CN112666479B - 一种基于充电循环融合的电池寿命预测方法 - Google Patents
一种基于充电循环融合的电池寿命预测方法 Download PDFInfo
- Publication number
- CN112666479B CN112666479B CN202011394227.0A CN202011394227A CN112666479B CN 112666479 B CN112666479 B CN 112666479B CN 202011394227 A CN202011394227 A CN 202011394227A CN 112666479 B CN112666479 B CN 112666479B
- Authority
- CN
- China
- Prior art keywords
- convolution layer
- layer
- output
- matrix
- current
- 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.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Secondary Cells (AREA)
- Battery Electrode And Active Subsutance (AREA)
Abstract
本发明公开了一种基于充电循环融合的电池寿命预测方法,包括:1)采集a个锂离子电池全寿命充放电循环中的充电过程的温度、电流及端电压数据;2)对a个锂离子电池全寿命充放电循环中充电过程的温度、电流及端电压数据进行拼接处理;3)将步骤2)拼接所得结果输入到三维卷积层中;4)将三维卷积层的输出结果转化为二维卷积层的输入格式,并输入到二维卷积层中;5)将二维卷积层输出的特征图输入到循环注意力层中,循环注意力层输出循环融合的特征图;6)将循环融合的特征图输入到二维卷积层中进行特征的提取,再将提取的特征经感知层得最终预测的电池寿命,该方法能够有效提高电池寿命预测的准确性,操作方便,适应性强。
Description
技术领域
本发明属于电池寿命预测技术领域,涉及一种基于充电循环融合的电池寿命预测方法。
背景技术
由于低污染、高能量密度、高功率密度和长循环寿命等优点,锂离子电池是电动汽车、手机以及航空系统等的主要动力源,有广泛应用。
在实际使用中,锂离子电池内部的电化学反应会消耗电解液、隔膜和电池极性这些材料,从而使锂离子电池的性能发生衰退,具体表现为容量衰退及内阻增加。锂离子电池的寿命包括三种:存储寿命、使用寿命和循环寿命,其中,剩余循环寿命是体现锂电池的性能状态以及健康状态的重要特征。在电池的使用寿命内,其电性能会随着电池剩余循环寿命(RUL)变化。当锂离子电池的性能下降超过一定的阈值时,可能会出现性能迅速下降或灾难性故障等严重后果。因此,对电池寿命的准确预测对提高电动设备的可靠性和安全性具有关键意义,对提出更科学的电池管理体系至关重要。
锂电池寿命的预测方法可分为基于模型的方法和基于数据驱动的方法。基于模型的方法包含利用电化学模型、等效电路模型、经验模型等,但由于电池内部复杂的电化学机理和环境噪声等,很难建立一种误差较小的模型用于预测;而基于数据驱动的方法能够基于信号处理技术和机器学习方法从传感器信号中提取有用的信息,不用考虑内部复杂的电化学机理,以端对端的方式实现锂电池的剩余寿命预测。通常,数据驱动的方法能够使用较为简捷的分析手段得到更加精确的结果。
由于电池内部的电化学行为和化学性质难以监测,目前大部分基于数据驱动的研究通过提取数据的统计学特征进行预测,然而,哪些特征能准确描述电池循环寿命尚未明确;循环寿命与电池的放电容量密切相关,因此目前大多采用放电数据进行预测,然而在实际过程中的放电过程首先要保证设备的使用需求,是高度随机和动态的,基于放电数据的预测在现实中难以实现,只能用于台架离线测试,无法用于电池寿命的在线预测。
专利文献CN108037463B(申请号:201711345909.0)公开了一种锂离子电池寿命预测方法,涉及锂离子电池技术领域。该方法通过对相同型号在役或退役电池运行数据进行收集,建立包括电池运行温度、电池放电倍率、电池内阻以及总使用寿命参数的数据库,以此建立以电池运行温度、电池放电倍率、电池内阻为参数的电池寿命预测线性回归函数模型,并引入修正系数(所述电池在i时刻下电池放电容量的平均值与当前放电容量的比值),将特定型号的上述参数代入回归模型,乘以修正系数,得到电池的总使用寿命。
然而,在该专利中,(1)建立了线性回归模型用于预测电池寿命,而电池寿命与电池相关特性有强烈的非线性关系;(2)该方法采用放电倍率进行预测,而在实际使用中,放电倍率受使用需求影响很大;(3)该方法只能预测数据库中已收集的特定型号电池,预测前需收集大量电池数据建立数据库,操作较为复杂;(4)电池预测依赖于数据库中筛选相同型号的电池数据确定,然而不同使用工况下的相同型号电池寿命有巨大差异,适应性较差。
可见,锂离子电池的非线性退化和广泛的可变性,以及工作负载和环境等随机条件的影响,对锂离子电池的寿命预测提出了挑战。
发明内容
本发明的目的在于克服上述现有技术的缺点,提供了一种基于充电循环融合的电池寿命预测方法,该方法能够有效提高电池寿命预测的准确性,操作方便,适应性强。
为达到上述目的,本发明所述的基于充电循环融合的电池寿命预测方法包括以下步骤:
1)采集a个锂离子电池全寿命充放电循环中的充电过程的温度、电流及端电压数据;
2)对步骤1)得到的a个锂离子电池全寿命充放电循环中充电过程的温度、电流及端电压数据进行拼接处理;
3)将步骤2)拼接所得结果输入到三维卷积层中;
4)将三维卷积层的输出结果转化为二维卷积层的输入格式,并输入到二维卷积层中;
5)将二维卷积层输出的特征图输入到循环注意力层中,循环注意力层输出循环融合的特征图;
6)将循环注意力层输出的循环融合的特征图输入到二维卷积层中进行特征的提取,再将提取的特征经感知层得最终预测的电池寿命。
步骤2)的具体操作为:
21)将温度、电流及端电压数据分别输出成温度矩阵、电流矩阵及端电压矩阵的形式,其中,各温度矩阵、电流矩阵及端电压矩阵中每一列的第一行为电池的编号,第二行为电池RUL,其余行为电池在该循环内温度、电流及端电压在对应容量下的值;
22)对温度、电流及端电压分别进行归一化处理;
23)选取温度矩阵、电流矩阵及端电压矩阵中每个电池前m列及后n列的第三行至最后一行数据,再将选取的数据转化为三维卷积的输入格式后分别拼接形成新的温度矩阵、电流矩阵及端电压矩阵;
24)将新的温度矩阵、电流矩阵及端电压矩阵在深度维度上进行拼接。
步骤3)中的三维卷积层包括R个3×l×w的卷积核,其中,卷积核的深度为3,使三维卷积层的输出深度为1。
步骤4)中,去掉三维卷积层输出中的深度维,从而将三维卷积层的输出转化为二维卷积层的输入格式。
步骤5)的具体操作为:
51)将二维卷积层输出的特征图输入到空洞卷积层中,设空洞卷积层共有L层;
52)将当前空洞卷积层输出的特征图输入到全连接层中,并输出当前空洞卷积层的权重;
53)将上一层空洞卷积层输出的特征图作为输入,重复步骤51)至步骤52),直至获得第L层空洞卷积层的输出及其权重;
54)将各空洞卷积层的输出乘以该空洞卷积层的权重与所有空洞卷积层权重之和的比值,得该空洞卷积层的循环融合输出;
55)将各空洞卷积层的循环融合输出通过全连接层进行合并,得循环融合的特征图。
本发明具有以下有益效果:
本发明所述的基于充电循环融合的电池寿命预测方法在具体操作时,将二维卷积层输出的特征图输入到循环注意力层中,循环注意力层输出循环融合的特征图,通过循环融合以提高电池寿命预测的准确性及实时性,同时相对于改进的递归神经网络(RNN)、长短期记忆(LSTM)及神经网络,本发明所需参数较小,训练周期更短,然后将循环注意力层输出的循环融合的特征图输入到二维卷积层中进行特征的提取,再将提取的特征经感知层得最终预测的电池寿命,操作方便、简单。
附图说明
图1为本发明的流程示意图;
图2为本发明中循环注意力层的结构示意图。
具体实施方式
下面结合附图对本发明做进一步详细描述:
本发明所述的基于充电循环融合的电池寿命预测方法包括以下步骤:
1)采集a个锂离子电池全寿命充放电循环中的充电过程的温度、电流及端电压数据;
2)对步骤1)得到的a个锂离子电池全寿命充放电循环中的充电过程的温度、电流及端电压数据进行拼接处理;
具体过程为:
21)将温度、电流及端电压数据分别输出成温度矩阵、电流矩阵及端电压矩阵的形式,其中,各矩阵每一列的第一行为电池的编号,第二行为电池RUL,其余行为电池在该循环内温度、电流及端电压在对应容量下的值;
22)对温度、电流、端电压分别进行归一化处理;
23)选取温度矩阵、电流矩阵及端电压矩阵中每个电池前m列及后n列的第三行至最后一行数据,再将选取的数据转化为三维卷积的输入格式后分别拼接形成新的温度矩阵、电流矩阵及端电压矩阵;
24)将新的温度矩阵、电流矩阵及端电压矩阵在深度维度上进行拼接;
3)将步骤2)拼接所得结果输入到三维卷积层中;
具体地,设定三维卷积层有R个3×l×w的卷积核,其中,卷积核的深度设定为3,使三维卷积层的输出深度为1,以便将其转化为二维卷积的输入格式;l和w分别为卷积核的长度和宽度;
4)将三维卷积层的输出结果转化为二维卷积层的输入格式,并输入到二维卷积层中;
具体地,由于三维卷积层的输出深度为1,将三维卷积层的输出转化为二维卷积层的输入格式。
5)将二维卷积层输出的特征图输入到循环注意力层中,循环注意力层输出循环融合的特征图;
具体过程为:
51)所述循环注意力层为空洞卷积层;
52)将二维卷积层输出的特征图输入到空洞卷积层中,设空洞卷积层共有L层;
53)将当前空洞卷积层输出的特征图输入到全连接层中,并输出当前空洞卷积层的权重;
54)将上一层当前空洞卷积层输出的特征图作为输入,重复步骤51)至步骤52),直至获得第L层的输出及权重,设Xl r为第l层的共Rl+1个输入特征图中的第r个,Wk∈RM×N和bk分别为该层第k个卷积核的权重及偏置,则输出特征图中的第k个特征图的第(i,j)个元素sk(i,j)为:
第l层的权重wl为:
其中,f(g)为激活函数,ω为权重;
56)将各层循环融合的输出通过全连接层进行合并,得循环融合的特征图。
全连接层使用Leaky ReLU作为激活函数,Leaky ReLU表示为:
6)将输出的循环融合的特征图输入到二维卷积层中进行特征的提取,再将提取的特征经感知层得最终预测的电池寿命。
感知层的计算公式为:
经过实验验证,本发明具有较高的预测精度,能够在早期预测电池的使用寿命并在电动装置电池失效前有效预测电池的剩余寿命,可以极大缩短电池寿命测试所需的时间,避免由于电池的突然失效造成的巨大损失和安全问题。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以,本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件,而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构;也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (5)
1.一种基于充电循环融合的电池寿命预测方法,其特征在于,包括以下步骤:
1)采集a个锂离子电池全寿命充放电循环中的充电过程的温度、电流及端电压数据;
2)对步骤1)得到的a个锂离子电池全寿命充放电循环中充电过程的温度、电流及端电压数据进行拼接处理;
3)将步骤2)拼接所得结果输入到三维卷积层中;
4)将三维卷积层的输出结果转化为二维卷积层的输入格式,并输入到二维卷积层中;
5)将二维卷积层输出的特征图输入到循环注意力层中,循环注意力层输出循环融合的特征图;
6)将循环注意力层输出的循环融合的特征图输入到二维卷积层中进行特征的提取,再将提取的特征经感知层得最终预测的电池寿命。
2.根据权利要求1所述的基于充电循环融合的电池寿命预测方法,其特征在于,步骤2)的具体操作为:
21)将温度、电流及端电压数据分别输出成温度矩阵、电流矩阵及端电压矩阵的形式,其中,各温度矩阵、电流矩阵及端电压矩阵中每一列的第一行为电池的编号,第二行为电池RUL,其余行为电池在该循环内温度、电流及端电压在对应容量下的值;
22)对温度、电流及端电压分别进行归一化处理;
23)选取温度矩阵、电流矩阵及端电压矩阵中每个电池前m列及后n列的第三行至最后一行数据,再将选取的数据转化为三维卷积的输入格式后分别拼接形成新的温度矩阵、电流矩阵及端电压矩阵;
24)将新的温度矩阵、电流矩阵及端电压矩阵在深度维度上进行拼接。
3.根据权利要求1所述的基于充电循环融合的电池寿命预测方法,其特征在于,步骤3)中的三维卷积层包括R个3×l×w的卷积核,其中,卷积核的深度为3,使三维卷积层的输出深度为1。
4.根据权利要求1所述的基于充电循环融合的电池寿命预测方法,其特征在于,步骤4)中,去掉三维卷积层输出中的深度维,从而将三维卷积层的输出转化为二维卷积层的输入格式。
5.根据权利要求1所述的基于充电循环融合的电池寿命预测方法,其特征在于,步骤5)的具体操作为:
51)将二维卷积层输出的特征图输入到空洞卷积层中,设空洞卷积层共有L层;
52)将当前空洞卷积层输出的特征图输入到全连接层中,并输出当前空洞卷积层的权重;
53)将上一层空洞卷积层输出的特征图作为输入,重复步骤51)至步骤52),直至获得第L层空洞卷积层的输出及其权重;
54)将各空洞卷积层的输出乘以该空洞卷积层的权重与所有空洞卷积层权重之和的比值,得该空洞卷积层的循环融合输出;
55)将各空洞卷积层的循环融合输出通过全连接层进行合并,得循环融合的特征图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011394227.0A CN112666479B (zh) | 2020-12-02 | 2020-12-02 | 一种基于充电循环融合的电池寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011394227.0A CN112666479B (zh) | 2020-12-02 | 2020-12-02 | 一种基于充电循环融合的电池寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112666479A CN112666479A (zh) | 2021-04-16 |
CN112666479B true CN112666479B (zh) | 2023-05-16 |
Family
ID=75400924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011394227.0A Active CN112666479B (zh) | 2020-12-02 | 2020-12-02 | 一种基于充电循环融合的电池寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112666479B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113589189B (zh) * | 2021-08-30 | 2022-09-13 | 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 |
CN114330149B (zh) * | 2022-03-11 | 2022-06-03 | 北京新能源汽车股份有限公司 | 电池寿命预测方法、装置、云端服务器及存储介质 |
CN114744309B (zh) * | 2022-06-09 | 2022-09-02 | 深圳凌奈智控有限公司 | 基于bms的电池安全管理方法、装置、设备及存储介质 |
CN116027204B (zh) * | 2023-02-20 | 2023-06-20 | 山东大学 | 基于数据融合的锂电池剩余使用寿命预测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188920A (zh) * | 2019-04-26 | 2019-08-30 | 华中科技大学 | 一种锂电池剩余寿命预测方法 |
CN111638465A (zh) * | 2020-05-29 | 2020-09-08 | 浙大宁波理工学院 | 基于卷积神经网络和迁移学习的锂电池健康状态估计方法 |
WO2020191801A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 |
WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102778653A (zh) * | 2012-06-20 | 2012-11-14 | 哈尔滨工业大学 | 基于ar模型和rpf算法的数据驱动的锂离子电池循环寿命预测方法 |
JP2015155859A (ja) * | 2014-02-21 | 2015-08-27 | ソニー株式会社 | 電池残量推定装置、電池パック、蓄電装置、電動車両および電池残量推定方法 |
CN106908736B (zh) * | 2017-03-17 | 2019-02-22 | 哈尔滨工业大学 | 锂电池剩余寿命预测方法 |
US11226374B2 (en) * | 2017-10-17 | 2022-01-18 | The Board Of Trustees Of The Leland Stanford Junior University | Data-driven model for lithium-ion battery capacity fade and lifetime prediction |
US11637331B2 (en) * | 2017-11-20 | 2023-04-25 | The Trustees Of Columbia University In The City Of New York | Neural-network state-of-charge and state of health estimation |
CN108680861B (zh) * | 2018-03-05 | 2021-01-01 | 北京航空航天大学 | 锂电池剩余循环寿命预测模型的构建方法及装置 |
CN108845264B (zh) * | 2018-06-01 | 2020-07-28 | 西安交通大学 | 一种基于小波的电池健康状态估计方法 |
CN109444762B (zh) * | 2018-10-28 | 2021-01-08 | 北京工业大学 | 一种基于数据融合的锂离子电池健康状态估计方法 |
CN110162799B (zh) * | 2018-11-28 | 2023-08-04 | 腾讯科技(深圳)有限公司 | 模型训练方法、机器翻译方法以及相关装置和设备 |
CN110059377B (zh) * | 2019-04-02 | 2022-07-05 | 西南交通大学 | 一种基于深度卷积神经网络的燃料电池寿命预测方法 |
CN109977622B (zh) * | 2019-05-05 | 2020-12-01 | 北京理工大学 | 一种动力电池的剩余寿命预测方法 |
CN112016237B (zh) * | 2019-05-13 | 2023-04-07 | 北京航空航天大学 | 锂电池寿命预测的深度学习方法、装置及系统 |
CN110658462B (zh) * | 2019-10-25 | 2020-12-15 | 北京航空航天大学 | 一种基于数据融合与arima模型的锂电池在线寿命预测方法 |
CN111856287B (zh) * | 2020-07-17 | 2021-07-13 | 上海交通大学 | 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法 |
-
2020
- 2020-12-02 CN CN202011394227.0A patent/CN112666479B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020191801A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 |
WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
CN110188920A (zh) * | 2019-04-26 | 2019-08-30 | 华中科技大学 | 一种锂电池剩余寿命预测方法 |
CN111638465A (zh) * | 2020-05-29 | 2020-09-08 | 浙大宁波理工学院 | 基于卷积神经网络和迁移学习的锂电池健康状态估计方法 |
Non-Patent Citations (2)
Title |
---|
基于MIV的BP神经网络磷酸铁锂电池寿命预测;张金国;王小君;朱洁;迟忠君;;电源技术(第01期);全文 * |
基于PCA-NARX的锂离子电池剩余使用寿命预测;庞晓琼;王竹晴;曾建潮;贾建芳;史元浩;温杰;;北京理工大学学报(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112666479A (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112666479B (zh) | 一种基于充电循环融合的电池寿命预测方法 | |
CN112666480B (zh) | 一种基于充电过程特征注意力的电池寿命预测方法 | |
Naha et al. | Internal short circuit detection in Li-ion batteries using supervised machine learning | |
CN109061504B (zh) | 同类型不同锂离子电池剩余使用寿命预测方法和系统 | |
Li et al. | Remaining useful life prediction for lithium-ion batteries based on a hybrid model combining the long short-term memory and Elman neural networks | |
Qu et al. | Lithium-ion battery performance degradation evaluation in dynamic operating conditions based on a digital twin model | |
Brand et al. | Extraction of battery parameters of the equivalent circuit model using a multi-objective genetic algorithm | |
CN110188920A (zh) | 一种锂电池剩余寿命预测方法 | |
CN112818602B (zh) | 基于大数据分析的电池数字孪生控制方法及装置 | |
CN103954913A (zh) | 电动汽车动力电池寿命预测方法 | |
CN114371409B (zh) | 电池状态预测模型的训练方法、电池状态预测方法及装置 | |
Zheng et al. | State of health estimation for lithium battery random charging process based on CNN-GRU method | |
Shi et al. | Combining physicochemical model with the equivalent circuit model for performance prediction and optimization of lead-acid batteries | |
CN115508711B (zh) | 一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法 | |
Sun et al. | Adaptive evolution enhanced physics-informed neural networks for time-variant health prognosis of lithium-ion batteries | |
Shin et al. | A statistical model of cell-to-cell variation in Li-ion batteries for system-level design | |
CN109917299A (zh) | 一种锂电池荷电状态的三层滤波估算方法 | |
DIng et al. | Li-ion battery health estimation based on multi-layer characteristic fusion and deep learning | |
Tian et al. | Data‐driven battery degradation prediction: Forecasting voltage‐capacity curves using one‐cycle data | |
Lyu et al. | A semiparametric clustering method for the screening of retired Li-ion batteries from electric vehicles | |
CN117054892B (zh) | 一种储能电站电池健康状态的评估方法、装置及管理方法 | |
CN113361692A (zh) | 一种锂电池剩余寿命结合预测方法 | |
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 | |
CN116087789A (zh) | 基于端云协同数据驱动的电池循环寿命预测方法及系统 | |
Song et al. | Capacity estimation method of lithium-ion batteries based on deep convolution neural 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |