CN112415408A - 一种动力电池soc估算方法 - Google Patents
一种动力电池soc估算方法 Download PDFInfo
- Publication number
- CN112415408A CN112415408A CN202011245524.9A CN202011245524A CN112415408A CN 112415408 A CN112415408 A CN 112415408A CN 202011245524 A CN202011245524 A CN 202011245524A CN 112415408 A CN112415408 A CN 112415408A
- Authority
- CN
- China
- Prior art keywords
- data set
- power battery
- current discharge
- lstm model
- estimation method
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000013508 migration Methods 0.000 claims abstract description 14
- 230000005012 migration Effects 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000012847 principal component analysis method Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000009466 transformation 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及混合动力汽车领域，特别是涉及一种动力电池SOC估算方法。一种动力电池SOC估算方法，所述动力电池用于混合动力汽车中，所述估算方法包括：提供所述动力电池特征参数的实验室恒流放电数据集；使用所述实验室恒流放电数据集训练LSTM模型，得到LSTM模型迁移参数；采集所述动力电池特征参数的实际工况数据集；以及使用所述LSTM模型迁移参数和所述实际工况数据集训练LSTM‑DaNN模型，得到动力电池SOC。上述动力汽车SOC估算方法将所述动力电池特征参数的实验室恒流放电数据集作为有标签的数据，用无标签的所述动力电池特征参数的实际工况数据集辅助所述有标签的数据训练LSTM‑DaNN模型，提升了训练效率，减少了计算量。
Description
技术领域
本发明涉及混合动力汽车领域，特别是涉及一种动力电池SOC估算方法。
背景技术
与传统型汽车相比，混合动力汽车充分吸取了电力/热力系统中最大的优势，很大程度地降低了汽车的耗油量和污染物的排放，可以确保具有同等的性能和优势，并且在节能和排放上胜出一筹。混合动力汽车在现有技术的基础上达到了提高燃料经济性和减少排放的目的，因而极具发展前景。
对于混合动力汽车，动力电池SOC(State Of Charge，荷电状态)的估算是其电池管理系统中的关键技术之一。一般的，混合动力汽车动力电池SOC估算方法有开路电压法、安时积分法、放电实验法、人工神经网络法等。在使用人工神经网络法估算SOC时，只需要建立映射关系训练BP(Back Propagation，反向传播)网络模型，而不需要考虑各个参数之间的关系，在估算的准确性及鲁棒性上具有明显优势。但是，现有的人工神经网络法在估算SOC时，具有计算量大、花费时间长、需要足够的存储空间等缺点。
发明内容
基于此，有必要针对上述技术问题，提供一种动力电池SOC估算方法，将所述动力电池特征参数的实验室恒流放电数据集作为有标签的数据，用无标签的所述动力电池特征参数的实际工况数据集辅助所述有标签的数据训练LSTM-DaNN模型，提升了训练效率，减少了计算量。
一种动力电池SOC估算方法，所述动力电池用于混合动力汽车中，所述估算方法包括：
提供所述动力电池特征参数的实验室恒流放电数据集；
采集所述动力电池特征参数的实际工况数据集；
使用所述实验室恒流放电数据集训练LSTM模型，得到LSTM模型迁移参数；以及
使用所述LSTM模型迁移参数和所述实际工况数据集训练LSTM-DaNN模型，得到动力电池SOC。
上述动力电池SOC估算方法，将所述动力电池特征参数的实验室恒流放电数据集作为有标签的数据，用无标签的所述动力电池特征参数的实际工况数据集辅助所述有标签的数据训练LSTM-DaNN模型，再使用训练好的LSTM-DaNN模型估算动力电池SOC，提升了训练效率，减少了计算量。
在其中一个实施例中，所述特征参数包括所述动力电池的端电压、工作电流和平均温度。
在其中一个实施例中，所述特征参数还包括所述动力电池的电压极差。
在其中一个实施例中，所述提供所述动力电池特征参数的实验室恒流放电数据集的步骤，包括：
提供所述动力电池特征参数的实验室恒流放电原始数据；
对所述实验室恒流放电原始数据进行数据采样，将所述实验室恒流放电原始数据分割成多个同等时间长度的样本，得到所述实验室恒流放电数据集。
在其中一个实施例中，所述采集所述动力电池特征参数的实际工况数据集的步骤，包括：
采集所述动力电池特征参数的实际工况原始数据；
对所述实际工况原始数据进行数据采样，将所述实际工况原始数据分割成多个同等时间长度的样本，得到所述实际工况数据集。
在其中一个实施例中，所述使用所述实验室恒流放电数据集训练LSTM模型，得到LSTM模型迁移参数的步骤，包括：
将所述实验室恒流放电数据集随机分为两部分，所述两部分中较大的部分作为LSTM模型的训练数据，所述两部分中较小的部分作为LSTM模型的测试数据；
利用所述训练数据训练所述LSTM模型，得到训练后的LSTM模型；
利用所述测试数据测试所述训练后的LSTM模型，判断所述训练后的LSTM模型性能是否符合要求；
其中，若所述训练后的LSTM模型性能符合要求，则采集此时的模型参数作为所述LSTM模型迁移参数；若所述训练后的LSTM模型性能不符合要求，则重新调整所述LSTM模型，再次训练，直至性能符合要求。
在其中一个实施例中，所述估算方法还包括对所述实验室恒流放电数据集进行归一化处理，以提高所述LSTM模型的收敛速度和最终的模型精度。
在其中一个实施例中，所述估算方法还包括对所述实际工况数据集进行归一化处理。
在其中一个实施例中，所述估算方法还包括对所述实验室恒流放电数据集和所述实际工况数据集进行降维处理，以进一步减少计算量，提升训练效率。
在其中一个实施例中，所述估算方法所述对所述实验室恒流放电数据集和所述实际工况数据集进行降维处理的步骤采用的是主成分分析法。
附图说明
图1为一个实施例中动力电池SOC估算方法的流程图；
图2为一个实施例中LSTM模型的网络结构图；
图3为另一个实施例中动力电池SOC估算方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
图1为一个实施例中动力电池SOC估算方法的流程图，如图1所示，一种动力电池SOC估算方法，所述动力电池用于混合动力汽车中，所述估算方法包括：
S110，提供所述动力电池特征参数的实验室恒流放电数据集。
S120，采集所述动力电池特征参数的实际工况数据集。
S130，使用所述实验室恒流放电数据集训练LSTM模型，得到LSTM模型迁移参数。
S140，使用所述LSTM模型迁移参数和所述实际工况数据集训练LSTM-DaNN模型，得到动力电池SOC。
具体地，LSTM(Long Short-Term Memory，长短时记忆循环神经网络)模型可以学习长期依赖信息，所述LSTM模型在Tt时刻的输出ht，不仅仅由该Tt时刻的输入xt决定，还与之前时刻的输入相关，所述LSTM模型的网络结构图见图2，其中x0、x0、x0、xt以及h0、h1、h2、ht分别为T0、T1、T2、Tt时刻对应的输入和输出，所述LSTM模型具有优秀的估算准确性及鲁棒性。
具体地，所述LSTM-DaNN模型中的DaNN(Domain adaptive Neural Network，领域自适应网络)模型可以在只有少量无标签的数据的情况下，辅助训练有标的数据，并且量化、减少误差。所述DaNN模型将所述动力电池特征参数的实验室恒流放电数据集作为有标签的数据，将所述动力电池特征参数的实际工况数据集作为无标签的数据，从而保证了在只有少量所述动力电池特征参数的实际工况数据集的情况下估算出所述动力电池SOC，减少了计算量，提升了训练效率。
进一步地，所述DaNN模型采用最大平均差异(Maximum Mean Discrepancy，MMD)来度量两个不同但相关分布的距离，所述LSTM-DaNN模型的损失函数l的计算公式为：
l＝lLSTM+λMMD
其中，lLSTM为所述LSTM模型的损失函数，λ为所述LSTM-DaNN模型权衡网络适配权重的一个参数，可以人工给定。
图3为另一个实施例中动力电池SOC估算方法的流程图，如图3所示，一种动力电池SOC估算方法，所述动力电池用于混合动力汽车中，所述特征参数可以包括所述动力电池的端电压、工作电流和平均温度。
在其中一个实施例中，所述特征参数还可以包括所述动力电池的电压极差。
在其中一个实施例中，所述提供所述动力电池特征参数的实验室恒流放电数据集的步骤S110，可以包括：
S111，提供所述动力电池特征参数的实验室恒流放电原始数据；
S112，对所述实验室恒流放电原始数据进行数据采样，将所述实验室恒流放电原始数据分割成多个同等时间长度的样本，得到所述实验室恒流放电数据集。
具体地，所述实验室恒流放电原始数据可以为在同样时间间隔△T1(例如1s)采样的数据链；在对所述实验室恒流放电原始数据进行数据采样时，可以将实验室恒流放电原始数据分割成多个同等时间长度△T2的样本，例如每个样本长度为30s，样本A1可以包括1～30s的原始数据，样本A2可以包括2～31s的原始数据。
在其中一个实施例中，所述采集所述动力电池特征参数的实际工况数据集的步骤S120，可以包括：
S121，采集所述动力电池特征参数的实际工况原始数据；
S122，对所述实际工况原始数据进行数据采样，将所述实际工况原始数据分割成多个同等时间长度的样本，得到所述实际工况数据集。
具体地，所述实验室恒流放电原始数据可以为在同样时间间隔△T3(例如1s)采样的数据链，△T3＝△T1；在对所述实验室恒流放电原始数据进行数据采样时，可以将实验室恒流放电原始数据分割成多个同等时间长度△T4的样本，△T4＝△T2，例如每个样本长度为30s，样本B1可以包括1～30s的原始数据，样本B2可以包括2～31s的原始数据。
在其中一个实施例中，所述使用所述实验室恒流放电数据集训练LSTM模型，得到LSTM模型迁移参数的步骤S130，可以包括：
S131，将所述实验室恒流放电数据集随机分为两部分，所述两部分中较大的部分作为LSTM模型的训练数据，所述两部分中较小的部分作为LSTM模型的测试数据。
具体地，例如，可以选择百分之七十五的部分作为所述训练数据，选择剩下的所述百分之二十五的部分作为所述测试数据。
S132，利用所述训练数据训练所述LSTM模型，得到训练后的LSTM模型。
具体地，先设置所述LSTM模型的输入层特征维度、输出层特征维度、隐藏层单元个数以及隐藏层层数等模型参数；
将所述训练数据输入到所述LSTM模型中作为输入数据训练所述LSTM模型；
在误差反向传播时，采用自适应矩估计(Adaptive Moment Estimation，Adam)优化器；
进一步地，在训练过程中，采用最大均方根误差(Mean Squared Error，MSE)作为损失函数lLSTM来评估所述LSTM模型的稳健性和精确度。
S133，利用所述测试数据测试所述训练后的LSTM模型，判断所述训练后的LSTM模型性能是否符合要求。
具体地，当绝对误差少于预设值时，判定所述训练后的LSTM模型性能符合要求，采集此时的模型参数作为所述LSTM模型迁移参数；当所述绝对误差大于所述预设值时，判定所述训练后的LSTM模型性能不符合要求，则重新调整所述LSTM模型，再次训练，直至性能符合要求。
在其中一个实施例中，所述估算方法还可以包括：
S150，对所述实验室恒流放电数据集进行归一化处理。
S160，对所述实际工况数据集进行归一化处理。
具体地，对所述动力电池特征参数的实验室恒流放电数据集中每个特征参数的数据进行归一化处理，提高模型收敛速度和最终的模型精度，所用的归一化公式为：
其中，X、Xmin、Xmax、Xnorm分别为特征参数的初始值、所述实验室恒流放电数据集中该特征参数的最小值，所述实验室恒流放电数据集中该特征参数的最大值以及归一化后该特征参数的值。
S170，对所述实验室恒流放电数据集和所述实际工况数据集进行降维处理。
在其中一个实施例中，所述对所述实验室恒流放电数据集和所述实际工况数据集进行降维处理的步骤S170采用的是主成分分析法(Principal Component Analysis，PCA)。
具体地，所述PCA法通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，将所述动力电池的端电压、工作电流、平均温度以及电压极差等多个维度的特征参数转换为二维特征参数，进一步减少计算量，提升训练效率。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种动力电池SOC估算方法，其特征在于，所述动力电池用于混合动力汽车中，所述估算方法包括：
提供所述动力电池特征参数的实验室恒流放电数据集；
采集所述动力电池特征参数的实际工况数据集；
使用所述实验室恒流放电数据集训练LSTM模型，得到LSTM模型迁移参数；以及
使用所述LSTM模型迁移参数和所述实际工况数据集训练LSTM-DaNN模型，得到动力电池SOC。
2.根据权利要求1所述的估算方法，其特征在于，所述特征参数包括所述动力电池的端电压、工作电流和平均温度。
3.根据权利要求1所述的估算方法，其特征在于，所述特征参数还包括所述动力电池的电压极差。
4.根据权利要求1所述的估算方法，其特征在于，所述提供所述动力电池特征参数的实验室恒流放电数据集的步骤，包括：
提供所述动力电池特征参数的实验室恒流放电原始数据；
对所述实验室恒流放电原始数据进行数据采样，将所述实验室恒流放电原始数据分割成多个同等时间长度的样本，得到所述实验室恒流放电数据集。
5.根据权利要求1所述的估算方法，其特征在于，所述采集所述动力电池特征参数的实际工况数据集的步骤，包括：
采集所述动力电池特征参数的实际工况原始数据；
对所述实际工况原始数据进行数据采样，将所述实际工况原始数据分割成多个同等时间长度的样本，得到所述实际工况数据集。
6.根据权利要求1所述的估算方法，其特征在于，所述使用所述实验室恒流放电数据集训练LSTM模型，得到LSTM模型迁移参数的步骤，包括：
将所述实验室恒流放电数据集随机分为两部分，所述两部分中较大的部分作为LSTM模型的训练数据，所述两部分中较小的部分作为LSTM模型的测试数据；
利用所述训练数据训练所述LSTM模型，得到训练后的LSTM模型；
利用所述测试数据测试所述训练后的LSTM模型，判断所述训练后的LSTM模型性能是否符合要求；
其中，若所述训练后的LSTM模型性能符合要求，则采集此时的模型参数作为所述LSTM模型迁移参数；若所述训练后的LSTM模型性能不符合要求，则重新调整所述LSTM模型，再次训练，直至性能符合要求。
7.根据权利要求1所述的估算方法，其特征在于，还包括对所述实验室恒流放电数据集进行归一化处理。
8.根据权利要求1所述的估算方法，其特征在于，还包括对所述实际工况数据集进行归一化处理。
9.根据权利要求1～8任意一项所述的估算方法，其特征在于，还包括对所述实验室恒流放电数据集和所述实际工况数据集进行降维处理。
10.根据权利要求1～8任意一项所述的估算方法，其特征在于，所述对所述实验室恒流放电数据集和所述实际工况数据集进行降维处理的步骤采用的是主成分分析法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011245524.9A CN112415408A (zh) | 2020-11-10 | 2020-11-10 | 一种动力电池soc估算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011245524.9A CN112415408A (zh) | 2020-11-10 | 2020-11-10 | 一种动力电池soc估算方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112415408A true CN112415408A (zh) | 2021-02-26 |
Family
ID=74781220
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011245524.9A Pending CN112415408A (zh) | 2020-11-10 | 2020-11-10 | 一种动力电池soc估算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112415408A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113589177A (zh) * | 2021-06-29 | 2021-11-02 | 广东工业大学 | 一种车载动力电池soc估计方法 |
| CN113721149A (zh) * | 2021-07-21 | 2021-11-30 | 福建星云软件技术有限公司 | 一种基于半监督迁移学习的锂电池容量预测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108181591A (zh) * | 2018-01-08 | 2018-06-19 | 电子科技大学 | 一种基于改进型bp神经网络的电池soc值的预测方法 |
| CN108519556A (zh) * | 2018-04-13 | 2018-09-11 | 重庆邮电大学 | 一种基于循环神经网络的锂离子电池soc预测方法 |
| CN110196980A (zh) * | 2019-06-05 | 2019-09-03 | 北京邮电大学 | 一种基于卷积网络在中文分词任务上的领域迁移 |
| CN110412470A (zh) * | 2019-04-22 | 2019-11-05 | 上海博强微电子有限公司 | 电动汽车动力电池soc估计方法 |
| 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 |
| CN110568361A (zh) * | 2019-09-12 | 2019-12-13 | 华中科技大学 | 一种动力电池健康状态的预测方法 |
| CN111537888A (zh) * | 2020-05-09 | 2020-08-14 | 国网福建省电力有限公司莆田供电公司 | 一种数据驱动的梯次电池soc预测方法 |
-
2020
- 2020-11-10 CN CN202011245524.9A patent/CN112415408A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108181591A (zh) * | 2018-01-08 | 2018-06-19 | 电子科技大学 | 一种基于改进型bp神经网络的电池soc值的预测方法 |
| CN108519556A (zh) * | 2018-04-13 | 2018-09-11 | 重庆邮电大学 | 一种基于循环神经网络的锂离子电池soc预测方法 |
| CN110412470A (zh) * | 2019-04-22 | 2019-11-05 | 上海博强微电子有限公司 | 电动汽车动力电池soc估计方法 |
| CN110196980A (zh) * | 2019-06-05 | 2019-09-03 | 北京邮电大学 | 一种基于卷积网络在中文分词任务上的领域迁移 |
| 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 |
| CN110568361A (zh) * | 2019-09-12 | 2019-12-13 | 华中科技大学 | 一种动力电池健康状态的预测方法 |
| CN111537888A (zh) * | 2020-05-09 | 2020-08-14 | 国网福建省电力有限公司莆田供电公司 | 一种数据驱动的梯次电池soc预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王一全: "基于LSTM-DaNN的动力电池SOC估算方法", 《储能科学与技术》, vol. 9, no. 6, pages 1969 - 1975 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113589177A (zh) * | 2021-06-29 | 2021-11-02 | 广东工业大学 | 一种车载动力电池soc估计方法 |
| CN113721149A (zh) * | 2021-07-21 | 2021-11-30 | 福建星云软件技术有限公司 | 一种基于半监督迁移学习的锂电池容量预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110146822B (zh) | 一种基于恒流充电过程的车用动力电池容量在线估计方法 | |
| CN110488202B (zh) | 基于深度神经网络的车辆电池荷电状态估计方法 | |
| CN112540298B (zh) | 一种基于深度-迁移学习的锂离子电池soc估计方法 | |
| CN107741568B (zh) | 一种基于状态转移优化rbf神经网络的锂电池soc估算方法 | |
| CN112415408A (zh) | 一种动力电池soc估算方法 | |
| CN113740736B (zh) | 一种基于深度网络自适应的电动汽车锂电池soh估算方法 | |
| Shi et al. | Estimation of battery state-of-charge using ν-support vector regression algorithm | |
| CN112858918B (zh) | 基于优化多因子的动力锂离子电池健康状态在线估计方法 | |
| CN114970332B (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 | |
| CN112163372B (zh) | 一种动力电池的soc估算方法 | |
| CN112505568B (zh) | 一种多电堆固体氧化物燃料电池系统寿命预测方法 | |
| CN112327168A (zh) | 一种基于XGBoost的电动汽车电池消耗预测方法 | |
| CN109346787B (zh) | 一种电动汽车动力电池自适应优化充电方法 | |
| CN113721159A (zh) | 一种面向随机局部充电的数据驱动电池健康估计方法 | |
| CN114839536A (zh) | 一种基于多健康因子的锂离子电池健康状态估计方法 | |
| CN113359048A (zh) | 一种锂离子电池剩余使用寿命间接预测方法 | |
| 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 | |
| Lin et al. | Algorithm of BPNN‐UKF based on a fusion model for SOC estimation in lithium‐ion batteries | |
| CN116679213A (zh) | 基于集成深度学习的电动汽车动力电池soh估算方法 | |
| CN109738807B (zh) | 基于蚁群算法优化后的bp神经网络来估算soc的方法 | |
| CN109738808B (zh) | 基于模拟退火算法优化后的bp神经网络来估算soc的方法 | |
| CN117435909A (zh) | 一种基于迁移学习和多维度特征提取模型的非侵入式负荷分解方法 | |
| CN115684941A (zh) | 一种锂离子电池组容量估计方法和系统 | |
| CN114295994A (zh) | 一种基于pca-rvm的锂离子电池剩余使用寿命预测方法 | |
| Dong et al. | State of health estimation and remaining useful life estimation for Li-ion batteries based on a hybrid kernel function relevance vector machine |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20211115 Address after: 330052 4f, Jiangling Motor building, 2111 Yingbin middle Avenue, Liantang Town, Nanchang County, Nanchang City, Jiangxi Province Applicant after: Nanchang intelligent new energy vehicle Research Institute Address before: 330052 4f, 2111 Yingbin middle Avenue, Liantang Town, Nanchang County, Nanchang City, Jiangxi Province Applicant before: Nanchang Jiling New Energy Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20221215 Address after: 330052 5F, No. 2111, Yingbin Middle Avenue, Liantang Town, Nanchang County, Nanchang City, Jiangxi Province Applicant after: Nanchang Jiling New Energy Technology Co.,Ltd. Address before: 330052 4f, Jiangling Motor building, 2111 Yingbin middle Avenue, Liantang Town, Nanchang County, Nanchang City, Jiangxi Province Applicant before: Nanchang intelligent new energy vehicle Research Institute |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240208 Address after: No. 2111, Yingbin middle Avenue, Nanchang County, Nanchang City, Jiangxi Province Applicant after: Nanchang intelligent new energy vehicle Research Institute Country or region after: China Address before: 330052 5F, No. 2111, Yingbin Middle Avenue, Liantang Town, Nanchang County, Nanchang City, Jiangxi Province Applicant before: Nanchang Jiling New Energy Technology Co.,Ltd. Country or region before: China |