CN111753416A - 一种基于两阶段Wiener过程的锂离子电池RUL预测方法 - Google Patents
一种基于两阶段Wiener过程的锂离子电池RUL预测方法 Download PDFInfo
- Publication number
- CN111753416A CN111753416A CN202010554225.7A CN202010554225A CN111753416A CN 111753416 A CN111753416 A CN 111753416A CN 202010554225 A CN202010554225 A CN 202010554225A CN 111753416 A CN111753416 A CN 111753416A
- Authority
- CN
- China
- Prior art keywords
- lithium ion
- ion battery
- degradation
- stage
- change point
- 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
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 126
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 126
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000005653 Brownian motion process Effects 0.000 title claims abstract description 27
- 238000006731 degradation reaction Methods 0.000 claims abstract description 108
- 230000015556 catabolic process Effects 0.000 claims abstract description 102
- 230000000694 effects Effects 0.000 claims abstract description 8
- 238000012544 monitoring process Methods 0.000 claims description 36
- 238000009792 diffusion process Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000001066 destructive effect Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000013398 bayesian method Methods 0.000 abstract description 3
- 238000007600 charging Methods 0.000 description 5
- 238000007599 discharging Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000007850 degeneration Effects 0.000 description 2
- 241001289753 Graphium sarpedon Species 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 238000010280 constant potential charging Methods 0.000 description 1
- 238000010277 constant-current charging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/13—Differential equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Abstract
本发明涉及一种基于两阶段Wiener过程的锂离子电池RUL预测方法,属于锂离子电池剩余使用寿命预测技术领域,具体包括:1)确定两阶段Wiener过程锂离子电池容量退化模型;2)确定考虑随机效应的两阶段Wiener过程锂离子电池容量退化模型的寿命分布;3)确定带随机漂移的两阶段Wiener过程锂离子电池剩余使用寿命的概率密度函数;4)确定两阶段Wiener过程锂离子电池容量的变点估计表达式;5)确定基于EM算法对两个阶段漂移系数的超参数辨识;6)确定基于Bayesian方法的锂离子电池容量退化模型的参数更新。
Description
技术领域
本发明属于锂离子电池RUL预测技术领域,涉及一种基于两阶段Wiener过程的锂离子电池RUL预测方法。
背景技术
锂离子电池具有高密度能量、长循环寿命、低自放电率、无记忆效应等特点,是目前综合性能最好的电池体系,因而被广泛应用于各个领域。然而,由于锂电池材料本身、环境温度、放电深度以及电池充放电循环次数的增加等因素,电池容量和功率会慢慢衰退,造成系统性能的下降,进而造成系统失效,引发安全事故,造成人员财产损失。对锂离子电池进行 RUL预测,可及时地掌握电池的健康状况和可靠性,提高电池的可用性并减少其后勤保障费用,具有重要意义。
锂离子电池的剩余寿命预测得到了相关领域的广泛关注,在实际系统中,锂离子电池的退化速率并不是单一保持不变的,整体退化呈现出一个两阶段退化现象,其退化转折点称为“变点”。而目前锂离子电池的RUL预测方法主要是针对单阶段退化过程,难以适用于变点问题。因而,如何根据电池的性能退化数据构建含变点的两阶段退化模型与剩余寿命预测是研究的一大难点问题。
发明内容
有鉴于此,本发明的目的在于提供一种基于两阶段Wiener过程的锂离子电池RUL预测方法,考虑了锂离子电池退化过程中出现的变点问题根据Wiener过程模型,建立两阶段 Wiener过程退化模型,考虑到初始状态转变为变化状态的随机性,在首达时间概念下,推导了具有个体差异性的RUL的近似解析解。并采用EM算法和Bayesian方法对模型参数进行辨识,为达到上述目的,本发明提供如下技术方案:
基于两阶段Wiener过程的锂离子电池RUL预测方法,该方法包含如下步骤:
S1:收集的锂离子电池历史退化数据;
S2:根据锂离子电池历史退化数据,对每个锂离子电池进行变点估计;
S3:根据锂离子电池变点估计得到的数据,基于EM算法对超参数进行估计;
S4:收集锂离子电池运行监测数据,确定变点是否出现;
S5:根据锂离子电池运行监测数据更新模型参数;
S6:根据变点估计和超参数估计得到的数据估计锂离子电池RUL;
S7:收集最新退化数据,将其放入退化数据集中;
S8:重复S4至S7,更新模型参数,直至锂离子电池失效为止;
进一步,步骤S1中,收集的锂离子电池历史退化数据包含:
锂离子电池电池在不同时刻测得的性能退化量。
寿命定义为锂离子电池性能退化量首次达到失效阈值w时,则其失效。并假设锂离子电池的各个退化阶段都分别服从具有平稳独立增量的线性Wiener过程。两阶段Wiener过程退化模型可以表示为:
式中:X(t)表示t时刻锂离子电池的退化量;x0为电池初始退化量,常记为0;τ为变点发生时刻;xτ表示变点时刻的退化量X(τ);μ1和μ2分别表示变点前后两个退化阶段的漂移系数;σ1和σ2则表示变点前后的扩散系数;B(t)为标准BM过程。
考虑随机效应条件下,寿命的PDF表达式如下:
(1)第一阶段0<t≤τ:只需要考虑μ1的随机效应,
(2)第二阶段t>τ:需要同时考虑两种随机效应μ2和xτ,故其寿命为双重积分的形式,即:
进一步,步骤S2中,假设对同一批的n个锂离子电池样品进行退化试验,其监测数据的获取没有毁坏性,是完美的,且每个锂离子电池的变点仅在监测采样时刻发生。每个锂离子电池的性能退化量Xi的对数似然函数可表示为:
式中,表示第i个电池样本在测量时刻获得的性能退化量;mi表示第i个电池样本所测量数据的数目;τi表示第i个电池的退化过程中的变点;Δxi,j= xi,j-xi,j-1,i=1,2,...,n,j=1,2,...,mi为第i个电池退化增量;Δt=ti,j-ti,j-1,i= 1,2,...,n,j=1,2,...,mi为监测间隔;和分别表示第一阶段和第二阶段的电池退化数据;μ1,i,σ1,μ2,i,σ2,分别表示第i个锂离子电池的两个阶段的漂移、扩散系数和变点位置。
变点估计所得到两阶段Wiener过程退化模型的最佳漂移系数和扩散系数表达式为:
由上述模型参数估计值表达式可得变点位置:
进一步,步骤S3中,将变点估计过程获得的每个锂离子电池的漂移系数估计值和看作μ1和μ2的观测值,将μ1,i和μ2,i看作隐变量Y,利用EM算法进行超参数估计。锂离子电池容量退化模型两个阶段漂移系数的超参数的第k+1 次的迭代结果θ(k+1)为:
式中: 和分别是两阶段漂移系数μ1和μ2的后验分布;令θ={μ1α,σ1α,σ1,μ2β,σ2β,σ2}表示退化模型参数,由于EM算法的收敛性,通过E-step求条件期望和M-step求最大化的一直迭代,直至满足足够小,则可以得到最终的参数估计值。
进一步,步骤S4中,收集锂离子电池运行监测数据有:
对应测量时间t0:k={t0,t1,…,tk}的退化数据X0:k={x0,x1,…,xk},其中当前测量时间为tk;
进一步,步骤S5中,如果截止当前监测时间,电池性能退化量未出现变点,根据退化数据对第一阶段的退化模型参数进行更新:
如果截止当前监测时间,变点已经出现,根据退化数据对第二阶段的退化模型参数进行更新:
进一步,步骤S6中,若截止当前监测时间,变点已经出现,则锂离子电池RUL的PDF为:
若截止当前监测时间,变点未出现,且在发生变点之前,电池已经发生失效了,则锂离子电池RUL的PDF为:
若截止当前监测时间,变点未出现,且电池在变点发生之后才失效,则锂离子电池RUL 的PDF类似于4.2.2节中式(4.13)、式(4.14)和式(4.15)的结果,这里就不再重复描述了。
进一步,步骤S7中,收集最新退化数据,将其放入退化数据集中;
进一步,步骤S8中,重复步骤S4至步骤S7,更新模型参数,直至锂离子电池失效为止;
本发明的有益效果在于:
1.本发明区别于现有的两阶段RUL方法,考虑了变点处退化量的随机性,为解决变点问题的退化建模与RUL预测提供了更加准确、有效的技术方法。
2.本发明基于Wiener过程,建立了两阶段Wiener过程退化模型;。
3.本发明求出变点处退化量的转移函数,并基于总概率定律和高斯分布属性,推导了其寿命分布的闭环解,并在此基础上考虑了个体差异性的随机效应的影响。
4.本发明求出了基于两阶段winner过程锂离子电池RUL的PDF。
5.本发明利用锂离子电池的历史退化数据和最新监测数据,基于EM算法和Bayesian方法分别对模型未知参数进行变点估计、超参数估计和在线更新。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为本发明流程图;
图3为不同方法的RUL的PDFs。
具体实施方式
下面将结合附图,对本发明的优选实施例进行详细的描述。
本发明的目的是通过这样的技术方案实现的,如图1所示,具体步骤如下:
1)收集的锂离子电池历史退化数据,下接步骤2);
2)以步骤1)所得锂离子电池历史退化数据为已知条件,对每个锂离子电池进行变点估计,从而得到每个锂离子电池变点的估计值、每个锂离子电池两个阶段的扩散系数和漂移系数,下接步骤3);
3)以步骤2)所得每个锂离子电池的变点估计值、每个锂离子电池两个阶段的扩散系数估计值和漂移系数估计值为已知条件,基于EM算法超参数估计得到两阶段漂移系数μ1和μ2的超参数估计值;
4)收集锂离子电池运行监测数据;
5)以步骤4)所得锂离子电池运行监测数据和步骤2)所得锂离子电池变点估计值为已知条件,确定截止当前监测时间,电池性能退化量是否出现变点。若出现变点,下接步骤6)。若未出现变点,下接步骤7);
6)以步骤4)所得锂离子电池运行监测数据为已知条件,对第二阶段的退化模型参数进行更新,下接步骤8);
7)以步骤4)所得锂离子电池运行监测数据为已知条件,对第一阶段的退化模型参数进行更新,下接步骤9);
8)以步骤4)所得锂离子电池运行监测数据和步骤6)所得退化模型参数为已知条件,得到锂离子电池RUL的PDF;
9)以步骤4)所得锂离子电池运行监测数据为已知条件,确定在发生变点之前,电池是否已经发生失效。若发生失效,下接步骤10)。若未发生失效,下接步骤11)。
10)以步骤4)所得锂离子电池运行监测数据和步骤7)所得退化模型参数为已知条件,得到锂离子电池RUL的PDF;
11)以步骤4)所得锂离子电池运行监测数据和步骤7)所得退化模型参数为已知条件,得到锂离子电池RUL的PDF;;
12)收集最新退化数据,将其放入退化数据集中;
13)重复步骤4)至步骤12),更新模型参数,直至锂离子电池失效为止;
本发明的实施过程包括:1)收集的锂离子电池历史退化数据;2)对锂离子电池进行变点估计;3)基于EM算法对两个阶段漂移系数的超参数进行估计;4)确定变点是否出现;5) 根据锂离子电池运行监测数据更新模型参数;6)估计锂离子电池RUL;7)收集最新退化数据,将其放入退化数据集中;8)重复4)至7),更新模型参数,直至锂离子电池失效为止;
(1):收集锂离子电池历史退化数据
本文结合美国马里兰大学CALCE提供的锂离子电池退化数据集进行分析。CALCE数据集是由马里兰大学先进生命周期工程中心提供,本文采用的是其中的CS2型锂离子电池的退化数据。CALCE提供的所有CS2电池均按照标准的恒定电流/恒定电压协议进行相同的充放电过程,具体过程如下:
1)充电过程:以0.5C的恒定电流率对CS2型电池进行充电,直至电压达到4.2V,然后将恒流充电模式转换为恒压充电,直至电池电流下降到0.05A以下;
2)放电过程:以恒流模式对CS2型锂离子电池进行放电,除非特殊说明,一般直至电池的放电电压截止为2.7V。
对所有的CS2型电池进行多次循环上述充放电过程,每次充放电测试得到的退化数据以 excel文件的形式进行存储,对应excel文件以测试日期命名,每个CS2型锂离子电池被随机编号命名,如“CS2_n”表示第n个编号为CS2型的锂离子电池。选取CS2-35,CS2-36,CS2-37 和CS2-38四组退化数据,其都是以1C的恒定电流循环的。其中将CS2-35,CS2-37和CS2-38 的退化数据作为训练集,用于模型参数估计;再将CS2-36的退化数据作为测试集,用于更新模型参数和RUL预测。
(2):对锂离子电池进行变点估计
(3):基于EM算法对两个阶段漂移系数的超参数进行估计
根据EM算法的θ={μ1α,σ1α,σ1,μ2β,σ2β,σ2}估计过程,随机给定50组不同的θ初始值θ(0),迭代至相邻两次参数估计误差为10-8为止,其参数迭代结果如图2所示。其中,黑色曲线表示不同初值,红、蓝、绿线在图2(a)中分别表示在图2(b) 中依次表示
从图2的迭代结果可以看出:不同参数初始值通过EM算法迭代,都能使其对应参数稳定到固定值,即这稳定固定值就是模型参数的最终估计值记录在表1中。表1中与与与两两之间存在明显差异性,这也体现了锂离子电池退化过程的两阶段特性。
表1锂离子电池两个阶段的参数估计值
(4):确定变点是否出现
(5):根据锂离子电池运行监测数据更新模型参数
接下来将CS2-36锂离子电池作为测试数据,对模型参数进行更新,再将估计更新后的参数代入对数似然函数式中
(6):估计锂离子电池RUL
根据剩余寿命表示方法,利用更新后的模型参数估计值对锂离子电池进行RUL预测。
选取额定容量的45%作为其失效阈值。在首达时间概念下,计算CS2-36电池退化数据首次大于或等于失效阈值的时间,即其寿命T=772次循环周期。为了验证考虑变点锂离子电池 RUL预测方法的有效性和优越性,将本方法的预测结果与单阶段模型方法和现有两阶段方法进行比较。图3是三种预测方法在第1次、200次、400次以及600次循环处的RUL的PDFs 曲线,由于发生变点时刻为第679次循环,故以上监测时刻锂离子电池退化未发生变点,情况更加复杂。从图3可以看出,蓝色三角形与红色圆圈相离很近,表明本方法能有效预测锂离子电池的RUL。
(7):收集最新退化数据,将其放入退化数据集中
(8):重复4)至7),更新模型参数,直至锂离子电池失效为止;
最后说明的是,以上优选实施例仅用以说明发明的技术方案而非限制,尽管通过上述优选实施例已经对本发明进行了详细的描述,但本领域技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离本发明权利要求书所限定的范围。
Claims (7)
1.一种基于两阶段Wiener过程的锂离子电池RUL预测方法,其特征在于:该方法包含如下步骤:
S1:收集锂离子电池历史退化数据,并建立两阶段winner过程锂离子电池容量退化模型,得到寿命的概率密度表达式表达式;
S2:根据锂离子电池历史退化数据,对每个锂离子电池进行变点估计;
S3:根据锂离子电池变点估计得到的数据,基于EM算法对锂离子电池容量退化模型两个阶段漂移系数的超参数进行估计;
S4:收集锂离子电池运行监测数据,根据锂离子电池变点估计得到的数据和锂离子电池运行监测数据,确定变点是否出现;
S5:根据锂离子电池运行监测数据更新模型参数;
S6:根据变点估计和超参数估计得到的数据估计锂离子电池剩余使用寿命;
S7:收集最新退化数据,将其放入退化数据集中;
S8:重复S4至S7,更新模型参数,直至锂离子电池失效为止。
2.根据权利要求1所述的一种基于两阶段Wiener过程的锂离子电池RUL预测方法,其特征在于:所述步骤S1中,收集的锂离子电池历史退化数据包含:
锂离子电池电池在不同时刻测得的性能退化量;
寿命定义为锂离子电池性能退化量首次达到失效阈值w时,则其失效;并假设锂离子电池的各个退化阶段都分别服从具有平稳独立增量的线性Wiener过程;两阶段Wiener过程退化模型表示为:
式中:X(t)表示t时刻锂离子电池的退化量;x0为电池初始退化量,常记为0;τ为变点发生时刻;xτ表示变点时刻的退化量X(τ);μ1和μ2分别表示变点前后两个退化阶段的漂移系数;σ1和σ2则表示变点前后的扩散系数;B(t)为标准BM过程;
实际中不同的锂离子电池在退化过程中两个阶段的退化速率是存在个体差异性的;考虑这种随机效应条件下,寿命的PDF表达式如下:
(1)第一阶段0<t≤τ:只需要考虑μ1的随机效应,
(2)第二阶段t>τ:需要同时考虑两种随机效应μ2和xτ,故其寿命为双重积分的形式,即:
3.根据权利要求2所述的一种基于两阶段Wiener过程的锂离子电池RUL预测方法,其特征在于:所述步骤S2中,假设对同一批的n个锂离子电池样品进行退化试验,其监测数据的获取没有毁坏性,是完美的,且每个锂离子电池的变点仅在监测采样时刻发生;每个锂离子电池的性能退化量Xi的对数似然函数表示为:
式中,表示第i个电池样本在测量时刻获得的性能退化量;mi表示第i个电池样本所测量数据的数目;τi表示第i个电池的退化过程中的变点;Δxi,j=xi,j-xi,j-1,i=1,2,...,n,j=1,2,...,mi为第i个电池退化增量;Δt=ti,j-ti,j-1,i=1,2,...,n,j=1,2,...,mi为监测间隔; 和分别表示第一阶段和第二阶段的电池退化数据;μ1,i,σ1,μ2,i,σ2,分别表示第i个锂离子电池的两个阶段的漂移、扩散系数和变点位置;
变点估计所得到两阶段Wiener过程退化模型的最佳漂移系数和扩散系数表达式为:
由上述模型参数估计值表达式得变点位置:
5.根据权利要求4所述的一种基于两阶段Wiener过程的锂离子电池RUL预测方法,其特征在于:所述步骤S4中,收集锂离子电池运行监测数据有:
对应测量时间t0:k={t0,t1,…,tk}的退化数据X0:k={x0,x1,…,xk},其中当前测量时间为tk。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010554225.7A CN111753416A (zh) | 2020-06-17 | 2020-06-17 | 一种基于两阶段Wiener过程的锂离子电池RUL预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010554225.7A CN111753416A (zh) | 2020-06-17 | 2020-06-17 | 一种基于两阶段Wiener过程的锂离子电池RUL预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111753416A true CN111753416A (zh) | 2020-10-09 |
Family
ID=72675481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010554225.7A Pending CN111753416A (zh) | 2020-06-17 | 2020-06-17 | 一种基于两阶段Wiener过程的锂离子电池RUL预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111753416A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112068003A (zh) * | 2020-11-16 | 2020-12-11 | 中南大学 | 基于线性维纳过程的镉镍蓄电池寿命预测方法和装置 |
CN112487646A (zh) * | 2020-12-01 | 2021-03-12 | 北京航空航天大学 | 基于关联同步时间序列信号变点检测的寿命预测方法 |
CN112949060A (zh) * | 2021-03-01 | 2021-06-11 | 中国人民解放军火箭军工程大学 | 一种时变温度下的锂电池健康状态估计与剩余寿命预测方法 |
CN113221382A (zh) * | 2021-06-01 | 2021-08-06 | 中国科学院自动化研究所 | 一种工业设备剩余寿命预测方法、系统及设备 |
CN113515846A (zh) * | 2021-05-11 | 2021-10-19 | 哈尔滨工业大学 | 基于转折点维纳过程退化模型的电动转台rul预测方法 |
CN114091790A (zh) * | 2022-01-20 | 2022-02-25 | 浙江大学 | 一种融合现场数据和两阶段加速退化数据的寿命预测方法 |
CN115327425A (zh) * | 2022-10-14 | 2022-11-11 | 中国华能集团清洁能源技术研究院有限公司 | 基于统计的锂电池储能电站的多级异常检测方法及系统 |
CN116227366A (zh) * | 2023-05-08 | 2023-06-06 | 浙江大学 | 两阶段电机绝缘寿命预测方法 |
EP4246162A1 (en) | 2022-03-18 | 2023-09-20 | ABB Schweiz AG | Method of estimation of battery degradation |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480440A (zh) * | 2017-08-04 | 2017-12-15 | 山东科技大学 | 一种基于两阶段随机退化建模的剩余寿命预测方法 |
CN111046564A (zh) * | 2019-12-16 | 2020-04-21 | 重庆大学 | 两阶段退化产品的剩余寿命预测方法 |
-
2020
- 2020-06-17 CN CN202010554225.7A patent/CN111753416A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480440A (zh) * | 2017-08-04 | 2017-12-15 | 山东科技大学 | 一种基于两阶段随机退化建模的剩余寿命预测方法 |
CN111046564A (zh) * | 2019-12-16 | 2020-04-21 | 重庆大学 | 两阶段退化产品的剩余寿命预测方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112068003A (zh) * | 2020-11-16 | 2020-12-11 | 中南大学 | 基于线性维纳过程的镉镍蓄电池寿命预测方法和装置 |
CN112487646A (zh) * | 2020-12-01 | 2021-03-12 | 北京航空航天大学 | 基于关联同步时间序列信号变点检测的寿命预测方法 |
CN112949060A (zh) * | 2021-03-01 | 2021-06-11 | 中国人民解放军火箭军工程大学 | 一种时变温度下的锂电池健康状态估计与剩余寿命预测方法 |
CN113515846A (zh) * | 2021-05-11 | 2021-10-19 | 哈尔滨工业大学 | 基于转折点维纳过程退化模型的电动转台rul预测方法 |
CN113221382A (zh) * | 2021-06-01 | 2021-08-06 | 中国科学院自动化研究所 | 一种工业设备剩余寿命预测方法、系统及设备 |
CN114091790A (zh) * | 2022-01-20 | 2022-02-25 | 浙江大学 | 一种融合现场数据和两阶段加速退化数据的寿命预测方法 |
EP4246162A1 (en) | 2022-03-18 | 2023-09-20 | ABB Schweiz AG | Method of estimation of battery degradation |
CN115327425A (zh) * | 2022-10-14 | 2022-11-11 | 中国华能集团清洁能源技术研究院有限公司 | 基于统计的锂电池储能电站的多级异常检测方法及系统 |
CN115327425B (zh) * | 2022-10-14 | 2023-02-03 | 中国华能集团清洁能源技术研究院有限公司 | 基于统计的锂电池储能电站的多级异常检测方法及系统 |
CN116227366A (zh) * | 2023-05-08 | 2023-06-06 | 浙江大学 | 两阶段电机绝缘寿命预测方法 |
CN116227366B (zh) * | 2023-05-08 | 2023-08-11 | 浙江大学 | 两阶段电机绝缘寿命预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111753416A (zh) | 一种基于两阶段Wiener过程的锂离子电池RUL预测方法 | |
Tian et al. | A review of the state of health for lithium-ion batteries: Research status and suggestions | |
CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
US10371757B2 (en) | Post-deterioration performance estimating apparatus and post-deterioration performance estimating method for energy storage device, and energy storage system | |
JP7095110B2 (ja) | バッテリ状態推定方法 | |
CN110596593A (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 | |
CN105093122A (zh) | 基于强跟踪自适应sqkf的应急灯电池soc估计方法 | |
CN113702843B (zh) | 一种基于郊狼优化算法的锂电池参数辨识与soc估计方法 | |
CN111428433B (zh) | 基于混合滤波的锂离子电池状态计算方法 | |
Li et al. | State-of-health rapid estimation for lithium-ion battery based on an interpretable stacking ensemble model with short-term voltage profiles | |
CN113075554A (zh) | 一种基于运行数据的锂离子电池组不一致性辨识方法 | |
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 | |
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 | |
CN112989690A (zh) | 一种混合动力汽车锂电池多时间尺度荷电状态估计方法 | |
Liu et al. | Online health prognosis for lithium-ion batteries under dynamic discharge conditions over wide temperature range | |
CN113484771A (zh) | 一种锂离子电池宽温度全寿命soc及容量估计的方法 | |
CN114970332A (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 | |
CN110687462B (zh) | 一种动力电池soc与容量全生命周期联合估计方法 | |
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 | |
Lin et al. | Estimating the state of health of lithium-ion batteries based on a probability density function | |
CN114755582A (zh) | 一种环境温度不同时锂离子电池健康状态预估方法 | |
CN113820615A (zh) | 一种电池健康度检测方法与装置 | |
CN117074955A (zh) | 一种基于云-端修正ocv的锂电池状态联合估计方法 | |
CN115308611B (zh) | 考虑温度补偿的锂离子电池剩余寿命预测方法 | |
CN116774045A (zh) | 一种基于hho-svr的锂电池健康状态预测方法 |
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 |