CN112816874A - 一种基于rvm与pf算法融合的电池剩余使用寿命预测方法 - Google Patents
一种基于rvm与pf算法融合的电池剩余使用寿命预测方法 Download PDFInfo
- Publication number
- CN112816874A CN112816874A CN202011503315.XA CN202011503315A CN112816874A CN 112816874 A CN112816874 A CN 112816874A CN 202011503315 A CN202011503315 A CN 202011503315A CN 112816874 A CN112816874 A CN 112816874A
- Authority
- CN
- China
- Prior art keywords
- battery
- service life
- battery capacity
- algorithm
- rvm
- 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 42
- 230000004927 fusion Effects 0.000 title claims abstract description 20
- 239000002245 particle Substances 0.000 claims abstract description 44
- 238000006731 degradation reaction Methods 0.000 claims abstract description 36
- 230000015556 catabolic process Effects 0.000 claims abstract description 35
- 238000009826 distribution Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 abstract description 26
- 229910001416 lithium ion Inorganic materials 0.000 abstract description 26
- 208000032953 Device battery issue Diseases 0.000 abstract 1
- 238000013075 data extraction Methods 0.000 abstract 1
- 230000007774 longterm Effects 0.000 abstract 1
- 230000007246 mechanism Effects 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 6
- 230000032683 aging Effects 0.000 description 3
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000010200 validation analysis Methods 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]
- G01R31/367—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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于RVM与PF算法融合的电池剩余使用寿命预测方法,包括:对电池数据集进行数据提取及预处理;利用相关向量机算法提取电池数据集的相关向量,拟合出电池容量退化趋势函数,构建状态空间模型,得到观测方程和状态方程;利用粒子滤波算法对模型的相关参数进行修正,得到电池剩余容量预测模型;对预测起始点之后的电池容量进行预测;判断电池容量是否达到电池失效阈值,若达到阈值,则记录此时的电池循环周期数,对电池剩余使用寿命进行预测。本发明利用相关向量机提取电池容量退化趋势得到趋势函数,不依赖电池经验模型,提高了锂离子电池剩余使用寿命预测的精度及其长期预测能力。
Description
技术领域
本发明涉及电池领域,尤其涉及一种基于RVM与PF算法融合的电池剩余使用寿命预测方法。
背景技术
本部分的陈述仅仅是提供了与本公开相关的的背景技术信息,不必然构成在先技术。
锂离子电池被广泛应用在各种电子产品、储能装置、电动汽车以及航空航天等诸多领域,对新能源的发展以及新技术的兴起具有重要的作用。在实际应用中锂离子电池受其内部不可逆的物理、化学反应以及复杂的工况条件等因素的影响,其性能逐渐退化,严重影响系统运行的可靠性,作为各种电子系统的核心器件,在大多数情况下,锂离子电池性能退化或损坏是系统发生故障或失效的主要原因。
利用锂离子电池的早期循环数据对电池RUL进行准确预测,将为锂离子电池的使用和优化带来新的机遇。例如,电池制造商可以加速电池的研发周期,执行新的制造过程的快速验证,并根据预测的电池寿命对新电池做出分级;同时,对于用户来说,可以对锂离子电池的寿命退化趋势做出快速准确的预测,以便在电池寿命终止前及时对锂离子电池进行维护更换,可以降低系统故障发生的概率。对锂离子电池的剩余使用寿命做出快速准确的预测具有广泛的用途,但由于电池内外部等各种不确定性因素的影响,造成了锂离子电池老化趋势的非线性和不确定性。
锂离子电池剩余使用寿命预测主要是通过电池当前的老化状态来估计其剩余容量达到寿命结束点所需要的充放电周期数。目前,锂离子电池剩余使用寿命预测方法主要分为基于机理模型、数据驱动以及融合的方法。机理模型主要通过对电池的失效机制进行分析,建立电池寿命退化过程的物理模型,从而对电池的剩余使用寿命做出预测,机理模型主要有退化机理模型、等效电路模型、经验退化模型等;基于数据驱动的方法是利用人工智能算法对电池容量的历史数据进行分析,提取其老化规律,进而对电池剩余使用寿命做出预测,常用的人工智能算法有人工神经网络、粒子滤波(PF:Particle Filter)、支持向量机(Relevance Vector Machine,RVM)等;基于融合的方法分为机理模型与数据驱动融合以及两种或多种数据驱动方法融合,融合方法弥补了单一方法的不足,使电池剩余使用寿命预测的精度得到了极大的提升。
粒子滤波算法是一种基于蒙特卡罗方法的近似贝叶斯滤波算法,可以应用在任何非线性非高斯问题的处理中,近年来,粒子滤波算法在锂离子电池剩余使用寿命预测方面得到了广泛的应用。粒子滤波算法过于依赖电池经验模型,而准确的电池经验模型往往很难获得。
发明内容
为了克服粒子滤波算法过于依赖电池经验模型这一缺点,同时提高锂离子电池剩余使用寿命预测的精确度,本发明提出一种基于RVM与PF算法融合的电池剩余使用寿命预测方法。
一种基于RVM与PF算法融合的电池剩余使用寿命预测方法,包括:
S1:选取电池数据集,提取两组电池容量退化数据Q_train和Q_test;
S2:初始化相关向量机参数,利用相关向量机对电池容量退化数据进行训练,利用迭代估计法计算相关参数;
S3:提取电池容量退化数据中的相关向量;
S4:利用相关向量拟合电池容量退化趋势,并得到状态空间模型的状态方程和观测方程;
S5:初始化粒子滤波算法的相关参数,初始化粒子集;
S6:将k-1时刻的粒子分布xk-1,代入状态转移方程,得到k时刻预测的粒子分布预测粒子代入观测方程得到预测值,将预测值与实际观测值进行比较来对所有的粒子进行评价,得出每个粒子的权重,根据粒子权重的大小进行重要性重采样,得到k时刻状态变量的真实分布xk,将真实分布xk带入到状态转移方程中,进行下一轮滤波;
S7:当粒子滤波循环到达预测起始点时,迭代结束,对预测起始点之后的电池容量进行预测;
S8:判断电池容量是否达到电池寿命结束的阈值,若达到阈值,则记录此时的电池充放电循环周期数,并计算剩余使用寿命。
优选的,所述初始化相关向量机参数包括:
其中:ω=(ω0,…,ωN)T为相关向量机的权值;Φ=[φ1,φ2,…,φN]T为核函数矩阵;φi(xi)=[1,K(xi,x1),…,K(xi,xN)],i=1,2,…,N;K(xi,xj)为核函数:
η为核参数;α={α0,α1,…,αN}为超参数,与权值ω一一对应;σ2为噪声方差。
优选的,所述利用相关向量机对电池容量退化数据进行训练包括:
计算权值ω的协方差Σ和均值μ:
Σ=(σ-2ΦTΦ+A)-1,μ=σ-2ΣΦTyT;
其中:A=diag{α0,α1,…,αN};
使用迭代估计法进行计算,得到新的超参数α和噪声方差σ2,其更新过程如下:
重复以上计算过程,直到迭代次数达到最大值或输出结果梯度小于收敛条件。
优选的,所述提取电池容量退化数据中的相关向量包括:
迭代结束后,删除α中所有大于αmax的αi,剩下的αi所对应的{xi,yi}即为相关向量。
优选的,所述利用相关向量拟合电池容量退化趋势包括:
利用相关向量拟合电池容量退化趋势,得到趋势函数:
Q(k)=rvm_capa(k),k=1,2,…为正整数。
优选的,所述得到状态空间模型的状态方程和观测方程包括:
利用趋势函数构建系统的状态空间模型,得到状态方程和观测方程:
状态方程为:
观测方程为:
Q(k)=rvm_capa([a(k)*k+b(k)])+v(k)。
本发明的有益效果:
1、利用相关向量机提取电池容量退化数据集中的相关向量,相关向量体现了样本数据最本质的特征,根据相关向量得到趋势函数,可以有效描述锂离子电池容量退化的趋势;
2、基于相关向量机提取的趋势函数建立状态空间模型,不依赖锂离子电池容量退化的经验模型,提升了粒子滤波算法在容量预测方面的适用性,同时提高了预测精度;
3、利用粒子滤波算法良好的状态跟踪能力可以对电池容量做出较为准确的预测,同时该方法给出了预测结果的概率密度分布,具有不确定性表达的预测结果参考价值更大。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明实施例一种基于RVM与PF算法融合的电池剩余使用寿命预测方法流程示意图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明实施例提出一种基于RVM与PF算法融合的电池剩余使用寿命预测方法,如图1所示,包括以下步骤:
S1:选取电池数据集,提取两组电池容量退化数据Q_train和Q_test。
选取电池数据集,提取两组电池容量退化数据Q_train和Q_test,用于对电池剩余使用寿命预测模型进行训练,得到预测模型,用于对模型的预测性能进行验证评估,Qi为电池容量,单位为Ah,i=1,2,…,N。
S2:初始化相关向量机参数,利用相关向量机对电池容量退化数据进行训练,利用迭代估计法计算相关参数。
其中:ω=(ω0,…,ωN)T为相关向量机的权值;Φ=[φ1,φ2,…,φN]T为核函数矩阵;φi(xi)=[1,K(xi,x1),…,K(xi,xN)],i=1,2,…,N;K(xi,xj)为核函数:
η为核参数;α={α0,α1,…,αN}为超参数,与权值ω一一对应;σ2为噪声方差。
计算权值ω的协方差Σ和均值μ:
Σ=(σ-2ΦTΦ+A)-1,μ=σ-2ΣΦTyT;
其中:A=diag{α0,α1,…,αN}
使用迭代估计法进行计算,得到新的超参数α和噪声方差σ2,其更新过程如下:
重复以上计算过程,直到迭代次数达到最大值或输出结果梯度小于收敛条件。
S3:提取电池容量退化数据中的相关向量。
迭代结束后,删除α中所有大于αmax的αi,剩下的αi所对应的{xi,yi}即为相关向量。
S4:利用相关向量拟合电池容量退化趋势,并得到状态空间模型的状态方程和观测方程。
利用相关向量拟合电池容量退化趋势,得到趋势函数:
Q(k)=rvm_capa(k),k=1,2,…为正整数
利用趋势函数构建系统的状态空间模型,得到状态方程和观测方程:
状态方程为:
观测方程为:
Q(k)=rvm_capa([a(k)*k+b(k)])+v(k)。
在本实施例中,利用相关向量机提取电池容量退化数据集中的相关向量,相关向量体现了样本数据最本质的特征,根据相关向量得到趋势函数,可以有效描述锂离子电池容量退化的趋势。
在本实施例中,基于相关向量机提取的趋势函数建立状态空间模型,不依赖锂离子电池容量退化的经验模型,提升了粒子滤波算法在容量预测方面的适用性,同时提高了预测精度。
S5:初始化粒子滤波算法的相关参数,初始化粒子集。
S6:将k-1时刻的粒子分布xk-1,代入状态转移方程,得到k时刻预测的粒子分布预测粒子代入观测方程得到预测值,将预测值与实际观测值进行比较来对所有的粒子进行评价,得出每个粒子的权重,根据粒子权重的大小进行重要性重采样,得到k时刻状态变量的真实分布xk,将真实分布xk带入到状态转移方程中,进行下一轮滤波。
S7:当粒子滤波循环到达预测起始点时,迭代结束,对预测起始点之后的电池容量进行预测。
设定预测起始点T,利用预测起始点之前的电池数据对模型进行迭代训练,当循环到达预测起始点时,迭代结束,并对预测起始点之后的电池容量进行预测。
S8:判断电池容量是否达到电池寿命结束的阈值,若达到阈值,则记录此时的电池充放电循环周期数,并计算剩余使用寿命。
设定电池寿命结束的阈值,在预测过程中判断电池容量是否达到电池寿命结束的阈值,若达到阈值,则记录此时的电池充放电循环周期数,并计算该电池剩余使用寿命。
在本实施例中,利用粒子滤波算法良好的状态跟踪能力可以对电池容量做出较为准确的预测,同时该方法给出了预测结果的概率密度分布,具有不确定性表达的预测结果参考价值更大。
为了验证本发明是否能够有效的实现锂离子电池的寿命预测,下面采用NASAPCoE研究中心提供的BatteryDataSet实验数据以及马里兰大学先进寿命周期工程中心的BatteryDataSet实验数据进行验证。
NASA电池数据集中,提取B0005、B0006、B0007三组电池容量数据进行实验,选取B0005电池样本数据进行相关向量机离线训练,拟合得到电池容量退化趋势,并构建状态空间模型。对B0006和B0007电池样本数据进行剩余使用寿命预测,设置电池容量失效阈值为1.45Ah,并设置预测起始点分别为T=50cycle和70cycle。马里兰大学电池数据集中,选取A5、A8、A12三组电池容量数据进行实验,其中,利用相关向量机算法对A5电池数据进行离线训练,构建状态空间模型。对A8和A12两组电池容量数据进行预测,设置电池容量失效阈值为0.65,根据电池容量样本数据衰退的快慢,对两组电池数据选取不同的预测起始点。其中,A8预测起始点为T=80cycle,A12预测起始点为120cycle。
实验中利用标准的粒子滤波算法对相同的电池数据集进行了锂离子电池剩余使用寿命预测实验,基于相关向量机算法和粒子滤波算法融合的锂离子电池剩余使用寿命预测实验数据与标准粒子滤波算法实验数据对比如表1所示。
表1融合方法与PF的RUL预测结果
对以上实验数据求其平均绝对误差和均方根误差,结果如表2所示:
表2融合方法与PFRUL预测误差
从表2中可以看出,所提出算法的均方根误差与平均绝对误差均小于标准粒子滤波算法,验证了相关向量机和粒子滤波融合算法在锂离子电池寿命预测领域的准确性。
本发明采用数据驱动方法实现了锂离子电池剩余使用寿命的预测,提出了基于相关向量机和粒子滤波融合的锂离子电池剩余使用寿命预测方法,通过利用NASA和马里兰大学的电池数据对该方法进行了验证,相关向量机算法可以准确地提取电池容量退化的主要特征,根据趋势函数构建状态空间模型,不依赖电池的经验模型和机理模型,利用粒子滤波算法良好的状态跟踪能力,实现了不同工况下锂离子电池剩余使用寿命的预测,同时给出了预测结果的不确定性表达。
本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (6)
1.一种基于RVM与PF算法融合的电池剩余使用寿命预测方法,其特征在于,包括:
S1:选取电池数据集,提取两组电池容量退化数据Q_train和Q_test;
S2:初始化相关向量机参数,利用相关向量机对电池容量退化数据进行训练,利用迭代估计法计算相关参数;
S3:提取电池容量退化数据中的相关向量;
S4:利用相关向量拟合电池容量退化趋势,并得到状态空间模型的状态方程和观测方程;
S5:初始化粒子滤波算法的相关参数,初始化粒子集;
S6:将k-1时刻的粒子分布xk-1,代入状态转移方程,得到k时刻预测的粒子分布预测粒子代入观测方程得到预测值,将预测值与实际观测值进行比较来对所有的粒子进行评价,得出每个粒子的权重,根据粒子权重的大小进行重要性重采样,得到k时刻状态变量的真实分布xk,将真实分布xk带入到状态转移方程中,进行下一轮滤波;
S7:当粒子滤波循环到达预测起始点时,迭代结束,对预测起始点之后的电池容量进行预测;
S8:判断电池容量是否达到电池寿命结束的阈值,若达到阈值,则记录此时的电池充放电循环周期数,并计算剩余使用寿命。
4.根据权利要求3所述的一种基于RVM与PF算法融合的电池剩余使用寿命预测方法,其特征在于,所述提取电池容量退化数据中的相关向量包括:
迭代结束后,删除α中所有大于αmax的αi,剩下的αi所对应的{xi,yi}即为相关向量。
5.根据权利要求1所述的一种基于RVM与PF算法融合的电池剩余使用寿命预测方法,其特征在于,所述利用相关向量拟合电池容量退化趋势包括:
利用相关向量拟合电池容量退化趋势,得到趋势函数:
Q(k)=rvm_capa(k),k=1,2,…为正整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011503315.XA CN112816874A (zh) | 2020-12-18 | 2020-12-18 | 一种基于rvm与pf算法融合的电池剩余使用寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011503315.XA CN112816874A (zh) | 2020-12-18 | 2020-12-18 | 一种基于rvm与pf算法融合的电池剩余使用寿命预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112816874A true CN112816874A (zh) | 2021-05-18 |
Family
ID=75853461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011503315.XA Pending CN112816874A (zh) | 2020-12-18 | 2020-12-18 | 一种基于rvm与pf算法融合的电池剩余使用寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112816874A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113311337A (zh) * | 2021-05-21 | 2021-08-27 | 电子科技大学 | 基于相关向量回归的锂离子电池剩余寿命检测方法 |
CN113325255A (zh) * | 2021-05-24 | 2021-08-31 | 西安交通大学 | 双极接续型毛细管喷射器寿命监测方法 |
CN113657012A (zh) * | 2021-07-21 | 2021-11-16 | 西安理工大学 | 一种基于tcn和粒子滤波的关键设备剩余寿命预测方法 |
US11313894B2 (en) * | 2020-06-29 | 2022-04-26 | Intelematics Australia Pty Limited | Automobile battery failure prediction method and system |
CN116502541A (zh) * | 2023-05-18 | 2023-07-28 | 淮阴工学院 | 一种质子交换膜燃料电池寿命预测的方法 |
CN117074957A (zh) * | 2023-08-18 | 2023-11-17 | 南京林业大学 | 一种基于数-模融合的锂离子电池剩余使用寿命预测方法 |
CN117786444A (zh) * | 2024-02-23 | 2024-03-29 | 深圳市拓湃新能源科技有限公司 | 电池剩余使用寿命预测方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968573A (zh) * | 2012-12-14 | 2013-03-13 | 哈尔滨工业大学 | 基于相关向量回归的在线预测锂离子电池剩余寿命的方法 |
CN107238800A (zh) * | 2017-06-12 | 2017-10-10 | 北京理工大学 | 一种基于相关向量机和粒子滤波的动力电池系统剩余可用寿命预测方法 |
-
2020
- 2020-12-18 CN CN202011503315.XA patent/CN112816874A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968573A (zh) * | 2012-12-14 | 2013-03-13 | 哈尔滨工业大学 | 基于相关向量回归的在线预测锂离子电池剩余寿命的方法 |
CN107238800A (zh) * | 2017-06-12 | 2017-10-10 | 北京理工大学 | 一种基于相关向量机和粒子滤波的动力电池系统剩余可用寿命预测方法 |
Non-Patent Citations (1)
Title |
---|
刘月峰等, 《仪器仪表学报》, vol. 36, no. 7, pages 1463 - 1469 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11313894B2 (en) * | 2020-06-29 | 2022-04-26 | Intelematics Australia Pty Limited | Automobile battery failure prediction method and system |
CN113311337A (zh) * | 2021-05-21 | 2021-08-27 | 电子科技大学 | 基于相关向量回归的锂离子电池剩余寿命检测方法 |
CN113325255A (zh) * | 2021-05-24 | 2021-08-31 | 西安交通大学 | 双极接续型毛细管喷射器寿命监测方法 |
CN113657012A (zh) * | 2021-07-21 | 2021-11-16 | 西安理工大学 | 一种基于tcn和粒子滤波的关键设备剩余寿命预测方法 |
CN116502541A (zh) * | 2023-05-18 | 2023-07-28 | 淮阴工学院 | 一种质子交换膜燃料电池寿命预测的方法 |
CN116502541B (zh) * | 2023-05-18 | 2023-12-22 | 淮阴工学院 | 一种质子交换膜燃料电池寿命预测的方法 |
CN117074957A (zh) * | 2023-08-18 | 2023-11-17 | 南京林业大学 | 一种基于数-模融合的锂离子电池剩余使用寿命预测方法 |
CN117074957B (zh) * | 2023-08-18 | 2024-05-24 | 南京林业大学 | 一种基于数-模融合的锂离子电池剩余使用寿命预测方法 |
CN117786444A (zh) * | 2024-02-23 | 2024-03-29 | 深圳市拓湃新能源科技有限公司 | 电池剩余使用寿命预测方法、装置、设备及存储介质 |
CN117786444B (zh) * | 2024-02-23 | 2024-05-14 | 深圳市拓湃新能源科技有限公司 | 电池剩余使用寿命预测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112816874A (zh) | 一种基于rvm与pf算法融合的电池剩余使用寿命预测方法 | |
Lin et al. | State of charge estimation with the adaptive unscented Kalman filter based on an accurate equivalent circuit model | |
Zhang et al. | Remaining useful life prediction for lithium-ion batteries based on exponential model and particle filter | |
CN110457789B (zh) | 一种锂离子电池剩余寿命预测方法 | |
Zhang et al. | A novel method for lithium-ion battery state of energy and state of power estimation based on multi-time-scale filter | |
CN113419187B (zh) | 一种锂离子电池健康估计方法 | |
CN110187290B (zh) | 一种基于融合型算法的锂离子电池剩余寿命预测方法 | |
Mo et al. | A remaining useful life prediction approach for lithium-ion batteries using Kalman filter and an improved particle filter | |
CN111581904B (zh) | 考虑循环次数影响的锂电池soc及soh协同估算方法 | |
CN104778337B (zh) | 一种基于函数型主成分分析与贝叶斯更新的锂电池剩余寿命预测方法 | |
Li et al. | A mutated particle filter technique for system state estimation and battery life prediction | |
Chen et al. | A long short-term memory neural network based Wiener process model for remaining useful life prediction | |
CN112415414A (zh) | 一种锂离子电池剩余使用寿命预测方法 | |
CN113702843B (zh) | 一种基于郊狼优化算法的锂电池参数辨识与soc估计方法 | |
CN113761751A (zh) | 基于温度加速因子的锂离子电池剩余寿命预测方法及系统 | |
CN114545274A (zh) | 一种锂电池剩余寿命预测方法 | |
CN115856678A (zh) | 一种锂离子电池健康状态估计方法 | |
CN110687450A (zh) | 基于相空间重构和粒子滤波的锂电池剩余寿命预测方法 | |
CN112881916A (zh) | 一种锂电池健康状态和剩余可用寿命的预测方法及系统 | |
CN113406503A (zh) | 基于深度神经网络的锂电池soh在线估算方法 | |
CN114660497A (zh) | 一种针对容量再生现象的锂离子电池寿命预测方法 | |
CN116298936A (zh) | 在不完全电压范围内的锂离子电池智能健康状态预测方法 | |
Cai et al. | Prediction of lithium-ion battery remaining useful life based on hybrid data-driven method with optimized parameter | |
CN114487890A (zh) | 一种改进长短期记忆神经网络的锂电池健康状态估计方法 | |
Schmitt et al. | Effective estimation of battery state-of-health by virtual experiments via transfer-and meta-learning |
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 |