CN112798967A - 固体氧化物燃料电池长短期预测方法 - Google Patents

固体氧化物燃料电池长短期预测方法 Download PDF

Info

Publication number
CN112798967A
CN112798967A CN202011412552.5A CN202011412552A CN112798967A CN 112798967 A CN112798967 A CN 112798967A CN 202011412552 A CN202011412552 A CN 202011412552A CN 112798967 A CN112798967 A CN 112798967A
Authority
CN
China
Prior art keywords
term
data
short
long
prediction
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.)
Granted
Application number
CN202011412552.5A
Other languages
English (en)
Other versions
CN112798967B (zh
Inventor
吴小娟
张铭涛
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202011412552.5A priority Critical patent/CN112798967B/zh
Publication of CN112798967A publication Critical patent/CN112798967A/zh
Application granted granted Critical
Publication of CN112798967B publication Critical patent/CN112798967B/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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3835—Arrangements for monitoring battery or accumulator variables, e.g. SoC involving only voltage measurements
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M8/00—Fuel cells; Manufacture thereof
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
    • H01M8/04537—Electric variables
    • H01M8/04544—Voltage
    • H01M8/04552—Voltage of the individual fuel cell
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M8/00—Fuel cells; Manufacture thereof
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H01M8/04992—Processes for controlling fuel cells or fuel cell systems characterised by the implementation of mathematical or computational algorithms, e.g. feedback control loops, fuzzy logic, neural networks or artificial intelligence
    • 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
    • Y02E60/30—Hydrogen technology
    • Y02E60/50—Fuel cells

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Chemical & Material Sciences (AREA)
  • Electrochemistry (AREA)
  • Sustainable Energy (AREA)
  • Manufacturing & Machinery (AREA)
  • Sustainable Development (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Fuel Cell (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)

Abstract

本发明公开了一种固体氧化物燃料电池长短期预测方法，属于燃料电池领域。该方法针对单电池电压预测，提出了一种基于回声状态网络构成的多任务预测网络，用于同时实现长期预测和短期预测。通过同时考虑小时尺度和天尺度电压数据对单电池电压预测的影响，能够有效提高电池电压预测精度，从而延长电池使用寿命。

Description

固体氧化物燃料电池长短期预测方法
技术领域
本发明属于燃料电池领域，涉及燃料电池电压长短期预测技术。
背景技术
固体氧化物燃料电池(Solid Oxide Fuel Cell,SOFC)是一种在中高温下直接将储存在燃料和氧化剂中的化学能转化成电能的发电装置，被誉为21世纪最有发展前景的绿色环保能源。然而，随着SOFC工作时间的增加，将会发生SOFC组织结构改变，铬中毒和镍粒子渗碳等现象，从而发生不可逆的性能衰退。如果能在SOFC衰退初期准确的预测电池电压的变化趋势，那么就能够及时采取有效的维护手段，延长其使用寿命。根据预测的时间长短，可以将预测分为长期预测和短期预测，预测周期为SOFC当前工作时刻到SOFC失效时刻被称为长期预测，长期预测的结果能够展示燃料电池整个生命周期的电压变化趋势，有助于制定燃料电池整个生命周期优化策略。由于SOFC电压变化存在不确定性和波动性，所以长期预测的结果在突发情况下具有不适应性，而短期预测的预测范围相对较小，可以及时应对突发情况，降低电压波动对预测结果的影响。
近几年，学术界出现了大量的关于SOFC长期预测的方法，大体可以分为三类，分别是基于模型的预测方法、基于数据的预测方法和二者混合的预测方法。基于模型的预测方法考虑各种老化因素对SOFC内部和外部状态变量的影响，通过失效物理学推导出的数学公式来预测性能衰退的演化，从而建立退化模型，这种方法需要对SOFC系统的退化机理有深刻的理解才能建立与实际衰退过程相吻合的预测模型。然而SOFC是一个非线性的、多物理的、多尺度的系统，其衰退机理还不完全清楚，所以很难获得精确的模型来描述SOFC系统的衰退。基于数据的方法通过挖掘历史实验数据的有用信息来学习系统电压的变化规律，进而推演出电压未来可能的变化趋势。该方法不需要深入了解SOFC的衰退机理，易于实现，计算效率高，所以，该方法受到越来越多的学者的关注，但是该方法对数据的依赖大，预测的精度和数据量的大小相关，而大多情况下采集数据是一个费时费力的过程，于是部分学者提出了混合预测方法，将模型和数据相结合，即能建立较精确的衰退模型，也能减轻预测精度对数据量的依赖。短期预测对SOFC的电压趋势预测和成本管理同样重要，但是只有少部分学者关注质子交换膜短期预测方法，缺乏对SOFC短期预测方法的研究。
发明内容
本发明的目的是提供一种固体氧化物燃料电池长短期预测方法，采用一种由回声状态网络(Echo State Network，ESN)构成的多任务预测网络(Multi Tasks Echo StateNetwork，MT-ESN)，能够同时得到SOFC长期和短期电压预测值。
为实现上述发明目的，本发明提供的技术方案如下：
一种固体氧化物燃料电池长短期预测方法，具体包括以下步骤：
S1、从原始数据中分别得到SOFC小时尺度和天尺度的电压数据；
将采集到的SOFC电压数据输入到不同时间尺度数据提取模块，计算得到SOFC小时尺度和天尺度的电压数据。
S2、建立多任务预测网络；
建立的多任务预测网络由两个回声状态网络构成，两个回声状态网络的输入层和储备池相互独立，在输出层汇聚在一起，能够分别得到长期和短期的预测结果。
S3、基于不同时间尺度数据的SOFC长短期电压预测；
将小时尺度和天尺度的电压数据同时输入到多任务预测网络中，同时得到SOFC电压长期和短期的预测值。
本发明的有益效果是，针对单电池电压预测，提供一种多任务ESN预测网络，同时实现长期预测和短期预测。通过同时考虑小时尺度和天尺度电压数据对单电池电压预测的影响，能够有效提高电池电压预测精度，从而延长电池使用寿命。
附图说明
图1是本发明实施流程说明图。
图2是本发明的多任务预测网络。
图3是本方法的预测结果展示图。
具体实施方式
如图1所示，为实现短期和长期的电池电压同时进行预测，实施例利用不同时间尺度数据提取模块得到小时尺度和天尺度的电压数据，然后将小时尺度和天尺度的电压数据输入到长短期电压预测模块中，得到长期和短期的电池电压未来预测值，最后将预测值放入评价模块，评价多任务预测网络的预测精度。
长短期电压预测模块结构图如图2所示，由两个回声状态网络(Echo StateNetwork,ESN)组成，分别负责短期和长期的储存池状态计算，各个储存池根据输入数据分别计算储存池状态，然后将两个储存池在输出层汇聚，以预测短期和长期的电压值。
基于该方法的具体实施流程为：
S1、从SOFC电压数据中提取小时尺度和天尺度数据；
已知SOFC运行的总时间为n个小时，第j小时的电压数据为H(j),j＝1,2,...,n，可以得到SOFC第j′天的电压数据D(j′)为：
Figure BDA0002817651480000031
从小时尺度数据中提取连续的M个小时电压数据，构成小时尺度电压数据集u1(i-1)＝[H(i-1),...,H(i-M)]T，其中H(i-1)为提取的最后一个小时电压数据，H(i-M)为提取的第一个小时电压数据；在天尺度数据中提取M个天电压数据，构成天尺度电压数据集u2(i′-1)＝[D(i′-1),...,D(i′-M)]T，其中D(i′-M)为提取的第一个天电压数据，D(i′-1)为提取的最后一个天电压数据，(i-1)＝(i′-1)×24，即表示小时尺度和天尺度数据集的最后一个时刻为同一时刻。
S2、建立多任务预测网络；
建立的多任务预测网络由两个回声状态网络构成，如图2所示，两个回声状态网络的输入层和储备池相互独立，两个储备池分别建立小时尺度和天尺度的特征映射，然后在输出层将两个储备池的输出进行汇聚，分别得到短期和长期电压的预测值。
S3、基于不同时间尺度数据的SOFC长短期电压预测；
将u1(i-1)和u2(i′-1)输入到长短期ESN网络中，分别得到第i个小时和第i′天的ESN网络储存池状态x1(i)和x2(i′)：
x1(i)＝fR(W1 res·x1(i-1)+W1 in·u1(i-1))
Figure BDA0002817651480000041
其中，fR(·)为储备池神经元的激活函数，Wl in∈Nl×Kl为输入层与各个储备池之间的权值连接矩阵，K1和K2分别为小时尺度和天尺度的输入维度，Wl res∈Nl×Nl为各个储备池的内部连接权值矩阵，Nl为各个储备池大小，l(l＝1,2)为储存池序号。
将储存池的状态xl(i)和x2(i′)输入到ESN网络的输出层中，得到短期第i个数据和长期第i′个数据的预测值：
Figure BDA0002817651480000044
Figure BDA0002817651480000045
其中，
Figure BDA0002817651480000046
和
Figure BDA0002817651480000047
分别为短期第i个数据和长期第i′个数据的预测值，Wl out∈2×Nl为各个储存池的输出权值矩阵，fO(·)为输出层神经元激活函数。
S4、模型评价；
将SOFC短期和长期电压数据的真实值和预测值同时输入到评价模块，采用均方差来评价多任务预测网络的预测精度，具体为：
Figure BDA0002817651480000049
Figure BDA00028176514800000410
其中，y1(i)和y2(i′)分别为短期第i个数据和长期第i′个数据的真实值，Ntrain为训练集的样本数。在该方法中，采用岭回归方法训练ESN网络，训练的目标是找到最优的输出权值矩阵Wl out使均方差最小。
本实施例中，采用MT-ESN网络和单个ESN网络作对比，若选取SOFC运行的第2400小时为当前时刻，则预测结果如图3所示，实线表示电压的真实值，虚线为MT-ESN网络的预测值，点划线为ESN网络的预测值，图3(a)为短期预测结果，图3(b)为长期预测结果。对于短期预测而言，MT-ESN网络的均方误差为0.00008，ESN网络的均方误差为0.0004；对于长期预测而言，MT-ESN网络的均方误差为0.0017，ESN网络的均方误差为0.0023。
从实验结果可以看出，由于MT-ESN网络在进行短期和长期预测时，同时考虑了小时尺度和天尺度对预测结果影响，所以MT-ESN网络的预测精度比单个ESN网络的预测精度更高。

Claims (3)

1.一种固体氧化物燃料电池长短期预测方法，具体包括以下步骤：
S1、从原始数据中分别得到SOFC小时尺度和天尺度的电压数据；
将采集到的SOFC电压数据输入到不同时间尺度数据提取模块，计算得到SOFC小时尺度和天尺度的电压数据；
S2、建立多任务预测网络；
建立的多任务预测网络由两个回声状态网络构成，两个回声状态网络的输入层和储备池相互独立，在输出层汇聚在一起，分别得到长期和短期的预测结果；
S3、基于不同时间尺度数据的SOFC长短期电压预测；
将小时尺度和天尺度的电压数据同时输入到多任务预测网络中，同时得到SOFC电压长期和短期的预测值。
2.如权利要求1所述的一种固体氧化物燃料电池长短期预测方法，其特征在于，所述S1步骤中从SOFC电压数据中提取小时尺度和天尺度数据的具体方式为：
采集SOFC运行n个小时的电压数据，第j小时的电压数据为H(j),j＝1,2,...,n，得到SOFC第j′天的电压数据D(j′)为：
Figure FDA0002817651470000011
从小时尺度数据中提取连续的M个小时电压数据，构成小时尺度电压数据集u1(i-1)＝[H(i-1),...,H(i-M)]T，其中H(i-1)为提取的最后一个小时电压数据，H(i-M)为提取的第一个小时电压数据；在天尺度数据中提取M个天电压数据，构成天尺度电压数据集u2(i′-1)＝[D(i′-1),...,D(i′-M)]T，其中D(i′-M)为提取的第一个天电压数据，D(i′-1)为提取的最后一个天电压数据；并且小时尺度和天尺度数据集的最后一个时刻为同一时刻；
所述S3步骤中基于不同时间尺度数据的SOFC长短期电压预测的具体方式为：
将u1(i-1)和u2(i′-1)输入到长短期ESN网络中，分别得到第i个小时和第i′天的ESN网络储存池状态x1(i)和x2(i′)：
x1(i)＝fR(W1 res·x1(i-1)+W1 in·u1(i-1))
Figure FDA0002817651470000012
其中，fR(·)为储备池神经元的激活函数，Wl in∈Nl×Kl为输入层与各个储备池之间的权值连接矩阵，K1和K2分别为小时尺度和天尺度的输入维度，Wl res∈Nl×Nl为各个储备池的内部连接权值矩阵，Nl为各个储备池大小，l(l＝1,2)为储存池序号；
将储存池的状态xl(i)和x2(i′)输入到ESN网络的输出层中，得到短期第i个电压数据和长期第i′个电压数据的预测值：
Figure FDA0002817651470000021
Figure FDA0002817651470000022
其中，
Figure FDA0002817651470000023
和
Figure FDA0002817651470000024
分别为短期第i个电压数据和长期第i′个电压数据的预测值，Wl out∈2×Nl为各个储存池的输出权值矩阵，fO(·)为输出层神经元激活函数。
3.如权利要求2所述的一种固体氧化物燃料电池长短期预测方法，其特征在于，在S3步骤后，将SOFC短期和长期电压数据的真实值和预测值同时输入到评价模块，采用均方差来评价多任务预测网络的预测精度，具体为：
Figure FDA0002817651470000025
Figure FDA0002817651470000026
其中，y1(i)和y2(i′)分别为短期第i个数据和长期第i′个数据的真实值，Ntrain为训练集的样本数，采用岭回归方法训练ESN网络，找到最优的输出权值矩阵Wl out使均方差最小。
CN202011412552.5A 2020-12-04 2020-12-04 固体氧化物燃料电池长短期预测方法 Active CN112798967B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011412552.5A CN112798967B (zh) 2020-12-04 2020-12-04 固体氧化物燃料电池长短期预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011412552.5A CN112798967B (zh) 2020-12-04 2020-12-04 固体氧化物燃料电池长短期预测方法

Publications (2)

Publication Number Publication Date
CN112798967A true CN112798967A (zh) 2021-05-14
CN112798967B CN112798967B (zh) 2022-03-15

Family

ID=75806505

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011412552.5A Active CN112798967B (zh) 2020-12-04 2020-12-04 固体氧化物燃料电池长短期预测方法

Country Status (1)

Country Link
CN (1) CN112798967B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130122476A1 (en) * 2008-01-07 2013-05-16 Noel J. Guillama System and methods for providing dynamic integrated wellness assessment
CN103293487A (zh) * 2013-06-28 2013-09-11 哈尔滨工业大学 基于集成模型的锂离子电池寿命预测方法
CN103336248A (zh) * 2013-07-25 2013-10-02 哈尔滨工业大学 基于电池退化状态模型的锂离子电池循环寿命预测方法
CN103389471A (zh) * 2013-07-25 2013-11-13 哈尔滨工业大学 一种基于gpr带有不确定区间的锂离子电池循环寿命间接预测方法
CN103954914A (zh) * 2014-05-16 2014-07-30 哈尔滨工业大学 基于概率集成的锂离子电池剩余寿命直接预测方法
CN108830295A (zh) * 2018-05-10 2018-11-16 华南理工大学 基于多时间尺度回声状态网络的多变量时间序列分类方法
CN108872866A (zh) * 2018-06-04 2018-11-23 桂林电子科技大学 一种锂离子电池荷电状态动态评估与长效预测融合方法
CN110309979A (zh) * 2019-07-09 2019-10-08 南方电网科学研究院有限责任公司 基于回声状态网络的电力负荷预测方法、装置及设备
US10514694B1 (en) * 2015-07-21 2019-12-24 Hrl Laboratories, Llc System and method for classifying agents based on agent movement patterns
CN110909455A (zh) * 2019-11-06 2020-03-24 电子科技大学 一种延缓固体氧化物燃料电池性能衰退的方法
CN111046550A (zh) * 2019-12-10 2020-04-21 电子科技大学 一种基于时空特征的燃料电池电压预测系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130122476A1 (en) * 2008-01-07 2013-05-16 Noel J. Guillama System and methods for providing dynamic integrated wellness assessment
CN103293487A (zh) * 2013-06-28 2013-09-11 哈尔滨工业大学 基于集成模型的锂离子电池寿命预测方法
CN103336248A (zh) * 2013-07-25 2013-10-02 哈尔滨工业大学 基于电池退化状态模型的锂离子电池循环寿命预测方法
CN103389471A (zh) * 2013-07-25 2013-11-13 哈尔滨工业大学 一种基于gpr带有不确定区间的锂离子电池循环寿命间接预测方法
CN103954914A (zh) * 2014-05-16 2014-07-30 哈尔滨工业大学 基于概率集成的锂离子电池剩余寿命直接预测方法
US10514694B1 (en) * 2015-07-21 2019-12-24 Hrl Laboratories, Llc System and method for classifying agents based on agent movement patterns
CN108830295A (zh) * 2018-05-10 2018-11-16 华南理工大学 基于多时间尺度回声状态网络的多变量时间序列分类方法
CN108872866A (zh) * 2018-06-04 2018-11-23 桂林电子科技大学 一种锂离子电池荷电状态动态评估与长效预测融合方法
CN110309979A (zh) * 2019-07-09 2019-10-08 南方电网科学研究院有限责任公司 基于回声状态网络的电力负荷预测方法、装置及设备
CN110909455A (zh) * 2019-11-06 2020-03-24 电子科技大学 一种延缓固体氧化物燃料电池性能衰退的方法
CN111046550A (zh) * 2019-12-10 2020-04-21 电子科技大学 一种基于时空特征的燃料电池电压预测系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
B. DOLENC ET.AL: "State of health estimation and remaining useful life prediction of solid oxide fuel cell stack", 《ENERGY CONVERSION AND MANAGEMENT》 *
王君皓: "固体氧化物燃料电池的预测及控制", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 *

Also Published As

Publication number Publication date
CN112798967B (zh) 2022-03-15

Similar Documents

Publication Publication Date Title
CN109324291B (zh) 一种针对质子交换膜燃料电池寿命预测的预测方法
Ming et al. A systematic review of machine learning methods applied to fuel cells in performance evaluation, durability prediction, and application monitoring
CN110866633B (zh) 一种基于svr支持向量回归的微电网超短期负荷预测方法
CN116609668B (zh) 一种锂离子电池健康状态和剩余寿命预测方法
CN114035098A (zh) 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法
CN112798967B (zh) 固体氧化物燃料电池长短期预测方法
CN117565727A (zh) 基于人工智能的无线充电自动控制方法及系统
CN116819372A (zh) 一种神经网络计算储能电池健康状态的方法
CN117054892A (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
CN117192385A (zh) 一种基于深度学习模型的锂电池容量预测方法
CN116449218A (zh) 一种锂电池健康状态的估计方法
CN115236521A (zh) 基于半监督协同训练框架的锂离子电池健康状态估计方法
CN110782126A (zh) 一种多失效模型集成的电动汽车用直流充电桩运行可靠性评估方法
CN117353359B (zh) 电池联合储能供电方法及系统
Wang et al. Segmented Prediction Model of Lithium-ion Battery Remaining Useful Life Based on LSTM and SVR
Liu et al. Comparison of Degradation Prediction Methods for Proton Exchange Membrane Fuel Cell
CN113836814B (zh) 一种基于多流神经网络的太阳能能量预测方法
Cao et al. Research on Battery Life prediction Based on Deep Learning
CN115204053A (zh) 一种适用于质子交换膜燃料电池动态负载下的性能预测方法
CN117310532A (zh) 一种基于BiLSTM的锂电池剩余使用寿命预测方法
Su Remaining useful life prediction of Lithium-ion batteries by PSO-SVM based on multi-feature extraction
Liu et al. Capacity estimation of lithium-ion batteries based on Transformer model
Li et al. Retrieval-based Battery Degradation Prediction for Battery Energy Storage System Operations
CN117239759A (zh) 一种氢燃料电池供能系统并网控制器的电能流向管理系统
Du et al. Probabilistic-Attention Fusion-Based Lithium-ion Battery Pack Multivariate Prediction Method

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