CN113255214A - 一种退役动力电池最大可用容量动态估算方法 - Google Patents
一种退役动力电池最大可用容量动态估算方法 Download PDFInfo
- Publication number
- CN113255214A CN113255214A CN202110544956.8A CN202110544956A CN113255214A CN 113255214 A CN113255214 A CN 113255214A CN 202110544956 A CN202110544956 A CN 202110544956A CN 113255214 A CN113255214 A CN 113255214A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- characteristic quantity
- capacity
- battery
- hummingbird
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种退役动力电池最大可用容量动态估算方法,首先通过充电曲线提取与电池容量衰减相关的特征量,并采用异质点算法对特征量中的异常数据点进行清洗,提高特征量所含有效信息量,然后建立以相关向量机算法为基础的容量估算模型,同时引入改进蜂鸟算法优化模型参数,最后基于上述所得特征量和改进容量估算模型对退役动力电池容量进行估算。本发明将异质点算法、相关向量机算法、改进蜂鸟算法相结合,有效提升了退役动力电池容量估算的快速性与准确性。
Description
技术领域
本发明涉及一种动力电池容量的计算方法,尤其涉及一种退役动力电池最大可用容量动态估算方法。
背景技术
动力电池作为新能源汽车的“心脏”,需求量在逐年增大。新能源汽车动力电池的使用寿命一般约为3-5年,当电池容量不足80%时,就要从车上被淘汰。据此推算,新能源汽车动力电池的第一个退役高峰期已经来临。大规模电池的废弃在浪费电池使用价值的同时也对生态环境造成重大威胁,而退役电池在其他地方仍然具有很高的能量价值,其梯次利用兼具环保和经济价值,是实现动力电池全寿命整体应用,令其使用价值和经济效益发挥到最大化的重要手段。
作为动力电池的关键参数,单体电池容量决定了使用过程中电池组的整体容量水平,为了有效地管理电池,准确的电池容量估算是有十分必要的。
目前常见的电池容量估算方法主要有:基于电池荷电状态(State of charge,SOC)的估算方法,基于容量增量/差分电压的估算方法以及基于数据驱动的估算方法等。基于SOC的电池容量估算方法的估算精度一定程度取决于SOC精度,且需要建立电池等效电路模型来构造状态估算器。对于容量增量/差分电压法来说,在电池未完全放电的情况下进行充电的过程中估算电池容量仍是难点。基于数据驱动的估算方法是一种机器学习方法,在获得电池不同环境下的老化数据后,建立能够表征电池容量退化的相关特征,并对这些特征数据进行离线训练,从而得到在线应用的容量估算模型,该方法难点主要在于如何设计电池的特征以及学习方法使得估算结果更准确、估算过程更迅速。
发明内容
发明目的:针对以上问题,本发明提出一种退役动力电池最大可用容量动态估算方法,有效提升退役动力电池容量估算的快速性与准确性。
技术方案:本发明所采用的技术方案是一种退役动力电池最大可用容量动态估算方法,包括以下步骤:
步骤S1:通过充电曲线提取与电池容量衰减相关的特征量,并采用异质点算法对特征量中的异常数据点进行清洗,提高特征量所含有效信息量;所述与电池容量衰减相关的特征量包括:特征量P1电池温度、特征量P2电池充电倍率、特征量P3截止电压充电时长以及特征量P4电压降落最小曲率半径,所述截止电压充电时长是指电池充电时达到截止电压所需时间,电压降落最小曲率半径是指恒流充电结束后电池静置阶段的电压降落曲线弯曲段的曲率半径。其中,步骤S1中特征量P4电压降落最小曲率半径的计算公式如下:
式中,ρ为曲率半径,κ为曲率,z为目标曲线。
进一步的,采用异质点算法对特征量中的异常数据点进行清洗,计算式如下:
式中,LOAk(p)为特征量中数据点p的离群因子,Nk(p)为点p的k距离邻域,点o为邻域内某一点,lrdk(p),lrdk(o)分别为点p和点o的局部可达密度。
步骤S2:建立以相关向量机算法(Relevance Vector Machine,RVM)为基础的容量估算模型,同时引入改进蜂鸟算法(Improved Hummingbird Algorithm,IHA)优化模型参数;步骤S2中所述的建立以RVM算法为基础的容量估算模型,同时引入IHA算法优化模型参数,包括以下步骤:
(21)将经过异质点算法处理后的特征量P1、P2、P3和P4作为RVM算法的输入值,电池容量作为算法的输出值,构建RVM容量估算模型;
(22)利用IHA算法对RVM算法的核函数参数进行寻优,并利用所述特征量进行模型训练确定核函数参数的最优解;
所述步骤(22)包括以下步骤:
(1)将待优化的核函数参数设置为N个随机的非零值,形成集合RN,设蜂鸟的总数为S,每只蜂鸟从鸟巢出发觅食,即每只蜂鸟根据集合RN中每个元素的信息素状态,随机的从集合中选择一个元素,每个元素被选概率遵从下式:
式中:表示时刻t蜂鸟k依据元素i和元素j之间的信息量和启发式信息来进行备选元素选择的转移概率,τij(t)表示t时刻元素i与元素j之间的信息量,ηij(t)为对应τij(t)的启发式函数,α为信息素启发因子,β为期望启发因子,cank为蜂鸟k下一步可以选择的元素集合,s表示从集合cank中随机选取的元素,τis(t)表示t时刻元素i与元素s之间的信息量,ηis(t)为对应ηis(t)的启发式函数。
(2)初始化,迭代次数Dc=1,设置最大迭代次数为Dmax,每个蜂鸟所携带的初始信息量τ0(0)=0,释放的信息量Δτ0(0)=0,所有蜂鸟位居鸟巢;
(3)蜂鸟出发觅食,觅食搜索过程相互独立,根据元素所含信息量,按照式(3)计算每个元素被选择的概率;
(4)重复步骤3,直到蜂鸟完成全部元素的选择后停止计算;
(5)将蜂鸟所选择的元素,作为核函数参数,对RVM容量估算模型进行学习训练,得到RVM容量估算模型的实际输出,对比期望值ξ,得到对应的网络误差δ,并据此更新集合中元素的信息量,信息量全局更新规则如下:
式中:τij(t)和τij(t+1)分别表示t时刻和下一时刻元素i与元素j之间的信息量,S为蜂鸟总数,ρ表示信息量挥发系数,表示蜂鸟k在路径(i,j)上的释放的信息量,即信息素增量,Q表示全局信息量,为一个常数,Lk表示蜂鸟k走过的路径长度。
(6)重复步骤2到5,当蜂鸟收敛到同一路径或迭代达到最大次数时,停止迭代,输出最优核函数参数。
进一步的,为提高蜂鸟算法的效率,避免算法陷入局部最优,信息素启发因子α和期望启发因子β的更新迭代公式计算如下:
式中:Dnow为算法当前迭代次数。
步骤S3:基于所得特征量和改进容量估算模型对退役电池容量进行估算。
有益效果:相比于现有技术,本发明具有以下优点:采用异质点算法对特征量中的异常数据点进行清洗,提高了特征量所含有效信息量,对蜂鸟算法进行改进,避免算法陷入局部最优,提高效率,优化了RVM算法,有效提升退役动力电池容量估算的快速性与准确性。
附图说明
图1是本发明所述的退役动力电池最大可用容量动态估算方法流程图;
图2是电池测试电压、电流图;
图3是充电曲线特征示意图;
图4是本发明所述的IHA算法优化RVM容量估算模型参数流程图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
本发明所述的一种退役动力电池最大可用容量动态估算方法,流程图如图1所示,包括以下步骤:
步骤S1:通过充电曲线提取与电池容量衰减相关的特征量,并采用异质点算法对特征量中的异常数据点进行清洗,提高特征量所含有效信息量。
具体的,为建立可靠的基于数据驱动的容量估计模型,对退役动力电池进行特性测试和老化循环测试,图2展示了电池在25℃的环境温度下,以相应的充电电流进行循环老化的电流以及电压响应曲线。根据电池的充电曲线变化规律,提取用于电池容量估计的曲线特征,如图3所示,其中特征量P1为电池温度,特征量P2为电池充电倍率,特征量P3为电池充电时达到截止电压所需时间,即截止电压充电时长,特征量P4为恒流充电结束后电池静置阶段的电压降落曲线弯曲程度,即电压降落最小曲率半径。特征量P1和P2可直接测量获得作为数据驱动容量估算模型的输入值,特征量P3可根据各电池分别达到充电截止电压时的充电时间来获得,特征量P4计算公式如下:
式中,ρ为曲率半径,κ为曲率,两者互为倒数;z为目标曲线,z′为目标曲线z的一阶导数,z″为目标曲线z的二阶导数。
在实验数据的采集过程中,存在真实的电池特征量数据与误差干扰数据掺杂混合的情况,采用异质点算法消除测试误差对特征量规律性的影响。特征量中数据点p邻域点的局部可达密度与点p的局部可达密度之比的平均数就表示为点p的异质点因子,计算式如下:
式中,LOAk(p)为特征量中数据点p的异质点因子,Nk()为点p的k距离邻域,点o为邻域内某一点,lrdk(p),lrdk(o)分别为点p和点o的局部可达密度。
异质点因子越接近1,说明点p与其邻域点的周围密度相差无几,p和邻域同属一簇的概率越高,反之,p点可能是异常点,予以剔除。
由于上述获得的退役动力电池的温度、充电倍率等特征量具有不同的量纲和量纲单位,这样的情况会影响到数据分析的结果,为了消除指标之间的量纲影响,需要进行数据标准化处理,在此使用化一法处理数据,使结果映射到[0,1]之间,转换函数如下:、
式中:Xmax为样本数据最大值,Xmin为样本数据最小值,X*为标准化处理后的数据。
步骤S2:将经过异质点算法和化一法处理的特性量P1电池温度,特征量P2电池充电倍率,特征量P3截止电压充电时长,特征量P4电压降落最小曲率半径作为RVM的输入值,输出值选择电池最大可用容量,构建RVM容量估算模型,然后利用IHA算法对RVM容量估算模型的核函数参数进行寻优,并利用处理过的60%特征量数据对模型进行训练确定核函数参数的最优解。如图4所示是本发明所述的IHA算法优化RVM流程图,具体过程如下:
(1)将待优化的核函数参数设置为N个随机的非零值,形成集合RN,设蜂鸟的总数为S,每只蜂鸟从鸟巢出发觅食,即每只蜂鸟根据集合RN中每个元素的信息素状态,随机的从集合中选择一个元素,每个元素被选概率遵从下式:
式中:表示时刻t蜂鸟k依据元素i和元素j之间的信息量和启发式信息来进行备选元素选择的转移概率,τij(t)表示t时刻元素i与元素j之间的信息量,ηij(t)为对应τij(t)的启发式函数,α为信息素启发因子,β为期望启发因子,cank为蜂鸟k下一步可以选择的元素集合,s表示从集合cank中随机选取的元素,τis(t)表示t时刻元素i与元素s之间的信息量,ηis(t)为对应ηis(t)的启发式函数。
(2)初始化,迭代次数Dc=1,设置最大迭代次数为Dmax,每个蜂鸟所携带的初始信息量τ0(0)=0,释放的信息量Δτ0(0)=0,所有蜂鸟位居鸟巢;
(3)蜂鸟出发觅食,觅食搜索过程相互独立,根据元素所含信息量,按照式(3)计算每个元素被选择的概率;
(4)重复步骤3,直到蜂鸟完成全部元素的选择后停止计算;
(5)将蜂鸟所选择的元素,作为核函数参数,对RVM容量估算模型进行学习训练,得到RVM容量估算模型的实际输出,对比期望值ξ,得到对应的网络误差δ,并据此更新集合中元素的信息量,信息量全局更新规则如下:
式中:τij(t)和τij(t+1)分别表示t时刻和下一时刻元素i与元素j之间的信息量,S为蜂鸟总数,ρ表示信息量挥发系数,表示蜂鸟k在路径(i,j)上的释放的信息量,即信息素增量,Q表示全局信息量,为一个常数,Lk表示蜂鸟k走过的路径长度。
(6)重复步骤2到5,当蜂鸟收敛到同一路径或迭代达到最大次数时,停止迭代,输出最优核函数参数。
而在计算转移概率时,传统蜂鸟算法中信息素启发因子α与期望启发因子β一般取1、2.5,为提高蜂鸟算法的效率,避免算法陷入局部最优,对信息素启发因子α和期望启发因子β的更新迭代公式进行改进,计算公式如下:
式中:Dnow为算法当前迭代次数
步骤S3:对想要进行容量估算的退役电池,将算法处理后的特征量特性量P1电池温度,特征量P2电池充电倍率,特征量P3截止电压充电时长,特征量P4电压降落最小曲率半径输入改进容量估算模型中,即可进行容量估算。
本发明方法,采用异质点算法对特征量中的异常数据点进行清洗,提高了特征量所含有效信息量,对蜂鸟算法进行改进,避免算法陷入局部最优,提高效率,优化了RVM算法,有效提升退役动力电池容量估算的快速性与准确性。
Claims (6)
1.一种退役动力电池最大可用容量动态估算方法,其特征在于,包括以下步骤:
步骤S1:通过充电曲线提取与电池容量衰减相关的特征量,并采用异质点算法对特征量中的异常数据点进行清洗,提高特征量所含有效信息量;所述与电池容量衰减相关的特征量包括:特征量P1电池温度、特征量P2电池充电倍率、特征量P3截止电压充电时长以及特征量P4电压降落最小曲率半径,所述截止电压充电时长是指电池充电时达到截止电压所需时间,电压降落最小曲率半径是指恒流充电结束后电池静置阶段的电压降落曲线弯曲段的曲率半径;
步骤S2:建立以相关向量机算法为基础的容量估算模型,同时引入蜂鸟算法优化模型参数;
步骤S3:基于所得特征量和改进容量估算模型对退役电池容量进行估算。
5.根据权利要求1所述的退役动力电池最大可用容量动态估算方法,其特征在于:步骤S2具体包括以下内容:
(21)将经过异质点算法处理后的特征量P1、P2、P3和P4作为RVM算法的输入值,电池容量作为算法的输出值,构建RVM容量估算模型;
(22)利用IHA算法对RVM算法的核函数参数进行寻优,并利用所述特征量进行模型训练确定核函数参数的最优解。
6.根据权利要求5所述的退役动力电池最大可用容量动态估算方法,其特征在于:所述步骤(22)包括以下步骤:
(1)将待优化的核函数参数设置为N个随机的非零值,形成集合RN,设蜂鸟的总数为S,每只蜂鸟从鸟巢出发觅食,即每只蜂鸟根据集合RN中每个元素的信息素状态,随机的从集合中选择一个元素,每个元素被选概率遵从下式:
式中:表示时刻t蜂鸟k依据元素i和元素j之间的信息量和启发式信息来进行备选元素选择的转移概率,τij(t)表示t时刻元素i与元素j之间的信息量,ηij(t)为对应τij(t)的启发式函数,α为信息素启发因子,β为期望启发因子,cank为蜂鸟k下一步可以选择的元素集合,s表示从集合cank中随机选取的元素,τis(t)表示t时刻元素i与元素s之间的信息量,ηis(t)为对应ηis(t)的启发式函数;
(2)初始化,迭代次数Dc=1,设置最大迭代次数为Dmax,每个蜂鸟所携带的初始信息量τ0(0)=0,释放的信息量Δτ0(0)=0,所有蜂鸟位居鸟巢;
(3)蜂鸟出发觅食,觅食搜索过程相互独立,根据元素所含信息量,按照步骤(1)中的公式计算每个元素被选择的概率;
(4)重复步骤3,直到蜂鸟完成全部元素的选择后停止计算;
(5)将蜂鸟所选择的元素,作为核函数参数,对RVM容量估算模型进行学习训练,得到RVM容量估算模型的实际输出,对比期望值ξ,得到对应的网络误差δ,并据此更新集合中元素的信息量,信息量全局更新规则如下:
式中:τij(t)和τij(t+1)分别表示t时刻和下一时刻元素i与元素j之间的信息量,S为蜂鸟总数,ρ表示信息量挥发系数,表示蜂鸟k在路径(i,j)上的释放的信息量,即信息素增量,Q表示全局信息量,为一个常数,Lk表示蜂鸟k走过的路径长度;
(6)重复步骤2到5,当蜂鸟收敛到同一路径或迭代达到最大次数时,停止迭代,输出最优核函数参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110544956.8A CN113255214B (zh) | 2021-05-18 | 2021-05-18 | 一种退役动力电池最大可用容量动态估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110544956.8A CN113255214B (zh) | 2021-05-18 | 2021-05-18 | 一种退役动力电池最大可用容量动态估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113255214A true CN113255214A (zh) | 2021-08-13 |
CN113255214B CN113255214B (zh) | 2023-08-22 |
Family
ID=77182746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110544956.8A Active CN113255214B (zh) | 2021-05-18 | 2021-05-18 | 一种退役动力电池最大可用容量动态估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255214B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3029315A1 (fr) * | 2014-11-28 | 2016-06-03 | Renault Sa | Procede automatique d'estimation de la capacite d'une cellule d'une batterie |
CN108254696A (zh) * | 2017-12-29 | 2018-07-06 | 上海电气集团股份有限公司 | 电池的健康状态评估方法及系统 |
CN109560280A (zh) * | 2018-12-10 | 2019-04-02 | 包头市石墨烯材料研究院有限责任公司 | 一种纳米锡-二硫化钼复合物负极材料及其制备方法和应用 |
CN110901399A (zh) * | 2018-09-14 | 2020-03-24 | 丰田自动车株式会社 | 二次电池系统和估计二次电池内部状态的方法 |
CN111753699A (zh) * | 2020-06-17 | 2020-10-09 | 国网江西省电力有限公司电力科学研究院 | 一种直流充电桩数字计量准确度提升的方法 |
CN111930839A (zh) * | 2020-07-31 | 2020-11-13 | 浙江浙能技术研究院有限公司 | 退役动力电池储能装置的配组方法 |
CN112649736A (zh) * | 2020-12-02 | 2021-04-13 | 南京工程学院 | 一种用于退役电池的soc、soh联合估算方法 |
-
2021
- 2021-05-18 CN CN202110544956.8A patent/CN113255214B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3029315A1 (fr) * | 2014-11-28 | 2016-06-03 | Renault Sa | Procede automatique d'estimation de la capacite d'une cellule d'une batterie |
CN108254696A (zh) * | 2017-12-29 | 2018-07-06 | 上海电气集团股份有限公司 | 电池的健康状态评估方法及系统 |
CN110901399A (zh) * | 2018-09-14 | 2020-03-24 | 丰田自动车株式会社 | 二次电池系统和估计二次电池内部状态的方法 |
CN109560280A (zh) * | 2018-12-10 | 2019-04-02 | 包头市石墨烯材料研究院有限责任公司 | 一种纳米锡-二硫化钼复合物负极材料及其制备方法和应用 |
CN111753699A (zh) * | 2020-06-17 | 2020-10-09 | 国网江西省电力有限公司电力科学研究院 | 一种直流充电桩数字计量准确度提升的方法 |
CN111930839A (zh) * | 2020-07-31 | 2020-11-13 | 浙江浙能技术研究院有限公司 | 退役动力电池储能装置的配组方法 |
CN112649736A (zh) * | 2020-12-02 | 2021-04-13 | 南京工程学院 | 一种用于退役电池的soc、soh联合估算方法 |
Non-Patent Citations (2)
Title |
---|
RUI XIONG等: "Critical Review on the Battery State of Charge Estimation Methods for Electric Vehicles", pages 1 - 12, Retrieved from the Internet <URL:《网页在线公开:https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8168251》> * |
张友琅等: "退役锂电池性能评估及光储应用研究", 《电源技术》, vol. 43, no. 7, pages 1136 - 1139 * |
Also Published As
Publication number | Publication date |
---|---|
CN113255214B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110488202B (zh) | 基于深度神经网络的车辆电池荷电状态估计方法 | |
CN113917337A (zh) | 基于充电数据和lstm神经网络的电池健康状态估计方法 | |
CN108089135B (zh) | 一种基于极限学习模型的电池状态预测系统及其实现方法 | |
CN111060834A (zh) | 一种动力电池健康状态估算方法 | |
CN110888058A (zh) | 一种基于动力电池soc和soh联合估计的算法 | |
CN112684346A (zh) | 基于遗传卷积神经网络的锂电池健康状态估计方法 | |
CN113109717B (zh) | 一种基于特征曲线优化的锂电池荷电状态估算方法 | |
CN113534938B (zh) | 一种基于改进Elman神经网络的笔记本电脑剩余电量估计方法 | |
CN113702843A (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 | |
CN113138344B (zh) | 一种基于分数阶扩展卡尔曼滤波算法的soc估计方法 | |
CN112649736A (zh) | 一种用于退役电池的soc、soh联合估算方法 | |
CN113820604A (zh) | 一种基于温度预测的锂电池soh估计方法 | |
CN114970332A (zh) | 基于混沌量子麻雀搜索算法的锂电池模型参数辨识方法 | |
CN116774088A (zh) | 基于多目标优化的锂离子电池健康状态估计方法 | |
CN113484774A (zh) | 一种基于温度校准和神经网络的锂电池组容量估计方法 | |
CN115684971A (zh) | 基于片段多充电特征融合的锂离子电池健康状态估计方法 | |
CN115201686A (zh) | 一种不完备充放电数据下的锂离子电池健康状态评估方法 | |
CN112269133A (zh) | 一种基于预充电路模型参数识别的soc估计方法 | |
CN115980584A (zh) | 基于多特征融合lstm网络的锂电池rul估计方法 | |
CN116930788A (zh) | 一种基于堆叠模型的储能电站锂电池容量估计方法 | |
CN111260015A (zh) | 一种基于混沌猫群算法的锂离子电池模型参数辨识方法 | |
CN113119796B (zh) | 基于云端稀疏充电数据的电动车剩余充电时间预测方法及系统 | |
CN110232432B (zh) | 一种基于人工生命模型的锂电池组soc预测方法 | |
CN113093014B (zh) | 一种基于阻抗参数的soh与soc的在线协同估计方法及系统 | |
CN112269137B (zh) | 一种基于动态参数识别的电池健康状态估算方法 |
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 |