CN111709186A - 一种退役动力锂电池健康状态的集成估计方法 - Google Patents
一种退役动力锂电池健康状态的集成估计方法 Download PDFInfo
- Publication number
- CN111709186A CN111709186A CN202010549288.3A CN202010549288A CN111709186A CN 111709186 A CN111709186 A CN 111709186A CN 202010549288 A CN202010549288 A CN 202010549288A CN 111709186 A CN111709186 A CN 111709186A
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- vector
- representing
- weak
- power lithium
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Physiology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Genetics & Genomics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Battery Electrode And Active Subsutance (AREA)
Abstract
本发明提供了一种退役动力锂电池健康状态的集成估计方法,首先,从所施加的组合电流脉冲测试中获得用于健康状态估计的老化特征;其次,利用多目标优化方法,从老化特征数目及估计的精度两个方面对弱学习器的建立方法进行优化,在此基础上,使用基于帕累托面分布特征的选择方法,以进一步精简弱学习器的数量,同时保持各弱学习器的精度,提高集成估计的整体效率,最后,根据优选的弱学习器方案,训练获得各弱学习器,并采用差分进化算法以权重的方式,联合多个弱学习器实现退役动力锂电池荷电状态的集成估计。本发明通过以上设计,能够主动分析数据,自动地实现集成学习方案的优化设计,提高退役动力锂电池健康状态估计的准确性与鲁棒性。
Description
技术领域
本发明属于退役动力锂电池梯次技术领域,涉及一种退役动力锂电池健康状态的集成估计方法。
背景技术
动力锂电池具有能量密度高、自放电率低及无记忆效应等多种优势,已经成为当前新能源汽车中最重要的储能元件。新能源汽车的性能表现,与动力锂电池密切相关,在车辆使用中,锂电池会不可避免地逐渐老化。一般认为容量低于80%时,动力锂电池应进行退役处理。然而,退役电池仍然具备在低速车辆、固定式储能等场合继续应用的潜在价值,退役动力锂电池处于其寿命的中后期,更易带来安全隐患。为此,本发明设计一种用于退役动力锂电池的健康状态集成估计策略,以实现退役动力锂电池健康状态的准确估计。
最直接的电池健康状态估计方法是测量电池当前的内阻与容量。然而,容量测量需要完整的电池充放电过程,并且需要设置合适大小的充放电电流。电池内阻的测量极易受外部接线阻抗、测量方式、传感器精度等因素的影响而出现偏差,新能源车辆使用环境较为恶劣,测量内阻还会受电磁干扰等多种因素的共同影响。因此,车辆实际应用中电池的容量及内阻直接在线测试有一定的难度,为此,在线辨识的方法通过实时计算获得动力锂电池的容量或者内阻。然而,在线辨识算法依赖于预先建立的与电池容量、内阻有关的空间状态方程,对于电池健康状态估计而言,建立与容量相关的方程有一定难度,在线辨识内阻极易受到传感器噪声的影响。
基于以上方法的缺陷,利用大数据的方法来评估动力锂电池的健康状态,具有重要的发展潜力,数据驱动方法对于输入的老化特征没有严格要求,因此,多种老化特征均能够便捷的用于动力锂电池的健康状态估计,同时,人工智能领域发展迅速,也有多种能够用于建立估计器的算法。但是,考虑到实际数据中的噪声等因素,数据驱动方法的泛化性和鲁棒性,仍然有待于提升,集成学习实际应用中在鲁棒性和泛化性上具有一定优势,但是组成集成学习的各弱学习器,需要兼具准确性与多样性。为此,本发明提出一种能够获得具备多样性和准确性的弱学习器初始化策略,以提高集成学习用于动力锂电池健康状态估计的有效性与准确性。
发明内容
针对现有技术中的上述不足,本发明提供的一种退役动力锂电池健康状态的集成估计方法,提高数据驱动方法应用于动力锂电池健康状态估计的泛化性与鲁棒性。
为了达到以上目的,本发明采用的技术方案为:
本方案提供了一种退役动力锂电池健康状态的集成估计方法,包括以下步骤:
S1、获取锂电池的老化特征;
S2、设定锂电池的老化特征数目与锂电池健康状态的估计值,并利用多目标优化算法选取用于建立弱学习器的帕累托面;
S3、利用所述帕累托面的分布特征优选弱学习器的数量;
S4、根据所述优选的弱学习器建立基于支持向量机的弱学习器;
S5、训练各弱学习器,并利用差分进化算法联合多个弱学习器集成估计退役动力锂电池的健康状态。
本发明的有益效果是:本发明经过多目标优化环节,能够有效保证各弱学习器的多样性;同时,利用所设计的基于帕累托面分布特征的优选方法,在保障弱学习器多样性的基础上,进一步精简了整个集成学习的框架,在保证估计准确性的前提下,提高了集成估计的计算效率。因此,本发明能够主动分析数据,自动地实现集成学习方案的优化设计,提高退役动力锂电池健康状态估计的准确性与鲁棒性。
进一步地,所述步骤S1具体为:从电流脉冲测试的电压响应曲线中以及在多个不同的荷电状态SOC处施加不同幅值的电流脉冲组合,获取锂电池的老化特征;
所述锂电池的老化特征包括:电压响应曲线四个拐点的电压值及对角线构成的电压矢量。
上述进一步方案的有益效果是:由于电流脉冲测试的持续时间较短,能够在实际应用中快速便捷的获取动力锂电池的老化特征,同时为增加老化特征的多样性,在多个不同的SOC处,施加不同幅值的电流脉冲组合,以丰富动力锂电池的老化特征。
再进一步地,所述步骤S2包括以下步骤:
S201、利用非支配排序遗传算法随机产生初始化种群;
S202、通过非可支配排序以及通过选择、交叉和变异三个环节产生新的子代;
S203、将父代与新的子代种群合并,并通过非可支配排序以及拥挤度计算得到下一代种群;
S204、根据下一代种群判断是否达到预设的迭代次数,且两次迭代之间锂电池老化特征数目的目标函数与锂电池健康状态估计值的目标函数是否小于阈值,若是,则满足截止条件,建立弱学习器的帕累托面,否则,返回步骤S202。
上述进一步方案的有益效果是:本发明设定特征数目与估计精度为两个目标,采用多目标优化算法,能有效地获得用于建立弱学习器的帕累托面。
再进一步地,所述步骤S204中锂电池老化特征数目的目标函数的表达式如下:
f1=MSE5-fold CV(SVR)
其中,f1表示锂电池老化特征数目的目标函数,MSE5-fold CV表示基于支持向量机的弱学习器经过五重交叉验证后的均方误差,SVR表示支持向量机。
再进一步地,所述步骤S204中锂电池健康状态估计值的目标函数的表达式如下:
f2=NumFeature
其中,f2表示锂电池健康状态估计值的目标函数,NumFeature表示锂电池老化特征数目。
上述进一步方案的有益效果是:本发明通过多目标优化即可根据目标函数,能有效地获得相应的帕累托面。
再进一步地,所述步骤S3包括以下步骤:
S301、利用所述帕累托面的分布特征,定义各向量的起点为坐标原点,终点为非可支配解,并随机选取向量X;
S302、在所有非可支配解中,选取与向量X成最大夹角的向量Y,并将向量Y添加至集合S中;
S303、寻找与集合S呈最大角度的向量s,并将向量s添加至集合S中;
S304、判断集合S中的非可支配解是否大于选取的K个弱学习器的数量,若是,则完成对弱学习器数量的优选,否则,返回步骤S302。
上述进一步方案的有益效果是:使用基于帕累托面分布特征的选择方法,以进一步精简弱学习器的数量,同时保持各弱学习器的精度,提高集成估计的整体效率。
再进一步地,所述步骤S4中具体为:根据所述优选的弱学习器,利用径向基核函数建立基于支持向量机的弱学习器。
再进一步地,所述径向基核函数的表达式如下:
上述进一步方案的有益效果是:径向基核函数能够较好的处理非线性映射问题,同时调整径向基核函数的参数能够等价其他核函数。
再进一步地,所述建立基于支持向量机的弱学习器的表达式如下:
上述进一步方案的有益效果是:建立集成学习所需的弱学习器。
再进一步地,所述获得偏置b和向量权重系数w具体为:通过计算偏置b和向量权重系数w的最小值的约束条件,获得参数b和w;
所述偏置b和向量权重系数w的最小值的表达式如下:
所述约束条件为:
其中,表示偏置b和向量权重系数w的最小值,wT表示参数w的共轭转置,C表示平衡支持向量机泛化性和输出偏差的超参数,ξi和均表示代价函数的松弛变量,yi表示输出值,表示将数据映射到高维空间的函数,xi表示输入的第i个特征向量,∈表示训练许可的误差带。
上述进一步方案的有益效果是:完成支持向量机的系数求解。
再进一步地,所述步骤S5包括以下步骤:
S501、训练各弱学习器;
S502、随机初始化种群以及差分进化算法的参数;
S503、计算得到种群个体的适应度,所述种群个体表示集成各弱学习器所需要的权重系数;
S504、根据所述种群个体的适应度判断是否达到终止条件,若是,则得到退役动力锂电池的健康状态,否则,进入步骤S505;
S505、通过变异、交叉以及选择产生新的子代,并返回步骤S503;
所述变异的表达式如下:
vi,G+1=x3,G+F·(xr1,G-xr2,G)
其中,vi,G+1表示新的变异个体,xr1,G、xr2,G以及x3,G分别表示种群中随机选取的三个个体,F表示突变因子。
上述进一步方案的有益效果是:根据优选的弱学习器方案训练获得各弱学习器,并采用差分进化算法以权重的方式,联合多个弱学习器,实现退役动力锂电池荷电状态的集成估计,其差分进化采用实数编码,能够更便捷地处理集成估计所需要的权重系数。
附图说明
图1为本发明的方法流程图。
图2为本实施例中非支配排序遗传算法NSGA-II的流程图。
图3为本实施例中采用的混合编码的染色体结构示意图。
图4为本实施例中精简弱学习器数量的流程图。
图5为本实施例中差分进化算法的流程图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
实施例
如图1所示,本发明提供了一种退役动力锂电池健康状态的集成估计方法,其实现方法如下:
S1、获取锂电池的老化特征,其具体为:从电流脉冲测试的电压响应曲线中,提取电池的老化特征,用于退役动力锂电池健康状态估计。所提取的老化特征包括:电压响应曲线四个拐点的电压值及对角线构成的电压矢量。在多个不同的荷电状态SOC处施加组合脉冲,组合脉冲包含一系列不同幅值的电流脉冲。
本实施例中,为了能够方便地在电动汽车中应用,本发明从电流脉冲测试中获取动力锂电池的老化特征。电流脉冲测试的持续时间较短,能够在实际应用中快速便捷的获取。本发明采用电流脉冲测试所对应的电压响应曲线的几何特征,包括响应曲线四个顶点的电压值以及由对角线构成的电压矢量等。另外,为增加老化特征的多样性,在多个不同的荷电状态SOC处,施加不同幅值的电流脉冲组合,以丰富动力锂电池的老化特征。本实施例选取的方案为:在SOC=20%、50%、80%,分别施加为0.5C、1C、1.5C和2C的电流脉冲,每个电流脉冲持续20秒。
S2、设定锂电池的老化特征数目与锂电池健康状态的估计值,并利用多目标优化算法选取用于建立弱学习器的帕累托面,如图2所示,其实现方法如下:
S201、利用非支配排序遗传算法随机产生初始化种群;
S202、通过非可支配排序以及通过选择、交叉和变异三个环节产生新的子代;
S203、将父代与新的子代种群合并,并通过非可支配排序以及拥挤度计算得到下一代种群;
S204、根据下一代种群判断是否达到预设的迭代次数,且两次迭代之间锂电池老化特征数目的目标函数与锂电池健康状态估计值的目标函数是否小于阈值,若是,则满足截止条件,建立弱学习器的帕累托面,否则,返回步骤S202。
本实施例中,为实现对集成学习所需弱学习器的有效初始化,本发明将使用多目标优化的方法获得各弱学习器的初始化方案,以最大程度保证各弱学习器的多样性和准确性。对于老化特征的获取,在多个条件下使用电流脉冲组合虽然能够获得较为丰富的动力电池老化特征,但是实际应用数据驱动模型时,依然倾向于选取较少的老化特征,以尽可能地降低老化特征获取的难度。另外,选取过多的老化特征可能会导致“维数灾难”,冗余的特征甚至会降低学习器的精度。鉴于集成学习对各弱学习器的精度也有一定要求,本发明定义了老化特征数目和健康状态估计精度两个待优化目标,具体代价函数如下式(1)和式(2)所示:
f1=MSE5-fold CV(SVR) (1)
f2=NumFeature (2)
式中,f1表示锂电池老化特征数目的目标函数,MSE5-fold CV表示基于支持向量机的弱学习器经过五重交叉验证后的均方误差,SVR表示支持向量机,f2表示锂电池健康状态估计值的目标函数,NumFeature表示锂电池老化特征数目。
本实施例中,通过多目标优化,即可根据目标函数,获得相应的帕累托面。进化类算法能够较好保持种群的多样性,天然地为集成估计中弱学习器的初始化提供了一定先期基础。为此,本发明实施例采用非支配排序遗传算法II(Non-dominated Sorting GeneticAlgorithm II,NSGA-II)来解决多目标优化问题,寻找满足上式所示目标函数的非可支配解。如图2所示,包括:非可支配排序、拥挤度计算、子代选取方法等多个重要环节。首先,将随机产生初始化种群,经过非可支配排序,再通过选择、交叉和变异三个环节产生新的子代;接下来,将父代与子代种群合并,通过非可支配排序、拥挤度计算,选取合适的个体作为下一代种群;算法将持续迭代,直到满足截止条件为止。该算法的截止条件可选取为:算法达到一定的迭代次数;两次迭代之间,目标函数的变化小于某个特定值;目标函数本身已经小于某个预先设定的值。
本实施例中,非可支配排序将种群解依据其非可支配的水平进行分层设计,以降低排序的复杂度,同时更好的指引搜索向着帕累托面最优解的方向进行。首先,找到所有种群中非可支配解的集合,记为第一非支配层F1,并从整体种群中移除F1;然后,继续找出余下种群的非支配解集,记为F2;持续进行分层操作,直至整个种群被全部分层,同一分层内的个体具有相同的非可支配排序。
本实施例中,在完成非可支配排序的基础上,为更好地保留种群的多样性,计算同一层内个体的拥挤距离。个体拥挤距离表明了种群中解的密度,可以通过计算两个相邻解之间的距离来表征。拥挤距离的计算如式(3)所示:
式中,D[i]distance表示第i个解的拥挤距离,D[i]distance.m表示第i个解的第m个目标函数,fm,max和fm,min分别表示第m个目标函数的最大值与最小值。
本实施例中,在选取子代时,先进行非可支配排序,然后进行拥挤度排序,直至种群数目满足特定要求为止。本发明实施例采用混合编码方式,染色体的结构如图3所示,每个染色体的编码包括老化特征的选取以及支持向量机训练过程中超参数C,ε和γ的设定。以这种混合编码的形式,即可实现对老化特征和训练过程中超参数的同步优化。
S3、利用所述帕累托面的分布特征优选弱学习器的数量,如图4所示,其实现方法如下:
S301、利用所述帕累托面的分布特征,定义各向量的起点为坐标原点,终点为非可支配解,并随机选取向量X;
S302、在所有非可支配解中,选取与向量X成最大夹角的向量Y,并将向量Y添加至集合S中;
S303、寻找与集合S呈最大角度的向量s,并将向量s添加至集合S中;
S304、判断集合S中的非可支配解是否大于选取的K个弱学习器的数量,若是,则完成对弱学习器数量的优选,优选结果即为集合S,否则,返回步骤S302。
本实施例中,由于帕累托面仍然会保留较多的非可支配解,本发明在此基础上进一步提出了一种基于帕累托面非可支配解分布特征的选取方法,以精简集成学习中弱学习器的数量,并尽可能保证各弱学习器的多样性。分析帕累托面的分布特征,定义各向量的起点为坐标原点,终点为非可支配解。通过选取矢量间的最大夹角,精简所需的弱分类器,并最大程度保留用于建立弱学习器方案的多样性。
S4、根据所述优选的弱学习器建立基于支持向量机的弱学习器;
本实施例中,本发明采用支持向量机来建立集成学习所需的弱学习器。经过NSGA-II算法的优化及所设计的基于帕累托面的选择过程,支持向量机的输入量为已获得的老化特征,并可根据选取的最优解设定支持向量机训练过程中的超参数。在此基础上,采用如下步骤获得基于支持向量机的弱估计器。
所使用支持向量机的表达式如式(4)所示:
通过求解如式(6)所示的带约束的优化问题,即可获得支持向量机表达式中的偏置b和向量权重系数w:
约束条件为:
S5、训练各弱学习器,并利用差分进化算法联合多个弱学习器集成估计退役动力锂电池的健康状态,如图5所示,其实现方法如下:
S501、训练各弱学习器;
S502、随机初始化种群以及差分进化算法的参数;
S503、计算得到种群个体的适应度,种群个体表示集成各弱学习器所需要的权重系数;
S504、根据所述种群个体的适应度判断是否达到终止条件,若是,则得到退役动力锂电池的健康状态,否则,进入步骤S505;
S505、通过变异、交叉以及选择产生新的子代,并返回步骤S503。
本实施例中,得到全部基于支持向量机的弱学习器后,本发明将采用差分进化联合多个弱学习器,建立所述基于集成学习的动力锂电池健康状态估计方法。选择差分进化的原因是,差分进化采用实数编码,能够更便捷地处理集成估计所需要的权重系数。差分进化算法的具体流程如图5所示,与遗传算法类似,仍然首先随机初始化种群,之后评价种群中个体的适应度,经过变异、交叉和选择产生新的子代。需要说明的是,差分进化利用了从种群中随机选取的两个个体向量差异,与第三个个体结合,产生个体的变异,所用的变异方式如式(8)所示:
vi,G+1=x3,G+F·(xr1,G-xr2,G) (8)
经过以上步骤,即可获得动力锂电池健康状态集成估计框架及相应的权重系数(w1,w2,…,wn),完成对退役动力锂电池健康状态的集成估计。
本发明通过以上设计,能够主动分析数据,自动地实现集成学习方案的优化设计,提高退役动力锂电池健康状态估计的准确性与鲁棒性。
Claims (11)
1.一种退役动力锂电池健康状态的集成估计方法,其特征在于,包括以下步骤:
S1、获取锂电池的老化特征;
S2、设定锂电池的老化特征数目与锂电池健康状态的估计值,并利用多目标优化算法选取用于建立弱学习器的帕累托面;
S3、利用所述帕累托面的分布特征优选弱学习器的数量;
S4、根据所述优选的弱学习器建立基于支持向量机的弱学习器;
S5、训练各弱学习器,并利用差分进化算法联合多个弱学习器集成估计退役动力锂电池的健康状态。
2.根据权利要求1所述的退役动力锂电池健康状态的集成估计方法,其特征在于,所述步骤S1具体为:从电流脉冲测试的电压响应曲线中以及在若干个不同的荷电状态SOC处施加不同幅值的电流脉冲组合,获取锂电池的老化特征;
所述锂电池的老化特征包括:电压响应曲线四个拐点的电压值及对角线构成的电压矢量。
3.根据权利要求1所述的退役动力锂电池健康状态的集成估计方法,其特征在于,所述步骤S2包括以下步骤:
S201、利用非支配排序遗传算法随机产生初始化种群;
S202、通过非可支配排序以及通过选择、交叉和变异三个环节产生新的子代;
S203、将父代与新的子代种群合并,并通过非可支配排序以及拥挤度计算得到下一代种群;
S204、根据下一代种群判断是否达到预设的迭代次数,且两次迭代之间锂电池老化特征数目的目标函数与锂电池健康状态估计值的目标函数是否小于阈值,若是,则满足截止条件,建立弱学习器的帕累托面,否则,返回步骤S202。
4.根据权利要求3所述的退役动力锂电池健康状态的集成估计方法,其特征在于,所述步骤S204中锂电池老化特征数目的目标函数的表达式如下:
f1=MSE5-foldCV(SVR)
其中,f1表示锂电池老化特征数目的目标函数,MSE5-foldCV表示基于支持向量机的弱学习器经过五重交叉验证后的均方误差,SVR表示支持向量机。
5.根据权利要求3所述的退役动力锂电池健康状态的集成估计方法,其特征在于,所述步骤S204中锂电池健康状态估计值的目标函数的表达式如下:
f2=NumFeature
其中,f2表示锂电池健康状态估计值的目标函数,NumFeature表示锂电池老化特征数目。
6.根据权利要求1所述的退役动力锂电池健康状态的集成估计方法,其特征在于,所述步骤S3包括以下步骤:
S301、利用所述帕累托面的分布特征,定义各向量的起点为坐标原点,终点为非可支配解,并随机选取向量X;
S302、在所有非可支配解中,选取与向量X成最大夹角的向量Y,并将向量Y添加至集合S中;
S303、寻找与集合S呈最大角度的向量s,并将向量s添加至集合S中;
S304、判断集合S中的非可支配解是否大于选取的K个弱学习器的数量,若是,则完成对弱学习器数量的优选,否则,返回步骤S302。
7.根据权利要求1所述的退役动力锂电池健康状态的集成估计方法,其特征在于,所述步骤S4中具体为:根据所述优选的弱学习器,利用径向基核函数建立基于支持向量机的弱学习器。
11.根据权利要求1所述的退役动力锂电池健康状态的集成估计方法,其特征在于,所述步骤S5包括以下步骤:
S501、训练各弱学习器;
S502、随机初始化种群以及差分进化算法的参数;
S503、计算得到种群个体的适应度,所述种群个体表示集成各弱学习器所需要的权重系数;
S504、根据所述种群个体的适应度判断是否达到终止条件,若是,则得到退役动力锂电池的健康状态,否则,进入步骤S505;
S505、通过变异、交叉以及选择产生新的子代,并返回步骤S503;
所述变异的表达式如下:
vi,G+1=x3,G+F·(xr1,G-xr2,G)
其中,vi,G+1表示新的变异个体,xr1,G、xr2,G以及x3,G分别表示种群中随机选取的三个个体,F表示突变因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010549288.3A CN111709186B (zh) | 2020-06-16 | 2020-06-16 | 一种退役动力锂电池健康状态的集成估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010549288.3A CN111709186B (zh) | 2020-06-16 | 2020-06-16 | 一种退役动力锂电池健康状态的集成估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111709186A true CN111709186A (zh) | 2020-09-25 |
CN111709186B CN111709186B (zh) | 2023-04-07 |
Family
ID=72540962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010549288.3A Active CN111709186B (zh) | 2020-06-16 | 2020-06-16 | 一种退役动力锂电池健康状态的集成估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709186B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112736953A (zh) * | 2020-12-31 | 2021-04-30 | 中国能源建设集团安徽省电力设计院有限公司 | 一种带有多目标优化的风储系统磷酸铁锂电池组储能容量配置设计方法 |
CN113267733A (zh) * | 2021-04-13 | 2021-08-17 | 西安理工大学 | 基于高斯过程回归的锂电池健康状态估计的自动配置方法 |
CN113283166A (zh) * | 2021-05-21 | 2021-08-20 | 上海电力大学 | 一种退役动力电池剩余价值优化方法 |
CN114065512A (zh) * | 2021-11-16 | 2022-02-18 | 吉林大学 | 一种基于nsga-ii算法的感应式磁力仪线圈参数多目标优化方法 |
CN114264967A (zh) * | 2021-12-14 | 2022-04-01 | 哈尔滨工业大学 | 基于容量损失机理的退役电池余能快速估计方法及系统 |
CN114297904A (zh) * | 2022-03-09 | 2022-04-08 | 四川大学 | 一种基于二次差分温度特征的锂电池健康状态估计方法 |
CN114547405A (zh) * | 2022-02-22 | 2022-05-27 | 吉林大学 | 一种低成本、高准确率的特征选择方法 |
CN114792073A (zh) * | 2022-05-25 | 2022-07-26 | 河北工业大学 | 一种基于支持向量机的超级电容器剩余寿命预测新方法 |
CN116774044A (zh) * | 2023-05-23 | 2023-09-19 | 山东科技大学 | 一种退役锂电池组的健康状态评价方法 |
CN117669781A (zh) * | 2023-12-15 | 2024-03-08 | 梅威斯电气技术(上海)有限公司 | 一种锂电池充电主动均衡的预测控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109784569A (zh) * | 2019-01-23 | 2019-05-21 | 华北电力大学 | 一种区域综合能源系统优化控制方法 |
CN110276159A (zh) * | 2019-07-01 | 2019-09-24 | 北京理工大学 | 一种基于多模型融合的卫星系统多学科优化方法 |
-
2020
- 2020-06-16 CN CN202010549288.3A patent/CN111709186B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109784569A (zh) * | 2019-01-23 | 2019-05-21 | 华北电力大学 | 一种区域综合能源系统优化控制方法 |
CN110276159A (zh) * | 2019-07-01 | 2019-09-24 | 北京理工大学 | 一种基于多模型融合的卫星系统多学科优化方法 |
Non-Patent Citations (1)
Title |
---|
JINHAO MENG ET AL: "Lithium-ion battery state-of-health estimation in electric vehicle using optimized partial charging voltage profiles" * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112736953B (zh) * | 2020-12-31 | 2022-12-02 | 中国能源建设集团安徽省电力设计院有限公司 | 一种带有多目标优化的风储系统储能容量配置设计方法 |
CN112736953A (zh) * | 2020-12-31 | 2021-04-30 | 中国能源建设集团安徽省电力设计院有限公司 | 一种带有多目标优化的风储系统磷酸铁锂电池组储能容量配置设计方法 |
CN113267733A (zh) * | 2021-04-13 | 2021-08-17 | 西安理工大学 | 基于高斯过程回归的锂电池健康状态估计的自动配置方法 |
CN113267733B (zh) * | 2021-04-13 | 2023-11-17 | 西安理工大学 | 基于高斯过程回归的锂电池健康状态估计的自动配置方法 |
CN113283166A (zh) * | 2021-05-21 | 2021-08-20 | 上海电力大学 | 一种退役动力电池剩余价值优化方法 |
CN114065512A (zh) * | 2021-11-16 | 2022-02-18 | 吉林大学 | 一种基于nsga-ii算法的感应式磁力仪线圈参数多目标优化方法 |
CN114264967A (zh) * | 2021-12-14 | 2022-04-01 | 哈尔滨工业大学 | 基于容量损失机理的退役电池余能快速估计方法及系统 |
CN114264967B (zh) * | 2021-12-14 | 2024-05-24 | 哈尔滨工业大学 | 基于容量损失机理的退役电池余能快速估计方法及系统 |
CN114547405A (zh) * | 2022-02-22 | 2022-05-27 | 吉林大学 | 一种低成本、高准确率的特征选择方法 |
CN114297904A (zh) * | 2022-03-09 | 2022-04-08 | 四川大学 | 一种基于二次差分温度特征的锂电池健康状态估计方法 |
CN114792073A (zh) * | 2022-05-25 | 2022-07-26 | 河北工业大学 | 一种基于支持向量机的超级电容器剩余寿命预测新方法 |
CN116774044A (zh) * | 2023-05-23 | 2023-09-19 | 山东科技大学 | 一种退役锂电池组的健康状态评价方法 |
CN116774044B (zh) * | 2023-05-23 | 2024-02-20 | 山东科技大学 | 一种退役锂电池组的健康状态评价方法 |
CN117669781A (zh) * | 2023-12-15 | 2024-03-08 | 梅威斯电气技术(上海)有限公司 | 一种锂电池充电主动均衡的预测控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111709186B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709186B (zh) | 一种退役动力锂电池健康状态的集成估计方法 | |
CN106026260A (zh) | 一种带有均衡电路的串连电池组soc估算方法 | |
CN102569922A (zh) | 一种基于单体电池一致性的蓄电池组soc估计改进方法 | |
Zhang et al. | Intelligent state of charge estimation of battery pack based on particle swarm optimization algorithm improved radical basis function neural network | |
CN113111579B (zh) | 一种自适应天牛须优化神经网络的锂电池等效电路模型参数辨识方法 | |
CN108537337A (zh) | 基于优化深度信念网络的锂离子电池soc预测方法 | |
CN111366848A (zh) | 一种基于pso-elm算法的电池健康状态预测方法 | |
CN105574231A (zh) | 一种蓄电池剩余容量检测方法 | |
CN110007235A (zh) | 一种电动汽车蓄电池soc在线预测方法 | |
CN106570250A (zh) | 面向电力大数据的微电网短期负荷预测方法 | |
CN112834927A (zh) | 锂电池剩余寿命预测方法、系统、设备及介质 | |
Rozaqi et al. | Comparison between RLS-GA and RLS-PSO for Li-ion battery SOC and SOH estimation: a simulation study | |
CN111812519A (zh) | 一种电池参数辨识方法及系统 | |
CN112526354A (zh) | 一种锂电池健康状态估计方法 | |
CN112307667A (zh) | 一种蓄电池的荷电状态估算方法、装置、电子设备及存储介质 | |
CN115219906A (zh) | 基于ga-pso优化的多模型融合电池荷电状态预测方法及系统 | |
Yang et al. | A new self-learning TLBO algorithm for RBF neural modelling of batteries in electric vehicles | |
CN115963407A (zh) | 一种基于icgwo优化elm的锂电池soc估计方法 | |
CN114280490B (zh) | 一种锂离子电池荷电状态估计方法及系统 | |
CN114236410A (zh) | 基于新型生成式对抗神经网络的锂电池soh估计方法 | |
CN113312807A (zh) | 一种基于锂电池性能模拟环境的电解液配方推荐方法 | |
CN117799495A (zh) | 一种锂离子电池荷电状态估算与均衡控制方法 | |
CN112014757A (zh) | 一种容量增量分析与遗传小波神经网络融合的电池soh估计方法 | |
CN116796821A (zh) | 面向3d目标检测算法的高效神经网络架构搜索方法及装置 | |
CN113884936B (zh) | 一种基于issa耦合delm的锂离子电池健康状态预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |