CN111999648A - 一种基于长短期记忆网络的锂电池剩余寿命预测方法 - Google Patents
一种基于长短期记忆网络的锂电池剩余寿命预测方法 Download PDFInfo
- Publication number
- CN111999648A CN111999648A CN202010845208.9A CN202010845208A CN111999648A CN 111999648 A CN111999648 A CN 111999648A CN 202010845208 A CN202010845208 A CN 202010845208A CN 111999648 A CN111999648 A CN 111999648A
- Authority
- CN
- China
- Prior art keywords
- data
- lithium battery
- gate
- model
- charging
- 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
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 64
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000007787 long-term memory Effects 0.000 title claims abstract description 8
- 230000006403 short-term memory Effects 0.000 title claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000007599 discharging Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000008859 change Effects 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000012544 monitoring process Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 9
- 125000004122 cyclic group Chemical group 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000015654 memory Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003487 electrochemical reaction Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 239000000126 substance Substances 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]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- 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
-
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于长短期记忆网络的锂电池剩余寿命预测方法,包括如下步骤:1)特征提取:监测锂电池的运行过程,从中提取出锂电池充放电过程的电压变化时间序列数据,并按照相等电压差的原则对充放电过程中的电压时间序列数据进行处理来生成特征;2)建立模型训练并预测:基于LSTM算法建立模型,并将从电池运行数据中提取到的充放电过程的相等电压差时间序列数据作为模型的输入特征,对模型进行训练,然后将训练后的模型用于锂电池RUL预测;本发明的有益效果是:本发明通过将LSTM算法引入锂电池RUL预测领域,利用其较强的时间序列预测能力,有效提高了锂电池RUL预测的准确度。
Description
技术领域
本发明涉及锂电池剩余寿命预测技术领域,具体为一种基于长短期记忆网络的锂电池剩余寿命预测方法。
背景技术
锂电池作为当前最热门的动力能源,具有诸多优点:比能量高、工作电压高、温度范围宽、自放电率低、循环寿命长和安全性好等等。但是随着锂电池充放电循环的不断累加,锂电池的寿命会发生震荡式衰减。在当前社会生活大量使用锂电池的情况下,一旦有所不慎,就会造成安全事故,因此能否对锂电池的剩余寿命(RUL)进行有效预测就显得至关重要了。
一般将对锂电池RUL的预测方法分为两大类。一是物理或化学方法,通过对电池内部的电路或电化学反应等进行建模来预测锂电池RUL,但由于锂电池内部的电路及相关电化学反应十分复杂,建模过程十分困难且容易出错。二是基于数据驱动的方法,这种方法不需要熟知相关专业知识,只需要对电池运行过程中产生的电压时间序列数据进行分析即可建立锂电池寿命衰减模型来预测锂电池RUL。但由于锂电池运行过程中产生的电压时间序列数据含有一定噪音,通常较难将之与锂电池寿命进行有效关联。
长短期记忆网络(LSTM)是一种时间递归神经网络,适合于处理和预测时间序列相关的数据。LSTM模型分别通过遗忘门,输入门和输出门对每一时刻状态进行控制。LSTM作为一种改进版的循环神经网络(RNN)模型,在一定程度上解决了RNN随着迭代次数增加而产生的梯度爆炸问题。具体到锂电池RUL预测领域,由于锂离子电池当前的RUL会受到上个状态的RUL以及上个状态相关因素的影响,因此一般的机器学习方法并不适合进行锂离子电池RUL预测,而能够通过门控结构对时间序列数据进行有效记忆的LSTM网络天然适合对锂电池RUL进行预测,可有效提高锂电池RUL预测的准确度。
发明内容
针对现有技术中存在的问题,本发明提供了可提高锂电池RUL预测准确度的一种基于长短期记忆网络的锂电池剩余寿命预测方法。
本发明的技术方案如下:
一种基于长短期记忆网络的锂电池剩余寿命预测方法,其特征在于,包括如下步骤:
1)特征提取:
监测锂电池的运行过程,从中提取出锂电池充放电过程的电压变化时间序列数据,并按照相等电压差的原则对充放电过程中的电压时间序列数据进行处理来生成特征;
2)建立模型训练并预测:
基于LSTM算法建立模型,并将从电池运行数据中提取到的充放电过程的相等电压差时间序列数据作为模型的输入特征,对模型进行训练,然后将训练后的模型用于锂电池RUL预测。
所述的一种基于长短期记忆网络的锂电池剩余寿命预测方法,其特征在于,所述步骤1)具体做法是分别选择多组相等电压差的充放电时间序列数据(V1,V2),经数据处理后得到多组相等电压差充放电时间序列特征。
所述的一种基于长短期记忆网络的锂电池剩余寿命预测方法,其特征在于,所述步骤2)具体做法是将之前提取到的多组相等电压差充放电时间序列特征进行数据处理,由于所选定的特征数据的数量级和量纲与锂电池剩余容量的数量级和量纲相差较大,因此需要对所提取的特征数据进行标准化处理,便于模型进行处理和运算,具体公式如下所示:
其中,x'是经标准化处理后的数据,x是未经标准化处理的原数据,μ是数据的均值,σ是数据的标准差;
然后依托LSTM算法建立模型:
it=σ(Wi·[ht-1,xt]+bi) (2)
ft=σ(Wf·[ht-1,xt]+bf) (3)
ot=σ(Wo·[ht-1,xt]+bo) (4)
ct=ftct-1+ittanh(Wc·[ht-1,xt]+bc) (5)
ht=ottanh(ct) (6)
其中,it、ft、ot、ct、ht和xt分别表示t时刻的LSTM网络的输入门、遗忘门、输出门、细胞状态单元、网络总输出和网络输入数据的值,ct-1和ht-1分别表示t-1时刻LSTM网络细胞状态单元和网络总输出的值,σ表示sigmoid函数。W为各个输入信息的权重矩阵,Wi、Wf、Wo、Wc分别为输入门、遗忘门、输出门和细胞状态单元中数据的权重矩阵。b为进行sigmoid函数激活运算时的偏置项,bi、bf、bo、bc分别为输入门、遗忘门、输出门和细胞状态单元中数据的数据运算的偏置项。
LSTM网络的各个模块的具体功能如下:
1)遗忘门:用来对LSTM网络中细胞状态单元储存的上一时刻的信息进行控制,LSTM网络的横贯网络前后的细胞状态单元可以储存前后时间跨度很大的信息,但是这种储存并不是一直保留的,而是会不断变化的,遗忘门结合当前时刻的外界输入信息xt和上一时刻的LSTM网络的长时间信息Ct-1来计算得知如何对Ct-1中的信息进行保留和舍弃;
2)输入门:用来对LSTM网络中当前时刻的细胞状态单元的输入进行控制,LSTM网络中的细胞状态单元可以储存前后时间跨度很大的信息,但是这种储存是有选择性的,即输入门通过计算来判断当前时刻的外界输入xt中的信息哪些需要更新至细胞状态单元,哪些需要舍弃;
3)输出门:用来对当前时刻的LSTM网络的输出进行控制,在前两个单元对输入信息和历史信息进行筛选和更新后,通过输出门来对现存的信息进行汇总,并控制向下一时刻的LSTM网络输出的信息;
LSTM网络通过门控结构和细胞状态单元对之前提取到的多组相等电压差充放电时间序列特征进行循环学习,不断对数据中的时间关联进行学习直至达到预定的循环学习数,然后训练过程结束;
使用训练得到的基于LSTM算法的锂电池RUL预测模型对锂电池进行预测,采用均方误差(RMSE)对模型的预测结果进行评估,
本发明的有益效果是:本发明将LSTM算法引入锂电池RUL预测领域,其较强的时间序列预测能力可以准确地学习到锂电池运行过程中前后电压变化过程中的时间关联信息,由此可对锂电池剩余使用寿命随时间前后变化的相关信息进行准确预测,该方法有效提高了锂电池RUL预测的准确度。
附图说明
图1是本发明锂电池RUL预测的预测值与真实性的对比图。
具体实施方式
以下结合说明书附图及实施例,对本发明作进一步描述。
如图1所示,一种基于长短期记忆网络的锂电池剩余寿命预测方法,包含以下步骤:
1)特征提取
监测锂电池的运行过程,从中提取出锂电池充放电过程的电压变化时间序列数据,并按照相等电压差的原则对充放电过程中的电压时间序列数据进行处理来生成特征。
具体做法是分别选择多组相等电压差的充放电时间序列数据(V1,V2),经数据处理后得到多组相等电压差充放电时间序列特征。
2)建立模型训练并预测
基于LSTM算法建立模型,并将从电池运行数据中提取到的充放电过程的相等电压差时间序列数据作为模型的输入特征,对模型进行训练。然后将训练后的模型用于锂电池RUL预测。
具体做法是将之前提取到的多组相等电压差充放电时间序列特征进行数据处理,由于所选定的特征数据的数量级和量纲与锂电池剩余容量的数量级和量纲相差较大,因此需要对所提取的特征数据进行标准化处理,便于模型进行处理和运算,具体公式如下所示
其中,x'是经标准化处理后的数据,x是未经标准化处理的原数据,μ是数据的均值,σ是数据的标准差。
然后依托LSTM算法建立模型。
it=σ(Wi·[ht-1,xt]+bi) (2)
ft=σ(Wf·[ht-1,xt]+bf) (3)
ot=σ(Wo·[ht-1,xt]+bo) (4)
ct=ftct-1+ittanh(Wc·[ht-1,xt]+bc) (5)
ht=ottanh(ct) (6)
其中,it、ft、ot、ct、ht和xt分别表示t时刻的LSTM网络的输入门、遗忘门、输出门、细胞状态单元、网络总输出和网络输入数据的值,ct-1和ht-1分别表示t-1时刻LSTM网络细胞状态单元和网络总输出的值,σ表示sigmoid函数。W为各个输入信息的权重矩阵,Wi、Wf、Wo、Wc分别为输入门、遗忘门、输出门和细胞状态单元中数据的权重矩阵。b为进行sigmoid函数激活运算时的偏置项,bi、bf、bo、bc分别为输入门、遗忘门、输出门和细胞状态单元中数据的数据运算的偏置项。
LSTM网络的各个模块的具体功能如下:
1)遗忘门:用来对LSTM网络中细胞状态单元储存的上一时刻的信息进行控制。LSTM网络的横贯网络前后的细胞状态单元可以储存前后时间跨度很大的信息,但是这种储存并不是一直保留的,而是会不断变化的。遗忘门结合当前时刻的外界输入信息xt和上一时刻的LSTM网络的长时间信息Ct-1来计算得知如何对Ct-1中的信息进行保留和舍弃。
2)输入门:用来对LSTM网络中当前时刻的细胞状态单元的输入进行控制。LSTM网络中的细胞状态单元可以储存前后时间跨度很大的信息,但是这种储存是有选择性的,即输入门通过计算来判断当前时刻的外界输入xt中的信息哪些需要更新至细胞状态单元,哪些需要舍弃。
3)输出门:用来对当前时刻的LSTM网络的输出进行控制。在前两个单元对输入信息和历史信息进行筛选和更新后,通过输出门来对现存的信息进行汇总,并控制向下一时刻的LSTM网络输出的信息。
LSTM网络通过门控结构和细胞状态单元对之前提取到的多组相等电压差充放电时间序列特征进行循环学习,不断对数据中的时间关联进行学习直至达到预定的循环学习数,然后训练过程结束。
使用训练得到的基于LSTM算法的锂电池RUL预测模型对锂电池进行预测,采用均方误差(RMSE)对模型的预测结果进行评估。
实施例:
1)特征提取
监测锂电池运行过程,根据专业经验,以相等电压差时间序列数据为原则从锂电池充放电过程中提取放电电压差(3.8V,3.45V)时间序列数据和充电电压差(4.0V,4.1V)时间序列数据。
2)建立模型训练并预测
对所选择的相等电压差时间序列特征数据进行标准化处理,然后使用LSTM算法建立锂电池RUL预测模型。将经过标准化处理的放电电压差(3.8V,3.45V)时间序列数据和充电电压差(4.0V,4.1V)时间序列数据送入模型进行训练,并使用RMSE作为指标对预测结果进行评估。表1是不同算法对锂电池RUL预测的准确度对比,附图1是不同算法对锂电池RUL的预测结果与真实值的拟合情况、可以看出相较于其他算法,基于长短期记忆网络的锂电池RUL预测模型的准确度最高,
表1不同算法对锂电池RUL的预测结果
Claims (3)
1.一种基于长短期记忆网络的锂电池剩余寿命预测方法,其特征在于,包括如下步骤:
1)特征提取:
监测锂电池的运行过程,从中提取出锂电池充放电过程的电压变化时间序列数据,并按照相等电压差的原则对充放电过程中的电压时间序列数据进行处理来生成特征;
2)建立模型训练并预测:
基于LSTM算法建立模型,并将从电池运行数据中提取到的充放电过程的相等电压差时间序列数据作为模型的输入特征,对模型进行训练,然后将训练后的模型用于锂电池RUL预测。
2.根据权利要求1所述的一种基于长短期记忆网络的锂电池剩余寿命预测方法,其特征在于,所述步骤1)具体做法是分别选择多组相等电压差的充放电时间序列数据(V1,V2),将多组数据进行合并得到多组相等电压差充放电时间序列特征。
3.根据权利要求1所述的一种基于长短期记忆网络的锂电池剩余寿命预测方法,其特征在于,所述步骤2)具体做法是将之前提取到的多组相等电压差充放电时间序列特征进行数据处理,由于所选定的特征数据的数量级和量纲与锂电池剩余容量的数量级和量纲相差较大,因此需要对所提取的特征数据进行标准化处理,便于模型进行处理和运算,具体公式如下所示:
其中,x'是经标准化处理后的数据,x是未经标准化处理的原数据,μ是数据的均值,σ是数据的标准差;
然后依托LSTM算法建立模型:
it=σ(Wi·[ht-1,xt]+bi) (2)
ft=σ(Wf·[ht-1,xt]+bf) (3)
ot=σ(Wo·[ht-1,xt]+bo) (4)
ct=ftct-1+ittanh(Wc·[ht-1,xt]+bc) (5)
ht=ottanh(ct) (6)
其中,it、ft、ot、ct、ht和xt分别表示t时刻的LSTM网络的输入门、遗忘门、输出门、细胞状态单元、网络总输出和网络输入数据的值,ct-1和ht-1分别表示t-1时刻LSTM网络细胞状态单元和网络总输出的值,σ表示sigmoid函数。W为各个输入信息的权重矩阵,Wi、Wf、Wo、Wc分别为输入门、遗忘门、输出门和细胞状态单元中数据的权重矩阵。b为进行sigmoid函数激活运算时的偏置项,bi、bf、bo、bc分别为输入门、遗忘门、输出门和细胞状态单元中数据的数据运算的偏置项。
LSTM网络的各个模块的具体功能如下:
1)遗忘门:用来对LSTM网络中细胞状态单元储存的上一时刻的信息进行控制,LSTM网络的横贯网络前后的细胞状态单元可以储存前后时间跨度很大的信息,但是这种储存并不是一直保留的,而是会不断变化的,遗忘门结合当前时刻的外界输入信息xt和上一时刻的LSTM网络的长时间信息Ct-1来计算得知如何对Ct-1中的信息进行保留和舍弃;
2)输入门:用来对LSTM网络中当前时刻的细胞状态单元的输入进行控制,LSTM网络中的细胞状态单元可以储存前后时间跨度很大的信息,但是这种储存是有选择性的,即输入门通过计算来判断当前时刻的外界输入xt中的信息哪些需要更新至细胞状态单元,哪些需要舍弃;
3)输出门:用来对当前时刻的LSTM网络的输出进行控制,在前两个单元对输入信息和历史信息进行筛选和更新后,通过输出门来对现存的信息进行汇总,并控制向下一时刻的LSTM网络输出的信息;
LSTM网络通过门控结构和细胞状态单元对之前提取到的多组相等电压差充放电时间序列特征进行循环学习,不断对数据中的时间关联进行学习直至达到预定的循环学习数,然后训练过程结束;
使用训练得到的基于LSTM算法的锂电池RUL预测模型对锂电池进行预测,采用RMSE对模型的预测结果进行评估:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010845208.9A CN111999648A (zh) | 2020-08-20 | 2020-08-20 | 一种基于长短期记忆网络的锂电池剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010845208.9A CN111999648A (zh) | 2020-08-20 | 2020-08-20 | 一种基于长短期记忆网络的锂电池剩余寿命预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111999648A true CN111999648A (zh) | 2020-11-27 |
Family
ID=73472837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010845208.9A Pending CN111999648A (zh) | 2020-08-20 | 2020-08-20 | 一种基于长短期记忆网络的锂电池剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111999648A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381213A (zh) * | 2020-12-01 | 2021-02-19 | 重庆邮电大学 | 一种基于双向长短期记忆网络的工业设备剩余寿命预测方法 |
CN113344024A (zh) * | 2021-04-22 | 2021-09-03 | 华中科技大学 | 锂离子电池热失控分级预警方法及预警系统 |
CN113536671A (zh) * | 2021-07-09 | 2021-10-22 | 北京航空航天大学 | 一种基于lstm的锂电池寿命预测方法 |
CN113589189A (zh) * | 2021-08-30 | 2021-11-02 | 武汉理工大学 | 基于充放电数据特征的锂电池健康状况预测方法及装置 |
CN113960476A (zh) * | 2021-09-23 | 2022-01-21 | 北京理工大学 | 基于信息物理融合技术的动力电池故障监测方法及系统 |
CN114330130A (zh) * | 2021-12-30 | 2022-04-12 | 山东浪潮科学研究院有限公司 | 一种电池剩余使用寿命预测方法、设备及介质 |
WO2022126526A1 (zh) * | 2020-12-17 | 2022-06-23 | 浙江吉利控股集团有限公司 | 一种电池温度预测方法及系统 |
CN114879050A (zh) * | 2022-06-14 | 2022-08-09 | 山东大学 | 基于云边协同的动力电池寿命智能快速测试方法及系统 |
CN117171503A (zh) * | 2023-11-03 | 2023-12-05 | 深圳市深创高科电子有限公司 | 一种电池充电时间智能预测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103293487A (zh) * | 2013-06-28 | 2013-09-11 | 哈尔滨工业大学 | 基于集成模型的锂离子电池寿命预测方法 |
CN110133511A (zh) * | 2019-06-11 | 2019-08-16 | 邹金续 | 一种基于长短时记忆网络的锂电池组剩余电量实时预测方法 |
US20190257886A1 (en) * | 2018-02-21 | 2019-08-22 | Nec Laboratories America, Inc. | Deep learning approach for battery aging model |
CN110568359A (zh) * | 2019-09-04 | 2019-12-13 | 太原理工大学 | 一种锂电池剩余寿命预测方法 |
CN110738344A (zh) * | 2018-07-20 | 2020-01-31 | 中国农业大学 | 电力系统负荷预测的分布式无功优化方法及装置 |
CN110824364A (zh) * | 2019-10-24 | 2020-02-21 | 重庆邮电大学 | 一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法 |
CN111103544A (zh) * | 2019-12-26 | 2020-05-05 | 江苏大学 | 基于长短时记忆lstm和粒子滤波pf的锂离子电池剩余使用寿命预测方法 |
CN111443294A (zh) * | 2020-04-10 | 2020-07-24 | 华东理工大学 | 一种锂离子电池剩余寿命间接预测方法及装置 |
-
2020
- 2020-08-20 CN CN202010845208.9A patent/CN111999648A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103293487A (zh) * | 2013-06-28 | 2013-09-11 | 哈尔滨工业大学 | 基于集成模型的锂离子电池寿命预测方法 |
US20190257886A1 (en) * | 2018-02-21 | 2019-08-22 | Nec Laboratories America, Inc. | Deep learning approach for battery aging model |
CN110738344A (zh) * | 2018-07-20 | 2020-01-31 | 中国农业大学 | 电力系统负荷预测的分布式无功优化方法及装置 |
CN110133511A (zh) * | 2019-06-11 | 2019-08-16 | 邹金续 | 一种基于长短时记忆网络的锂电池组剩余电量实时预测方法 |
CN110568359A (zh) * | 2019-09-04 | 2019-12-13 | 太原理工大学 | 一种锂电池剩余寿命预测方法 |
CN110824364A (zh) * | 2019-10-24 | 2020-02-21 | 重庆邮电大学 | 一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法 |
CN111103544A (zh) * | 2019-12-26 | 2020-05-05 | 江苏大学 | 基于长短时记忆lstm和粒子滤波pf的锂离子电池剩余使用寿命预测方法 |
CN111443294A (zh) * | 2020-04-10 | 2020-07-24 | 华东理工大学 | 一种锂离子电池剩余寿命间接预测方法及装置 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381213A (zh) * | 2020-12-01 | 2021-02-19 | 重庆邮电大学 | 一种基于双向长短期记忆网络的工业设备剩余寿命预测方法 |
WO2022126526A1 (zh) * | 2020-12-17 | 2022-06-23 | 浙江吉利控股集团有限公司 | 一种电池温度预测方法及系统 |
CN113344024A (zh) * | 2021-04-22 | 2021-09-03 | 华中科技大学 | 锂离子电池热失控分级预警方法及预警系统 |
CN113344024B (zh) * | 2021-04-22 | 2022-04-12 | 华中科技大学 | 锂离子电池热失控分级预警方法及预警系统 |
CN113536671A (zh) * | 2021-07-09 | 2021-10-22 | 北京航空航天大学 | 一种基于lstm的锂电池寿命预测方法 |
CN113536671B (zh) * | 2021-07-09 | 2023-05-30 | 北京航空航天大学 | 一种基于lstm的锂电池寿命预测方法 |
CN113589189A (zh) * | 2021-08-30 | 2021-11-02 | 武汉理工大学 | 基于充放电数据特征的锂电池健康状况预测方法及装置 |
CN113960476A (zh) * | 2021-09-23 | 2022-01-21 | 北京理工大学 | 基于信息物理融合技术的动力电池故障监测方法及系统 |
CN113960476B (zh) * | 2021-09-23 | 2023-10-17 | 北京理工大学 | 基于信息物理融合技术的动力电池故障监测方法及系统 |
CN114330130A (zh) * | 2021-12-30 | 2022-04-12 | 山东浪潮科学研究院有限公司 | 一种电池剩余使用寿命预测方法、设备及介质 |
CN114879050A (zh) * | 2022-06-14 | 2022-08-09 | 山东大学 | 基于云边协同的动力电池寿命智能快速测试方法及系统 |
CN117171503A (zh) * | 2023-11-03 | 2023-12-05 | 深圳市深创高科电子有限公司 | 一种电池充电时间智能预测方法 |
CN117171503B (zh) * | 2023-11-03 | 2024-03-19 | 深圳市深创高科电子有限公司 | 一种电池充电时间智能预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111999648A (zh) | 一种基于长短期记忆网络的锂电池剩余寿命预测方法 | |
WO2020191801A1 (zh) | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 | |
Park et al. | LSTM-based battery remaining useful life prediction with multi-channel charging profiles | |
CN110824364B (zh) | 一种基于ast-lstm神经网络的锂电池soh估计与rul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 | |
CN112782591B (zh) | 基于多电池数据融合的锂电池soh长期预测方法 | |
CN108896914B (zh) | 一种锂电池健康状况的梯度提升树建模与预测方法 | |
CN110568359B (zh) | 一种锂电池剩余寿命预测方法 | |
CN110222431B (zh) | 基于门控循环单元神经网络和卡尔曼滤波模型融合的锂离子电池剩余寿命预测方法 | |
Song et al. | Lithium-ion battery remaining useful life prediction based on GRU-RNN | |
CN112241608A (zh) | 一种基于lstm网络和迁移学习的锂电池寿命预测方法 | |
Jiang et al. | Multi-kernel relevance vector machine with parameter optimization for cycling aging prediction of lithium-ion batteries | |
CN114325450A (zh) | 基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法 | |
CN114861527A (zh) | 一种基于时间序列特征的锂电池寿命预测方法 | |
CN111680848A (zh) | 基于预测模型融合的电池寿命预测方法及存储介质 | |
CN110082682B (zh) | 一种锂电池荷电状态估计方法 | |
CN111948563B (zh) | 一种基于多神经网络耦合的电动叉车锂电池剩余寿命预测方法 | |
CN116047314B (zh) | 一种可充电电池健康状态预测方法 | |
CN114636932A (zh) | 一种电池剩余使用寿命预测方法及系统 | |
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 | |
CN115409263A (zh) | 一种基于门控和注意力机制的锂电池剩余寿命预测方法 | |
CN117825965A (zh) | 一种锂离子电池的状态预测方法及系统 | |
CN115047350B (zh) | 一种基于数模联动的锂离子电池剩余使用寿命预测方法 | |
CN113917336A (zh) | 基于片段充电时间和gru的锂离子电池健康状态预测方法 | |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201127 |
|
RJ01 | Rejection of invention patent application after publication |