CN112611976A - 一种基于双差分曲线的动力电池健康状态估计方法 - Google Patents
一种基于双差分曲线的动力电池健康状态估计方法 Download PDFInfo
- Publication number
- CN112611976A CN112611976A CN202011434214.1A CN202011434214A CN112611976A CN 112611976 A CN112611976 A CN 112611976A CN 202011434214 A CN202011434214 A CN 202011434214A CN 112611976 A CN112611976 A CN 112611976A
- Authority
- CN
- China
- Prior art keywords
- state
- battery
- error
- health
- curve
- 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
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
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Abstract
本发明提出一种基于双差分曲线的动力电池健康状态估计方法。对于电池管理系统来说,准确预测电池的健康状态可以有效地确保系统的可靠性和安全性,为将来电池的合理使用提供参考。本发明设计了一种基于双差分曲线的动力电池健康状态估计方法,通过充分使用增量容量曲线和温度差分曲线的信息,得到每一周期对应的特征向量,并通过一维卷积神经网络(CNN)和改进的循环神经网络(RNN)模型对电池健康状态(SOH)进行估计,其中一维CNN用于特征提取,改进的RNN用于时间序列预测,并同时克服了传统RNN的缺点,进而得到一种充分利用过程信息且估计准确的电池健康状态估计方法。
Description
技术领域
本发明属于电池健康状态预测技术领域,具体涉及一种动力电池的健康状态预测方法。
背景技术
对动力电池的健康状态预测的研究,一方面是为了确定动力电池在反复充放电循环使用过程中的健康状态,从而及时发现需要更换的电池,另一方面,其能加快电池材料的研发,缩短实验周期。
目前,电池健康状态(SOH)的估计方法包括直接测量法,基于模型的方法和基于数据驱动的方法。其中数据驱动的方法主要是从电池循环数据中提取与电池退化行为相关的特征数据,建立特征与SOH之间的模型关系,预测电池后期的健康状态。
对于电池特征的选取有很多不同的方法,大部分算法只考虑某个特征,并没有充分利用数据特点,另外,选取特征之后也要考虑到对特征进行进一步的提取,从而得到足够代表每一循环的衰减特征数据。
发明内容
针对动力电池健康状态评估的准确性问题,本发明的目的在于提供一种充分利用电池充电过程信息,进行特征提取,从而减小评估误差,提供准确的电池健康状态预测结果的方法,且仅需要获得恒流部分的数据就能得到较为准确的结果。
传统方法需要使用恒流阶段和恒压阶段的数据特征,利用恒流与恒压阶段的持续时间,增加的电荷量,恒流阶段的等时间压差,充电曲线斜率,IC曲线的峰值等特征,这些特征虽然在一定程度上可以较准确地表征电池状态程度,但利用的信息有限,且有些信息受到外界的影响并不能为评估带来有效信息。
本发明为实现上述目的所采用的技术方案是:一种基于双差分曲线的动力电池健康状态估计方法,包括以下步骤:
步骤S1:设置电池循环测试初始参数,每个电池循环周期经过倍率充电,恒压充电,静置,倍率放电,静置四个步骤,从电池管理测试系统中获得原始电池数据,包括电压,电流,温度,容量保持率以及对应时间,单位时间间隔内电荷的增加量。
步骤S2:对电池数据进行预处理,对缺失值进行填充,去除异常值,以减轻其对预测结果的影响。
步骤S3:利用前向差分公式,根据时间,电压,电流和温度绘制增量容量(IC)曲线和温度差分(DT)曲线,并通过滤波算法,包括卡尔曼滤波,高斯滤波,移动平均滤波算法滤波去除差分计算增加的噪声。
可选的由于原始电池温度数据容易受到外部噪声的影响,可以经过滤波算法滤除原始噪声。
下式为温度差分前向差分公式,其中I为恒流电流值,t为恒流阶段的时间,Q为电荷量,V为恒流阶段的电压值,T为恒流阶段的温度,L为步长。
步骤S4:根据IC与DT曲线特征合理地选择取样特征数等距提取曲线特征。
步骤S5:将得到的电池特征和容量数据分为训练集和测试集,其中训练集用于得到动力电池健康状态预测模型,测试集用于表征模型的训练效果。
步骤S6:根据训练集建立CNN-改进RNN模型。
CNN作为模型的第一层,用于提取空间局部特征,CNN中的卷积部分可以捕获隐藏在实际观测中的有用信息。改进的RNN结构作为CNN之后的第二层,用于从过去和当前数据中获取时间特征。在预测电池健康状态时,模型结构的最后一层全连接层利用学习到的模型生成预测值。
这里的改进的RNN模型可以选择长短期记忆网络(LSTM),门控循环单元网络(GRU),双向长短期记忆网络(Bi-LSTM),双向门控循环单元网络(Bi-GRU),从而避免RNN的梯度消失问题。
步骤S7:将训练集和测试集输入上述电池健康状态预测模型中,计算训练误差和测试误差。
步骤S8:使用马尔科夫链对误差进行修正,进一步减小误差。
为了获得更准确和可靠的结果,采用了马尔科夫链进一步校正预测结果。首先,基于训练数据的模型(CNN-GRU)预测误差分布建立马尔可夫链状态空间。链状态空间分为三个状态,分别为
如果预测误差属于状态i,则修改后的误差可以定义为
修正误差矩阵Q由三个状态的修正误差构成。因此,马尔可夫校正方程可以定义为
经过马尔可夫链进行误差校正后的预测值更接近真实的电池状态。
步骤S9:比较计算各模型的预测误差,使用包括平均绝对误差和均方根误差对估计结果进行定量分析。
附图说明
图1为基于双差分曲线的动力电池健康状态估计方法的流程框图。
图2为IC曲线等距采样的示意图。
图3为DT曲线等距采样的示意图。
图4为GRU的网络模型结构图。
图5为所述CNN-GRU模型的基本结构图。
图6为基于双差分曲线的动力电池健康状态预测结果。
具体实施方式
下面结合附图对本发明作进一步说明。
选取其中一组四个锂离子电池(5、6、7和18号)在室温下经过3种不同的操作。首先以1.5A的恒定电流(CC)模式进行充电,直到电池电压达到4.2V,然后以恒定电压(CV)模式继续充电,直到充电电流降至20mA。静置一段时间后,以2A的恒定电流(CC)进行放电,直到电池5 6 7和18的电池电压分别降至2.7V,2.5V,2.2V和2.5V。重复的充电和放电循环会导致电池加速老化,当电池达到寿命终止标准时即终止实验,该标准是额定容量(从2Ahr降至1.4Ahr)下降了30%。
图1为本发明的流程框图,下面对上述电池数据集中的B0005号电池使用本发明提出的方法进行描述。
(1)每个电池循环周期经过倍率充电,恒压充电,静置,倍率放电,静置四个步骤,每个循环中包括电压,电流,温度,容量以及对应时间。
(2)对电池数据进行预处理,对缺失值进行填充,去除异常值,以减轻其对预测结果的影响,这里去除第33个循环的异常数据。
(3)利用前向差分公式,根据时间,电压,电流和温度绘制增量容量(IC)曲线和温度差分(DT)曲线,并通过卡尔曼滤波器去除差分计算引入的噪声,如图2,3所示。
下图为温度差分前向差分公式,取L=20。
(4)分别等距提取IC曲线与DT曲线中的20个特征点,如图2,3中的采样点所示,得到特征向量。
(5)将得到的电池特征向量和容量数据分为训练集和测试集,其中训练集为前100个循环数据,用于得到动力电池健康状态预测模型,测试集为后68个循环数据,用于表征模型的训练效果。
(6)根据训练集建立CNN-改进的RNN模型。这里选择的是CNN-GRU模型,GRU单元的构造如图4所示,模型设置如图5所示。
模型参数说明如下:
其中时间窗长度为3,RNN神经元个数32,CNN神经元个数3,迭代次数50,验证集比例0.1,Dropout=0.3。
(7)将训练集和测试集输入上述电池健康状态预测模型中,计算训练误差和测试误差,训练集均方根误差为0.0125,测试集均方根误差为0.0162,预测结果如图6所示,通过上述步骤得到较为准确的电池健康状态预测模型。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种基于双差分曲线的动力电池健康状态估计方法,其特征在于,包括以下步骤:
步骤S1:设置电池循环测试初始参数,每个电池循环周期经过倍率充电,恒压充电,静置,倍率放电,静置四个步骤,从电池管理测试系统中获得原始电池数据,包括电压,电流,温度,容量保持率以及对应时间,单位时间间隔内电荷的增加量;
步骤S2:对电池数据进行预处理,对缺失值进行填充,去除异常值;
步骤S3:利用前向差分公式,根据时间,电压,电流和温度绘制增量容量(IC)曲线和温度差分(DT)曲线,并通过滤波算法滤除差分计算增加的噪声;
步骤S4:根据IC与DT曲线特征合理地选择取样特征数等距提取曲线特征;
步骤S5:将得到的电池特征和容量数据分为训练集和测试集,其中训练集用于得到动力电池健康状态预测模型,测试集用于表征模型的训练效果;
步骤S6:根据训练集建立CNN-改进RNN模型;
卷积神经网络(CNN)作为模型的第一层,用于提取空间局部特征,CNN中的卷积部分捕获隐藏在实际观测中的有用信息;改进的循环神经网络(RNN)结构作为CNN之后的第二层,用于从过去和当前数据中获取时间特征;在预测电池健康状态时,模型结构的最后一层全连接层利用学习到的模型生成估计值;
步骤S7:使用马尔科夫链对误差进行修正,进一步减小误差;
步骤S8:计算预测误差,使用包括平均绝对误差和均方根误差对估计结果进行定量分析。
3.根据权利要求2所述的一种基于双差分曲线的动力电池健康状态估计方法,其特征在于,步骤S4的滤波算法包括卡尔曼滤波,高斯滤波,移动平均滤波滤除差分计算引入的噪声。
4.根据权利要求1或2所述的一种基于双差分曲线的动力电池健康状态估计方法,其特征在于,步骤S5的电池特征,还可包括恒流与恒压阶段的持续时间,增加的电荷量,恒流阶段的等时间压差,充电曲线斜率。
5.根据权利要求2所述的一种基于双差分曲线的动力电池健康状态估计方法,其特征在于,步骤S6的的改进的RNN模型可以选择长短期记忆网络(LSTM),门控循环单元网络(GRU),双向长短期记忆网络(Bi-LSTM),双向门控循环单元网络(Bi-GRU)。
6.根据权利要求1所述的一种基于双差分曲线的动力电池健康状态估计方法,其特征在于,步骤S7所用的马尔科夫链校正方法包括:
步骤S71,基于训练数据的模型预测误差分布,建立马尔科夫链状态空间,链状态空间分为三个状态,分别为
步骤S73,若预测误差属于状态i,则修改后的误差可以定义为
步骤S74, 确定修正误差矩阵Q,修正误差矩阵Q由三个状态的修正误差构成;
步骤S75,使用马尔科夫链进行校正,马尔科夫校正方程定义为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011434214.1A CN112611976A (zh) | 2020-12-10 | 2020-12-10 | 一种基于双差分曲线的动力电池健康状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011434214.1A CN112611976A (zh) | 2020-12-10 | 2020-12-10 | 一种基于双差分曲线的动力电池健康状态估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112611976A true CN112611976A (zh) | 2021-04-06 |
Family
ID=75232577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011434214.1A Pending CN112611976A (zh) | 2020-12-10 | 2020-12-10 | 一种基于双差分曲线的动力电池健康状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112611976A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113567904A (zh) * | 2021-07-02 | 2021-10-29 | 中国电力科学研究院有限公司 | 一种适用于电容式互感器的计量误差的方法及系统 |
CN113820604A (zh) * | 2021-08-30 | 2021-12-21 | 昆明理工大学 | 一种基于温度预测的锂电池soh估计方法 |
CN114297904A (zh) * | 2022-03-09 | 2022-04-08 | 四川大学 | 一种基于二次差分温度特征的锂电池健康状态估计方法 |
CN114742297A (zh) * | 2022-04-11 | 2022-07-12 | 中国第一汽车股份有限公司 | 动力电池的处理方法 |
CN116299015A (zh) * | 2023-05-25 | 2023-06-23 | 广汽埃安新能源汽车股份有限公司 | 电池状态评估方法、装置、电子设备及存储介质 |
CN113820604B (zh) * | 2021-08-30 | 2024-04-26 | 昆明理工大学 | 一种基于温度预测的锂电池soh估计方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100017155A1 (en) * | 2006-12-06 | 2010-01-21 | Iti Scotland Limited | Battery management system |
US20170199249A1 (en) * | 2016-01-13 | 2017-07-13 | Flextronics Ap, Llc | Method of estimation of discharge time duration during high-rate battery discharge |
JP2018206612A (ja) * | 2017-06-05 | 2018-12-27 | 三菱自動車工業株式会社 | 二次電池システム |
CN110554325A (zh) * | 2019-09-10 | 2019-12-10 | 北京理工大学 | 一种基于表面温度的车用锂离子电池容量估计方法 |
CN110703101A (zh) * | 2019-09-12 | 2020-01-17 | 北京交通大学 | 一种锂离子电池分区间循环容量衰退预测方法 |
CN110988695A (zh) * | 2019-12-24 | 2020-04-10 | 珠海银隆电器有限公司 | 动力电池健康状态评估方法、装置、存储介质及电子设备 |
CN111220921A (zh) * | 2020-01-08 | 2020-06-02 | 重庆邮电大学 | 基于改进卷积-长短时记忆神经网络的锂电池容量估算方法 |
CN111323719A (zh) * | 2020-03-18 | 2020-06-23 | 北京理工大学 | 一种电动汽车动力电池组健康状态在线确定方法和系统 |
CN111398837A (zh) * | 2020-04-01 | 2020-07-10 | 重庆大学 | 一种基于数据驱动的车用电池健康状态估计方法 |
CN111722139A (zh) * | 2020-06-29 | 2020-09-29 | 重庆邮电大学 | 基于可微连续映射的锂电池健康监测模型自学习方法 |
KR20200119383A (ko) * | 2019-03-26 | 2020-10-20 | 서강대학교산학협력단 | 인공 지능에 기반하여 배터리의 상태를 추정하는 장치 및 방법 |
CN111832220A (zh) * | 2020-06-16 | 2020-10-27 | 天津大学 | 一种基于编解码器模型的锂离子电池健康状态估算方法 |
-
2020
- 2020-12-10 CN CN202011434214.1A patent/CN112611976A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100017155A1 (en) * | 2006-12-06 | 2010-01-21 | Iti Scotland Limited | Battery management system |
US20170199249A1 (en) * | 2016-01-13 | 2017-07-13 | Flextronics Ap, Llc | Method of estimation of discharge time duration during high-rate battery discharge |
JP2018206612A (ja) * | 2017-06-05 | 2018-12-27 | 三菱自動車工業株式会社 | 二次電池システム |
KR20200119383A (ko) * | 2019-03-26 | 2020-10-20 | 서강대학교산학협력단 | 인공 지능에 기반하여 배터리의 상태를 추정하는 장치 및 방법 |
CN110554325A (zh) * | 2019-09-10 | 2019-12-10 | 北京理工大学 | 一种基于表面温度的车用锂离子电池容量估计方法 |
CN110703101A (zh) * | 2019-09-12 | 2020-01-17 | 北京交通大学 | 一种锂离子电池分区间循环容量衰退预测方法 |
CN110988695A (zh) * | 2019-12-24 | 2020-04-10 | 珠海银隆电器有限公司 | 动力电池健康状态评估方法、装置、存储介质及电子设备 |
CN111220921A (zh) * | 2020-01-08 | 2020-06-02 | 重庆邮电大学 | 基于改进卷积-长短时记忆神经网络的锂电池容量估算方法 |
CN111323719A (zh) * | 2020-03-18 | 2020-06-23 | 北京理工大学 | 一种电动汽车动力电池组健康状态在线确定方法和系统 |
CN111398837A (zh) * | 2020-04-01 | 2020-07-10 | 重庆大学 | 一种基于数据驱动的车用电池健康状态估计方法 |
CN111832220A (zh) * | 2020-06-16 | 2020-10-27 | 天津大学 | 一种基于编解码器模型的锂离子电池健康状态估算方法 |
CN111722139A (zh) * | 2020-06-29 | 2020-09-29 | 重庆邮电大学 | 基于可微连续映射的锂电池健康监测模型自学习方法 |
Non-Patent Citations (2)
Title |
---|
HOUDE DAI等: "A Novel Estimation Method for the State of Health of Lithium-Ion Battery Using Prior Knowledge-Based Neural Networkand Markov Chain", IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS, vol. 66, no. 10, pages 7706 - 7714 * |
YU MERLA等: "Novel application of differential thermal voltammetry as an in-depth state-of-health diagnosis method for lithium-ion batteries", JOURNAL OF POWER SOURCES, vol. 2016, no. 307, pages 308 - 319 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113567904A (zh) * | 2021-07-02 | 2021-10-29 | 中国电力科学研究院有限公司 | 一种适用于电容式互感器的计量误差的方法及系统 |
CN113820604A (zh) * | 2021-08-30 | 2021-12-21 | 昆明理工大学 | 一种基于温度预测的锂电池soh估计方法 |
CN113820604B (zh) * | 2021-08-30 | 2024-04-26 | 昆明理工大学 | 一种基于温度预测的锂电池soh估计方法 |
CN114297904A (zh) * | 2022-03-09 | 2022-04-08 | 四川大学 | 一种基于二次差分温度特征的锂电池健康状态估计方法 |
CN114742297A (zh) * | 2022-04-11 | 2022-07-12 | 中国第一汽车股份有限公司 | 动力电池的处理方法 |
CN116299015A (zh) * | 2023-05-25 | 2023-06-23 | 广汽埃安新能源汽车股份有限公司 | 电池状态评估方法、装置、电子设备及存储介质 |
CN116299015B (zh) * | 2023-05-25 | 2023-08-08 | 广汽埃安新能源汽车股份有限公司 | 电池状态评估方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tian et al. | Deep neural network battery charging curve prediction using 30 points collected in 10 min | |
CN108254696B (zh) | 电池的健康状态评估方法及系统 | |
CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
CN112611976A (zh) | 一种基于双差分曲线的动力电池健康状态估计方法 | |
CN113777496B (zh) | 基于时间卷积神经网络的锂离子电池剩余寿命预测方法 | |
CN110058178A (zh) | 一种锂电池健康状态检测方法和系统 | |
CN104569844A (zh) | 阀控密封式铅酸蓄电池健康状态监测方法 | |
CN109901072B (zh) | 基于历史数据与实验室测试数据的退役电池参数检测方法 | |
CN112904219A (zh) | 一种基于大数据的动力电池健康状态的预测方法 | |
CN105203968A (zh) | 一种铅酸蓄电池剩余电量的在线测量系统 | |
CN112098873B (zh) | 基于充电电压曲线几何特征的锂电池健康状态估计方法 | |
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 | |
Xu et al. | State-of-charge estimation and health prognosis for lithium-ion batteries based on temperature-compensated Bi-LSTM network and integrated attention mechanism | |
Wu et al. | State of health estimation for lithium-ion batteries in real-world electric vehicles | |
CN117074955A (zh) | 一种基于云-端修正ocv的锂电池状态联合估计方法 | |
CN111965548A (zh) | 一种基于状态估计法的电池系统传感器故障诊断方法 | |
CN116224085A (zh) | 一种基于数据驱动的锂电池健康状态评估方法 | |
CN116754960A (zh) | 钠离子电池云端soh估计和剩余寿命预测方法、装置及程序 | |
CN115980588A (zh) | 基于自编码器提取特征的锂离子电池健康状态估计方法 | |
CN114325449B (zh) | 一种锂离子电池soh预测方法 | |
CN115598546A (zh) | 锂离子电池soh、soc和rul的联合估计方法 | |
CN115586452A (zh) | 基于新型健康特征的锂离子电池健康状态估计方法 | |
CN115219907A (zh) | 一种锂电池soc估计方法、系统、介质、设备及终端 | |
CN115372829A (zh) | 一种基于bms数据进行车辆电池健康度快速评估的方法 | |
CN111537889B (zh) | 一种数据驱动的梯次电池rul预测与分类方法 |
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 |