CN111812515A - 基于XGboost模型的锂离子电池荷电状态估算 - Google Patents
基于XGboost模型的锂离子电池荷电状态估算 Download PDFInfo
- Publication number
- CN111812515A CN111812515A CN202010689444.6A CN202010689444A CN111812515A CN 111812515 A CN111812515 A CN 111812515A CN 202010689444 A CN202010689444 A CN 202010689444A CN 111812515 A CN111812515 A CN 111812515A
- Authority
- CN
- China
- Prior art keywords
- lithium ion
- data set
- ion battery
- xgboost model
- training
- 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 88
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 88
- 238000012549 training Methods 0.000 claims abstract description 67
- 238000012360 testing method Methods 0.000 claims abstract description 27
- 230000006870 function Effects 0.000 claims description 47
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000000034 method Methods 0.000 description 32
- 230000032683 aging Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000003487 electrochemical reaction Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及锂离子电池预测领域,是基于XGboost模型的锂离子电池荷电状态估算,包括以下步骤:将锂离子电池放电的数据划分为训练数据集和测试数据集,将训练数据集数据集中的电压、电流、温度作为特征输入XGBoost模型;设置XGBoost模型的参数;利用XGBoost模型对训练数据集进行训练;判定训练数据集的预测SOC与训练数据集真实的SOC误差,若误差最小,设置的XGBoost模型参数为最优参数;并将测试数据集中的电压、电流、温度作为特征输入XGBoost模型,利用得到XGBoost模型的最优参数对测试数据集进行预测,获得测试数据的预测SOC;提高估算精度和鲁棒性。
Description
技术领域
本发明涉及到锂离子电池预测领域,更具体的说,是涉及基于XGboost模型的锂离子电池荷电状态估算。
背景技术
锂离子电池具有高效率,长寿命,大容量,无记忆效应,环境友好性而被广泛应用于新能源电动汽车上。不仅如此,锂离子电池还被广泛应用于手机、各种便携式信息处理终端等高科技产品中,然而锂离子电池的使用寿命和锂离子电池的使用、推广密切相关。荷电状态(SOC)是锂离子电池的一个至关重要的指标,它表示当前状态下电池的剩余电量。高精度锂离子电池的SOC估算,可避免电池过充电,过放电和过热,从而延长电池的使用寿命,但是锂离子电池的充放电过程是一个极其复杂的电化学反应过程,具有非线性和时变性且对温度和老化极度敏感。因此,锂离子电池的SOC精确而又稳健地估算显得异常困难。
针对上述问题,目前对锂离子电池的SOC估算有库仑计数法,开路电压法,卡尔曼滤波法,内阻法等。库仑计数法是一种原始的方法,具有简单、可靠的优点,但是该方法比较依赖初始的荷电状态,容易忽略充放电过程中电池内部的温度、内阻等因素的变化,存在初始误差和累积误差效应。开路电压法估算结果精确且易于操作,但是该方法必须要求电池停止工作几个小时甚至几十个小时,不易于在线估计SOC。卡尔曼滤波法已广泛应用于SOC的估算,但是由于充放电过程中温度的变化和电池系统的高度非线性,导致其估算结果不理想。内阻法由于电池内阻不易测量,导致无法建立内阻与SOC之间的关系,所以没有普及应用。
发明内容
本发明需要解决的技术问题是提供一种基于XGBoost(eXtreme GradientBoosting)模型的锂离子电池荷电状态预测方法,既解决了预测过程中锂离子电池的非线性和时变性且对温度和老化极度敏感等问题,也解决了预测精度低等问题,相对于上述方法,XGBoost在目标函数的每轮迭代中都加入了正则项,从而控制模型的复杂度,防止过拟合。XGBoost对目标函数进行了二阶泰勒展开,可以支持自定义代价函数;XGBoost对每个特征进行分块(block)并排序,使得在寻找最佳分割点时能够并行化计算,同时,通过设置合理的block的大小,充分利用了CPU缓存进行读取加速,数据读取的速度更快。
为解决上述技术问题,本发明所采用的技术方案是:一种基于XGBoost的锂离子荷电状态预测方法,首先选取来自于NASA艾姆斯研究中心的锂离子电池放电数据,对其进行数据预处理,计算出真实的SOC,并将数据集中的电压、电流、温度作为特征输入,来描述锂离子电池的放电过程,然后将数据集划分为训练数据集和测试数据集,对XGBoost的参数进行设置,利用训练数据集对XGBoost模型进行训练,直至输出最优参数,结束训练,最后利用该模型的最优参数对测试集数据进行预测,本发明通过XGBoost对训练数据集进行训练,得到最优参数,利用训练好的XGBoost模型对测试集数据进行预测,本发明有更高的预测精度,保证了SOC预测的精确性和可靠性。具体技术内容如下。
基于XGboost模型的锂离子电池荷电状态估算,包括以下步骤:
步骤A,数据预处理:将锂离子电池放电的数据划分为训练数据集和测试数据集,得到训练数据集真实的SOC,并将训练数据集数据集中的电压、电流、温度作为特征输入XGBoost模型,来描述锂离子电池的放电过程;
步骤B,设置XGBoost模型参数:设置XGBoost模型的参数;
步骤C,训练XGBoost模型:利用XGBoost模型对训练数据集进行训练,获得训练数据集的预测SOC;
步骤D,输出最优参数:判定训练数据集的预测SOC与训练数据集真实的SOC误差,若误差不是最小,则返回步骤B重新设置各项参数,再进行步骤C利用XGBoost模型对训练数据集进行训练,重新拟合出训练数据集的预测SOC;若误差最小,设置的XGBoost模型参数为最优参数;
步骤E,测试XGBoost模型:并将测试数据集中的电压、电流、温度作为特征输入XGBoost模型,利用得到XGBoost模型的最优参数对测试数据集进行预测,获得测试数据的预测SOC。
进一步地,所述的锂离子电池放电数据采用NASA艾姆斯研究中心的稳态下锂离子电池的充放电数据,有B0005、B0006、B0007、B0018、B0029等5组。
进一步地,所述的训练数据集为1C放电倍率下的锂离子电池B0006数据集中第9组至第14组的放电数据集;所述的测试数据集为1C放电倍率下的锂离子电池B0006数据集中第15组的放电数据集。
进一步地,所述的训练数据集为2C放电倍率下的锂离子电池B0029数据集中第8组至第12组的放电数据集;所述的测试数据集为2C放电倍率下的锂离子电池B0029数据集中第13组的放电数据集。
进一步地,真实的SOC通过以下方式获得:
其中,剩余容量为锂离子电池在1.5A恒定电流模式下达到4.2的电压后,在4.2恒定电压水平下继续充电至电流降至2A,在2A的恒定电流下放电至电压降到2.7V时的容量;
额定容量为锂离子电池在1.5A恒定电流模式下达到4.2的电压后,在4.2恒定电压水平下继续充电至电流降至2A时的容量。
进一步地,所述的电压、电流、温度,是锂离子电池稳态放电过程中真实的电压、电流、温度。
进一步地,设置XGBoost模型的参数包括:
eta表示学习率;
max_depth表示模型中树的最大深度;
min_child_weight表示模型中最小叶子权重和;
seed表示随机种子数;
colsample_bytree表示每棵树随机采样的列数占比;
gamma表示惩罚项和叶子节点结合项;
max_leaf_nodes表示树上叶子节点数;
n_tree表示模型中树的数量。
进一步地,所述的利用XGBoost模型获得预测的SOC的具体步骤如下:
D1、建立树的模型
D2、构建目标函数
正则项为:
其中,T表示叶子节点的个数,W表示叶子节点的分数,γ可以控制叶子节点的个数,γ可以控制叶子节点的分数;
D3、训练目标函数
将目标函数进行二阶泰勒展开:
其中,gi和hi被定义为:
将常数项移除,得到第t步的目标函数:
新的目标函数可以定义为:
最佳的目标函数解obj(*):
由于不可能枚举所有可能的树的结构q,改为使用贪婪算法迭代地将分支添加到树中,计算相应的增益:
至此,基于XGBoost模型的锂离子电池荷电状态预测训练完毕。
由于采用上述方案,本发明取得的技术进步是:
1、本发明提出的基于XGBoost的锂离子荷电状态预测方法,充分考虑到锂离子电池的锂离子电池的充放电过程是一个极其复杂的电化学反应过程,具有非线性和时变性且对温度和老化极度敏感,不易预测荷电状态且预测精度低等问题,将电压、电流、温度作为特征输入,来描述锂离子电池的放电过程,将SOC作为输出,建立XGBoost模型,解决了预测过程中锂离子电池的非线性和时变性且对温度和老化极度敏感等问题。同时,提高估算精度和鲁棒性;
2、本发明提出的基于XGBoost的锂离子荷电状态预测方法,在目标函数的每轮迭代中都加入了正则项,从而控制模型的复杂度,防止过拟合。XGBoost对目标函数进行了二阶泰勒展开,可以支持自定义代价函数;XGBoost对每个特征进行分块(block)并排序,使得在寻找最佳分割点时能够并行化计算,同时,通过设置合理的block的大小,充分利用了CPU缓存进行读取加速,数据读取的速度更快。
附图说明
图1是本发明XGBoost模型预测锂离子荷电状态的系统流程图;
图2是本发明基于XGBoost的锂离子荷电状态预测方法的算法实施例1和实施例2的放电数据图;
图3是本发明基于XGBoost的锂离子荷电状态预测方法的算法流程图。
具体实施方式
下面结合实施例对本发明做进一步详细的说明。
实施例1
如图1所示,基于XGboost模型的锂离子电池荷电状态估算,包括以下步骤。
步骤A,数据预处理:将NASA艾姆斯研究中心的稳态下锂离子电池放电数据划分为训练数据集和测试数据集,训练数据集为1C放电倍率下的锂离子电池B0006数据集中第9组至第14组的放电数据集,测试数据集为1C放电倍率下的锂离子电池B0006数据集中第15组的放电数据集;
得到训练数据集真实的SOC:
其中,剩余容量为锂离子电池B0006数据集中第9组至第14组在1.5A恒定电流模式下达到4.2的电压后,在4.2恒定电压水平下继续充电至电流降至2A,在2A的恒定电流下放电至电压降到2.7V时的容量;额定容量为锂离子电池B0006数据集中第9组至第14组在1.5A恒定电流模式下达到4.2的电压后,在4.2恒定电压水平下继续充电至电流降至2A时的容量;
将测试数据集1C放电倍率下的锂离子电池B0006数据集中第9组至第14组的稳态放电过程中真实的电压、电流、温度作为特征输入XGBoost模型,来描述锂离子电池的放电过程。
步骤B,设置XGBoost模型参数:
eta表示学习率;
max_depth表示模型中树的最大深度;
min_child_weight表示模型中最小叶子权重和;
seed表示随机种子数;
colsample_bytree表示每棵树随机采样的列数占比;
gamma表示惩罚项和叶子节点结合项;
max_leaf_nodes表示树上叶子节点数;
n_tree表示模型中树的数量。
步骤C,训练XGBoost模型:利用XGBoost模型对训练数据集进行训练,获得训练数据集的预测SOC;预测的SOC的具体步骤如下:
D1、建立树的模型
D2、构建目标函数
正则项为:
其中,T表示叶子节点的个数,W表示叶子节点的分数,γ可以控制叶子节点的个数,γ可以控制叶子节点的分数;
D3、训练目标函数
将目标函数进行二阶泰勒展开:
其中,gi和hi被定义为:
将常数项移除,得到第t步的目标函数:
新的目标函数可以定义为:
最佳的目标函数解obj(*):
由于不可能枚举所有可能的树的结构q,改为使用贪婪算法迭代地将分支添加到树中,计算相应的增益:
步骤D,输出最优参数:判定训练数据集的预测SOC与训练数据集真实的SOC误差,若误差不是最小,则返回步骤B重新设置各项参数,再进行步骤C利用XGBoost模型对训练数据集进行训练,重新拟合出训练数据集的预测SOC;若误差最小,设置的XGBoost模型参数为最优参数。
步骤E,测试XGBoost模型:将测试数据集1C放电倍率下的锂离子电池B0006数据集中第15组的稳态放电过程中真实的电压、电流、温度作为特征输入XGBoost模型,利用步骤D得到XGBoost模型的最优参数对测试数据集进行预测,获得测试数据的预测SOC。
测试数据集得到的预测的SOC的具体步骤如下:
D1、建立树的模型
D2、构建目标函数
正则项为:
其中,T表示叶子节点的个数,W表示叶子节点的分数,γ可以控制叶子节点的个数,γ可以控制叶子节点的分数;
D3、训练目标函数
将目标函数进行二阶泰勒展开:
其中,gi和hi被定义为:
将常数项移除,得到第t步的目标函数:
新的目标函数可以定义为:
最佳的目标函数解obj(*):
由于不可能枚举所有可能的树的结构q,改为使用贪婪算法迭代地将分支添加到树中,计算相应的增益:
至此,基于XGBoost模型的锂离子电池荷电状态预测训练完毕。
实施例2
如图1所示,基于XGboost模型的锂离子电池荷电状态估算,包括以下步骤。
步骤A,数据预处理:将NASA艾姆斯研究中心的稳态下锂离子电池放电数据划分为训练数据集和测试数据集,训练数据集为2C放电倍率下的锂离子电池B0029数据集中第8组至第12组的放电数据集;所述的测试数据集为2C放电倍率下的锂离子电池B0029数据集中第13组的放电数据集;
得到训练数据集真实的SOC:
其中,剩余容量为锂离子电池2C放电倍率下的锂离子电池B0029数据集中第8组至第12组在1.5A恒定电流模式下达到4.2的电压后,在4.2恒定电压水平下继续充电至电流降至2A,在2A的恒定电流下放电至电压降到2.7V时的容量;额定容量为锂离子电池2C放电倍率下的锂离子电池B0029数据集中第8组至第12组在1.5A恒定电流模式下达到4.2的电压后,在4.2恒定电压水平下继续充电至电流降至2A时的容量;
将测试数据集2C放电倍率下的锂离子电池B0029数据集中第8组至第12组的稳态放电过程中真实的电压、电流、温度作为特征输入XGBoost模型,来描述锂离子电池的放电过程。
步骤B,设置XGBoost模型参数:
eta表示学习率;
max_depth表示模型中树的最大深度;
min_child_weight表示模型中最小叶子权重和;
seed表示随机种子数;
colsample_bytree表示每棵树随机采样的列数占比;
gamma表示惩罚项和叶子节点结合项;
max_leaf_nodes表示树上叶子节点数;
n_tree表示模型中树的数量。
步骤C,训练XGBoost模型:利用XGBoost模型对训练数据集进行训练,获得训练数据集的预测SOC;预测的SOC的具体步骤如下:
D1、建立树的模型
D2、构建目标函数
正则项为:
其中,T表示叶子节点的个数,W表示叶子节点的分数,γ可以控制叶子节点的个数,γ可以控制叶子节点的分数;
D3、训练目标函数
将目标函数进行二阶泰勒展开:
其中,gi和hi被定义为:
将常数项移除,得到第t步的目标函数:
新的目标函数可以定义为:
最佳的目标函数解obj(*):
由于不可能枚举所有可能的树的结构q,改为使用贪婪算法迭代地将分支添加到树中,计算相应的增益:
步骤D,输出最优参数:判定训练数据集的预测SOC与训练数据集真实的SOC误差,若误差不是最小,则返回步骤B重新设置各项参数,再进行步骤C利用XGBoost模型对训练数据集进行训练,重新拟合出训练数据集的预测SOC;若误差最小,设置的XGBoost模型参数为最优参数。
步骤E,测试XGBoost模型:将测试数据集2C放电倍率下的锂离子电池B0029数据集中第13组的稳态放电过程中真实的电压、电流、温度作为特征输入XGBoost模型,利用步骤D得到XGBoost模型的最优参数对测试数据集进行预测,获得测试数据的预测SOC。
测试数据集得到的预测的SOC的具体步骤如下:
D1、建立树的模型
D2、构建目标函数
正则项为:
其中,T表示叶子节点的个数,W表示叶子节点的分数,γ可以控制叶子节点的个数,γ可以控制叶子节点的分数;
D3、训练目标函数
将目标函数进行二阶泰勒展开:
其中,gi和hi被定义为:
将常数项移除,得到第t步的目标函数:
新的目标函数可以定义为:
最佳的目标函数解obj(*):
由于不可能枚举所有可能的树的结构q,改为使用贪婪算法迭代地将分支添加到树中,计算相应的增益:
至此,基于XGBoost模型的锂离子电池荷电状态预测训练完毕。
实施例1和实施例2中的电压、电流、温度和真实的SOC如图2所示;如图3所示,所述XGBoost模型的输入量包括电压、电流、温度,利用训练好的XGBoost模型对测试集数据进行预测输出量为预测的SOC,本发明有更高的预测精度,保证了SOC预测的精确性和可靠性。
Claims (8)
1.基于XGboost模型的锂离子电池荷电状态估算,其特征在于,包括以下步骤:
步骤A,数据预处理:将锂离子电池放电的数据划分为训练数据集和测试数据集,得到训练数据集真实的SOC,并将训练数据集数据集中的电压、电流、温度作为特征输入XGBoost模型;
步骤B,设置XGBoost模型参数:设置XGBoost模型的参数;
步骤C,训练XGBoost模型:利用XGBoost模型对训练数据集进行训练,获得训练数据集的预测SOC;
步骤D,输出最优参数:判定训练数据集的预测SOC与训练数据集真实的SOC误差,若误差不是最小,则返回步骤B重新设置各项参数,再进行步骤C利用XGBoost模型对训练数据集进行训练,重新拟合出训练数据集的预测SOC;若误差最小,设置的XGBoost模型参数为最优参数;
步骤E,测试XGBoost模型:并将测试数据集中的电压、电流、温度作为特征输入XGBoost模型,利用得到XGBoost模型的最优参数对测试数据集进行预测,获得测试数据的预测SOC。
2.根据权利要求1所述的基于XGboost模型的锂离子电池荷电状态估算,其特征在于,所述的锂离子电池放电数据采用NASA艾姆斯研究中心的稳态下锂离子电池的充放电数据。
3.根据权利要求1所述的基于XGboost模型的锂离子电池荷电状态估算,其特征在于,所述的训练数据集为1C放电倍率下的锂离子电池B0006数据集中第9组至第14组的放电数据集;所述的测试数据集为1C放电倍率下的锂离子电池B0006数据集中第15组的放电数据集。
4.根据权利要求1所述的基于XGboost模型的锂离子电池荷电状态估算,其特征在于,所述的训练数据集为2C放电倍率下的锂离子电池B0029数据集中第8组至第12组的放电数据集;所述的测试数据集为2C放电倍率下的锂离子电池B0029数据集中第13组的放电数据集。
6.根据权利要求1所述的基于XGboost模型的锂离子电池荷电状态估算,其特征在于,所述的电压、电流、温度,是锂离子电池稳态放电过程中真实的电压、电流、温度。
7.根据权利要求1所述的基于XGboost模型的锂离子电池荷电状态估算,其特征在于,设置XGBoost模型的参数包括:
eta表示学习率;
max_depth表示模型中树的最大深度;
min_child_weight表示模型中最小叶子权重和;
seed表示随机种子数;
colsample_bytree表示每棵树随机采样的列数占比;
gamma表示惩罚项和叶子节点结合项;
max_leaf_nodes表示树上叶子节点数;
n_tree表示模型中树的数量。
8.根据权利要求1所述的基于XGboost模型的锂离子电池荷电状态估算,其特征在于,所述的利用XGBoost模型获得预测的SOC的具体步骤如下:
D2、构建目标函数
正则项为:
其中,T表示叶子节点的个数,W表示叶子节点的分数,γ可以控制叶子节点的个数,γ可以控制叶子节点的分数;
D3、训练目标函数
将目标函数进行二阶泰勒展开:
其中,gi和hi被定义为:
将常数项移除,得到第t步的目标函数:
新的目标函数可以定义为:
最佳的目标函数解obj(*):
由于不可能枚举所有可能的树的结构q,改为使用贪婪算法迭代地将分支添加到树中,计算相应的增益:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010689444.6A CN111812515A (zh) | 2020-07-17 | 2020-07-17 | 基于XGboost模型的锂离子电池荷电状态估算 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010689444.6A CN111812515A (zh) | 2020-07-17 | 2020-07-17 | 基于XGboost模型的锂离子电池荷电状态估算 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111812515A true CN111812515A (zh) | 2020-10-23 |
Family
ID=72865431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010689444.6A Pending CN111812515A (zh) | 2020-07-17 | 2020-07-17 | 基于XGboost模型的锂离子电池荷电状态估算 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111812515A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112327168A (zh) * | 2020-10-31 | 2021-02-05 | 国网河北省电力有限公司雄安新区供电公司 | 一种基于XGBoost的电动汽车电池消耗预测方法 |
CN112380630A (zh) * | 2020-11-27 | 2021-02-19 | 重庆长安新能源汽车科技有限公司 | 基于车联网数据的新能源汽车电池热失控风险的预测方法 |
CN112485689A (zh) * | 2020-10-26 | 2021-03-12 | 江苏慧智能源工程技术创新研究院有限公司 | 一种基于Xgboost模型预测储能系统中锂电池剩余循环寿命的方法 |
CN113447826A (zh) * | 2021-09-01 | 2021-09-28 | 蜂巢能源科技有限公司 | 一种基于稳态等效电路模型的soc确定方法及装置 |
CN113947028A (zh) * | 2021-10-25 | 2022-01-18 | 浙大城市学院 | 一种基于XGBoost和Datawig机器学习的RBCC健康管理方法 |
CN114935721A (zh) * | 2022-05-30 | 2022-08-23 | 深圳先进技术研究院 | 一种基于光纤光栅传感器的锂离子电池荷电状态估计方法 |
CN116953519A (zh) * | 2023-05-31 | 2023-10-27 | 山东大学 | 一种全温度锂离子电池ocv评估方法及系统 |
CN117630682A (zh) * | 2024-01-25 | 2024-03-01 | 江西理工大学 | 一种基于随机退化过程的锂离子电池rul预测方法 |
CN117872153A (zh) * | 2024-01-02 | 2024-04-12 | 武汉全日行特种新能源有限公司 | 一种锂电池荷电状态的评估方法、装置及电子设备 |
CN118348421A (zh) * | 2024-06-17 | 2024-07-16 | 南通乐创新能源有限公司 | 一种电池剩余电量的校准方法、系统、设备、介质及产品 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105607483A (zh) * | 2016-01-27 | 2016-05-25 | 东莞理工学院 | 建立超级电容器动态特性模型及评估其精度的方法 |
CN110058178A (zh) * | 2019-05-14 | 2019-07-26 | 郑州大学 | 一种锂电池健康状态检测方法和系统 |
CN110488202A (zh) * | 2019-07-24 | 2019-11-22 | 北京航空航天大学 | 基于深度神经网络的车辆电池荷电状态估计方法 |
CN111157899A (zh) * | 2020-01-20 | 2020-05-15 | 南京邮电大学 | 一种基于模型融合思想对电池soc的估计方法 |
CN111220912A (zh) * | 2020-01-19 | 2020-06-02 | 重庆大学 | 一种基于移植神经网络的电池容量衰减轨迹预测方法 |
CN111308364A (zh) * | 2020-02-27 | 2020-06-19 | 中南大学 | 一种锂离子电池荷电状态估计方法及装置 |
-
2020
- 2020-07-17 CN CN202010689444.6A patent/CN111812515A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105607483A (zh) * | 2016-01-27 | 2016-05-25 | 东莞理工学院 | 建立超级电容器动态特性模型及评估其精度的方法 |
CN110058178A (zh) * | 2019-05-14 | 2019-07-26 | 郑州大学 | 一种锂电池健康状态检测方法和系统 |
CN110488202A (zh) * | 2019-07-24 | 2019-11-22 | 北京航空航天大学 | 基于深度神经网络的车辆电池荷电状态估计方法 |
CN111220912A (zh) * | 2020-01-19 | 2020-06-02 | 重庆大学 | 一种基于移植神经网络的电池容量衰减轨迹预测方法 |
CN111157899A (zh) * | 2020-01-20 | 2020-05-15 | 南京邮电大学 | 一种基于模型融合思想对电池soc的估计方法 |
CN111308364A (zh) * | 2020-02-27 | 2020-06-19 | 中南大学 | 一种锂离子电池荷电状态估计方法及装置 |
Non-Patent Citations (2)
Title |
---|
FU JIANG ETC.: "An Aging-Aware SOC Estimation Method for Lithium-Ion Batteries using XGBoost Algorithm", 《2019 IEEE INTERNATIONAL CONFERENCE ON PROGNOSTICS AND HEALTH MANAGEMENT》 * |
冯长君: "《物质构效学应用》", 30 November 2017, 中国矿业大学出版社 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112485689B (zh) * | 2020-10-26 | 2024-02-06 | 沃太能源股份有限公司 | 一种基于Xgboost模型预测储能系统中锂电池剩余循环寿命的方法 |
CN112485689A (zh) * | 2020-10-26 | 2021-03-12 | 江苏慧智能源工程技术创新研究院有限公司 | 一种基于Xgboost模型预测储能系统中锂电池剩余循环寿命的方法 |
CN112327168A (zh) * | 2020-10-31 | 2021-02-05 | 国网河北省电力有限公司雄安新区供电公司 | 一种基于XGBoost的电动汽车电池消耗预测方法 |
CN112380630A (zh) * | 2020-11-27 | 2021-02-19 | 重庆长安新能源汽车科技有限公司 | 基于车联网数据的新能源汽车电池热失控风险的预测方法 |
CN112380630B (zh) * | 2020-11-27 | 2022-06-14 | 重庆长安新能源汽车科技有限公司 | 基于车联网数据的新能源汽车电池热失控风险的预测方法 |
CN113447826A (zh) * | 2021-09-01 | 2021-09-28 | 蜂巢能源科技有限公司 | 一种基于稳态等效电路模型的soc确定方法及装置 |
CN113947028A (zh) * | 2021-10-25 | 2022-01-18 | 浙大城市学院 | 一种基于XGBoost和Datawig机器学习的RBCC健康管理方法 |
CN114935721A (zh) * | 2022-05-30 | 2022-08-23 | 深圳先进技术研究院 | 一种基于光纤光栅传感器的锂离子电池荷电状态估计方法 |
CN116953519A (zh) * | 2023-05-31 | 2023-10-27 | 山东大学 | 一种全温度锂离子电池ocv评估方法及系统 |
CN117872153A (zh) * | 2024-01-02 | 2024-04-12 | 武汉全日行特种新能源有限公司 | 一种锂电池荷电状态的评估方法、装置及电子设备 |
CN117872153B (zh) * | 2024-01-02 | 2024-07-12 | 武汉全日行特种新能源有限公司 | 一种锂电池荷电状态的评估方法、装置及电子设备 |
CN117630682A (zh) * | 2024-01-25 | 2024-03-01 | 江西理工大学 | 一种基于随机退化过程的锂离子电池rul预测方法 |
CN117630682B (zh) * | 2024-01-25 | 2024-04-05 | 江西理工大学 | 一种基于随机退化过程的锂离子电池rul预测方法 |
CN118348421A (zh) * | 2024-06-17 | 2024-07-16 | 南通乐创新能源有限公司 | 一种电池剩余电量的校准方法、系统、设备、介质及产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111812515A (zh) | 基于XGboost模型的锂离子电池荷电状态估算 | |
Xu et al. | A novel data-driven method for predicting the circulating capacity of lithium-ion battery under random variable current | |
CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
Xiao et al. | Accurate state-of-charge estimation approach for lithium-ion batteries by gated recurrent unit with ensemble optimizer | |
CN108896914B (zh) | 一种锂电池健康状况的梯度提升树建模与预测方法 | |
CN113030764B (zh) | 一种电池组健康状态估计方法及系统 | |
CN110568359B (zh) | 一种锂电池剩余寿命预测方法 | |
CN108846227B (zh) | 一种基于随机森林及容量自恢复效应分析的锂离子电池容量退化预测评估方法 | |
CN109991554B (zh) | 一种电池电量检测方法、装置及终端设备 | |
CN111426957B (zh) | 一种模拟车辆工况动力电池荷电状态soc估算优化方法 | |
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 | |
CN111463513B (zh) | 一种锂电池满充容量估计的方法及装置 | |
CN110632520A (zh) | 一种动力电池soc的估算装置及其估算方法 | |
CN114755582A (zh) | 一种环境温度不同时锂离子电池健康状态预估方法 | |
CN110850315A (zh) | 一种电池荷电状态的估算方法及装置 | |
CN113608126A (zh) | 一种不同温度下的锂电池soc在线预估方法 | |
CN112946481A (zh) | 基于联合h∞滤波的滑模观测器锂离子电池soc估计方法及电池管理系统 | |
Peng et al. | State of charge estimation for a parallel battery pack jointly by fuzzy-PI model regulator and adaptive unscented Kalman filter | |
CN114861545A (zh) | 基于rnn神经网络与多参数约束的锂电池sop在线估算方法 | |
CN111722119B (zh) | 一种动力电池分数阶等效电路多特性融合模型的辨识方法 | |
CN113495214A (zh) | 一种基于温度变化模型的超级电容荷电状态估计方法 | |
CN111274539B (zh) | 一种基于交替最小二乘法的锂电池soh估计方法 | |
CN115097317B (zh) | 一种锂离子电池容量估计方法及系统 | |
CN116449219A (zh) | 一种改进vffrls的锂电池模型参数辨识方法 | |
CN115980583A (zh) | 基于微分代数方程的锂电池等效电路模型参数辨识四步法 |
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: 20201023 |