CN112731161B - 基于少量数据混插的非线性数据特征提取和分类预测方法 - Google Patents

基于少量数据混插的非线性数据特征提取和分类预测方法 Download PDF

Info

Publication number
CN112731161B
CN112731161B CN202110170401.1A CN202110170401A CN112731161B CN 112731161 B CN112731161 B CN 112731161B CN 202110170401 A CN202110170401 A CN 202110170401A CN 112731161 B CN112731161 B CN 112731161B
Authority
CN
China
Prior art keywords
data
voltage
nonlinear
battery
feature extraction
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
Application number
CN202110170401.1A
Other languages
English (en)
Other versions
CN112731161A (zh
Inventor
刘暾
陈春阳
于天剑
成庶
向超群
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.)
Central South University
Original Assignee
Central South University
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 Central South University filed Critical Central South University
Priority to CN202110170401.1A priority Critical patent/CN112731161B/zh
Publication of CN112731161A publication Critical patent/CN112731161A/zh
Application granted granted Critical
Publication of CN112731161B publication Critical patent/CN112731161B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • G01R31/367—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]
    • G01R31/3644—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

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少量数据混插的非线性数据特征提取和分类预测方法，包括以下步骤：一、对非线性数据产生源采集所需的数据；二、对采集到的原始数据进行标准化处理；三、对采集到的原始数据进行求导；四、对求导后的数据进行标准化处理；五、将两次标准化后的数据进行横向间隔混合插入；六、使用神经网络算法对采集到来自不同产生源的数据进行特征提取并分类。本发明能够解决现有技术的不足，可以解决非线性数据在变化非常平滑时难以用单一参数进行分类预测的难点，实现采用少量数据并且仅依靠单一参数的情况下，提升神经网络模型对非线数据的特征提取并大大提升分类和预测效果。

Description

基于少量数据混插的非线性数据特征提取和分类预测方法
技术领域
本发明属于数据处理技术领域，具体是一种基于少量数据混插的非线性数据特征提取和分类预测方法。
背景技术
对于某些非线性数据进行分类或预测时，往往由于其变化非常平滑难以提取到足够区分的特征，难以训练神经网络，导致其难以使用目前主流的神经网络算法进行分类或预测，而其中锂电池的充电电压数据就是一个典型的例子。
锂电池由于结构和电化学特性通常会在充电时展现出一些容量变化的微妙属性，而这种属性要么难以捕获要么需要采集大量的数据进行分析，要么需要电压，电流，或者其他多类型的数据一起采集才能预测电池的SOC或者是电池容量，参见图1，可以看出曲线很密集而且变化很平滑，如果要对其进行使用神经网络进行特征提取非常困难，而且该曲线有时不按顺序移动，给分类预测带来了难处。目前针对锂电池进行SOC预测的技术主要有放电实验法，安时积分法，卡尔曼滤波法，神经网络法，内阻测量法放电实验法耗时长不能在线进行测试，安时积分法依赖电流传感器精度和初始SOC的精确估计，不能确定初始SOC会导致累积误差且易受外部干扰；内阻测量法需要使用特定的仪器进行离线测量，卡尔曼滤波方法需要建立精确的电池模型，神经网络只需对大量外部数据进行采集，进行训练后便可进行预测。同时目前的锂电池技术成熟，在进行充电时，其曲线平滑难以直接利用电压曲线数据进行预测，目前的技术及方法为通过采集电流、电压、及温度等大量的数据采集才能训练好神经网络模型。
发明内容
本发明要解决的技术问题是提供一种基于少量数据混插的非线性数据特征提取和分类预测方法，能够解决现有技术的不足，可以解决非线性数据在变化非常平滑时难以用单一参数进行分类预测的难点，实现采用少量数据并且仅依靠单一参数的情况下，提升神经网络模型对非线数据的特征提取并大大提升分类和预测效果。
本发明的内容包括以下步骤：
一、对非线性数据产生源采集所需的数据；
二、对采集到的原始数据进行标准化处理；
三、对采集到的原始数据进行求导；
四、对求导后的数据进行标准化处理；
五、将两次标准化后的数据进行横向间隔混合插入；
六、使用神经网络算法对采集到来自不同产生源的数据进行特征提取并分类。
作为优选，所述非线性数据为锂电池充电电压。
作为优选，包括以下步骤，
A、锂电池进入充电阶段开始进行电压数据采集；
B、当电压的变化范围超过阈值则进行预警，否则继续采集；
C、对采集电压数据进行横向混插处理；
D、对锂电池的SOC及RUL进行预测。
作为优选，步骤C中，对采集电压数据进行横向混插处理包括以下步骤，
C1、将采集来的电压数据求导；
C2、将电压求导数据标准化；
C3、将采集到电压数据标准化；
C4、将标准化后的电压数据横向插入标准化后的电压求导数据中。
作为优选，步骤C1中，
Figure 853197DEST_PATH_IMAGE001
Figure 490852DEST_PATH_IMAGE002
K+1为采样总数据数，v为直接采集到的数据，
Figure 640204DEST_PATH_IMAGE003
为电压求导数据。
作为优选，步骤C2中，
Figure 896873DEST_PATH_IMAGE004
Figure 64549DEST_PATH_IMAGE005
Figure 623838DEST_PATH_IMAGE006
Figure 650700DEST_PATH_IMAGE007
Figure 570114DEST_PATH_IMAGE008
为将电压求导数据标准化处理后的数据，再将
Figure 343029DEST_PATH_IMAGE009
数据按
Figure 588066DEST_PATH_IMAGE010
重新排列获得新的
Figure 836644DEST_PATH_IMAGE009
，
Figure 310482DEST_PATH_IMAGE011
为极小量参数，为防止分母为0。
作为优选，步骤C3中，
Figure 452751DEST_PATH_IMAGE012
Figure 478475DEST_PATH_IMAGE013
Figure 824137DEST_PATH_IMAGE014
Figure 350934DEST_PATH_IMAGE015
Figure 98441DEST_PATH_IMAGE016
为标准化后的电压数据，将
Figure 560646DEST_PATH_IMAGE017
按
Figure 642872DEST_PATH_IMAGE010
重新排列获得新的
Figure 848725DEST_PATH_IMAGE017
。
作为优选，步骤C4中，将
Figure 462458DEST_PATH_IMAGE017
中的数据横向间隔插入
Figure 220198DEST_PATH_IMAGE009
，经过插入后的数据组成
Figure 930665DEST_PATH_IMAGE018
新的数据集
Figure 284417DEST_PATH_IMAGE019
，此为电压横向混插数据
Figure 255784DEST_PATH_IMAGE020
。
作为优选，步骤D中，使用LSTM神经网络对锂电池的SOC及RUL进行预测，所述LSTM神经网络包括遗忘门、输入门和输出门；步骤D中，首先将用于训练LSTM网络的数据输入到LSTM神经网络中，将LSTM中输出的结果通过全连接层将特征空间映射样本标记空间，再通过softmax层输出最大概率的样本，再将预测的样本与实际值比较得出误差，然后通过反向传播算法更新LSTM中的参数，重复以上步骤直到误差为0后LSTM中参数更新完毕即训练完毕，然后将需要被预测的参数输入进来，通过训练好的LSTM网络，全连接层及softmax层后输出预测结果。
作为优选，当得到预测电池SOC或是电池容量后，通过将测得的大量电池使用数据进行分析，进行预测电池的RUL，根据数据锂电池平均每小时或每时间段消耗xmAh电量，通过预测的SOC折算出电池可用容量ymAh,通过除法运算得出充满电后电池的使用时间。
本发明的有益效果是：针对非线性数据在变化非常平滑难以用单一参数进行分类预测的难点，本发明提出的将非线数据求导得到求导数据，以及与原始非线性数据标准化后进行间隔混插的方法，该方法保存了原始非线性数据的特征又记录了非线性数据变化的特征，而且其排列也是符合数据的前后关联特性，大大提升了数据特征可区分性，再不依赖其他额外参数时，使分类和预测的效果大大提升。
以锂电池充电电压数据为例，采用电压横向混插数据处理方式时既保存了原始数据的特征又记录了数据变化的特征，而且其排列也是符合电压数据的前后关联特性，从而大大提升了数据特征可区分性，使预测的效果大大提升。通过检测前期少量电压变化情况提前预判容量是否会发生大幅变化，如有变化过大则预警，正常则继续充电同时继续采集电压数据，采集到足够的数据时采用前文的电压混插数据处理方法提前预报此次充电完成后电池的SOC或容量，随后可针对用户对电池的使用习惯，分析出此次充电后电池可使用的时间。本发明可在电池在充电的过程中即可完成对电池容量大幅变化预警，同时对容量或SOC及剩余使用时间进行预测，对有此要求的行业提供帮助。
附图说明
图1为锂电池CC-CV充电图。
图2为本发明的原理图。
图3为本实施例的原理图。
图4为LSTM 预测流程图。
图5为锂电池在CC充电时电压前期的变化与后面电池容量的变化趋势关系图。
图6为电压求导数据集可视化图。
图7为直接电压数据集可视化图。
图8为横向电压数据混插示意图。
图9为电压横向混插数据集可视化图。
具体实施方式
本具体实施方式以电压数据混插的锂电池SOC及RUL预测为例。
通过实验对测试的锂电池电压数据发现，锂电池在CC充电时发现电压前期的变化能够反映出后面电池容量的变化趋势，这样虽然不能过通过电压前期的变化准确预测电池容量，但是却可以对电池容量即将发生的巨大变化趋势进行提前预报，一般在前300个数据就能体现出电池容量的变化，如图5所示。
参照图3-4，一种基于少量电压数据混插的锂电池SOC及RUL预测方法，包括以下步骤：
A、锂电池进入充电阶段开始进行电压数据采集；
B、当电压的变化范围超过阈值则进行预警，否则继续采集；
C、对采集电压数据进行横向混插处理；
D、对锂电池的SOC及RUL进行预测。
步骤C中，对采集电压数据进行横向混插处理包括以下步骤，
C1、将采集来的电压数据求导；
C2、将电压求导数据标准化；
C3、将采集到电压数据标准化；
C4、将标准化后的电压数据横向插入标准化后的电压求导数据中。
步骤C1中，
Figure 669579DEST_PATH_IMAGE001
Figure 867342DEST_PATH_IMAGE002
K+1为采样总数据数，v为直接采集到的数据，
Figure 274053DEST_PATH_IMAGE003
为电压求导数据。
参照图6，步骤C2中，
Figure 850659DEST_PATH_IMAGE004
Figure 825568DEST_PATH_IMAGE005
Figure 369682DEST_PATH_IMAGE006
Figure 330816DEST_PATH_IMAGE007
Figure 886562DEST_PATH_IMAGE008
为将电压求导数据标准化处理后的数据，再将
Figure 157006DEST_PATH_IMAGE009
数据按
Figure 939149DEST_PATH_IMAGE010
重新排列获得新的
Figure 563028DEST_PATH_IMAGE009
，
Figure 363494DEST_PATH_IMAGE011
为极小量参数，为防止分母为0。图中每一条曲线为方阵的一行。
参照图7，步骤C3中，
Figure 821151DEST_PATH_IMAGE012
Figure 949644DEST_PATH_IMAGE013
Figure 501848DEST_PATH_IMAGE014
Figure 907553DEST_PATH_IMAGE015
Figure 395166DEST_PATH_IMAGE016
为标准化后的电压数据，将
Figure 135589DEST_PATH_IMAGE017
按
Figure 507796DEST_PATH_IMAGE010
重新排列获得新的
Figure 892641DEST_PATH_IMAGE017
。图中每一条曲线为方阵的一行。
参照图8-9，步骤C4中，将
Figure 410210DEST_PATH_IMAGE017
中的数据横向间隔插入
Figure 654240DEST_PATH_IMAGE009
，经过插入后的数据组成
Figure 423613DEST_PATH_IMAGE018
新的数据集
Figure 318757DEST_PATH_IMAGE019
，此为电压横向混插数据
Figure 757959DEST_PATH_IMAGE020
。
图9中每一条曲线为方阵的一行。
步骤D中，使用LSTM神经网络对锂电池的SOC及RUL进行预测，所述LSTM神经网络包括遗忘门、输入门和输出门。
步骤D中，首先将用于训练LSTM网络的数据输入到LSTM神经网络中，将LSTM中输出的结果通过全连接层将特征空间映射样本标记空间，再通过softmax层输出最大概率的样本，再将预测的样本与实际值比较得出误差，然后通过反向传播算法更新LSTM中的参数，重复以上步骤直到误差为0后LSTM中参数更新完毕即训练完毕，然后将需要被预测的参数输入进来，通过训练好的LSTM网络，全连接层及softmax层后输出预测结果。
当得到预测电池SOC或是电池容量后，通过将测得的大量电池使用数据进行分析，进行预测电池的RUL，根据数据锂电池平均每小时或每时间段消耗xmAh电量，通过预测的SOC折算出电池可用容量ymAh,通过除法运算得出充满电后电池的使用时间。

Claims (7)

1.一种基于少量数据混插的非线性数据特征提取和分类预测方法，其特征在于包括以下步骤：
A、对锂电池充电电压产生源采集所需的数据；锂电池进入充电阶段开始进行电压数据采集；
B、当电压的变化范围超过阈值则进行预警，否则继续采集；
C、对采集电压数据进行横向混插处理，具体包括，
C1、将采集来的电压数据求导；
C2、将电压求导数据标准化；
C3、将采集到电压数据标准化；
C4、将标准化后的电压数据横向插入标准化后的电压求导数据中；
D、使用LSTM神经网络算法对采锂电池的SOC及RUL进行预测。
2.如权利要求1所述的基于少量数据混插的非线性数据特征提取和分类预测方法，其特征在于：步骤C1中，
Figure 515506DEST_PATH_IMAGE001
Figure 124210DEST_PATH_IMAGE002
K+1为采样总数据数，v为直接采集到的数据，
Figure 186844DEST_PATH_IMAGE003
为电压求导数据。
3.如权利要求2所述的基于少量数据混插的非线性数据特征提取和分类预测方法，其特征在于：步骤C2中，
Figure 264522DEST_PATH_IMAGE004
Figure 906856DEST_PATH_IMAGE005
Figure 386378DEST_PATH_IMAGE006
Figure 806864DEST_PATH_IMAGE007
Figure 371838DEST_PATH_IMAGE008
为将电压求导数据标准化处理后的数据，再将
Figure 552284DEST_PATH_IMAGE009
数据按
Figure 683051DEST_PATH_IMAGE010
重新排列获得新的
Figure 290749DEST_PATH_IMAGE009
，
Figure 612794DEST_PATH_IMAGE011
为极小量参数，为防止分母为0。
4.如权利要求3所述的基于少量数据混插的非线性数据特征提取和分类预测方法，其特征在于：步骤C3中，
Figure 331352DEST_PATH_IMAGE012
Figure 519888DEST_PATH_IMAGE013
Figure 298488DEST_PATH_IMAGE014
Figure DEST_PATH_IMAGE015
Figure 352900DEST_PATH_IMAGE016
为标准化后的电压数据，将
Figure DEST_PATH_IMAGE017
按
Figure 343990DEST_PATH_IMAGE010
重新排列获得新的
Figure 652612DEST_PATH_IMAGE017
。
5.如权利要求4所述的基于少量数据混插的非线性数据特征提取和分类预测方法，其特征在于：步骤C4中，将
Figure 851381DEST_PATH_IMAGE017
中的数据横向间隔插入
Figure 347084DEST_PATH_IMAGE009
，经过插入后的数据组成
Figure 673023DEST_PATH_IMAGE018
新的数据集
Figure DEST_PATH_IMAGE019
，此为电压横向混插数据
Figure 554260DEST_PATH_IMAGE020
。
6.如权利要求1所述的基于少量数据混插的非线性数据特征提取和分类预测方法，其特征在于：步骤D中，使用LSTM神经网络对锂电池的SOC及RUL进行预测，所述LSTM神经网络包括遗忘门、输入门和输出门；首先将用于训练LSTM网络的数据输入到LSTM神经网络中，将LSTM中输出的结果通过全连接层将特征空间映射样本标记空间，再通过softmax层输出最大概率的样本，再将预测的样本与实际值比较得出误差，然后通过反向传播算法更新LSTM中的参数，重复以上步骤直到误差为0后LSTM中参数更新完毕即训练完毕，然后将需要被预测的参数输入进来，通过训练好的LSTM网络，全连接层及softmax层后输出预测结果。
7.如权利要求6所述的基于少量数据混插的非线性数据特征提取和分类预测方法，其特征在于：当得到预测电池SOC或是电池容量后，通过将测得的大量电池使用数据进行分析，进行预测电池的RUL，根据数据锂电池平均每时间段消耗xmAh电量，通过预测的SOC折算出电池可用容量ymAh,通过除法运算得出充满电后电池的使用时间。
CN202110170401.1A 2021-02-08 2021-02-08 基于少量数据混插的非线性数据特征提取和分类预测方法 Active CN112731161B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110170401.1A CN112731161B (zh) 2021-02-08 2021-02-08 基于少量数据混插的非线性数据特征提取和分类预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110170401.1A CN112731161B (zh) 2021-02-08 2021-02-08 基于少量数据混插的非线性数据特征提取和分类预测方法

Publications (2)

Publication Number Publication Date
CN112731161A CN112731161A (zh) 2021-04-30
CN112731161B true CN112731161B (zh) 2021-10-26

Family

ID=75596255

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110170401.1A Active CN112731161B (zh) 2021-02-08 2021-02-08 基于少量数据混插的非线性数据特征提取和分类预测方法

Country Status (1)

Country Link
CN (1) CN112731161B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114236391B (zh) * 2021-11-26 2024-08-09 浙江省通信产业服务有限公司 一种电动自行车电池容量预警及充电路径选择方法
CN113850028B (zh) * 2021-11-30 2022-03-04 中南大学 基于堆叠异构残差网络的换流阀冷却方式分类方法及装置
CN114358200B (zh) * 2022-01-11 2022-09-13 中南大学 一种非线性数据的分类预测方法、系统、设备和存储介质

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103246778B (zh) * 2013-05-14 2017-04-19 中国科学技术大学 一种曲线拟合的处理方法
CN103584872B (zh) * 2013-10-29 2015-03-25 燕山大学 一种基于多生理参数融合的心理压力评估方法
US11157657B2 (en) * 2016-12-22 2021-10-26 Liveramp, Inc. Mixed data fingerprinting with principal components analysis
EP3511872A1 (en) * 2018-01-12 2019-07-17 Sony Corporation Artificial neural network
CN108445401A (zh) * 2018-02-09 2018-08-24 深圳市鹏诚新能源科技有限公司 电池荷电状态soc的在线估计方法、电子装置及存储介质
CN108445422B (zh) * 2018-06-08 2020-09-25 江苏大学 基于极化电压恢复特性的电池荷电状态估算方法
CN109389553B (zh) * 2018-08-29 2022-09-20 南京理工大学 基于t样条的气象传真图等值线插值方法
US11340300B2 (en) * 2019-04-05 2022-05-24 Samsung Electronics Co., Ltd. Battery service life management method and system
CN111832709A (zh) * 2019-04-16 2020-10-27 上海寒武纪信息科技有限公司 运算数据的混合量化方法及相关产品
CN111881705B (zh) * 2019-09-29 2023-12-12 深圳数字生命研究院 数据处理、训练、识别方法、装置和存储介质
CN111368254B (zh) * 2020-03-02 2023-04-07 西安邮电大学 多流形正则化非负矩阵分解的多视角数据缺失补全方法
CN112200068A (zh) * 2020-10-09 2021-01-08 武汉科技大学 基于lstm神经网络心电提取方法、系统、设备及介质

Also Published As

Publication number Publication date
CN112731161A (zh) 2021-04-30

Similar Documents

Publication Publication Date Title
CN112731161B (zh) 基于少量数据混插的非线性数据特征提取和分类预测方法
WO2023130776A1 (zh) 储能电站电池工况健康状态预测方法及系统
CN109752656B (zh) 一种在多时间尺度下用电动汽车电池soh评估方法
CN102749589B (zh) 电动汽车动力电池衰退模式预测方法
CN107219463B (zh) 基于电瓶车状态数据的电池使用寿命预测方法
CN111443293A (zh) 一种基于数据驱动的锂电池健康状态soh估算方法
CN112904219B (zh) 一种基于大数据的动力电池健康状态的预测方法
CN112379273B (zh) 基于人工智能的锂离子电池充电曲线重构及状态估计方法
CN112684363A (zh) 一种基于放电过程的锂离子电池健康状态估计方法
CN115902647B (zh) 一种电池状态智能监测方法
CN113075569A (zh) 一种基于噪声自适应粒子滤波的电池荷电状态估计方法和装置
US20230305073A1 (en) Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern
CN110703120A (zh) 基于粒子滤波和长短时记忆网络的锂离子电池寿命预测方法
Zheng et al. Real-time estimation of battery state of charge with metabolic grey model and LabVIEW platform
CN116125289A (zh) 基于局部电压片段和集成学习的锂电池健康状态估计方法
KR20230080112A (ko) 배터리 현재 상태 예측을 위한 배터리 진단 장치
Tan et al. Intelligent online health estimation for lithium-ion batteries based on a parallel attention network combining multivariate time series
CN113759258A (zh) 一种动力电池soc估计方法、装置及纯电动汽车
Quade et al. Understanding the Energy Potential of Lithium‐Ion Batteries: Definition and Estimation of the State of Energy
CN112009252B (zh) 一种动力电池系统故障诊断及容错控制方法
CN114859249B (zh) 一种电池包容量的检测方法和装置
CN116842464A (zh) 一种电池系统soc估计方法
CN111537889B (zh) 一种数据驱动的梯次电池rul预测与分类方法
CN115575839A (zh) 一种基于模糊卡尔曼滤波的锂离子电池短路故障诊断方法
CN114839552A (zh) 一种基于wasserstein距离的电池SOH估计方法及装置

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