CN113030744A - 基于健康因子提取的电池健康状况预测方法、系统及介质 - Google Patents
基于健康因子提取的电池健康状况预测方法、系统及介质 Download PDFInfo
- Publication number
- CN113030744A CN113030744A CN202110214912.9A CN202110214912A CN113030744A CN 113030744 A CN113030744 A CN 113030744A CN 202110214912 A CN202110214912 A CN 202110214912A CN 113030744 A CN113030744 A CN 113030744A
- Authority
- CN
- China
- Prior art keywords
- health
- battery
- voltage
- discharge
- module
- 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
Links
- 230000036541 health Effects 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000000605 extraction Methods 0.000 title claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 24
- 230000015556 catabolic process Effects 0.000 claims abstract description 17
- 238000006731 degradation reaction Methods 0.000 claims abstract description 17
- 238000007600 charging Methods 0.000 claims abstract description 16
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims abstract description 8
- 230000032683 aging Effects 0.000 claims abstract description 8
- 229910001416 lithium ion Inorganic materials 0.000 claims abstract description 8
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 6
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 230000001419 dependent effect Effects 0.000 claims description 34
- 238000013507 mapping Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 3
- 238000007599 discharging Methods 0.000 description 9
- 230000003862 health status Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010281 constant-current constant-voltage charging Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012360 testing method 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current 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]
- G01R31/367—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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了一种基于健康因子提取的锂离子电池健康状况预测方法,包括获取可充电电池的加速循环老化数据,采集电流、电压和温度信号,采用恒流恒压模式进行充放电,直到电池在不同的充电条件下循环失效;利用放电电压及放电容量数据来构建电压差分模型,得到放电电压和容量之间的关系式,并从中提取出相关特征;构建电压‑温度相关健康因子集,得到电池健康状况预测的健康特征;建立基于高斯过程回归的电池健康状况预测模型,通过构建电池退化模型来估计SOH并预测电池的RUL;对电池的SOH和RUL进行估计和预测,分析预测误差,得到预测的不确定性度量。本发明能够提升锂离子电池的健康状态估计和预测精确度。
Description
技术领域
本发明涉及可充电电池的健康状况预测及电池管理的技术领域,具体地,涉及基于健康因子提取的电池健康状况预测方法、系统及介质。
背景技术
随着环境污染、能源紧缺等问题日益严重,可再生能源的开发利用越来越被各国政府所重视,新能源汽车便是战略性新兴行业之一。动力电池作为新能源汽车的核心技术之一,动力电池的运行状态与健康状态直接影响电动汽车的运行性能及续航里程,其重要性不言而喻。目前可充电电池虽然在技术上有了显著进步,但发展尚不完善,仍存在着诸多问题,例如电池的安全性及稳定性仍需加强、电池在运行过程中的实时状态监控、电池的老化情况及使用寿命的估计不准确等。因此,需要加强对可充电电池的健康状况预测的研究。
在可充电电池的健康状况预测中,电池充电状态、电池健康状态和电池剩余使用寿命是评价电池健康状况最重要的参数。其中SOC的相关估计方法较为成熟,SOC和RUL的估计与预测仍存在着一定的误差。随着充放电循环次数及使用时间的增加,电池的性能会发生退化。因此,电池在工作过程中需要持续的监测和控制,以防止发生过早的性能退化和灾难性故障,需要对电池SOC和RUL进行准确预测,保障电池系统及其供能设备的安全运行。
基于数据驱动的方法因其高精度、无模型的特点而受到越来越多的关注。与传统方法相比,基于数据驱动的方法灵活且易于实现。这种方法不需要物理模型或复杂的电化学知识,避免了基于模型方法中状态函数先验知识获取的困难。基于数据驱动的预测方法显示了电池预测在大数据时代的优越性,并取得了一些新的进展。
现有方法大多需要依靠完整的充/放电过程中得到的曲线来进行健康因子的提取,如容量增量曲线或电流电压曲线中提取的斜率、截距等特征来作为健康因子,其计算量大、对数据要求较高,造成了健康因子提取上的一定困难,且较少考虑充放电过程中电池温度变化的影响,导致电池的健康状况预测准确性不足。此外,部分方法无法对RUL预测的不确定性进行有效量化,不利于预测方法的实际应用。
针对上述中的相关技术,发明人认为对可充电电池的健康状况预测,需要提取与电池性能退化相关性强的健康因子,现有技术方法提取的电池健康因子需要依赖完整的充放电曲线,只能在完整充电/放电过程中使用,不利于实际应用,且大多方法没有将电池充放电过程中的温度因素考虑在内,导致预测的精度不足,因此,需要提出一种技术方案以改善上述技术问题。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于健康因子提取的电池健康状况预测方法、系统及介质。
根据本发明提供的一种基于健康因子提取的电池健康状况预测方法,包括如下步骤:
步骤1:获取可充电电池的加速循环老化数据,采集电流、电压和温度信号,采用恒流恒压模式进行充放电,直到电池在不同的充电条件下循环失效;
步骤2:利用放电电压曲线及容量数据来构建电压差分模型,放电电流恒定,放电容量与放电时间成正比,得到放电电压和容量之间的关系式:
V=f(Q),Q=f-1(V),
其中,V表示放电电压,Q表示放电容量,I表示放电电流,t表示放电时间;
步骤3:构建电压-温度相关健康因子集,得到电池健康状况预测的健康特征;
步骤4:建立基于高斯过程回归的电池健康状况预测模型,通过构建电池退化模型来估计SOH并预测锂离子电池的RUL;
步骤5:对电池的SOH和RUL进行估计和预测,分析预测误差,得到预测的不确定性度量。
优选地,所述步骤2包括:
步骤2.1:将放电电压和容量之间的关系式转化为差分计算:
ΔQ(V)i=Qi+1(Vi+1)-Qi(Vi),
其中,i表示数据的信号;
步骤2.2:将差分模型的直流曲线线性化,模型如下:
ΔQ(V)=ω(c)(a(c)-Q(V))·Q(V)+b(c)+ε(c),
其中,ΔQ(V)表示容量的差分;a(c),ω(c),b(c)表示模型参数,是循环次数c的函数;ε(c)表示高斯误差,服从均值为0,方差为σ2的高斯分布,表示为ε(c)~N(0,σ2);
步骤2.3:利用建立的差分模型,将非线性曲线转换为线性。
优选地,所述步骤3包括:
步骤3.1:利用所提电压差分模型来提取电压相关特性;
步骤3.2:从步骤2中的模型中得到曲线的斜率特征ω(c)和截距特征b(c),分析在不同的循环次数中放电容量的趋势与电压依赖的健康特征有高度的相关性;
步骤3.3:利用皮尔逊相关系数PCC,定量分析能力与提取的健康特征之间的关系,皮尔逊相关系数PCC计算公式如下:
步骤3.4:温度相关特性通过电池表面的温度传感器测得,选择放电过程在每个循环中的平均表面温度作为热相关的健康特征,得到温度-电压健康因子集,所述温度-电压健康因子集包括两个电压相关特征和一个温度相关特征。
优选地,所述步骤4包括:
步骤4.1:提取V-T健康特征,将得到的健康因子集表示为HFi={ωi,bi,Ti},电池健康状况和健康因子集之间存在非线性映射关系,建立退化模型:
yi=g(HFi)+εi,
其中,yi表示电池健康状况,如SOH和RUL;εi表示高斯误差,服从均值为0,方差为σn 2的高斯分布,表示为εi~GP(0,σn 2);
步骤4.2:利用基于高斯过程回归GPR的非线性映射方法求解,设g(HFi)为一组随机变量的集合,且均服从高斯分布,则:
g=(g1,...,gn)T~GP(m(HF),k(HF,HF′)),
其中,HF,HF′表示两个输入;m(HF)表示均值函数;k(HF,HF′)表示协方差函数;
步骤4.3:均值函数和协方差函数表示为如下公式:
g(HFi)的先验分布服从p(g(HF))~GP(m(HF),K(HF,HF′)),则健康状况的先验分布为y~N(0,K(HF,HF′)+σn 2In)。
本发明还提供一种基于健康因子提取的电池健康状况预测系统,包括如下,模块:
模块M1:获取可充电电池的加速循环老化数据,采集电流、电压和温度信号,采用恒流恒压模式进行充放电,直到电池在不同的充电条件下循环失效;
模块M2:利用放电电压曲线及容量数据来构建电压差分模型,放电电流恒定,放电容量与放电时间成正比,得到放电电压和容量之间的关系式:
V=f(Q),Q=f-1(V),
其中,V表示放电电压,Q表示放电容量,I表示放电电流,t表示放电时间;
模块M3:构建电压-温度相关健康因子集,得到电池健康状况预测的健康特征;
模块M4:建立基于高斯过程回归的电池健康状况预测模型,通过构建电池退化模型来估计SOH并预测锂离子电池的RUL;
模块M5:对电池的SOH和RUL进行估计和预测,分析预测误差,得到预测的不确定性度量。
优选地,所述模块M2包括:
模块M2.1:将放电电压和容量之间的关系式转化为差分计算:
ΔQ(V)i=Qi+1(Vi+1)-Qi(Vi),
其中,i表示数据的信号;
模块M2.2:将差分模型的直流曲线线性化,模型如下:
ΔQ(V)=ω(c)(a(c)-Q(V))·Q(V)+b(c)+ε(c),
其中,ΔQ(V)表示容量的差分;a(c),ω(c),b(c)表示模型参数,是循环次数c的函数;ε(c)表示高斯误差,服从均值为0,方差为σ2的高斯分布,表示为ε(c)~N(0,σ2);
模块M2.3:利用建立的差分模型,将非线性曲线转换为线性。
优选地,所述模块M3包括:
模块M3.1:利用所提电压差分模型来提取电压相关特性;
模块M3.2:从模块M2中的模型中得到曲线的斜率特征ω(c)和截距特征b(c),分析在不同的循环次数中放电容量的趋势与电压依赖的健康特征有高度的相关性;
模块M3.3:利用皮尔逊相关系数PCC,定量分析能力与提取的健康特征之间的关系,皮尔逊相关系数PCC计算公式如下:
模块M3.4:温度相关特性通过电池表面的温度传感器测得,选择放电过程在每个循环中的平均表面温度作为热相关的健康特征,得到温度-电压健康因子集,所述温度-电压健康因子集包括两个电压相关特征和一个温度相关特征。
优选地,所述模块M4包括:
模块M4.1:提取V-T健康特征,将得到的健康因子集表示为HFi={ωi,bi,Ti},电池健康状况和健康因子集之间存在非线性映射关系,建立退化模型:
yi=g(HFi)+εi,
其中,yi表示电池健康状况,如SOH和RUL;εi表示高斯误差,服从均值为0,方差为σn 2的高斯分布,表示为εi~GP(0,σn 2);
模块M4.2:利用基于高斯过程回归GPR的非线性映射方法求解,设g(HFi)为一组随机变量的集合,且均服从高斯分布,则:
g=(g1,...,gn)T~GP(m(HF),k(HF,HF′)),
其中,HF,HF′表示两个输入;m(HF)表示均值函数;k(HF,HF′)表示协方差函数;
模块M4.3:均值函数和协方差函数表示为如下公式:
g(HFi)的先验分布服从p(g(HF))~GP(m(HF),K(HF,HF′)),则健康状况的先验分布为y~N(0,K(HF,HF′)+σn 2In)。
本发明还提供一种存储有计算机程序的计算机可读存储介质,所述计算机程序被处理器执行时实现上述中的方法的步骤。
与现有技术相比,本发明具有如下的有益效果:
1、本发明解决可充电电池的健康状况(SOH和RUL)准确预测问题,并给出预测的不确定性度量。
2、本发明解决可充电电池不完整充放电条件下的健康因子提取问题,综合考虑电压及温度因素,构建出新的健康因子。
3、本发明提出了一种新的电压-温度(V-T)健康特征提取方法,能够提升可充电电池的健康状态估计和预测精确度。通过所提方法,仅需部分电压曲线即可对电池健康状况进行预测,需要的电压信息少,减小了数据采集的压力,也降低了计算量与复杂度,并且将温度因素考虑在内,使得预测更加准确,预测不确定性小,同时该方法具有很好的适应性和鲁棒性,可以对不同充放电条件下的电池进行预测。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明的流程图;
图2为本发明实施例中电池某一充放电循环中的电流、电压曲线;
图3为本发明实施例中放电电压与放电容量之间的关系曲线;
图4为本发明实施例中不同循环下的放电电压数据得到的容量差分曲线;
图5为本发明实施例中差分模型的拟合结果曲线;
图6为本发明实施例中电压相关斜率特征ω(c)与放电容量的变化趋势图;
图7为本发明实施例中电压相关截距特征b(c)与放电容量的变化趋势图;
图8为本发明实施例中温度特征曲线;
图9为本发明实施例中SOH预测结果曲线;
图10为本发明实施例中RUL预测结果曲线。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
一种基于健康因子提取的电池健康状况预测方法,如图1所示,包括以下步骤:
步骤1:获取可充电电池的循环老化数据,包括电流、电压、温度、放电容量等。充放电模式采用恒流恒压模式CCCV,直到电池在不同的充电条件下循环失效,失效阈值定为额定容量的80%,图2给出了电池某一充放电循环的电流电压曲线示例图,从MIT公开数据集中获取的信号数据。
步骤2:利用放电电压曲线及容量数据来构建电压差分模型。图3给出了不同循环下放电电压与放电容量曲线关系图。
由于放电电流恒定,放电容量与放电时间成正比。可以得到放电电压和容量之间的下列关系式:
V=f(Q),Q=f-1(V),
其中:
V:放电电压;Q:放电容量;I:放电电流;t:放电时间。
以上式子被称为容量增量IC曲线,我们将上式微分计算转化为差分计算,扩展了IC曲线,推导出了容量差分DC曲线,可以通过下面的公示来计算:
ΔQ(V)i=Qi+1(Vi+1)-Qi(Vi),
其中,i表示数据的序号。
图4表示不同循环下的放电电压数据得到的DC曲线,通过移动平均算法进行平滑处理,可以展示电压曲线的下降率。
为了对非线性较强的电压曲线进行建模,并从电压分布中挖掘有价值的健康特征,关键是将不同循环电压曲线从强非线性转化为近似线性曲线。我们仅使用局部的电压曲线,选取的电压区间为图4中的峰值到ΔQ/ΔV值小于10-3之间的电压区间。选择的依据是,从图3和图4可以看出,随着不同循环次数的增加,电压的中间区域有明显的差异。曲线的开始和结束在不同的循环次数之间没有太大的差异。
受差分方程思想的启发,我们提出了一种新的差分模型,将直流曲线线性化,模型如下:
ΔQ(V)=ω(c)(a(c)-Q(V))·Q(V)+b(c)+ε(c),
其中:
ΔQ(V):容量的差分;a(c),ω(c),b(c):模型参数,是循环次数c的函数;ε(c):高斯误差,服从均值为0,方差为σ2的高斯分布,可以表示为ε(c)~N(0,σ2)。
利用所建立的差分模型,得到图5所表示的某循环下的ΔQ(V)与(a(c)-Q(V))·Q(V)的拟合曲线与近似线性关系,可以看到上述非线性曲线被转换为线性关系。在不同循环次数下,拟合曲线均为线性形式,且随着充放电循环次数的增加,拟合曲线参数有所不同。
步骤3:构建电压-温度相关健康因子集,作为电池健康状况预测的健康特征。
首先利用所提电压差分模型来提取电压相关特征。从图5中,我们可以得到该曲线的斜率特征ω(c)和截距特征b(c),在不同的循环次数中,都可以得到一组特征值,综合可以得到图6和图7所示的电压相关特征ω(c)、b(c)与放电容量的变化趋势图。我们可以观察到,放电容量的趋势与电压依赖的健康特征有高度的相关性。利用皮尔逊相关系数PCC,定量分析能力与提取的健康特征之间的关系,皮尔逊相关系数计算公式如下:
温度相关特征是通过电池表面的温度传感器测得的,循环过程中温度的变化趋势如图8所示。我们选择放电过程在每个循环中的平均表面温度作为热相关的健康特征。
由此,得到温度-电压健康因子集,由2个电压相关特征与1个温度相关特征组成。
步骤4:建立基于高斯过程回归的电池健康状况预测模型。
在提取了V-T健康特征后,我们通过构建电池退化模型来估计SoH并预测锂离子电池的RUL。将之前得到的健康因子集表示为HFi={ωi,bi,Ti},则电池健康状况和健康因子集之间存在非线性映射关系,建立如下的退化模型:
yi=g(HFi)+εi,
其中:
yi:电池健康状况,入SOH、RUL等;εi:高斯误差,服从均值为0,方差为σn 2的高斯分布,可以表示为εi~GP(0,σn 2)。
为了求解退化模型并获得电池的预测,我们可以利用基于高斯过程回归(GPR)的非线性映射方法来求解。
假设g(HFi)为一组随机变量的集合,且均服从高斯分布,则它可以用以下公式来表示:
g=(g1,...,gn)T~GP(m(HF),k(HF,HF′)),
其中:
HF,HF′:两个输入;m(HF):均值函数;k(HF,HF′):协方差函数。
均值函数和协方差函数可以表示为下面的公式:
g(HFi)的先验分布服从p(g(HF))~GP(m(HF),K(HF,HF′)),则健康状况的先验分布为y~N(0,K(HF,HF′)+σn 2In)。
协方差函数K(HF,HF′)=(kij)n×n是对称正定的,可以从下面的公式计算出:
电池健康状态实际值y和预测值y′的联合先验分布可以表示为:
接下来进行模型超参数Θ=[σg 2,ρ,σn 2]的估计与优化,通过最大化对数边际似然函数来优化超参数,公式如下:
利用梯度上升法,如下公式,对对数似然函数求偏导,及得到参数的优化结果。
其中,β=(K(HF,HF)+σn 2In)-1y。
计算健康预测值的后验条件分布,如下公式:
其中:
则最终可以得到电池健康状况预测值和预测不确定性。
步骤5:对电池的SOH和RUL进行估计和预测,分析预测误差,并得到预测的不确定性度量。
基于上一步骤中介绍的退化模型,使用历史数据集来训练模型,确定超参数等,并利用在线数据集来作为模型的测试数据,进行SoH估计和RUL预测。将预测结果与实际值进行比较,从而计算出预测误差。图9和图10展示了此方法的最终预测结果。
本发明还提供一种基于健康因子提取的电池健康状况预测系统,包括如下模块:模块M1:获取可充电电池的加速循环老化数据,采集电流、电压和温度信号,采用恒流恒压模式进行充放电,直到电池在不同的充电条件下循环失效;模块M2:利用放电电压曲线及容量数据来构建电压差分模型,放电电流恒定,放电容量与放电时间成正比,得到放电电压和容量之间的关系式:V=f(Q),Q=f-1(V),其中,V表示放电电压,Q表示放电容量,I表示放电电流,t表示放电时间;模块M3:构建电压-温度相关健康因子集,得到电池健康状况预测的健康特征;模块M4:建立基于高斯过程回归的电池健康状况预测模型,通过构建电池退化模型来估计SOH并预测锂离子电池的RUL;模块M5:对电池的SOH和RUL进行估计和预测,分析预测误差,得到预测的不确定性度量。
模块M2包括:模块M2.1:将放电电压和容量之间的关系式转化为差分计算:ΔQ(V)i=Qi+1(Vi+1)-Qi(Vi),其中,i表示数据的信号;模块M2.2:将差分模型的直流曲线线性化,模型如下:ΔQ(V)=ω(c)(a(c)-Q(V))·Q(V)+b(c)+ε(c),其中,ΔQ(V)表示容量的差分;a(c),ω(c),b(c)表示模型参数,是循环次数c的函数;ε(c)表示高斯误差,服从均值为0,方差为σ2的高斯分布,表示为ε(c)~N(0,σ2);模块M2.3:利用建立的差分模型,将非线性曲线转换为线性。
模块M3包括:模块M3.1:利用所提电压差分模型来提取电压相关特性;模块M3.2:从模块M2中的模型中得到曲线的斜率特征ω(c)和截距特征b(c),分析在不同的循环次数中放电容量的趋势与电压依赖的健康特征有高度的相关性;模块M3.3:利用皮尔逊相关系数PCC,定量分析能力与提取的健康特征之间的关系,皮尔逊相关系数PCC计算公式如下:模块M3.4:温度相关特性通过电池表面的温度传感器测得,选择放电过程在每个循环中的平均表面温度作为热相关的健康特征,得到温度-电压健康因子集,所述温度-电压健康因子集包括两个电压相关特征和一个温度相关特征。
模块M4包括:模块M4.1:提取V-T健康特征,将得到的健康因子集表示为HFi={ωi,bi,Ti},电池健康状况和健康因子集之间存在非线性映射关系,建立退化模型:yi=g(HFi)+εi,其中,yi表示电池健康状况,如SOH和RUL;εi表示高斯误差,服从均值为0,方差为σn 2的高斯分布,表示为εi~GP(0,σn 2);模块M4.2:利用基于高斯过程回归GPR的非线性映射方法求解,设g(HFi)为一组随机变量的集合,且均服从高斯分布,则:g=(g1,...,gn)T~GP(m(HF),k(HF,HF′)),其中,HF,HF′表示两个输入;m(HF)表示均值函数;k(HF,HF′)表示协方差函数;模块M4.3:均值函数和协方差函数表示为如下公式:g(HFi)的先验分布服从p(g(HF))~GP(m(HF),K(HF,HF′)),则健康状况的先验分布为y~N(0,K(HF,HF′)+σn 2In)。
本发明还提供一种存储有计算机程序的计算机可读存储介质,计算机程序被处理器执行时实现上述中的方法的步骤。
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及其各个装置、模块、单元以外,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及其各个装置、模块、单元以逻辑门、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功能。所以,本发明提供的系统及其各项装置、模块、单元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功能的装置、模块、单元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装置、模块、单元视为既可以是实现方法的软件模块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 (9)
1.一种基于健康因子提取的电池健康状况预测方法,其特征在于,包括如下步骤:
步骤1:获取可充电电池的加速循环老化数据,采集电流、电压和温度信号,采用恒流恒压模式进行充放电,直到电池在不同的充电条件下循环失效;
步骤2:利用放电电压曲线及容量数据来构建电压差分模型,放电电流恒定,放电容量与放电时间成正比,得到放电电压和容量之间的关系式:
V=f(Q),Q=f-1(V),
其中,V表示放电电压,Q表示放电容量,I表示放电电流,t表示放电时间;
步骤3:构建电压-温度相关健康因子集,得到电池健康状况预测的健康特征;
步骤4:建立基于高斯过程回归的电池健康状况预测模型,通过构建电池退化模型来估计SOH并预测锂离子电池的RUL;
步骤5:对电池的SOH和RUL进行估计和预测,分析预测误差,得到预测的不确定性度量。
2.根据权利要求1所述的一种基于健康因子提取的电池健康状况预测方法,其特征在于,所述步骤2包括:
步骤2.1:将放电电压和容量之间的关系式转化为差分计算:
ΔQ(V)i=Qi+1(Vi+1)-Qi(Vi),
其中,i表示数据的信号;
步骤2.2:将差分模型的直流曲线线性化,模型如下:
ΔQ(V)=ω(c)(a(c)-Q(V))·Q(V)+b(c)+ε(c),
其中,ΔQ(V)表示容量的差分;a(c),ω(c),b(c)表示模型参数,是循环次数c的函数;ε(c)表示高斯误差,服从均值为0,方差为σ2的高斯分布,表示为ε(c)~N(0,σ2);
步骤2.3:利用建立的差分模型,将非线性曲线转换为线性。
3.根据权利要求1所述的一种基于健康因子提取的电池健康状况预测方法,其特征在于,所述步骤3包括:
步骤3.1:利用所提电压差分模型来提取电压相关特性;
步骤3.2:从步骤2中的模型中得到曲线的斜率特征ω(c)和截距特征b(c),分析在不同的循环次数中放电容量的趋势与电压依赖的健康特征有高度的相关性;
步骤3.3:利用皮尔逊相关系数PCC,定量分析能力与提取的健康特征之间的关系,皮尔逊相关系数PCC计算公式如下:
步骤3.4:温度相关特性通过电池表面的温度传感器测得,选择放电过程在每个循环中的平均表面温度作为热相关的健康特征,得到温度-电压健康因子集,所述温度-电压健康因子集包括两个电压相关特征和一个温度相关特征。
4.根据权利要求1所述的一种基于健康因子提取的电池健康状况预测方法,其特征在于,所述步骤4包括:
步骤4.1:提取V-T健康特征,将得到的健康因子集表示为HFi={ωi,bi,Ti},电池健康状况和健康因子集之间存在非线性映射关系,建立退化模型:
yi=g(HFi)+εi,
其中,yi表示电池健康状况,如SOH和RUL;εi表示高斯误差,服从均值为0,方差为σn 2的高斯分布,表示为εi~GP(0,σn 2);
步骤4.2:利用基于高斯过程回归GPR的非线性映射方法求解,设g(HFi)为一组随机变量的集合,且均服从高斯分布,则:
g=(g1,...,gn)T~GP(m(HF),k(HF,HF′)),
其中,HF,HF′表示两个输入;m(HF)表示均值函数;k(HF,HF′)表示协方差函数;
步骤4.3:均值函数和协方差函数表示为如下公式:
g(HFi)的先验分布服从p(g(HF))~GP(m(HF),K(HF,HF′)),则健康状况的先验分布为y~N(0,K(HF,HF′)+σn 2In)。
5.一种基于健康因子提取的电池健康状况预测系统,其特征在于,包括如下,模块:
模块M1:获取可充电电池的加速循环老化数据,采集电流、电压和温度信号,采用恒流恒压模式进行充放电,直到电池在不同的充电条件下循环失效;
模块M2:利用放电电压曲线及容量数据来构建电压差分模型,放电电流恒定,放电容量与放电时间成正比,得到放电电压和容量之间的关系式:
V=f(Q),Q=f-1(V),
其中,V表示放电电压,Q表示放电容量,I表示放电电流,t表示放电时间;
模块M3:构建电压-温度相关健康因子集,得到电池健康状况预测的健康特征;
模块M4:建立基于高斯过程回归的电池健康状况预测模型,通过构建电池退化模型来估计SOH并预测锂离子电池的RUL;
模块M5:对电池的SOH和RUL进行估计和预测,分析预测误差,得到预测的不确定性度量。
6.根据权利要求5所述的一种基于健康因子提取的电池健康状况预测系统,其特征在于,所述模块M2包括:
模块M2.1:将放电电压和容量之间的关系式转化为差分计算:
ΔQ(V)i=Qi+1(Vi+1)-Qi(Vi),
其中,i表示数据的信号;
模块M2.2:将差分模型的直流曲线线性化,模型如下:
ΔQ(V)=ω(c)(a(c)-Q(V))·Q(V)+b(c)+ε(c),
其中,ΔQ(V)表示容量的差分;a(c),ω(c),b(c)表示模型参数,是循环次数c的函数;ε(c)表示高斯误差,服从均值为0,方差为σ2的高斯分布,表示为ε(c)~N(0,σ2);
模块M2.3:利用建立的差分模型,将非线性曲线转换为线性。
7.根据权利要求5所述的一种基于健康因子提取的电池健康状况预测系统,其特征在于,所述模块M3包括:
模块M3.1:利用所提电压差分模型来提取电压相关特性;
模块M3.2:从模块M2中的模型中得到曲线的斜率特征ω(c)和截距特征b(c),分析在不同的循环次数中放电容量的趋势与电压依赖的健康特征有高度的相关性;
模块M3.3:利用皮尔逊相关系数PCC,定量分析能力与提取的健康特征之间的关系,皮尔逊相关系数PCC计算公式如下:
模块M3.4:温度相关特性通过电池表面的温度传感器测得,选择放电过程在每个循环中的平均表面温度作为热相关的健康特征,得到温度-电压健康因子集,所述温度-电压健康因子集包括两个电压相关特征和一个温度相关特征。
8.根据权利要求5所述的一种基于健康因子提取的电池健康状况预测系统,其特征在于,所述模块M4包括:
模块M4.1:提取V-T健康特征,将得到的健康因子集表示为HFi={ωi,bi,Ti},电池健康状况和健康因子集之间存在非线性映射关系,建立退化模型:
yi=g(HFi)+εi,
其中,yi表示电池健康状况,如SOH和RUL;εi表示高斯误差,服从均值为0,方差为σn 2的高斯分布,表示为εi~GP(0,σn 2);
模块M4.2:利用基于高斯过程回归GPR的非线性映射方法求解,设g(HFi)为一组随机变量的集合,且均服从高斯分布,则:
g=(g1,...,gn)T~GP(m(HF),k(HF,HF′)),
其中,HF,HF′表示两个输入;m(HF)表示均值函数;k(HF,HF′)表示协方差函数;
模块M4.3:均值函数和协方差函数表示为如下公式:
g(HFi)的先验分布服从p(g(HF))~GP(m(HF),K(HF,HF′)),则健康状况的先验分布为y~N(0,K(HF,HF′)+σn 2In)。
9.一种存储有计算机程序的计算机可读存储介质,其特征在于,所述计算机程序被处理器执行时实现权利要求1-4中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110214912.9A CN113030744B (zh) | 2021-02-24 | 2021-02-24 | 基于健康因子提取的电池健康状况预测方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110214912.9A CN113030744B (zh) | 2021-02-24 | 2021-02-24 | 基于健康因子提取的电池健康状况预测方法、系统及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113030744A true CN113030744A (zh) | 2021-06-25 |
CN113030744B CN113030744B (zh) | 2022-06-28 |
Family
ID=76462258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110214912.9A Expired - Fee Related CN113030744B (zh) | 2021-02-24 | 2021-02-24 | 基于健康因子提取的电池健康状况预测方法、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113030744B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113627088A (zh) * | 2021-08-23 | 2021-11-09 | 上海交通大学 | 基于基因编程和数据融合的机器性能退化评估方法及系统 |
CN113640674A (zh) * | 2021-06-30 | 2021-11-12 | 昆明理工大学 | 基于优化高斯过程回归的锂离子电池可用容量估计方法 |
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 |
CN113884918A (zh) * | 2021-09-09 | 2022-01-04 | 欣旺达电动汽车电池有限公司 | 电池容量的预测方法与装置 |
CN114035095A (zh) * | 2021-11-02 | 2022-02-11 | 江苏博强新能源科技股份有限公司 | 基于电压曲线拐点识别的锂电池soh估计方法、介质及设备 |
CN114114049A (zh) * | 2021-09-30 | 2022-03-01 | 北京交通大学 | 一种基于样本迁移的锂离子电池寿命预测方法 |
CN114236415A (zh) * | 2021-12-16 | 2022-03-25 | 湖北亿纬动力有限公司 | 一种动力电池健康状态检测方法、装置、设备及存储介质 |
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 |
CN114295999A (zh) * | 2021-12-30 | 2022-04-08 | 国网浙江省电力有限公司电力科学研究院 | 一种基于间接健康指标的锂离子电池soh预测方法及系统 |
CN114325447A (zh) * | 2021-12-23 | 2022-04-12 | 北京联行网络科技有限公司 | 建立电池健康度评估模型及评估的方法、系统及装置 |
CN114357798A (zh) * | 2022-01-17 | 2022-04-15 | 北京西清能源科技有限公司 | 一种电池容量评估方法、装置及电子设备 |
CN114460470A (zh) * | 2022-01-26 | 2022-05-10 | 上海玫克生智能科技有限公司 | 基于电压的电池组状态分析方法、系统及终端 |
CN114487836A (zh) * | 2022-01-26 | 2022-05-13 | 上海玫克生智能科技有限公司 | 基于电压和温度的电池状态分析方法、系统及终端 |
CN114839536A (zh) * | 2022-04-05 | 2022-08-02 | 北京工业大学 | 一种基于多健康因子的锂离子电池健康状态估计方法 |
CN115575843A (zh) * | 2022-10-25 | 2023-01-06 | 楚能新能源股份有限公司 | 一种锂离子电池寿命预测方法 |
CN116430244A (zh) * | 2023-06-14 | 2023-07-14 | 聊城大学 | 一种基于电压电流特征的动力电池健康状态估计方法 |
CN116577686A (zh) * | 2023-07-13 | 2023-08-11 | 北京和瑞储能科技有限公司 | 一种基于局部阶段充电数据的多工况soh估计方法和系统 |
WO2024087706A1 (zh) * | 2022-10-26 | 2024-05-02 | 上海玫克生储能科技有限公司 | 电芯衰减程度辨识方法、装置、介质及设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106569136A (zh) * | 2016-10-19 | 2017-04-19 | 广州市香港科大霍英东研究院 | 一种电池健康状态在线估计方法及系统 |
CN107341288A (zh) * | 2017-06-02 | 2017-11-10 | 西安交通大学 | 一种通过调整轴承标高控制联合循环机组振动的优化方法 |
CN108595892A (zh) * | 2018-05-11 | 2018-09-28 | 南京林业大学 | 基于时间差分模型的软测量建模方法 |
CN109061504A (zh) * | 2018-08-28 | 2018-12-21 | 中北大学 | 同类型不同锂离子电池剩余使用寿命预测方法和系统 |
CN110689198A (zh) * | 2019-09-27 | 2020-01-14 | 中南大学 | 一种基于分层预估迭代的明渠系统预测控制方法 |
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 |
CN111007417A (zh) * | 2019-12-06 | 2020-04-14 | 重庆大学 | 基于不一致性评估的电池组soh和rul预测方法及系统 |
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 |
CN111965560A (zh) * | 2020-08-24 | 2020-11-20 | 重庆大学 | 一种面向通用放电工况的电池健康状态估计方法 |
-
2021
- 2021-02-24 CN CN202110214912.9A patent/CN113030744B/zh not_active Expired - Fee Related
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106569136A (zh) * | 2016-10-19 | 2017-04-19 | 广州市香港科大霍英东研究院 | 一种电池健康状态在线估计方法及系统 |
CN107341288A (zh) * | 2017-06-02 | 2017-11-10 | 西安交通大学 | 一种通过调整轴承标高控制联合循环机组振动的优化方法 |
CN108595892A (zh) * | 2018-05-11 | 2018-09-28 | 南京林业大学 | 基于时间差分模型的软测量建模方法 |
CN109061504A (zh) * | 2018-08-28 | 2018-12-21 | 中北大学 | 同类型不同锂离子电池剩余使用寿命预测方法和系统 |
CN110689198A (zh) * | 2019-09-27 | 2020-01-14 | 中南大学 | 一种基于分层预估迭代的明渠系统预测控制方法 |
CN111007417A (zh) * | 2019-12-06 | 2020-04-14 | 重庆大学 | 基于不一致性评估的电池组soh和rul预测方法及系统 |
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 |
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 |
CN111965560A (zh) * | 2020-08-24 | 2020-11-20 | 重庆大学 | 一种面向通用放电工况的电池健康状态估计方法 |
Non-Patent Citations (2)
Title |
---|
TONGTONG YAN,等: "A Generic Framework for Sport-specific Movement Recognition", 《2020 INTERNATIONAL CONFERENCE ON SENSING,DIAGNOSTICS,AND CONTROL(SDPC)》 * |
史永胜,等: "基于多退化特征的锂离子电池剩余寿命预测", 《电源技术》 * |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113640674A (zh) * | 2021-06-30 | 2021-11-12 | 昆明理工大学 | 基于优化高斯过程回归的锂离子电池可用容量估计方法 |
CN113640674B (zh) * | 2021-06-30 | 2022-09-06 | 昆明理工大学 | 基于优化高斯过程回归的锂离子电池可用容量估计方法 |
CN113627088A (zh) * | 2021-08-23 | 2021-11-09 | 上海交通大学 | 基于基因编程和数据融合的机器性能退化评估方法及系统 |
CN113627088B (zh) * | 2021-08-23 | 2024-04-09 | 上海交通大学 | 基于基因编程和数据融合的机器性能退化评估方法及系统 |
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 |
CN113884918A (zh) * | 2021-09-09 | 2022-01-04 | 欣旺达电动汽车电池有限公司 | 电池容量的预测方法与装置 |
CN113884918B (zh) * | 2021-09-09 | 2024-07-12 | 欣旺达动力科技股份有限公司 | 电池容量的预测方法与装置 |
CN114114049A (zh) * | 2021-09-30 | 2022-03-01 | 北京交通大学 | 一种基于样本迁移的锂离子电池寿命预测方法 |
CN114114049B (zh) * | 2021-09-30 | 2022-10-18 | 北京交通大学 | 一种基于样本迁移的锂离子电池寿命预测方法 |
CN114035095B (zh) * | 2021-11-02 | 2023-12-22 | 江苏博强新能源科技股份有限公司 | 基于电压曲线拐点识别的锂电池soh估计方法、介质及设备 |
CN114035095A (zh) * | 2021-11-02 | 2022-02-11 | 江苏博强新能源科技股份有限公司 | 基于电压曲线拐点识别的锂电池soh估计方法、介质及设备 |
CN114236415A (zh) * | 2021-12-16 | 2022-03-25 | 湖北亿纬动力有限公司 | 一种动力电池健康状态检测方法、装置、设备及存储介质 |
CN114325447B (zh) * | 2021-12-23 | 2023-12-29 | 北京联行网络科技有限公司 | 建立电池健康度评估模型及评估的方法、系统及装置 |
CN114325447A (zh) * | 2021-12-23 | 2022-04-12 | 北京联行网络科技有限公司 | 建立电池健康度评估模型及评估的方法、系统及装置 |
CN114295999A (zh) * | 2021-12-30 | 2022-04-08 | 国网浙江省电力有限公司电力科学研究院 | 一种基于间接健康指标的锂离子电池soh预测方法及系统 |
CN114357798A (zh) * | 2022-01-17 | 2022-04-15 | 北京西清能源科技有限公司 | 一种电池容量评估方法、装置及电子设备 |
CN114357798B (zh) * | 2022-01-17 | 2024-01-30 | 北京西清能源科技有限公司 | 一种电池容量评估方法、装置及电子设备 |
CN114487836A (zh) * | 2022-01-26 | 2022-05-13 | 上海玫克生智能科技有限公司 | 基于电压和温度的电池状态分析方法、系统及终端 |
CN114460470A (zh) * | 2022-01-26 | 2022-05-10 | 上海玫克生智能科技有限公司 | 基于电压的电池组状态分析方法、系统及终端 |
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 |
CN114297904B (zh) * | 2022-03-09 | 2022-05-24 | 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 |
CN114839536A (zh) * | 2022-04-05 | 2022-08-02 | 北京工业大学 | 一种基于多健康因子的锂离子电池健康状态估计方法 |
CN114839536B (zh) * | 2022-04-05 | 2024-06-04 | 北京工业大学 | 一种基于多健康因子的锂离子电池健康状态估计方法 |
CN115575843A (zh) * | 2022-10-25 | 2023-01-06 | 楚能新能源股份有限公司 | 一种锂离子电池寿命预测方法 |
WO2024087706A1 (zh) * | 2022-10-26 | 2024-05-02 | 上海玫克生储能科技有限公司 | 电芯衰减程度辨识方法、装置、介质及设备 |
CN116430244B (zh) * | 2023-06-14 | 2023-08-15 | 聊城大学 | 一种基于电压电流特征的动力电池健康状态估计方法 |
CN116430244A (zh) * | 2023-06-14 | 2023-07-14 | 聊城大学 | 一种基于电压电流特征的动力电池健康状态估计方法 |
CN116577686B (zh) * | 2023-07-13 | 2023-09-26 | 北京和瑞储能科技有限公司 | 一种基于局部阶段充电数据的多工况soh估计方法和系统 |
CN116577686A (zh) * | 2023-07-13 | 2023-08-11 | 北京和瑞储能科技有限公司 | 一种基于局部阶段充电数据的多工况soh估计方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113030744B (zh) | 2022-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113030744B (zh) | 基于健康因子提取的电池健康状况预测方法、系统及介质 | |
Chen et al. | State of health estimation for lithium-ion batteries based on fusion of autoregressive moving average model and elman neural network | |
Wei et al. | Remaining useful life prediction and state of health diagnosis for lithium-ion batteries using particle filter and support vector regression | |
Bian et al. | A novel model-based voltage construction method for robust state-of-health estimation of lithium-ion batteries | |
Pan et al. | Novel battery state-of-health online estimation method using multiple health indicators and an extreme learning machine | |
Lyu et al. | A lead-acid battery's remaining useful life prediction by using electrochemical model in the Particle Filtering framework | |
Feng et al. | A health indicator extraction based on surface temperature for lithium-ion batteries remaining useful life prediction | |
CN105334462B (zh) | 电池容量损失在线估算方法 | |
CN109633477B (zh) | 基于ekf-gpr和日常片段数据的电池组健康状态的实时监控方法 | |
US11346891B2 (en) | Battery diagnostic system for estimating remaining useful life (RUL) of a battery | |
Wang et al. | Multiple indicators-based health diagnostics and prognostics for energy storage technologies using fuzzy comprehensive evaluation and improved multivariate grey model | |
Wei et al. | Lyapunov-based state of charge diagnosis and health prognosis for lithium-ion batteries | |
CN104569844A (zh) | 阀控密封式铅酸蓄电池健康状态监测方法 | |
CN109633470B (zh) | 基于ekf-gpr和日常片段数据的电池实时全充时间的估算方法 | |
Che et al. | Battery health prognostic with sensor-free differential temperature voltammetry reconstruction and capacity estimation based on multi-domain adaptation | |
CN113721159A (zh) | 一种面向随机局部充电的数据驱动电池健康估计方法 | |
CN104035035A (zh) | 确定电池的残余容量的方法 | |
CN114839536A (zh) | 一种基于多健康因子的锂离子电池健康状态估计方法 | |
Lee et al. | Principle component analysis-based optimized feature extraction merged with nonlinear regression model for improved state-of-health prediction | |
CN114839538A (zh) | 一种提取锂离子电池退化特征用于估计剩余寿命的方法 | |
CN117471320A (zh) | 基于充电片段的电池健康状态估计方法及系统 | |
Lai et al. | Voltage profile reconstruction and state of health estimation for lithium-ion batteries under dynamic working conditions | |
Wu et al. | State of health estimation for lithium-ion batteries in real-world electric vehicles | |
CN111274539B (zh) | 一种基于交替最小二乘法的锂电池soh估计方法 | |
Ye et al. | Enhanced robust capacity estimation of lithium-ion batteries with unlabeled dataset and semi-supervised machine 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220628 |