CN113075574B - 基于自适应信息融合的电池健康状态预测方法及设备 - Google Patents
基于自适应信息融合的电池健康状态预测方法及设备 Download PDFInfo
- Publication number
- CN113075574B CN113075574B CN202110341864.XA CN202110341864A CN113075574B CN 113075574 B CN113075574 B CN 113075574B CN 202110341864 A CN202110341864 A CN 202110341864A CN 113075574 B CN113075574 B CN 113075574B
- Authority
- CN
- China
- Prior art keywords
- soh
- model
- ion battery
- sodium
- battery
- 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
-
- 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
- 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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及一种基于自适应信息融合的电池健康状态预测方法及设备,所述方法包括以下步骤:基于钠离子电池历史测试数据,采用小波分析法构建SOH全局衰减趋势模型和局部容量再生波动自回归模型;基于钠离子电池历史测试数据,采用基于电压的特征提取方法构建可用容量模型;获取待预测钠离子电池的历史循环数据,基于所述SOH全局衰减趋势模型、局部容量再生波动自回归模型和可用容量模型分别计算在当圈循环下钠离子电池的SOH衰减趋势、局部容量信息和可用容量信息;对所述SOH衰减趋势、局部容量信息和可用容量信息进行信息融合,获得最终电池健康状态预测值。与现有技术相比,本发明具有预测精度高、稳定性和鲁棒性佳等优点。
Description
技术领域
本发明涉及钠离子电池状态检测技术领域,尤其是涉及一种基于自适应信息融合的电池健康状态预测方法及设备。
背景技术
钠离子电池健康状态(State of Health,SOH)预测对于电池优化管理有重要意义。钠离子电池在工作过程中常伴有各类副反应及材料老化,易引发电池性能退化甚至安全事故,因此针对钠离子电池特性,开发SOH预测方法,对于延长钠离子电池使用寿命,保证使用安全具有重要作用。同时SOH预测可为荷电状态估计提供容量数据,对电池的控制管理具有重要影响。与锂离子电池相比,钠离子电池虽具有相似的工作原理,但钠离子半径较大,电池特性和老化机理更加复杂,为实现SOH精准预测带来困难。
钠离子电池老化过程中会发生复杂的电化学反应,同时还会受到操作工况和电池单体特性差异的影响,因此,准确构建机理老化模型十分困难。SOH时间序列便于测量,建模计算量少,从SOH时间序列出发,可以建立循环圈数与可用容量之间的关系,或提取电压相关的特征变量,建立特征变量与可用容量之间的关系,是目前实现SOH预测的主要途径。但是,钠离子电池SOH时间序列并非严格单调递减,常伴有局部的容量再生与波动,对SOH的准确预测提出挑战,且电压特征变量难以提取,通常需要完整的电压曲线,实际应用具有一定的局限性。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种预测精度高、稳定性和鲁棒性佳的基于自适应信息融合的电池健康状态预测方法及设备。
本发明的目的可以通过以下技术方案来实现:
一种基于自适应信息融合的电池健康状态预测方法,包括以下步骤:
基于钠离子电池历史测试数据,采用小波分析法构建SOH全局衰减趋势模型和局部容量再生波动自回归模型;
基于钠离子电池历史测试数据,采用基于电压的特征提取方法构建可用容量模型;
获取待预测钠离子电池的历史循环数据,基于所述SOH全局衰减趋势模型、局部容量再生波动自回归模型和可用容量模型分别计算在当圈循环下钠离子电池的SOH衰减趋势、局部容量信息和可用容量信息;
对所述SOH衰减趋势、局部容量信息和可用容量信息进行信息融合,获得最终电池健康状态预测值。
进一步地,通过钠离子电池老化特性测试获得所述钠离子电池历史测试数据。
进一步地,所述钠离子电池历史测试数据包括循环圈数-放电容量数据和各圈循环的放电电压曲线。
进一步地,所述采用小波分析法构建SOH全局衰减趋势模型和局部容量再生波动自回归模型具体为:
基于所述钠离子电池历史测试数据获得循环圈数-SOH数据,即SOH时间序列;
选取不同的尺度参数和位置参数,对所述SOH时间序列进行离散小波分析,实现序列解耦,获得SOH全局衰减趋势和局部容量再生波动;
通过高斯过程回归建模方法,获得循环圈数与所述SOH全局衰减趋势和局部容量再生波动的映射关系,构建获得所述SOH全局衰减趋势模型和局部容量再生波动自回归模型。
进一步地,所述离散小波分析的母小波函数选择多贝西四阶小波。
进一步地,所述高斯过程回归建模中,所述SOH全局衰减趋势模型基于线性均值函数构建,所述局部容量再生波动自回归模型基于常数均值函数构建。
进一步地,所述采用基于电压的特征提取方法构建可用容量模型具体为:
以等时间放电电压差作为特征参数,对所述钠离子电池历史测试数据进行特征提取,获得所有循环下等时间放电电压差集合;
通过高斯过程回归建模方法,基于所述等时间放电电压差集合建立等时间放电电压差与可用容量的映射关系,构建获得所述可用容量模型。
进一步地,所述高斯过程回归建模中,所述可用容量模型基于径向基核函数构建。
进一步地,对所述SOH衰减趋势、局部容量信息和可用容量信息进行信息融合具体为:
以所述SOH衰减趋势与局部容量信息的和作为基于小波分析的SOH预测值,以所述可用容量信息作为基于电压特征提取的SOH预测值;
以设定权重,对所述基于小波分析的SOH预测值和基于电压特征提取的SOH预测值进行加权求和,获得最终电池健康状态预测值。
本发明还提供一种电子设备,包括:
一个或多个处理器;
存储器;和
被存储在存储器中的一个或多个程序,所述一个或多个程序包括用于执行如所述基于自适应信息融合的电池健康状态预测方法的指令。
与现有技术相比,本发明具体有以下有益效果:
1、本发明一方面利用小波分析解耦SOH全局衰减趋势和局部容量再生与波动,另一方面通过电压差提取相关容量特征参数,引入自适应权重融合两种因素对SOH的影响,实现SOH预测,提高了预测精度、稳定性和鲁棒性。
2、本发明采用高斯过程回归(Gaussian Processes Regression,GPR)构建SOH回归模型,能够准确描述循环圈数与小波分析所获得的SOH全局衰减趋势和局部容量再生波动的映射关系以及等时间放电电压差与可用容量之间的映射关系,进一步提高SOH预测精度。
附图说明
图1为本发明的流程示意图;
图2为小波分析过程示意图(分解层数为3层);
图3为小波分析结果示意图(分解层数为5层)。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例1
如图1所示,本实施例提供一种基于自适应信息融合的电池健康状态预测方法,包括:
步骤S101、基于钠离子电池历史测试数据。
本实施例中,通过与待预测钠离子电池类型相同的钠离子电池老化特性测试获得所述钠离子电池历史测试数据。钠离子电池老化测试具体为:在25℃自然对流条件下,以1C倍率进行充放电循环测试。获得的钠离子电池历史测试数据包括:(1)循环圈数-放电容量数据;(2)各循环的放电电压曲线,电压数据采样频率为1Hz(间隔1s)。
步骤S102、基于钠离子电池历史测试数据进行小波分析。
201)根据钠离子电池历史测试数据中的循环圈数-放电容量数据,计算循环圈数-SOH数据,即SOH时间序列,SOH为当前可用容量与初始可用容量的比值。
202)选取不同的尺度参数和位置参数,对所述SOH时间序列进行离散小波分析,实现序列解耦,获得SOH全局衰减趋势和局部容量再生波动。
通过对母小波的位置平移和宽度缩放操作,获取信号的时间和频率特性,把原始信号分解为一系列小波,参考图2所示,分解层数为3。其中,X为原始信号,S3为分解后的衰减趋势信号,D1、D2、D3为局部波动信号。最终获取SOH全局衰减趋势和局部容量再生波动(细节信号),参考图3所示,分解层数为5,其中(a)为主趋势信号,(b)~(f)为5层细节信号。
将信号序列f(t)通过小波分析,在小波基函数下展开可表示为:
其中,Ψ(·)表示母小波函数,s为尺度参数,p为位移参数,分别控制小波函数伸缩和平移。上述小波分析中,s与p都是连续变化的,导致计算量巨大。本实施例中,为解决计算量问题,引入离散小波分析,采用离散的尺度和位移参数,常选用2j(j为正整数)的倍数,尺度参数和位移参数的取值相互独立,通过离散取值的方法可大幅减少计算量。
本实施例中,小波分析母小波函数选择多贝西四阶小波,分解层数选择5,选取不同的尺度参数和位置参数,利用母小波与SOH时间序列进行匹配。
步骤S103、采用高斯过程回归建模方法构建SOH全局衰减趋势模型和局部容量再生波动自回归模型。
高斯过程回归(Gaussian Processes Regression,GPR)建模方法具体过程描述如下:
f~Ν(m(X),K)
其中,m(X)为均值函数,K为协方差矩阵。
若均值函数选择线性均值函数,则可以表示为:
Kxx’=k(x,x’)=Cov(f(x),f(x’))表示f(x)与f(x’)之间的协方差,常用的协方差函数有平方指数协方差:
在时间序列SOH估计问题中,循环圈数与SOH之间的关系可以表示为y=f(x)+ε,其中ε为高斯白噪声,满足均值为0,方差为的高斯分布。GPR中超参数可以利用梯度下降法最小化目标函数进行求解,目标函数采用负对数似然函数,可以表示为:
其中,p(·)为概率密度函数,y为训练集输出变量,X为输入变量,Θ为超参数,K为协方差矩阵,m(·)为核函数,N为训练集样本容量。
本实施例的SOH全局衰减趋势模型和局部容量再生波动自回归模型的构建中,SOH全局衰减趋势模型基于线性均值函数构建,,斜率和截距分别设为0.5和1,平方指数协方差的特征尺度和协方差均设为1;局部容量再生波动自回归模型基于常数均值函数构建,函数初值以及平方指数协方差的特征尺度和协方差均均设为1。
本实施例在基于小波分析高斯过程回归中,建立的模型表示为:
对第k次循环,基于小波分析的SOH预测值表示为SOH衰减趋势模型与局部容量再生与波动模型的和:
步骤S104、基于钠离子电池历史测试数据进行基于电压的特征提取,提取特征参数,建立钠离子电池放电电压与可用容量之间的关系。
本实施例中,采用等时间放电电压差作为特征参数,该特征参数指在不同循环次数下,电池经过相同的放电时间后端电压的变化量,表示为:
Vi=Vi,t0-Vi,t1,i=1,2,...,n
其中,Vi表示等时间放电电压差,Vi,t0表示放电初始时刻电压,Vi,t1表示指定时刻t1的放电电压。
对于所有n次循环,获取等时间放电电压差集合:
V={V1,V2,...,Vn}
在某一具体实施例中,初始时刻t0=0s,时间间隔选择Δt=500s。
等时间放电电压差与可用容量之间的相关性可通过Pearson相关性进行验证:
其中,|r|越接近1,表示等时间放电电压差与可用容量相关性越好,特征参数选择越有效。
步骤S105、采用高斯过程回归建模方法构建可用容量模型。
高斯过程回归建模方法参考步骤103所述。本实施例中,可用容量模型基于径向基核函数构建,宽度初值设置为1,平方指数协方差的特征尺度和协方差均设为1。
在基于电压特征提取的高斯过程回归中建立等时间放电电压差与可用容量的关系,对于第k次循环:
SOHV,k=g(Vk)
其中,输入参数Vk为第k次循环的等时间放电电压差。
上述步骤中,S102和S103、S104和S105这两组步骤不分先后执行。
步骤S106、对所述SOH衰减趋势、局部容量信息和可用容量信息进行信息融合,获得最终电池健康状态预测值。
通过信息融合可得SOH预测值:
SOHk=wk*SOHWA,k+(1-wk)*SOHV,k
其中,w为基于小波分析SOH预测值在融合过程中所占权重,初值为0.5。
本实施例中的权重通过预测精度自适应调整,调整公式为:
其中,SOCactual,i表示第i次循环实测SOH,n表示包含的循环次数,当n=1是,w的迭代只考虑上一次循环的误差。
本发明基于钠离子电池SOH时间序列数据,开发了一种基于自适应信息融合的钠离子电池SOH预测方法,一方面利用小波分析解耦SOH全局衰减趋势和局部容量再生与波动,另一方面通过电压差提取相关容量特征参数,利用高斯过程回归(Gaussian ProcessesRegression,GPR)分别构建SOH回归模型,引入自适应权重融合两种因素对SOH的影响,实现SOH预测,提高了预测精度与稳定性。
上述方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
实施例2
本实施例提供一种电子设备,包括一个或多个处理器、存储器和被存储在存储器中的一个或多个程序,所述一个或多个程序包括用于执行如实施例1所述基于自适应信息融合的电池健康状态预测方法的指令。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (8)
1.一种基于自适应信息融合的电池健康状态预测方法,其特征在于,包括以下步骤:
基于钠离子电池历史测试数据,采用小波分析法构建SOH全局衰减趋势模型和局部容量再生波动自回归模型;
基于钠离子电池历史测试数据,采用基于电压的特征提取方法构建可用容量模型;
获取待预测钠离子电池的历史循环数据,基于所述SOH全局衰减趋势模型、局部容量再生波动自回归模型和可用容量模型分别计算在当圈循环下钠离子电池的SOH衰减趋势、局部容量信息和可用容量信息;
对所述SOH衰减趋势、局部容量信息和可用容量信息进行信息融合,获得最终电池健康状态预测值;
所述采用小波分析法构建SOH全局衰减趋势模型和局部容量再生波动自回归模型具体为:
基于所述钠离子电池历史测试数据获得循环圈数-SOH数据,即SOH时间序列;
选取不同的尺度参数和位置参数,对所述SOH时间序列进行离散小波分析,实现序列解耦,获得SOH全局衰减趋势和局部容量再生波动;
通过高斯过程回归建模方法,获得循环圈数与所述SOH全局衰减趋势和局部容量再生波动的映射关系,构建获得所述SOH全局衰减趋势模型和局部容量再生波动自回归模型;
所述采用基于电压的特征提取方法构建可用容量模型具体为:
以等时间放电电压差作为特征参数,对所述钠离子电池历史测试数据进行特征提取,获得所有循环下等时间放电电压差集合;
通过高斯过程回归建模方法,基于所述等时间放电电压差集合建立等时间放电电压差与可用容量的映射关系,构建获得所述可用容量模型。
2.根据权利要求1所述的基于自适应信息融合的电池健康状态预测方法,其特征在于,通过钠离子电池老化特性测试获得所述钠离子电池历史测试数据。
3.根据权利要求1或2所述的基于自适应信息融合的电池健康状态预测方法,其特征在于,所述钠离子电池历史测试数据包括循环圈数-放电容量数据和各圈循环的放电电压曲线。
4.根据权利要求1所述的基于自适应信息融合的电池健康状态预测方法,其特征在于,所述离散小波分析的母小波函数选择多贝西四阶小波。
5.根据权利要求1所述的基于自适应信息融合的电池健康状态预测方法,其特征在于,所述高斯过程回归建模中,所述SOH全局衰减趋势模型基于线性均值函数构建,所述局部容量再生波动自回归模型基于常数均值函数构建。
6.根据权利要求1所述的基于自适应信息融合的电池健康状态预测方法,其特征在于,所述高斯过程回归建模中,所述可用容量模型基于径向基核函数构建。
7.根据权利要求1所述的基于自适应信息融合的电池健康状态预测方法,其特征在于,对所述SOH衰减趋势、局部容量信息和可用容量信息进行信息融合具体为:
以所述SOH衰减趋势与局部容量信息的和作为基于小波分析的SOH预测值,以所述可用容量信息作为基于电压特征提取的SOH预测值;
以设定权重,对所述基于小波分析的SOH预测值和基于电压特征提取的SOH预测值进行加权求和,获得最终电池健康状态预测值。
8.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器;和
被存储在存储器中的一个或多个程序,所述一个或多个程序包括用于执行如权利要求1-7任一所述基于自适应信息融合的电池健康状态预测方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110341864.XA CN113075574B (zh) | 2021-03-30 | 2021-03-30 | 基于自适应信息融合的电池健康状态预测方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110341864.XA CN113075574B (zh) | 2021-03-30 | 2021-03-30 | 基于自适应信息融合的电池健康状态预测方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113075574A CN113075574A (zh) | 2021-07-06 |
CN113075574B true CN113075574B (zh) | 2022-09-09 |
Family
ID=76611968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110341864.XA Active CN113075574B (zh) | 2021-03-30 | 2021-03-30 | 基于自适应信息融合的电池健康状态预测方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113075574B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673157A (zh) * | 2021-08-19 | 2021-11-19 | 青岛特来电新能源科技有限公司 | 电池容量预测模型的训练方法、装置、电子设备和介质 |
CN114547849A (zh) * | 2022-01-07 | 2022-05-27 | 国网浙江省电力有限公司电力科学研究院 | 储能电站电池工况健康状态预测方法及系统 |
CN115184805A (zh) * | 2022-06-21 | 2022-10-14 | 东莞新能安科技有限公司 | 电池健康状态获取方法、装置、设备及计算机程序产品 |
CN116540108B (zh) * | 2023-07-06 | 2023-12-15 | 广汽埃安新能源汽车股份有限公司 | 一种电芯容量衰减预警方法、装置、存储介质及设备 |
CN116992311B (zh) * | 2023-09-26 | 2023-12-19 | 惠州市优尼可科技有限公司 | 基于机器学习的储能电源状态分析方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106842045A (zh) * | 2017-01-20 | 2017-06-13 | 北京理工大学 | 一种基于自适应权重方法的电池多模型融合建模方法和电池管理系统 |
CN110221225A (zh) * | 2019-07-08 | 2019-09-10 | 中国人民解放军国防科技大学 | 一种航天器锂离子电池循环寿命预测方法 |
CN110941929A (zh) * | 2019-12-06 | 2020-03-31 | 长沙理工大学 | 一种基于ARMA和Elman神经网络联合建模的电池健康状态评估方法 |
CN111090047A (zh) * | 2019-12-09 | 2020-05-01 | 泉州装备制造研究所 | 一种基于多模型融合的锂电池健康状态估计方法 |
CN112505570A (zh) * | 2020-12-03 | 2021-03-16 | 摩登汽车(盐城)有限公司 | 电动汽车的电池健康状态的估计方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4210584B2 (ja) * | 2003-09-17 | 2009-01-21 | 富士フイルム株式会社 | 情報記録担体 |
CN106600130A (zh) * | 2016-12-07 | 2017-04-26 | 国网重庆市电力公司电力科学研究院 | 基于模糊神经网络模型的独立微网安全性分析方法 |
CN110945709B (zh) * | 2017-05-30 | 2023-08-15 | 泰坦先进能源解决方案公司 | 电池寿命估计和容量恢复 |
CN116742575A (zh) * | 2017-11-08 | 2023-09-12 | 伊顿智能动力有限公司 | 用于电动移动应用的电源分配单元和熔断器管理 |
CN112330482A (zh) * | 2020-10-23 | 2021-02-05 | 长沙理工大学 | 基于暂态信息融合的输电线路单端故障定位方法 |
-
2021
- 2021-03-30 CN CN202110341864.XA patent/CN113075574B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106842045A (zh) * | 2017-01-20 | 2017-06-13 | 北京理工大学 | 一种基于自适应权重方法的电池多模型融合建模方法和电池管理系统 |
CN110221225A (zh) * | 2019-07-08 | 2019-09-10 | 中国人民解放军国防科技大学 | 一种航天器锂离子电池循环寿命预测方法 |
CN110941929A (zh) * | 2019-12-06 | 2020-03-31 | 长沙理工大学 | 一种基于ARMA和Elman神经网络联合建模的电池健康状态评估方法 |
CN111090047A (zh) * | 2019-12-09 | 2020-05-01 | 泉州装备制造研究所 | 一种基于多模型融合的锂电池健康状态估计方法 |
CN112505570A (zh) * | 2020-12-03 | 2021-03-16 | 摩登汽车(盐城)有限公司 | 电动汽车的电池健康状态的估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113075574A (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113075574B (zh) | 基于自适应信息融合的电池健康状态预测方法及设备 | |
CN110058178A (zh) | 一种锂电池健康状态检测方法和系统 | |
Zhang et al. | A reliable data-driven state-of-health estimation model for lithium-ion batteries in electric vehicles | |
CN110457789B (zh) | 一种锂离子电池剩余寿命预测方法 | |
CN110488204B (zh) | 一种储能元件soh-soc联合在线估计方法 | |
CN111832220A (zh) | 一种基于编解码器模型的锂离子电池健康状态估算方法 | |
CN113219343A (zh) | 基于弹性网的锂电池健康状态预测方法、系统、设备及介质 | |
CN113917334A (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
CN112684363A (zh) | 一种基于放电过程的锂离子电池健康状态估计方法 | |
CN112834927A (zh) | 锂电池剩余寿命预测方法、系统、设备及介质 | |
Mazzi et al. | State of charge estimation of an electric vehicle's battery using tiny neural network embedded on small microcontroller units | |
CN113884935A (zh) | 基于锂电池在线电化学阻抗谱测量的soh估算系统和方法 | |
CN114660497A (zh) | 一种针对容量再生现象的锂离子电池寿命预测方法 | |
CN113176518A (zh) | 一种锂电池健康状态估算方法 | |
CN115308608A (zh) | 一种全钒液流电池电压预测方法、装置及介质 | |
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 | |
Van et al. | Estimation of SoH and internal resistances of Lithium ion battery based on LSTM network | |
Xu et al. | A hybrid approach to predict battery health combined with attention-based transformer and online correction | |
Guo et al. | Health prognostics of lithium-ion batteries based on universal voltage range features mining and adaptive multi-Gaussian process regression with Harris Hawks optimization algorithm | |
CN117007974A (zh) | 一种基于模型融合的固态电池soc估计方法 | |
CN112132328A (zh) | 一种光伏输出功率超短期局域情绪重构神经网络预测方法 | |
CN116754949A (zh) | 一种锂离子电池智能健康状态预测方法 | |
CN115792680A (zh) | 一种基于贝叶斯深度学习的退役电池健康状态评估方法 | |
CN115963420A (zh) | 一种电池soh影响因素分析方法 | |
CN115358484A (zh) | 电池组容量预测方法及相关设备 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230418 Address after: 312000 2F, building B, Kechuang Park, No. 398, mahuan Road, Lihai street, Yuecheng District, Shaoxing City, Zhejiang Province Patentee after: Zhejiang sodium innovation energy Co.,Ltd. Address before: 200240 No. 800, Dongchuan Road, Shanghai, Minhang District Patentee before: SHANGHAI JIAO TONG University |
|
TR01 | Transfer of patent right |