CN112014757A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112014757A CN112014757A CN202010879594.3A CN202010879594A CN112014757A CN 112014757 A CN112014757 A CN 112014757A CN 202010879594 A CN202010879594 A CN 202010879594A CN 112014757 A CN112014757 A CN 112014757A
- Authority
- CN
- China
- Prior art keywords
- value
- neural network
- wavelet neural
- soh
- battery
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000002068 genetic effect Effects 0.000 title claims abstract description 41
- 238000004458 analytical method Methods 0.000 title claims abstract description 14
- 238000010220 Pearson correlation analysis Methods 0.000 claims abstract description 6
- 238000010606 normalization Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 20
- 230000036541 health Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 13
- 210000000349 chromosome Anatomy 0.000 claims description 9
- 238000013519 translation Methods 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 108090000623 proteins and genes Proteins 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 4
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 2
- 229910052744 lithium Inorganic materials 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 abstract description 3
- 230000002596 correlated effect Effects 0.000 abstract 1
- 238000010200 validation analysis Methods 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 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]
- G01R31/392—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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了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，属于电池技术领域。本发明提出在容量增量曲线上提取多个初始特征值，并利用皮尔逊相关分析法分析相关性，获得与容量强相关的特征值。然后以特征值即峰值及其峰位作为输入，SOH作为输出，以小波神经网络为基本模型，利用遗传算法优化权值，建立遗传小波神经网络模型进行电池SOH估计，提高估计精度。使用Nasa电池数据集的部分数据进行实验证明了SOH估计的有效性。
Description
技术领域
本发明属于电池技术领域，具体涉及电池健康状态估算的方法。
背景技术
在环境污染日益加重以及能源紧缺的压力下，电动汽车逐渐成为汽车发展的主流。锂离子电池凭借高功率容量、低自放电率和低环境污染等优越性被广泛用于电动汽车上，电池性能随着电池持续运行而发生容量损失、电阻增大等变化。因此了解和准确估计电池健康状态可以反应电池老化和损坏状态，对汽车的安全性和可靠性非常重要。
当前，电池健康状态(State of Health,SOH)估算方法有很多，可分为基于电路模型、基于电化学模型以及数据驱动方法等。基于电路模型方法的精度及其依赖电路模型的精准，基于电化学模型需要通过分析电池内部反应耦合电化学方程，计算量大且复杂。而数据驱动方法是将电池比作不知内部结构的黑箱子，通过电池外部参数与电池状态参数统一进行样本训练，找到外部参数和电池健康状态之间的关系，从而估算电池当前状态。神经网络(Artificial neural Network,ANN)、支持向量机(Support Vector Machine,SVM)、逻辑回归(Logistic Regression,LR)、灰色理论(Grey Theory,TH)、遗传算法(GeneticAlgorithm,GA)等。这些数据驱动的方法不依赖模型，也不需要分析电池内部复杂机理。相比与其他数据驱动的方法，神经网络具有较强的自学习能力，能获得较高的预测精度。小波神经网络(Wavelet Neural Network,WNN)既具有神经网络的自学习特性又充继承了小波变换优良的时频局部化特性，可实现较强的非线性逼近能力，但是WNN是采用误差下降法来进行训练，易陷入局部最优导致预测精度低。有人建立多隐含层WNN模型,利用LM算法优化，通过实验验证该方法虽然在估计精度、鲁棒性和适用性有较好性能。但是该方法隐含层过多导致计算量增大。有人提出融合信号处理的方法，如通过提取相关曲线的面积、位置或梯度来估算电池健康状态。例如利用DTV曲线上的峰值建立电池模型，在计算得到DTV曲线过程中需要灵敏度较高的热电偶等实验设备。
发明内容
本发明的目的是为了解决现有存在的技术问题,针对SOH特征参数选取以及WNN估算SOH陷入局部最优的问题,进而提出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，其特征在于，具体包括：
S1,确定小波神经网络的输入输出量,采用皮尔逊相关分析法得到相关程度高的特征量，即峰值1及其峰位，将二者作为小波神经网络的输出，电池SOH为WNN的输出，其中，相关程度高的特征量的具体获取方法是：
通过容量增量分析法对锂电池数据进行处理变换，即：
其中，I，V，t分别为电池电流、电压以及时间，采用皮尔逊相关分析法选取IC曲线上与电池容量衰减相关的多个初步容量增量特征，并与电池容量进行分析，得到相关性强的特征量即峰值1及其峰位，并将数据集分成训练集和测试集；
S2，对训练和测试数据集进行预处理，归一化处理，即对样本数据进行归一化处理，归一化处理是使用归一化公式将本数据归一化为[0,1]之间,使负荷数据处于同一数量级别,加快神经网络收敛，采用的归一化公式为：
其中，max X1i为特征值峰值1的最大值，min X1i为特征值峰值1的最小值，x1i为对应峰值1的归一化数值，max X2i为特征值峰位的最大值，min X2i为特征值峰位的最小值，x2i为对应峰位的归一化数值，max SOH为电池最大健康状态，min SOH为电池最小健康状态，soh为对应SOH的归一化数值；
S3,利用遗传算法获得小波神经网络的最优初始权值，并将其用于小波神经网络；
S4，使用数据集中的训练集对遗传小波神经网络进行训练,用训练好的遗传小波神经网络输入测试集后进行估算,得到估算结果，将估算数据反归一化,从而得到实际的估测值，其中反归一化公式根据归一化公式推导得到,通过反归一化公式可以得到实际数量级的数值，其公式为：
其中，max X1i为特征值峰值1的最大值，min X1i为特征值峰值1的最小值，x1i为对应峰值1的归一化数值，max X2i为特征值峰位的最大值，min X2i为特征值峰位的最小值，x2i为对应峰位的归一化数值，max SOH为电池最大健康状态，min SOH为电池最小健康状态，soh为对应SOH的归一化数值。
在上述的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，遗传小波神经网络基于小波隐含层传递函数，该函数为小波函数；小波神经网络包含三层,分别是输入层、隐含是、输出层,隐含层和输入层、输出层之间分别有连接权值，其隐含层函数为
其中，a、b为节点的尺度因子和平移因子，模型输出定义式如下：
Xi为输入层第i节点的输入，yn为输出层第n节点的输出；
通过对此模型中的权值、尺度因子以及平移因子不断进行调整，提升模型的稳定性与估计精度，使得不断完善模型，适合实际应用，定义误差函数为：
式中P代表输入个数，
为输出层第n节点的期望值，
为真实值，对权值、平移以及伸缩因子的调整包括：
其中，η为小波神经网络的学习效率。
在上述的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，最优初始权值的具体获取方法是将小波神经网络获得的初始权值进行编码，然后利用预处理后的训练集训练小波神经网络，得到小波神经网络初始估计值,将训练误差和实际SOH作为遗传算法种群个体的适应度值,如公式(1)所示：
F＝abs(d-y) (8)
上式中,F为适应度值,d为小波神经网络估计SOH值,y为实际SOH值,abs表示取绝对值；
确定了个体的适应度值后,在种群内部进行选择、交叉、变异操作；
设每个个体的选择概率为p,即选择操作：
f＝k/Fi (9)
i表示个体编号,1≤i≤N,i为正整数,N为种群个体数目；F为个体i的适应度值,f为计算个体选择概率的中间过度量,k为系数；
第k染色体和第1个染色体在j位的交叉操作方法如下：
akj＝akj(1b)a1jb (11)
a1j＝a1j(1b)akjb (12)
akj表示第k染色体的第j位,a1j为第1个染色体的第位j,b为[0,1间的随机数，j为正整数:
选择第i个体的第j基因进行变异,变异操作方法如下：
r2为一个随机数；g为当前迭代次数；Gmax为最大进化数，amax、amin表示基因的上下界，在遗传算法迭代完毕后,即获得具有最优适应度值的个体,然后将个体适应度值賦给小波神经网络作为网络初始权值。
因此，本发明具有如下优点：首先利用遗传算法优化小波神经网络，构成遗传小波神经网络模型。该模型兼小波神经网络和遗传算法的优点，不仅具有将强的寻优能力，还具有较强的非线性拟合能力。将该模型与增量容量分析结合用于SOH估计，相比于现有技术，既可以实现在线实时估计，又可以提高估计精度。
附图说明
图1为IC曲线特征值。
图2为小波神经网络结构图。
图3为遗传小波神经网络估算SOH模型。
图4a为基于GA-WNN和WNN的电池#5SOH估算结果。
图4b为基于GA-WNN和WNN的电池#6SOH估算结果。
图4c为基于GA-WNN和WNN的电池#7SOH估算结果。
图4d为基于GA-WNN和WNN的电池#18SOH估算结果。
图5a为电池SOH估算的MAE。
图5b为电池SOH估算的MAPE。
具体实施方式
下面以Nasa电池数据为样本，对本发明用于作进一步的详细说明。
一种增量容量分析和遗传小波神经网络融合的电池SOH估算方法，步骤如下：
步骤1：绘制容量增量曲线与特征量提取
利用电池放电数据处理得到容量增量数据，并绘制IC曲线，其中，容量增量定义为在相同电压变化内电池充放电电量的变化量，通常表示为：
其中，I，V，t分别为电池电流、电压以及时间。选取IC曲线上与电池容量衰减相关的多个初步容量增量特征，如图1所示，并与电池容量进行分析，得到相关性强的特征量。
步骤2:确定小波神经网络的输入与输出
本发明采用皮尔逊相关分析法得到相关程度高的特征量；峰值1及其峰位，将二者作为小波神经网络的输出，电池SOH为WNN的输出。
步骤3:数据预处理，归一化处理
对样本数据进行归一化处理。归一化处理是使用归一化公式将本数据归一化为[0,1]之间,使负荷数据处于同一数量级别,加快神经网络收敛。本发明实例中采用的归一化公式为：
其中，max X1i为特征值峰值1的最大值，min X1i为特征值峰值1的最小值，x1i为对应峰值1的归一化数值。max X2i为特征值峰位的最大值，min X2i为特征值峰位的最小值，x2i为对应峰位的归一化数值。max SOH为电池最大健康状态，min SOH为电池最小健康状态，soh为对应SOH的归一化数值。
步骤4:建立遗传小波神经网络模型
步骤4.1:小波神经网络的拓扑结
小波神经网络的典型拓扑结构如图2所示。小波神经网络包含三层,分别是输入层、隐含是、输出层,隐含层和输入层、输出层之间分别有连接权值,传递函数为Morlet函数，其函数为：
其中，a,b为节点的尺度因子和平移因子。模型输出定义式如下：
Xi为输入层第i节点的输入，yn为输出层第n节点的输出。
通过对此模型中的权值、尺度因子以及平移因子不断进行调整，提升模型的稳定性与估计精度，使得不断完善模型，适合实际应用。定义误差函数为：
式中P代表输入个数，
为输出层第n节点的期望值，
为真实值，对权值、平移以及伸缩因子的调整包括：
其中，η为小波神经网络的学习效率，通过对式(5)中的参数不断调整，提高精度，并利用实例验证模型效果。
在本实施例中,输入层为2个,即峰值1及其峰位；输出层为1个,即电池SOH。该网络的隐含层为单隐含层,根据神经网络所训练的效果,结合经验公式并最终确定其隐含层神经元的个数
步骤4.2:利用遗传算法获得小波神经网络的最优初始权值。
在输入层之前先要进行遗传寻优,获得较好的初始网络权值,使小波神经网络能够更快收敛,适应度较小,网络的训练输出误差较小结合图2,对小波神经网络初始权值进行遗传算法优化的具休步骤如下：
先利用训练集获得小波神经网络的随机初始权值，并将网络初始权值编码为实数串，训练小波神经网络,得到小波神经网络初始估计值,将训练误差和实际SOH作为遗传算法种群个体的适应度值,如公式(1)所示：
F＝abs(d-y) (20)
上式中,F为适应度值,d为小波神经网络估测SOH值,y为实际SOH值,abs表示取绝对值。
确定了个体的适应度值后,在种群内部进行选择、交叉、变异操作。
设每个个体的选择概率为p,即选择操作
f＝k/Fi (21)
i表示个体编号,1≤i≤N,i为正整数,N为种群个体数目；F为个体i的适应度值,f为计算个体选择概率的中间过度量,k为系数
第k染色体和第1个染色体在j位的交叉操作方法如下：
akj＝akj(1b)a1jb (23)
a1j＝a1j(1b)akjb (24)
akj表示第k染色体的第j位,a1j为第1个染色体的第j位,b为[0,1间的随机数，j为正整数:
选择第i个体的第j基因进行变异,变异操作方法如下：
r2为一个随机数；g为当前迭代次数；Gmax为最大进化数，amax、amin表示基因的上下界。通过上述步骤,在遗传算法迭代完毕后,即获得具有最优适应度值的个体,然后将个体适应度值賦给小波神经网络作为网络初始权值。
如此,便获得遗传小波神经网络。
步骤5:使用Nasa#5前100次循环数据作为训练进行样本预处理后,对遗传小波神经网络进行训练,用训练好的遗传小波神经网络进行估算,得到估算结果，如图3所示。将估算数据反归一化,从而得到实际的估测值。其中反归一化公式根据归一化公式推导得到,通过反归一化公式可以得到实际数量级的数值，其公式为：
其中，max X1i为特征值峰值1的最大值，min X1i为特征值峰值1的最小值，x1i为对应峰值1的归一化数值。max X2i为特征值峰位的最大值，min X2i为特征值峰位的最小值，x2i为对应峰位的归一化数值。max SOH为电池最大健康状态，min SOH为电池最小健康状态，soh为对应SOH的归一化数值。
以Nasa数据#5、6、7、18循环数据作为测试数据,经过数据归一化处理后,得到小波神经网络的初始数据,通过己经构建好的遗传小波神经网络,最终得到估计值。图4和图5分别为小波神经网络和遗传小波神经网络的估计#5，6，7，18电池效果图由对比可知,小波神经网络误差较大,而遗传小波神经网络的估计误差控制在3％以内。
另外，对于本技术领域人员，在不脱离本发明的前提下，还可以做出若干改进和补充，这些依据本发明所做出的补充应该包含在本发明所要求保护的范围内。
Claims (3)
1.一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，其特征在于，具体包括：
S1,确定小波神经网络的输入输出量,采用皮尔逊相关分析法得到相关程度高的特征量，即峰值1及其峰位，将二者作为小波神经网络的输出，电池SOH为WNN的输出，其中，相关程度高的特征量的具体获取方法是：
通过容量增量分析法对锂电池数据进行处理变换，即：
其中，I，V，t分别为电池电流、电压以及时间，采用皮尔逊相关分析法选取IC曲线上与电池容量衰减相关的多个初步容量增量特征，并与电池容量进行分析，得到相关性强的特征量即峰值1及其峰位，并将数据集分成训练集和测试集；
S2，对训练和测试数据集进行预处理，归一化处理，即对样本数据进行归一化处理，归一化处理是使用归一化公式将本数据归一化为[0,1]之间,使负荷数据处于同一数量级别,加快神经网络收敛，采用的归一化公式为：
其中，maxX1i为特征值峰值1的最大值，minX1i为特征值峰值1的最小值，x1i为对应峰值1的归一化数值，maxX2i为特征值峰位的最大值，minX2i为特征值峰位的最小值，x2i为对应峰位的归一化数值，maxSOH为电池最大健康状态，minSOH为电池最小健康状态，soh为对应SOH的归一化数值；
S3,利用遗传算法获得小波神经网络的最优初始权值，并将其用于小波神经网络；
S4，使用数据集中的训练集对遗传小波神经网络进行训练,用训练好的遗传小波神经网络输入测试集后进行估算,得到估算结果，将估算数据反归一化,从而得到实际的估测值，其中反归一化公式根据归一化公式推导得到,通过反归一化公式可以得到实际数量级的数值，其公式为：
其中，maxX1i为特征值峰值1的最大值，minX1i为特征值峰值1的最小值，x1i为对应峰值1的归一化数值，maxX2i为特征值峰位的最大值，minX2i为特征值峰位的最小值，x2i为对应峰位的归一化数值，maxSOH为电池最大健康状态，minSOH为电池最小健康状态，soh为对应SOH的归一化数值。
2.根据权利要求1所述的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，其特征在于，遗传小波神经网络基于小波隐含层传递函数，该函数为小波函数；小波神经网络包含三层,分别是输入层、隐含是、输出层,隐含层和输入层、输出层之间分别有连接权值，其隐含层函数为
其中，a、b为节点的尺度因子和平移因子，模型输出定义式如下：
Xi为输入层第i节点的输入，yn为输出层第n节点的输出；
通过对此模型中的权值、尺度因子以及平移因子不断进行调整，提升模型的稳定性与估计精度，使得不断完善模型，适合实际应用，定义误差函数为：
式中P代表输入个数，
为输出层第n节点的期望值，
为真实值，对权值、平移以及伸缩因子的调整包括：
其中，η为小波神经网络的学习效率。
3.根据权利要求2所述的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，其特征在于，最优初始权值的具体获取方法是将小波神经网络获得的初始权值进行编码，然后利用预处理后的训练集训练小波神经网络，得到小波神经网络初始估计值,将训练误差和实际SOH作为遗传算法种群个体的适应度值,如公式(1)所示：
F＝abs(d-y) (8)
上式中,F为适应度值,d为小波神经网络估计SOH值,y为实际SOH值,abs表示取绝对值；
确定了个体的适应度值后,在种群内部进行选择、交叉、变异操作；
设每个个体的选择概率为p,即选择操作：
f＝k/Fi (9)
i表示个体编号,1≤i≤N,i为正整数,N为种群个体数目；F为个体i的适应度值,f为计算个体选择概率的中间过度量,k为系数；
第k染色体和第1个染色体在j位的交叉操作方法如下：
akj＝akj(1b)a1jb (11)
a1j＝a1j(1b)akjb (12)
akj表示第k染色体的第j位,a1j为第1个染色体的第位j,b为[0,1间的随机数，j为正整数:
选择第i个体的第j基因进行变异,变异操作方法如下：
r2为一个随机数；g为当前迭代次数；Gmax为最大进化数，amax、amin表示基因的上下界，在遗传算法迭代完毕后,即获得具有最优适应度值的个体,然后将个体适应度值賦给小波神经网络作为网络初始权值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010879594.3A CN112014757A (zh) | 2020-08-27 | 2020-08-27 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010879594.3A CN112014757A (zh) | 2020-08-27 | 2020-08-27 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112014757A true CN112014757A (zh) | 2020-12-01 |
Family
ID=73503746
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010879594.3A Pending CN112014757A (zh) | 2020-08-27 | 2020-08-27 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112014757A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112858917A (zh) * | 2021-01-15 | 2021-05-28 | 哈尔滨工业大学（威海） | 基于遗传算法优化神经网络的电池系统多故障诊断方法 |
| CN113740736A (zh) * | 2021-08-31 | 2021-12-03 | 哈尔滨工业大学 | 一种基于深度网络自适应的电动汽车锂电池soh估算方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103048625A (zh) * | 2011-10-17 | 2013-04-17 | 国际商业机器公司 | 电池的状态预测系统、方法及程序 |
| CN103675707A (zh) * | 2013-12-13 | 2014-03-26 | 国家电网公司 | 锂离子电池峰值功率在线评估方法 |
| CN108091135A (zh) * | 2017-12-12 | 2018-05-29 | 重庆师范大学 | 基于优化小波神经网络的停车泊位多步预测方法 |
| CN108445406A (zh) * | 2018-03-13 | 2018-08-24 | 桂林电子科技大学 | 一种动力电池健康状态估计方法 |
| WO2019243231A1 (de) * | 2018-06-20 | 2019-12-26 | Robert Bosch Gmbh | Verfahren und system zur erkennung einer leckage innerhalb einer membran einer brennstoffzelle |
-
2020
- 2020-08-27 CN CN202010879594.3A patent/CN112014757A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103048625A (zh) * | 2011-10-17 | 2013-04-17 | 国际商业机器公司 | 电池的状态预测系统、方法及程序 |
| CN103675707A (zh) * | 2013-12-13 | 2014-03-26 | 国家电网公司 | 锂离子电池峰值功率在线评估方法 |
| CN108091135A (zh) * | 2017-12-12 | 2018-05-29 | 重庆师范大学 | 基于优化小波神经网络的停车泊位多步预测方法 |
| CN108445406A (zh) * | 2018-03-13 | 2018-08-24 | 桂林电子科技大学 | 一种动力电池健康状态估计方法 |
| WO2019243231A1 (de) * | 2018-06-20 | 2019-12-26 | Robert Bosch Gmbh | Verfahren und system zur erkennung einer leckage innerhalb einer membran einer brennstoffzelle |
Non-Patent Citations (1)
| Title |
|---|
| 陈静 等: "基于改进遗传算法优化的小波神经网络短期负荷预测模型", 《水电与抽水蓄能》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112858917A (zh) * | 2021-01-15 | 2021-05-28 | 哈尔滨工业大学（威海） | 基于遗传算法优化神经网络的电池系统多故障诊断方法 |
| CN113740736A (zh) * | 2021-08-31 | 2021-12-03 | 哈尔滨工业大学 | 一种基于深度网络自适应的电动汽车锂电池soh估算方法 |
| CN113740736B (zh) * | 2021-08-31 | 2024-04-02 | 哈尔滨工业大学 | 一种基于深度网络自适应的电动汽车锂电池soh估算方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112782591B (zh) | 基于多电池数据融合的锂电池soh长期预测方法 | |
| CN112067998A (zh) | 一种基于深度神经网络的锂离子电池荷电状态估计方法 | |
| CN110457789B (zh) | 一种锂离子电池剩余寿命预测方法 | |
| CN112241608A (zh) | 一种基于lstm网络和迁移学习的锂电池寿命预测方法 | |
| CN103018673B (zh) | 一种基于改进型动态小波神经网络的航天Ni-Cd蓄电池寿命预测方法 | |
| 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 | |
| CN113917334B (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
| CN110007235A (zh) | 一种电动汽车蓄电池soc在线预测方法 | |
| CN112269134A (zh) | 一种基于深度学习的电池soc和soh联合估计方法 | |
| 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 | |
| CN112834927A (zh) | 锂电池剩余寿命预测方法、系统、设备及介质 | |
| CN113850320A (zh) | 基于改进支持向量机回归算法的变压器故障检测方法 | |
| CN114384435A (zh) | 一种基于wsa-lstm算法的新能源汽车动力电池剩余使用寿命自适应预测方法 | |
| CN113687242A (zh) | 基于ga算法优化改进gru神经网络的锂离子电池soh估计方法 | |
| CN115980584A (zh) | 基于多特征融合lstm网络的锂电池rul估计方法 | |
| CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
| CN113466710B (zh) | 含新能源受端电网中储能电池的soc与soh协同估算方法 | |
| 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 | |
| CN112149896A (zh) | 一种基于注意力机制的机械设备多工况故障预测方法 | |
| CN116736133A (zh) | 锂离子电池全寿命周期容量退化轨迹的早期预测方法 | |
| CN116609678A (zh) | 基于改进混合模型的锂离子电池剩余寿命预测方法 | |
| CN114280490B (zh) | 一种锂离子电池荷电状态估计方法及系统 | |
| CN115453871A (zh) | 一种基于ide扩展多维泰勒网的非线性系统建模方法 | |
| CN116953529B (zh) | 一种基于数据融合的锂离子动力电池健康评估方法及系统 | |
| CN115902674A (zh) | 基于电池机电特性参数融合的soh估算方法及系统 |
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: 20201201 |
|
| RJ01 | Rejection of invention patent application after publication |