CN111999650A - 一种基于支持向量回归算法的锂电池剩余寿命预测方法 - Google Patents

一种基于支持向量回归算法的锂电池剩余寿命预测方法 Download PDF

Info

Publication number
CN111999650A
CN111999650A CN202010845888.4A CN202010845888A CN111999650A CN 111999650 A CN111999650 A CN 111999650A CN 202010845888 A CN202010845888 A CN 202010845888A CN 111999650 A CN111999650 A CN 111999650A
Authority
CN
China
Prior art keywords
data
lithium battery
svr
model
algorithm
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
Application number
CN202010845888.4A
Other languages
English (en)
Inventor
徐凡
马正阳
程钏
娄维尧
杨克允
刘明威
沈伟健
林韩波
蔡姚杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202010845888.4A priority Critical patent/CN111999650A/zh
Publication of CN111999650A publication Critical patent/CN111999650A/zh
Pending legal-status Critical Current

Links

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)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种基于支持向量回归算法的锂电池剩余寿命预测方法,包括如下步骤：1)特征提取:对锂电池运行过程中产生的数据进行监测，从中提取锂电池放电的电压时间序列数据，并根据需要对提取的电压时间序列数据进行特征生成，按照相等电压差的原则对放电过程中的电压变化数据进行整理；2)构建模型:构建SVR算法模型，建立样本空间到高维空间的映射，使非平稳的训练数据可以在高维空间被线性拟合；3)训练并预测:将所提取的放电过程中的电压变化数据送入SVR模型中进行训练。本发明通过从电池运行数据中提取放电电压变化时间序列数据，并通过SVR算法对所提取的数据进行分析，克服了一般预测模型无法捕捉锂电池相关数据关系的难点。

Description

一种基于支持向量回归算法的锂电池剩余寿命预测方法
技术领域
本发明涉及锂电池剩余寿命预测技术领域，具体涉及一种基于支持向量回归算法的锂电池剩余寿命预测方法。
背景技术
随着中国新能源汽车强国战略的实施，新能源汽车的发展必将迎来一个黄金时期。作为新能源汽车的主要供能来源，锂电池越来越受到人们的关注。锂电池发展多年，具有相当多优点，诸如能量密度高，综合寿命长，适用范围广等。但也仍存在较多问题。其中，随着使用时间的增长，锂电池的剩余使用寿命(RUL)会发生非平稳的下降，这给锂电池剩余使用寿命的预测增加了困难。
现有的相关研究，多以神经网络、高斯过程回归，相关向量机等算法搭建模型，采用电池剩余容量数据作为模型的输入特征进行预测。但这样做存在的问题是，锂电池的剩余容量数据往往难以实时测量，因此若模型采用锂电池的剩余容量数据进行训练，则在实际应用过程中，很可能无法获取模型所需的数据，也就无法正常进行锂电池RUL的预测。
锂电池的剩余容量数据难以实时测量，但锂电池在充放电过程中的电压变化数据却十分容易测量。考虑到锂电池在放电过程中，电压会因负载的不同而有所变化，因此，本文采用锂电池在充电过程中的电压数据作为模型的输入特征。当前锂电池RUL预测领域，虽然相关的方法众多，但尚未有支持向量机回归(Support Vector Regression,SVR)算法的相关模型。SVR是支持向量机(Support Vector Machine,SVM)的一个变体，用于处理回归任务。
SVR算法具有优秀的非线性能力，对于锂电池RUL这种非平稳波动的数据曲线，SVR可以将其投射到高维空间，在原始样本空间中无法线性可分的数据在高维空间中可轻易地将其线性分割。因此，SVR算法十分适合用于锂电池RUL预测。本发明将SVR算法引入锂电池RUL预测领域，使用SVR算法对锂电池充放电过程中产生的电压数据进行分析训练来预测锂电池RUL。
发明内容
针对现有技术中存在的问题，本发明提供了一种基于SVR算法的锂电池剩余寿命预测方法，该方法相较于现有方法，其预测准确度更高。
本发明的技术方案如下：
一种基于支持向量回归算法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:对锂电池运行过程中产生的数据进行监测，从中提取锂电池放电的电压时间序列数据，并根据需要对提取的电压时间序列数据进行特征生成，按照相等电压差的原则对放电过程中的电压变化数据进行整理；
2)构建模型:构建SVR算法模型，建立样本空间到高维空间的映射，使非平稳的训练数据可以在高维空间被线性拟合；
3)训练并预测:将所提取的放电过程中的电压变化数据送入SVR模型中进行训练，并用所学习到的高维映射关系对锂电池RUL进行预测。
所述的一种基于支持向量回归算法的锂电池剩余寿命预测方法,其特征在于，所述步骤1)具体为：按照相等电压差的原则选择一个放电电压区间，即提取放电过程中电压从某一高电压下降到某一低电压所需的时间，将其组成为电压变化时序特征。
所述的一种基于支持向量回归算法的锂电池剩余寿命预测方法,其特征在于，所述步骤2)具体为：依托SVR算法建立模型，将在特征提取阶段所提取到的电压时序数据和电池RUL数据整合为完整数据集D＝{(x1,y1),(x2,y2),…,(xN,yN)}，对于样本(x,y)，SVR假设可容忍模型输出值f(x)与真实值y之间最多有ε的差别，即仅当f(x)与y之间的差别绝对值大于ε时才计算损失。于是，SVR算法可将问题形式化为：
Figure BDA0002643040170000021
其中，w和b分别表示SVR算法在高维空间所构造的拟合曲线的法向量和位移项，C为正则化常数。l为ε不敏感损失函数，具体如下式：
Figure BDA0002643040170000022
其中，z表示SVR算法的拟合值与真实值的误差，ε为误差的阈值；
这表明SVR算法以其输出值f(x)为中心向两侧各扩展ε的长度，只要锂电池RUL的真实值y处于以拟合值f(x)为中心的2ε宽度内，就可以认为SVR算法的预测是可接受的；
若引入松弛变量ξi和
Figure BDA0002643040170000031
即认为上述提到的2ε扩展区并非刚性扩展区，而是可以有所松弛的扩展，则式(1)可表示为：
Figure BDA0002643040170000032
由式(3)可知，通过输出值f(x)、真实值y、扩展长度ε与松弛变量ξi和
Figure BDA0002643040170000033
的相互制约关系，最终可明确判断真实值y是否落在了以输出值f(x)为中心，扩展长度2ε为宽度的弹性区域内，并由此可知SVR算法的预测是否准确；
SVR算法通过在高维空间构建预测曲线及其弹性扩展区域来对所提取到的放电电压时间序列数据和电池RUL数据进行学习，通过不断调整预测值以及弹性扩展区域的大小来逼近真实值，最终完成建模。
所述的一种基于支持向量回归算法的锂电池剩余寿命预测方法,其特征在于，所述步骤3)具体为：对所选择的特征数据进行处理，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
Figure BDA0002643040170000034
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；
使用训练得到的基于SVR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：
Figure BDA0002643040170000035
其中，
Figure BDA0002643040170000041
表示真实数据，yi表示模型的输出，k表示测试集包含样本个数。
本发明的有益效果是：本发明通过从电池运行数据中提取放电电压变化时间序列数据，并通过SVR算法对所提取的数据进行分析，在高维空间中建立放电电压数据与电池RUL数据之间的映射关系，克服了一般预测模型无法捕捉锂电池相关数据关系的难点，实验表明该方法可准确预测锂电池RUL。
附图说明
图1是本发明对锂电池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SVR算法的锂电池剩余寿命预测方法，包含以下步骤：
1)特征提取
对锂电池运行过程中产生的数据进行监测，从中提取锂电池放电的电压时间序列数据，并根据需要对提取的电压时间序列数据进行特征生成，按照相等电压差的原则对放电过程中的电压变化数据进行整理。
具体做法是按照某种原则选择一个放电电压区间，即提取放电过程中电压从某一高电压下降到某一低电压所需的时间，将其组成为电压变化时序特征。
2)构建模型
构建SVR算法模型，建立样本空间到高维空间的映射，使非平稳的训练数据可以在高维空间被线性拟合。
具体做法是依托SVR算法建立模型。将在特征提取阶段所提取到的电压时序数据和电池RUL数据整合为完整数据集D＝{(x1,y1),(x2,y2),…,(xN,yN)}，对于样本(x,y)，SVR假设可容忍模型输出值f(x)与真实值y之间最多有ε的差别，即仅当f(x)与y之间的差别绝对值大于ε时才计算损失。于是，SVR算法可将问题形式化为：
Figure BDA0002643040170000042
其中，w和b分别表示SVR算法在高维空间所构造的拟合曲线的法向量和位移项，C为正则化常数。l为ε不敏感损失函数，具体如下式：
Figure BDA0002643040170000051
其中，z表示SVR算法的拟合值与真实值的误差，ε为误差的阈值。
这表明SVR算法以其输出值f(x)为中心向两侧各扩展ε的长度，只要锂电池RUL的真实值y处于以拟合值f(x)为中心的2ε宽度内，就可以认为SVR算法的预测是可接受的。
若引入松弛变量ξi和
Figure BDA0002643040170000052
即认为上述提到的2ε扩展区并非刚性扩展区，而是可以有所松弛的扩展，则式(1)可表示为：
Figure BDA0002643040170000053
由式(3)可知，通过输出值f(x)、真实值y、扩展长度ε与松弛变量ξi和
Figure BDA0002643040170000054
的相互制约关系，最终可明确判断真实值y是否落在了以输出值f(x)为中心，扩展长度2ε为宽度的弹性区域内，并由此可知SVR算法的预测是否准确。
SVR算法通过在高维空间构建预测曲线及其弹性扩展区域来对所提取到的放电电压时间序列数据和电池RUL数据进行学习，通过不断调整预测值以及弹性扩展区域的大小来逼近真实值，最终完成建模。
3)训练并预测
将所提取的放电过程中的电压变化数据送入SVR模型中进行训练，并用所学习到的高维映射关系对锂电池RUL进行预测。
具体做法是对所选择的特征数据进行处理，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
Figure BDA0002643040170000055
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。
使用训练得到的基于SVR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：
Figure BDA0002643040170000061
其中，
Figure BDA0002643040170000062
表示真实数据，yi表示模型的输出，k表示测试集包含样本个数。
实施例：
1)特征提取
对锂电池运行过程中产生的数据进行监测，从中提取锂电池放电的电压时间序列数据，根据经验，按照相等电压差的原则选择(3.7V，3.4V)范围内的等电压差放电时间序列作为模型的输入特征。
2)构建模型
使用SVR算法在高维空间建立锂电池RUL数据的拟合曲线以及弹性扩展区域，输入特征设置为等电压差放电时间序列一维特征，输出为锂电池RUL。
3)训练并预测
对所选择的(3.7V，3.4V)范围内的等电压差放电时间序列数据进行标准化处理，并将处理后的电压时间序列数据与锂电池RUL数据一起送入SVR模型中进行训练和预测。采用RMSE作为评价指标对SVR模型的预测结果进行评估。SVR模型的预测结果如表1所示。附图1是模型预测结果与真实值的对比，可以看出模型可以准确地预测锂电池RUL的走势。
表1模型预测结果评估
Figure BDA0002643040170000063

Claims (4)

1.一种基于支持向量回归算法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:对锂电池运行过程中产生的数据进行监测，从中提取锂电池放电的电压时间序列数据，并根据需要对提取的电压时间序列数据进行特征生成，按照相等电压差的原则对放电过程中的电压变化数据进行整理；
2)构建模型:构建SVR算法模型，建立样本空间到高维空间的映射，使非平稳的训练数据在高维空间被线性拟合；
3)训练并预测:将所提取的放电过程中的电压变化数据送入SVR模型中进行训练，并用所学习到的高维映射关系对锂电池RUL进行预测。
2.根据权利要求1所述的一种基于支持向量回归算法的锂电池剩余寿命预测方法,其特征在于，所述步骤1)具体为：按照相等电压差原则选择一个放电电压区间，即提取放电过程中电压从某一高电压下降到某一低电压所需的时间，将其组成为电压变化时序特征。
3.根据权利要求1所述的一种基于支持向量回归算法的锂电池剩余寿命预测方法,其特征在于，所述步骤2)具体为：依托SVR算法建立模型，将在特征提取阶段所提取到的电压时序数据和电池RUL数据整合为完整数据集D＝{(x1,y1),(x2,y2),…,(xN,yN)}，对于样本(x,y)，SVR假设可容忍模型输出值f(x)与真实值y之间最多有ε的差别，即仅当f(x)与y之间的差别绝对值大于ε时才计算损失；于是，SVR算法可将问题形式化为：
Figure FDA0002643040160000011
其中，w和b分别表示SVR算法在高维空间所构造的拟合曲线的法向量和位移项，C为正则化常数；l为ε不敏感损失函数，具体如下式：
Figure FDA0002643040160000012
其中，z表示SVR算法的拟合值与真实值的误差，ε为误差的阈值；
这表明SVR算法以其输出值f(x)为中心向两侧各扩展ε的长度，只要锂电池RUL的真实值y处于以拟合值f(x)为中心的2ε宽度内，就认为SVR算法的预测是可接受的；
若引入松弛变量ξi和
Figure FDA0002643040160000021
即认为上述提到的2ε扩展区并非刚性扩展区，而是有所松弛的扩展，则式(1)可表示为：
Figure FDA0002643040160000022
由式(3)可知，通过输出值f(x)、真实值y、扩展长度ε与松弛变量ξi和
Figure FDA0002643040160000023
的相互制约关系，最终可明确判断真实值y是否落在了以输出值f(x)为中心，扩展长度2ε为宽度的弹性区域内，并由此可知SVR算法的预测是否准确；
SVR算法通过在高维空间构建预测曲线及其弹性扩展区域来对所提取到的放电电压时间序列数据和电池RUL数据进行学习，通过不断调整预测值以及弹性扩展区域的大小来逼近真实值，最终完成建模。
4.根据权利要求1所述的一种基于支持向量回归算法的锂电池剩余寿命预测方法,其特征在于，所述步骤3)具体为：对所选择的特征数据进行处理，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：
Figure FDA0002643040160000024
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；
使用训练得到的基于SVR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：
Figure FDA0002643040160000025
其中，
Figure FDA0002643040160000026
表示真实数据，yi表示模型的输出，k表示测试集包含样本个数。
CN202010845888.4A 2020-08-20 2020-08-20 一种基于支持向量回归算法的锂电池剩余寿命预测方法 Pending CN111999650A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010845888.4A CN111999650A (zh) 2020-08-20 2020-08-20 一种基于支持向量回归算法的锂电池剩余寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010845888.4A CN111999650A (zh) 2020-08-20 2020-08-20 一种基于支持向量回归算法的锂电池剩余寿命预测方法

Publications (1)

Publication Number Publication Date
CN111999650A true CN111999650A (zh) 2020-11-27

Family

ID=73472378

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010845888.4A Pending CN111999650A (zh) 2020-08-20 2020-08-20 一种基于支持向量回归算法的锂电池剩余寿命预测方法

Country Status (1)

Country Link
CN (1) CN111999650A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113109715A (zh) * 2021-03-29 2021-07-13 东华大学 基于特征选择和支持向量回归的电池健康状况预测方法
CN113205233A (zh) * 2021-06-10 2021-08-03 湖北东湖实验室 基于灰狼算法和多核支持向量回归的锂电池寿命预测方法
CN113311337A (zh) * 2021-05-21 2021-08-27 电子科技大学 基于相关向量回归的锂离子电池剩余寿命检测方法
CN113640675A (zh) * 2021-07-29 2021-11-12 南京航空航天大学 基于Snippets特征提取的航空锂电池异常检测方法
CN113687237A (zh) * 2021-08-20 2021-11-23 浙江科技学院 一种保障电气安全的锂电池剩余充电时间预测方法
CN114167284A (zh) * 2021-11-02 2022-03-11 江苏博强新能源科技股份有限公司 基于bms大数据和集成学习的锂电池rul预测方法及设备

Citations (8)

* Cited by examiner, † Cited by third party
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
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
US20160259014A1 (en) * 2015-03-03 2016-09-08 Samsung Electronics Co., Ltd. Method and apparatus for automatically estimating remaining useful life (rul) of battery in real time
CN106908736A (zh) * 2017-03-17 2017-06-30 哈尔滨工业大学 基于深度置信网和相关向量机融合的锂电池剩余寿命预测方法
CN108646189A (zh) * 2018-05-08 2018-10-12 国网陕西省电力公司电力科学研究院 一种面向铅酸蓄电池剩余容量预测的libsvm建模方法
CN110161425A (zh) * 2019-05-20 2019-08-23 华中科技大学 一种基于锂电池退化阶段划分的剩余使用寿命的预测方法
CN110687451A (zh) * 2019-08-28 2020-01-14 武汉科技大学 基于误差补偿的支持向量机锂电池剩余寿命预测方法
CN111361759A (zh) * 2020-03-02 2020-07-03 哈尔滨工业大学 基于混合模型的飞机辅助动力装置在翼剩余寿命预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
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
US20160259014A1 (en) * 2015-03-03 2016-09-08 Samsung Electronics Co., Ltd. Method and apparatus for automatically estimating remaining useful life (rul) of battery in real time
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
CN106908736A (zh) * 2017-03-17 2017-06-30 哈尔滨工业大学 基于深度置信网和相关向量机融合的锂电池剩余寿命预测方法
CN108646189A (zh) * 2018-05-08 2018-10-12 国网陕西省电力公司电力科学研究院 一种面向铅酸蓄电池剩余容量预测的libsvm建模方法
CN110161425A (zh) * 2019-05-20 2019-08-23 华中科技大学 一种基于锂电池退化阶段划分的剩余使用寿命的预测方法
CN110687451A (zh) * 2019-08-28 2020-01-14 武汉科技大学 基于误差补偿的支持向量机锂电池剩余寿命预测方法
CN111361759A (zh) * 2020-03-02 2020-07-03 哈尔滨工业大学 基于混合模型的飞机辅助动力装置在翼剩余寿命预测方法

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113109715A (zh) * 2021-03-29 2021-07-13 东华大学 基于特征选择和支持向量回归的电池健康状况预测方法
CN113109715B (zh) * 2021-03-29 2022-07-05 东华大学 基于特征选择和支持向量回归的电池健康状况预测方法
CN113311337A (zh) * 2021-05-21 2021-08-27 电子科技大学 基于相关向量回归的锂离子电池剩余寿命检测方法
CN113205233A (zh) * 2021-06-10 2021-08-03 湖北东湖实验室 基于灰狼算法和多核支持向量回归的锂电池寿命预测方法
CN113640675A (zh) * 2021-07-29 2021-11-12 南京航空航天大学 基于Snippets特征提取的航空锂电池异常检测方法
CN113640675B (zh) * 2021-07-29 2022-05-20 南京航空航天大学 基于Snippets特征提取的航空锂电池异常检测方法
CN113687237A (zh) * 2021-08-20 2021-11-23 浙江科技学院 一种保障电气安全的锂电池剩余充电时间预测方法
CN113687237B (zh) * 2021-08-20 2024-04-05 浙江科技学院 一种保障电气安全的锂电池剩余充电时间预测方法
CN114167284A (zh) * 2021-11-02 2022-03-11 江苏博强新能源科技股份有限公司 基于bms大数据和集成学习的锂电池rul预测方法及设备
CN114167284B (zh) * 2021-11-02 2023-12-22 江苏博强新能源科技股份有限公司 基于bms大数据和集成学习的锂电池rul预测方法及设备

Similar Documents

Publication Publication Date Title
CN111999650A (zh) 一种基于支持向量回归算法的锂电池剩余寿命预测方法
CN110752410B (zh) 一种快速分选和重组退役锂电池的方法
Kaur et al. Deep learning networks for capacity estimation for monitoring SOH of Li‐ion batteries for electric vehicles
Chen et al. State of health estimation for lithium-ion batteries based on fusion of autoregressive moving average model and elman neural network
CN110224192B (zh) 一种梯次利用动力电池寿命预测方法
CN108896914B (zh) 一种锂电池健康状况的梯度提升树建模与预测方法
CN103954913A (zh) 电动汽车动力电池寿命预测方法
CN111999649A (zh) 一种基于XGBoost算法的锂电池剩余寿命预测方法
CN112380630B (zh) 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
CN106597311A (zh) 基于主成分分析的融合hi等效性锂离子电池退化预测方法
CN114861527A (zh) 一种基于时间序列特征的锂电池寿命预测方法
CN112287980B (zh) 基于典型特征向量的动力电池筛选方法
CN115469227B (zh) 一种集合变分自编码器与动态规整的锂电池异常检测方法
CN116298935B (zh) 一种基于对抗编码器网络的锂离子电池健康状态估计方法
CN112305441A (zh) 一种集成式聚类下的动力电池健康状态评估方法
CN114460481A (zh) 基于Bi-LSTM和注意力机制的储能电池热失控预警方法
CN113657030A (zh) 一种基于高斯过程回归的锂电池剩余使用寿命预测方法
CN117154263A (zh) 锂电池梯次利用充放电系统及控制方法
CN111090679B (zh) 基于时序影响和图嵌入的时序数据表示学习方法
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统
CN117289167A (zh) 基于多重神经网络的电池剩余寿命预测方法、装置及介质
CN111506636A (zh) 一种基于自回归和近邻算法的居民用电行为分析的系统及方法
Zhang et al. Remaining useful life prediction of lithium-ion batteries based on TCN-DCN fusion model combined with IRRS filtering
CN115018133A (zh) 一种基于混沌理论和非线性系统的锂电池容量预测方法
Liu et al. State of health estimation of lithium-ion batteries based on multi-feature extraction and temporal convolutional network

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