温度的数据;
步骤S13.电池充放电达到SOC设定值,完成一次数据采集;
步骤S14.重复前面三步,得到多组数据,数据集X={X(1),X(2),…,X(M)},其中 M为数据的总组数,其中第i组数据包含从开始采集时到结束采集时的1Hz采样数据和SOC推算值,记为
其中每一个采样时刻的采样数据由电压、电流、温度、功率,即:
所述步骤S2中,确定LSTM人工神经网络的超参数,具体包括:LSTM模块的个数,非线性层的神经元个数,激励函数的形式。
所述步骤S2中,LSTM人工神经网络的输入层和输出层的映射关系为:
ikτ=σg(Wixkτ+Rih(k-1)τ+bi)
fkτ=σg(Wfxkτ+Rfh(k-1)τ+bf)
gkτ=σc(Wgxkτ+Rgh(k-1)τ+bg)
okτ=σg(Woxkτ+Roh(k-1)τ+bo)
激励函数选为
将作为网络的输入,作为LSTM模块的输入,取作为输出,Wi、Wf、Wg、Wo、Ri、Rf、Rg、Ro、bi、bf、bg、bo均为模型中的参变量,其中n为输入参量的个数,N为网络中LSTM模块的个数;ikτfkτgkτokτ为模型中的运算公式。
所述步骤S4中带有一阶动量的最速下降法为SGDM方法,以W表示LSTM 网络中的参数,将参数修正的法则表示为:
其中Jc为雅可比矩阵,μ为正常数,I为单位矩阵,e为网络输出样本数据之间的误差。
所述步骤S5中的当检测指标符合时,具体为检测指标:
其中,mi:输入神经网络的测试集序列的长度;mt:选取用来作为测试集的样本个数;Jt:检测的性能指标,下表t为target的含义;训练好的LSTM 神经网络,在采用第i个子集的输入样本时,得到的网络输出;数据集中,第i个子集的输出样本在kτ的值;ε:工程师设定的指标,表征网络输出,和采样数据的接近程度,ε越小,表示对性能要求越高。
所述步骤S7中,还包括:将实时获取的梯次电池的测试数据更新数据集X,并根据更新后的数据集,重新修正LSTM人工神经网络的参数。
由上述对本发明的描述可知,与现有技术相比,本发明具有如下有益效果:
一方面,本发明从描述电池动态的数学模型的结构入手,选取LSTM网络作为建模的工具,去更精确地估计电池的SOC状态。另一方面,本发明在考虑模型复杂性的同时,考虑了电池动态模型参数辨识的可行性和有效性,通过设计LSTM 网络的长度,使得网络参数修正时更多地学习到系统的噪声,间接抵消了噪声带来的干扰;同时,本发明的在线参数修正机制,通过保持数据的分布规律,在线参数修正的过程中,最大限度保证了电池模型中参数的有效性。
附图说明
图1为LSTM人工神经网络模型;
图2为LSTM模块的结构图。
具体实施方式
以下通过具体实施方式对本发明作进一步的描述。
步骤S1:离线收集梯次电池的数据集,通过离线数据训练LSTM人工神经网络参数,离线采集电池的电压、电流、温度、功率随时间变化的数据,形成原始数据集X。
采用离线的方法,预先采集电池的运行轨迹数据,其目的在于,通过离线采集数据,使得数据满足独立、均匀分布的假设,为后续找到神经网络的最优值做准备;
电池的原始数据集可通过电池测试仪采集得到。其采集过程为:
步骤S11.在电池测试仪中设定充放电截止SOC,该容量可以随机选取(但应保证电池不会过充过放);
步骤S12.开始采样,以1min的采样时间采集电池的电压、电流、温度、功率和仪器的温度的数据;
步骤S13.电池充放电达到SOC设定值,完成一次数据采集;
步骤S14.重复前面三步,得到多组数据。由步骤1中可得到:数据集 X={X(1),X(2),…,X(M)},其中M为数据的总组数,其中第i组数据的包含从开始采集时到结束采集时的1Hz采样数据和SOC推算值,记为
其中每一个采样时刻的采样数据由电压、电流、温度、功率,即:
步骤2:确定LSTM人工神经网络模型的超参数。包括LSTM模块的个数,非线性层的神经元个数,及其激励函数的形式等,如图1为LSTM人工神经网络模型;LSTM模块的结构如下图2所示:其中;
ct-1和ht-1是源自于上一个LSTM模块的输入,ct和ht是源自于当前LSTM模块的输出,也作为下一个神经网络的输入。图中的圆圈,表示一个“门”,所谓的“门”,就是某一种运算,其中运算的公式,就是表示输入层和输出层的映射关系,ikτfkτgkτokτ为模型中的运算公式,如fkτ表示圈圈f的运算公式;
其中输入层和输出层的映射关系为:
ikτ=σg(Wixkτ+Rih(k-1)τ+bi)
fkτ=σg(Wfxkτ+Rfh(k-1)τ+bf)
gkτ=σc(Wgxkτ+Rgh(k-1)τ+bg)
okτ=σg(Woxkτ+Roh(k-1)τ+bo)
当然,每一个运算公式,里面的变量,分两部分,一部分是自变量,一部分是参变量自变量,xkτ、h(k-1)τ为自变量,是从输入样本或者上一个LSTM模块的输出传递过来的参变量:Wi、Wf、Wg、Wo、Ri、Rf、Rg、Ro、bi、bf、bg、bo均为模型中的参变量,是要通过数据,训练得到的;将作为网络的输入,作为LSTM模块的输入,取作为输出,其中n为输入参量的个数,N为网络中LSTM模块的个数;在实施例中,选取n=30,N=150;激励函数选为
步骤S3:将原始数据集X分成训练子集X1,验证子集X2,测试子集X3。其中,训练子集用于修正LSTM人工神经网络参数,验证子集用于在训练过程中,实时地检测损失函数是否单调递减,若损失函数增加,则本次训练停止,进入下一次训练。测试子集X3用于验证训练好的网络参数是否满足工程精度要求。
步骤S4:根据X1、X2和带有一阶动量的最速下降法,反复修正LSTM人工神经网络的参数。在本发明中,采用带有一阶动量的最速下降法(SGDM方法)。以W表示LSTM网络中的参数,将参数修正的法则一般性地表示为
其中Jc为雅可比矩阵,μ为正常数,I为单位矩阵,e为网络输出样本数据之间的误差。
mi:输入神经网络的测试集序列的长度;mt:选取用来作为测试集的样本个数;Jt:检测的性能指标,下表t为target的含义;训练好的LSTM神经网络,在采用第i个子集的输入样本时,得到的网络输出;数据集中,第i 个子集的输出样本在kτ的值;ε:工程师设定的指标,表征网络输出,和采样数据的接近程度,ε越小,表示对性能要求越高。
步骤S6:将BenchMark参数集合植入电池能量管理系统的储存器当中;
Benchmark参数由独立、均匀分布的离线数据得到,作为基准参数;在数据满足独立分布的前提下,得到的LSTM网络参数遍布所有状态下的估计。
步骤S7:获取梯次电池的测试数据,将数据输入步骤S1中训练好的LSTM人工神经网络中,并不断测试在线数据,对网络参数进行实时修正。
运行电池,并实时测量电池的电压、电流、环境温度,并将这些参数输入到LSTM人工神经网络当中,得到电池SOC的新估计与预测。在电池的运行过程中,将实时测量的数据更新到数据缓冲区中。当将数据缓冲区的数据加入数据集,并且丢弃距离当前时刻最远时间的相同数量数据时,数据集的分布仍满足独立、均匀的假设时,更新数据集X,保持数据集X的容量为一常值,并根据更新后的数据集,重新修正LSTM人工神经网络的参数,保证在线修正的参数的有效性与Benchmark参数一致。
上述仅为本发明的具体实施方式,但本发明的设计构思并不局限于此,凡利用此构思对本发明进行非实质性的改动,均应属于侵犯本发明保护范围的行为。
Claims (8)
1.一种数据驱动的梯次电池SOC预测方法,其特征在于,具体步骤如下:
步骤S1:离线采集梯次电池的物理参数,形成梯次电池的原始数据集X;
步骤S2:确定LSTM人工神经网络的超参数;
步骤S3:将原始数据集X分成训练子集X1,验证子集X2,测试子集X3,训练子集用于修正LSTM人工神经网络参数,验证子集用于在训练过程中,实时检测损失函数是否单调递减,若损失函数增加,则本次训练停止,进入下一次训练,测试子集X3用于验证训练好的网络参数是否满足工程精度要求;
步骤S4:根据训练子集X1、验证子集X2和带有一阶动量的最速下降法,反复修正LSTM人工神经网络的参数;
步骤S5:运用测试子集X3,验证LSTM人工神经网络的逼近效果,设定要求的逼近精度ε,当检测指标符合时,进入步骤6;否则,转回步骤2。
步骤S6:将BenchMark参数集合植入电池能量管理系统的储存器当中;
步骤S7:获取梯次电池的测试数据,将所述测试数据输入步骤S1中训练好的LSTM人工神经网络中,得到梯次电池SOC的预测。
2.根据权利要求1所述的一种数据驱动的梯次电池SOC预测方法,其特征在于,所述步骤S1中,梯次电池的物理参数包括梯次电池的电压、电流、温度、功率。
4.根据权利要求1所述的一种数据驱动的梯次电池SOC预测方法,其特征在于,所述步骤S2中,确定LSTM人工神经网络的超参数,具体包括:LSTM模块的个数,非线性层的神经元个数,激励函数的形式。
5.根据权利要求4所述的一种数据驱动的梯次电池SOC预测方法,其特征在于,所述步骤S2中,LSTM人工神经网络的输入层和输出层的映射关系为:
ikτ=σg(Wixkτ+Rih(k-1)τ+bi)
fkτ=σg(Wfxkτ+Rfh(k-1)τ+bf)
gkτ=σc(Wgxkτ+Rgh(k-1)τ+bg)
okτ=σg(Woxkτ+Roh(k-1)τ+bo)
激励函数选为
8.根据权利要求1所述的一种数据驱动的梯次电池SOC预测方法,其特征在于,所述步骤S7中,还包括:将实时获取的梯次电池的测试数据更新数据集X,并根据更新后的数据集,重新修正LSTM人工神经网络的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010387134.9A CN111537888A (zh) | 2020-05-09 | 2020-05-09 | 一种数据驱动的梯次电池soc预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010387134.9A CN111537888A (zh) | 2020-05-09 | 2020-05-09 | 一种数据驱动的梯次电池soc预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111537888A true CN111537888A (zh) | 2020-08-14 |
Family
ID=71977614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010387134.9A Pending CN111537888A (zh) | 2020-05-09 | 2020-05-09 | 一种数据驱动的梯次电池soc预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111537888A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112415408A (zh) * | 2020-11-10 | 2021-02-26 | 南昌济铃新能源科技有限责任公司 | 一种动力电池soc估算方法 |
CN112946487A (zh) * | 2021-05-17 | 2021-06-11 | 杭州华塑科技股份有限公司 | 一种参数辨识方法、装置、存储介质及计算机设备 |
CN113589177A (zh) * | 2021-06-29 | 2021-11-02 | 广东工业大学 | 一种车载动力电池soc估计方法 |
CN113820608A (zh) * | 2021-08-20 | 2021-12-21 | 北京邮电大学 | 梯次电池剩余容量的预测方法和电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107436411A (zh) * | 2017-07-28 | 2017-12-05 | 南京航空航天大学 | 基于分数阶神经网络和双容积卡尔曼的电池soh在线估计方法 |
CN108170529A (zh) * | 2017-12-26 | 2018-06-15 | 北京工业大学 | 一种基于长短期记忆网络的云数据中心负载预测方法 |
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 |
CN109143105A (zh) * | 2018-09-05 | 2019-01-04 | 上海海事大学 | 一种电动汽车锂离子电池的荷电状态计算方法 |
CN109343505A (zh) * | 2018-09-19 | 2019-02-15 | 太原科技大学 | 基于长短期记忆网络的齿轮剩余寿命预测方法 |
CN109583571A (zh) * | 2018-12-05 | 2019-04-05 | 南京工业大学 | 一种基于lstm网络的移动机器人软地面通过性预测方法 |
CN110658459A (zh) * | 2019-09-12 | 2020-01-07 | 北京航空航天大学 | 基于双向循环神经网络的锂离子电池荷电状态估计方法 |
-
2020
- 2020-05-09 CN CN202010387134.9A patent/CN111537888A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107436411A (zh) * | 2017-07-28 | 2017-12-05 | 南京航空航天大学 | 基于分数阶神经网络和双容积卡尔曼的电池soh在线估计方法 |
CN108170529A (zh) * | 2017-12-26 | 2018-06-15 | 北京工业大学 | 一种基于长短期记忆网络的云数据中心负载预测方法 |
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 |
CN109143105A (zh) * | 2018-09-05 | 2019-01-04 | 上海海事大学 | 一种电动汽车锂离子电池的荷电状态计算方法 |
CN109343505A (zh) * | 2018-09-19 | 2019-02-15 | 太原科技大学 | 基于长短期记忆网络的齿轮剩余寿命预测方法 |
CN109583571A (zh) * | 2018-12-05 | 2019-04-05 | 南京工业大学 | 一种基于lstm网络的移动机器人软地面通过性预测方法 |
CN110658459A (zh) * | 2019-09-12 | 2020-01-07 | 北京航空航天大学 | 基于双向循环神经网络的锂离子电池荷电状态估计方法 |
Non-Patent Citations (2)
Title |
---|
国防工业出版社: "《北斗/微惯导组合导航方法研究》", 31 October 2015 * |
明彤彤: "基于LSTM神经网络的锂离子电池荷电状态估算", 《广东电力》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112415408A (zh) * | 2020-11-10 | 2021-02-26 | 南昌济铃新能源科技有限责任公司 | 一种动力电池soc估算方法 |
CN112946487A (zh) * | 2021-05-17 | 2021-06-11 | 杭州华塑科技股份有限公司 | 一种参数辨识方法、装置、存储介质及计算机设备 |
CN112946487B (zh) * | 2021-05-17 | 2021-08-03 | 杭州华塑科技股份有限公司 | 一种参数辨识方法、装置、存储介质及计算机设备 |
CN113589177A (zh) * | 2021-06-29 | 2021-11-02 | 广东工业大学 | 一种车载动力电池soc估计方法 |
CN113820608A (zh) * | 2021-08-20 | 2021-12-21 | 北京邮电大学 | 梯次电池剩余容量的预测方法和电子设备 |
CN113820608B (zh) * | 2021-08-20 | 2022-08-05 | 北京邮电大学 | 梯次电池剩余容量的预测方法和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shu et al. | Stage of charge estimation of lithium-ion battery packs based on improved cubature Kalman filter with long short-term memory model | |
CN111537888A (zh) | 一种数据驱动的梯次电池soc预测方法 | |
CN114114049B (zh) | 一种基于样本迁移的锂离子电池寿命预测方法 | |
CN112906299B (zh) | 城轨供电系统的数字孪生仿真的数据计算方法、系统 | |
Feng et al. | SOH and RUL prediction of Li-ion batteries based on improved Gaussian process regression | |
CN109001640B (zh) | 一种动力电池的数据处理方法和装置 | |
CN111190111B (zh) | 电化学储能电池荷电状态估算方法、装置及系统 | |
CN104569844B (zh) | 阀控密封式铅酸蓄电池健康状态监测方法 | |
Mamo et al. | Long short-term memory with attention mechanism for state of charge estimation of lithium-ion batteries | |
CN110658459B (zh) | 基于双向循环神经网络的锂离子电池荷电状态估计方法 | |
CN109752656A (zh) | 一种在多时间尺度下用电动汽车电池soh评估方法 | |
CN113655385B (zh) | 锂电池soc估计方法、装置及计算机可读存储介质 | |
KR102246633B1 (ko) | 하이브리드 varma 및 lstm을 이용한 배터리의 출력 전압 응답 및 충전 상태 예측 최적화 방법 | |
Huang et al. | A comprehensively optimized lithium-ion battery state-of-health estimator based on Local Coulomb Counting Curve | |
CN111983457A (zh) | 一种基于lstm神经网络的电池组soh估算方法 | |
CN112630659A (zh) | 一种基于改进bp-ekf算法的锂电池soc估算方法 | |
CN110658462A (zh) | 一种基于数据融合与arima模型的锂电池在线寿命预测方法 | |
CN117054892B (zh) | 一种储能电站电池健康状态的评估方法、装置及管理方法 | |
CN112782594B (zh) | 考虑内阻的数据驱动算法估算锂电池soc的方法 | |
US20230305073A1 (en) | Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern | |
CN116794547A (zh) | 一种基于afsa-gru的锂离子电池剩余使用寿命预测方法 | |
Wang et al. | A novel capacity estimation method for li-ion battery cell by applying ensemble learning to extremely sparse significant points | |
Chu et al. | Parameter identification and SOC estimation of lithium-ion batteries based on AGCOA-ASRCKF | |
CN117471320A (zh) | 基于充电片段的电池健康状态估计方法及系统 | |
CN111537889B (zh) | 一种数据驱动的梯次电池rul预测与分类方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200814 |