CN113296009A - 一种退役动力锂离子电池剩余寿命预测及重组方法 - Google Patents
一种退役动力锂离子电池剩余寿命预测及重组方法 Download PDFInfo
- Publication number
- CN113296009A CN113296009A CN202110443757.8A CN202110443757A CN113296009A CN 113296009 A CN113296009 A CN 113296009A CN 202110443757 A CN202110443757 A CN 202110443757A CN 113296009 A CN113296009 A CN 113296009A
- Authority
- CN
- China
- Prior art keywords
- battery
- power lithium
- discharge
- retired power
- lithium ion
- 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
- 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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
-
- 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
-
- 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)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种退役动力锂离子电池剩余寿命预测及重组方法,首先通过径向基神经网络模型建立了电池容量、电池内阻、电池放电时间、电池温度变化速率与电池可用能量的估计模型;然后采用可用能量为样本数据,通过遗传编程对退役动力锂电池剩余寿命进行预测;最后初选具有梯次利用价值的退役单体锂电池,在支持向量聚类的基础上,提出等数支持向量聚类策略使重组后锂电池组单体电池数量相等,用于各梯次利用场景。
Description
技术领域
本发明涉及动力锂电池领域,具体涉及一种退役动力锂离子电池 剩余寿命预测及重组方法。
背景技术
大量退役动力电池梯次利用有利于节约能源,延长了电池使用寿命,减少了电池重金属的排放,保护了环境。因此,实现大量退役动力锂电池的梯次利用是一个重要现实意义的问题。考虑电池健康因子和可用能量,对锂电池剩余使用寿命预测,深入研究基于等数支持向量聚类的退役动力锂电池重组方法,具有重要现实意义。
发明内容
本发明提供一种退役动力锂离子电池剩余寿命预测及重组方法。
为实现本发明目的而采用的技术方案是这样的,即一种退役动力锂离子电池剩余寿命预测及重组方法,包括以下步骤:
步骤1:构建一种退役动力锂离子电池剩余寿命预测及重组方法框架;
步骤2:采用径向基神经网络模型建立电池健康因子和电池可用能量的估计模型;
步骤3:基于步骤2的电池可用能量,采用遗传编程的方法对退役动力锂离子电池剩余寿命进行预测;
步骤4:初步筛选单体电池,提出等数分配策略的支持向量聚类方法对电池组进行重组。
优选地,步骤2采用径向基神经网络模型建立电池健康因子和电池可用能量的估计模型遵循以下步骤:
(1)健康状态因子和电池可用能量计算
①放电容量
②退役动力锂电池内阻
式中:Rn为第n次动力锂电池放电周期内电池的欧姆内阻,△Un为第n次电池充放电周期中欧姆内阻引起的电压降,In为第n次电池充放电周期的电流,n为动力锂电池充放电周期;
③退役动力锂电池温度变化速率
④退役动力锂电池放电时间
⑤电池可用能量
式中:Ef为电池在一次充放电循环下的放电能量,U(t)为放电端电压与放电时间之间的函数关系,I(t)为放电电流与时间的函数关系, t为时间;
(2)建立估计模型
本发明通过电池健康因子和可用能量的数据训练集,选取径向基神经网络模型建立电池健康因子与电池可用能量之间的估计模型。径向基神经网络模型如图1所示。
径向基神经网络模型的激活函数为:
式中:xp为径向基神经网络模型的输入特征;ci为隐藏层的中心节点;σi为径向基神经网络模型方差参数。
径向基神经网络模型的输出为:
式中:wi为权重。
选用中位数绝对偏差(MAD)、最大绝对误差(MAE)和均方根误差(RMSE)评价指标来进行验证该模型的误差,在计算过程中,MAD、MAE、RMSE值越小,表明电池可用能量估计模型越准确,计算方法如下:
MAD=median(|fp(xi)-yi|)
式中:xi为预测样本的输入值;fp(xi)为输入样本的预测值;yi为输出样本的真实值;m为预测样本的数量。
优选地,基于步骤2的电池可用能量,采用遗传编程的方法对退役动力锂离子电池剩余寿命进行预测,遵循以下步骤:
(1)初始化设置遗传编程的运行参数。这些运行参数包括:训练集合、测试集合、初始种群的数目、遗传复制算子、遗传交叉算子、遗传变异算子、迭代次数、最大基因数、设置外部常数的变化范围、确定函数集;
(2)随机生成初始种群函数个体并计算各自的适应度指标。本发明主要以均方根误差(RMSE)、相对百分误差绝对值的平均值 (MAPE)作为遗传编程的适应度指标;
(3)根据步骤(2)中计算出的适应度进行复制、选择、交叉、变异的遗传操作;
(4)通过步骤(3)生成新的种群,重复步骤(2)、(3)直至满足终止条件;
(5)满足终止条件时,种群产生的最佳个体被指定为最优预测模型,输出最优模型的显性表达式。
优选地,步骤4初步筛选单体电池,提出等数分配策略的支持向量聚类方法对电池组进行重组,遵循以下步骤:
(1)初选筛选单体锂电池
具有梯次利用价值的单体锂电池必须满足以下要求:
式中:cmin、Rmax和nmin分别为梯次利用电池容量阈值、内阻阈值和剩余寿命阈值,ci、Ri和ni分别为第i块动力单体锂电池对应的容量、内阻和剩余寿命,N为单体电池数量。
(2)单体锂电池支持向量聚类重组
支持向量聚类主要分为两个步骤:选取支持向量和标记支持向量。基本思想:利用高斯核将数据空间中的数据点映射到一个高维的特征空间中。再在特征空间中寻找一个能包围所有数据点的半径最小的球,将这个球映回到数据空间,则得到了包含所有数据点的等值线集。这些等值线就是簇的边界。每一条闭合等值线包围的点属于同一个簇。
1)选取支持向量
给定数据集X={x1,x2,...,xn},支持向量数据描述(SVDD)的目的是确定一个最佳超球面,其中包括具有容差的集合X中的所有正常数据点。优化问题如下:
式中:R是超球面半径;v是正常数;c是球的中心;ξi是第i个变量的松弛因子;φ(xi)是与对称有关的非线性函数;正定核函数K(x1x2)=φ(x1)Tφ(x2);n为数据集的维数;
2)标记支持向量
支持向量聚类采用带有高斯核函数的支持向量数据描述,如下式:
式中,xi和xj为样本点,γ为控制输入空间中封闭轮廓的数量的参数。
(3)锂电池等数分配
本发明基于支持向量聚类提出一种等数分配策略,使退役动力单体锂电池聚类后组内的电池数量相等。具体步骤为:
①计算各个退役动力锂电池组的聚类中心位置,中心点的计算公式如下:
②确定电池组中电池数量最少的组,计算该组与其他组中心的欧氏距离,见下式;选取欧氏距离最小的组作为锂电池移出组。
③计算min组的特征中心点与单体锂电池移出组中各个特征点的欧氏距离,见下式;然后对此欧氏距离进行排序,将欧氏距离小的动力单体锂电池依次移入到min组,直至达到锂电池组额定的单体锂电池数目。
④更新退役动力锂电池组内的动力单体锂电池数量,重复步骤① -④,最终获得等数支持向量聚类后退役动力锂电池组结果。
附图说明
图1径向基神经网络模型示意图
图2动力锂电池剩余使用寿命
图3退役动力锂电池剩余寿命流程图
图4健康因子与电池充放循环次数的退化曲线
图5电池能量估计结果
图6电池能量估计结果误差
图7遗传编程模型误差收敛曲线
图8基于遗传编程模型的锂电池能量退化趋势
图9支持向量聚类结果
图10等数支持向量聚类结果
具体实施方式
下面结合附图和实施例对本发明作进一步说明,但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下,根据本领域普通技术知识和惯用手段,做出各种替换和变更,均应包括在本发明的保护范围内。
本案例的电池数据来源于NASAPCoE公开的动力锂电池测试数据集。电池类型为18650动力锂电池中的第5号电池,该型号电池是目前最常用的锂电池之一。电池的详细技术指标见表1。
表1电池技术指标
电池剩余寿命是指电池在一定充放电条件下,电池某一性能参数退化至失效阈值时所经历的循环次数,如图2所示。通过以下三步对大量单体锂电池进行剩余寿命预测和重组,具体的流程如图3所示。
(1)构建与电池能量映射的估计模型
①模型建立
将5号电池前130组的健康因子(电池容量、电池内阻、温度变化速率、放电时间数据)和电池能量作为训练集,利用径向基神经网络模型进行训练,得到电池健康因子与电池能量之间的估计模型。得到电池容量、电池内阻、温度变化速率、放电时间数据与电池充放电循环次数的退化曲线见图4。将其余38组数据作为测试集,电池能量估计的测试结果如图5所示。
②结果分析
分析图5与图6结果可以发现,采用径向基神经网络模型估计电池能量结果十分准确。结果表明,MAD、MAE、RMSE误差分别为 0.00426、0.014201、0.005327。因此,利用径向基神经网络模型估计电池能量的方法上是可行的。
(2)锂电池剩余寿命预测模型
本发明采用电池可用能量指标来衡量退役动力单体锂电池剩余寿命并建立锂电池剩余寿命预测模型。动力锂电池将采用遗传编程建立寿命预测模型,将上一步得到的电池能量估计数据作为样本数据,采用MAD、MAE、RMSE指标综合评估模型的精度。
①遗传编程参数初始化
遗传编程的初始种群一般设置为400-600,设置为500。遗传编程迭代次数一般设置为200-300,设置为300代的迭代次数。遗传编程最大基因数一般范围为6-12,设置为8。遗传编程的交叉系数、变异系数、复制系数分别设为0.85、0.10、0.05,如表2所示。
表2遗传编程初始参数
②建立预测模型
根据电池可用能量和剩余寿命次数的数据样本,77.4%作为训练集,22.6%作为测试集,训练退役动力锂电池寿命预测模型。得到迭代300次下遗传编程模型的RMSE、MAPE误差收敛曲线如图7所示。在图7中,RMSE误差缓慢下降,在迭代至150次左右时,基本保持不变;MAPE误差为跌宕起伏性下降,在迭代到200次左右时,基本保持不变。
③预测模型验证
本发明分别预测退役动力锂电池循环100次、110次、120次、130次后的剩余使用寿命,并且将预测值与真实值进行分析,从而验证遗传编程模型的精度。
图8(a)、(b)、(c)、(d)分别表示了运用遗传编程预测动力锂电池循环至100次、110次、120次、130次时关于电池能量与剩余寿命样本数据真实曲线、训练值曲线以及预测值曲线。根据退役动力锂电池可用能量的预测值以及退役阈值,其循环至100次、110次、120次、130次时的剩余使用寿命及误差如表3所示。
表3最后一列为差分回归移动平均模型(ARIMA)对动力锂电池剩余寿命预测的误差百分数,可见本发明利用遗传编程的方法得到的预测结果明显低于用ARIMA模型的预测结果,再次证明本发明运用遗传编程预测退役动力锂离子电池的准确性。
表3基于遗传编程的退役动力锂电池预测结果
(3)单体锂电池聚类重组
采用模拟的200组退役动力锂电池数据集作为案例支撑,以验证本发明退役动力锂电池聚类重组方法的可行性。
1)由于模拟的数据均满足梯次利用阈值,即均具有梯次利用价值的,因此不剔除单体锂电池。
由于电池特征数据偏差大,需将电池特征数据归一化处理,处理如下式:
式中,xi为第i块动力单体锂电池容量、内阻、剩余寿命的实际值;xmin为数据中电池容量、内阻、剩余寿命最小的值;xmax为数据中电池容量、内阻、剩余寿命最大的值。
表4归一化电池特征数据
在归一化处理以后,对200组电池按照电池编号顺序初始化等数分组,聚类分组情况和各锂电池组内的最大误差如表5所示。
表5初始化锂电池组的分组性能差异
2)单体锂电池支持向量聚类重组
确定支持向量聚类初始参数:高斯核函数的参数初始化为0.2,设置聚类的簇数为5,不同颜色代表聚类得到不同的簇。聚类结果如图9所示。聚类分组情况和各锂电池组内的最大误差如表6。
表6支持向量聚类后锂电池组的分组性能差异
3)锂电池等数分配
①确定聚类后的每个分组聚类中心如表7所示。
表7分组聚类中心
②首先确定支持向量聚类后单体锂电池最少的组,根据表6确定单体锂电池最少的组min为B组;计算B组中心与其他组中心的欧氏距离d如表8。根据表8,D组的聚类中心与与B组的聚类中心最近,一致性最高,将D组作为单体锂电池移出组。
表8B组中心到其余组的欧氏距离
③计算D组中的每块动力单体锂电池与B组中心的欧氏距离然后按照欧氏距离排序(如表9所示),将欧式距离小的依次放入到B组中。根据电池总数和组数,规定每组额定的动力单体锂电池数目为40块。因此,将D组中前36组动力单体锂电池放入至B 组中即可。其余组的分配策略也如B组的分配策略。最终,支持向量聚类经过等数分配得到电池分组如图10所示。
表9排序后D组单体电池到B组中心的欧氏距离
通过分析初始化分组和等数支持向量聚类分组的锂电池组特征性能差异,如表5和表10所示,我们可以发现,经过等数策略的支持向量聚类之后,锂电池组内的单体电池数量不仅相等,而且锂电池组内电池容量、电池内阻、电池剩余寿命的不一致性降低,使重组后的锂电池组性能有所提升。
表10等数支持向量聚类分组后性能差异
Claims (4)
1.一种退役动力锂离子电池剩余寿命预测及重组方法,其特征在于,包括以下步骤:
步骤1:构建一种退役动力锂离子电池剩余寿命预测及重组方法框架;
步骤2:采用径向基神经网络模型建立电池健康因子和电池可用能量的估计模型;
步骤3:基于步骤2的电池可用能量,采用遗传编程的方法对退役动力锂离子电池剩余寿命进行预测;
步骤4:初步筛选单体电池,提出等数分配策略的支持向量聚类方法对电池组进行重组。
2.根据权利要求1所述的一种退役动力锂离子电池剩余寿命预测及重组方法,其特征在于:步骤1构建一种退役动力锂离子电池剩余寿命预测及重组方法框架,建立单体锂离子电池的电池容量、电池内阻、电池温度变化速率、电池放电时间4个健康因子和可用能量估计模型,然后采用遗传编程建立退役动力锂离子单体电池剩余寿命预测模型,根据电池容量、内阻和剩余寿命初步筛选各个单体电池,采用等数支持向量机聚类方法对单体电池进行聚类重组。
3.根据权利要求1所述的一种退役动力锂离子电池剩余寿命预测及重组方法,其特征在于:步骤2采用径向基神经网络模型建立电池健康因子和电池可用能量的估计模型;其过程为:
(1)选取健康因子
①放电容量
②退役动力锂电池内阻
式中:Rn为第n次动力锂电池放电周期内电池的欧姆内阻,ΔUn为第n次电池充放电周期中欧姆内阻引起的电压降,In为第n次电池充放电周期的电流,n为动力锂电池充放电周期;
③退役动力锂电池温度变化速率
TRn=(TPe n-TPs n)/tn
式中:TRn为第n次电池放电周期的温度变化速率,TPe n为第n次电池放电循环周期的截止温度,TPs n为第n次电池放电周期的初始温度,tn为第n次电池放电周期的持续时间,n为动力锂电池放电周期;
④退役动力锂电池放电时间
(2)电池能量
式中:Ef为电池在一次充放电循环下的放电能量,U(t)为放电端电压与放电时间之间的函数关系,I(t)为放电电流与时间的函数关系,t为时间;
(3)构建估计模型
本发明选取径向基神经网络模型构建电池健康因子与电池可用能量之间的估计模型。
4.根据权利要求1所述的一种退役动力锂离子电池剩余寿命预测及重组方法,其特征在于:步骤4中根据电池容量、内阻、剩余寿命对退役动力锂离子单体电池进行初步筛选,采用等数支持向量聚类方法对退役动力锂离子单体电池聚类、重组,其过程为:
(1)初步筛选出同时满足电池容量、电池内阻、电池剩余寿命三个指标阈值的退役动力锂离子单体电池;
(2)针对(1)中单体电池容量、内阻、剩余寿命的数据集,采用支持向量聚类方法分类使得数据集中每个类中的数据之间最大限度地相似,而不同类中的数据最大程度地不同;
(3)针对(2)中初步聚类的具有不同电池数量的电池组,根据各组特征(容量、内阻、剩余寿命)的特点,提出等数分配策略,将电池数量较多的组中的电池移入较少的组,实现等数聚类重组。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110443757.8A CN113296009B (zh) | 2021-04-23 | 2021-04-23 | 一种退役动力锂离子电池剩余寿命预测及重组方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110443757.8A CN113296009B (zh) | 2021-04-23 | 2021-04-23 | 一种退役动力锂离子电池剩余寿命预测及重组方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113296009A true CN113296009A (zh) | 2021-08-24 |
CN113296009B CN113296009B (zh) | 2023-03-14 |
Family
ID=77320281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110443757.8A Active CN113296009B (zh) | 2021-04-23 | 2021-04-23 | 一种退役动力锂离子电池剩余寿命预测及重组方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113296009B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115184831A (zh) * | 2022-09-13 | 2022-10-14 | 南通云锦微电子科技有限公司 | 用于梯次锂电池组的预警方法 |
CN116577687A (zh) * | 2023-07-14 | 2023-08-11 | 南昌航空大学 | 快充电池包的电芯筛选方法、系统、存储介质及计算机 |
CN117410598A (zh) * | 2023-12-15 | 2024-01-16 | 山西迪诺思新能源科技有限公司 | 一种基于指标相似性的退役电池模块组合方法 |
CN117452235A (zh) * | 2023-12-22 | 2024-01-26 | 南昌大学 | 锂离子电池电解液漏液预警方法及系统 |
CN117949831A (zh) * | 2024-03-27 | 2024-04-30 | 牡丹江师范学院 | 一种可调式物理相似模拟实验平台 |
CN117949831B (zh) * | 2024-03-27 | 2024-05-31 | 牡丹江师范学院 | 一种可调式物理相似模拟实验平台 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001098480A2 (en) * | 2000-06-23 | 2001-12-27 | Syngenta Participations Ag | Promoters for regulation of plant gene expression |
CN101894185A (zh) * | 2010-06-29 | 2010-11-24 | 北京航空航天大学 | 一种基于动态双极mpnn的小样本数据对象的寿命预测方法 |
US20130179061A1 (en) * | 2010-06-10 | 2013-07-11 | The Regents Of The University Of California | Smart electric vehicle (ev) charging and grid integration apparatus and methods |
CN103364732A (zh) * | 2012-04-05 | 2013-10-23 | 三星Sdi株式会社 | 预测电池寿命的系统及方法 |
CN110148979A (zh) * | 2019-04-11 | 2019-08-20 | 国网辽宁省电力有限公司电力科学研究院 | 一种直流电源蓄电池组在线精准管控与动态优化方法 |
CN110443377A (zh) * | 2019-06-24 | 2019-11-12 | 南方电网调峰调频发电有限公司信息通信分公司 | 一种基于免疫算法优化的支持向量机蓄电池寿命预测方法 |
CN110752410A (zh) * | 2019-10-30 | 2020-02-04 | 上海理工大学 | 一种快速分选和重组退役锂电池的方法 |
CN111157897A (zh) * | 2019-12-31 | 2020-05-15 | 国网北京市电力公司 | 评估动力电池的方法、装置、存储介质及处理器 |
CN111525197A (zh) * | 2020-04-30 | 2020-08-11 | 镇江市百汇电器有限公司 | 一种蓄电池soh实时估算系统及方法 |
CN112319462A (zh) * | 2020-11-17 | 2021-02-05 | 河南科技大学 | 一种插电式混合动力汽车能量管理方法 |
-
2021
- 2021-04-23 CN CN202110443757.8A patent/CN113296009B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001098480A2 (en) * | 2000-06-23 | 2001-12-27 | Syngenta Participations Ag | Promoters for regulation of plant gene expression |
US20130179061A1 (en) * | 2010-06-10 | 2013-07-11 | The Regents Of The University Of California | Smart electric vehicle (ev) charging and grid integration apparatus and methods |
CN101894185A (zh) * | 2010-06-29 | 2010-11-24 | 北京航空航天大学 | 一种基于动态双极mpnn的小样本数据对象的寿命预测方法 |
CN103364732A (zh) * | 2012-04-05 | 2013-10-23 | 三星Sdi株式会社 | 预测电池寿命的系统及方法 |
CN110148979A (zh) * | 2019-04-11 | 2019-08-20 | 国网辽宁省电力有限公司电力科学研究院 | 一种直流电源蓄电池组在线精准管控与动态优化方法 |
CN110443377A (zh) * | 2019-06-24 | 2019-11-12 | 南方电网调峰调频发电有限公司信息通信分公司 | 一种基于免疫算法优化的支持向量机蓄电池寿命预测方法 |
CN110752410A (zh) * | 2019-10-30 | 2020-02-04 | 上海理工大学 | 一种快速分选和重组退役锂电池的方法 |
CN111157897A (zh) * | 2019-12-31 | 2020-05-15 | 国网北京市电力公司 | 评估动力电池的方法、装置、存储介质及处理器 |
CN111525197A (zh) * | 2020-04-30 | 2020-08-11 | 镇江市百汇电器有限公司 | 一种蓄电池soh实时估算系统及方法 |
CN112319462A (zh) * | 2020-11-17 | 2021-02-05 | 河南科技大学 | 一种插电式混合动力汽车能量管理方法 |
Non-Patent Citations (3)
Title |
---|
XIAOYANG MEI 等: "A Hybrid Prognostic Approach Based on UKF and Optimized RBF", 《2019 IEEE 8TH DATA DRIVEN CONTROL AND LEARNING SYSTEMS CONFERENCE》 * |
李聪波 等: "面向能耗的纯电动汽车双电机动力系统控制策略", 《计算机集成制造系统》 * |
王起伦: "数据驱动的微生物燃料电池操作空间设计与控制", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115184831A (zh) * | 2022-09-13 | 2022-10-14 | 南通云锦微电子科技有限公司 | 用于梯次锂电池组的预警方法 |
CN116577687A (zh) * | 2023-07-14 | 2023-08-11 | 南昌航空大学 | 快充电池包的电芯筛选方法、系统、存储介质及计算机 |
CN116577687B (zh) * | 2023-07-14 | 2024-04-19 | 南昌航空大学 | 快充电池包的电芯筛选方法、系统、存储介质及计算机 |
CN117410598A (zh) * | 2023-12-15 | 2024-01-16 | 山西迪诺思新能源科技有限公司 | 一种基于指标相似性的退役电池模块组合方法 |
CN117410598B (zh) * | 2023-12-15 | 2024-02-23 | 山西迪诺思新能源科技有限公司 | 一种基于指标相似性的退役电池模块组合方法 |
CN117452235A (zh) * | 2023-12-22 | 2024-01-26 | 南昌大学 | 锂离子电池电解液漏液预警方法及系统 |
CN117452235B (zh) * | 2023-12-22 | 2024-04-19 | 南昌大学 | 锂离子电池电解液漏液预警方法及系统 |
CN117949831A (zh) * | 2024-03-27 | 2024-04-30 | 牡丹江师范学院 | 一种可调式物理相似模拟实验平台 |
CN117949831B (zh) * | 2024-03-27 | 2024-05-31 | 牡丹江师范学院 | 一种可调式物理相似模拟实验平台 |
Also Published As
Publication number | Publication date |
---|---|
CN113296009B (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113296009B (zh) | 一种退役动力锂离子电池剩余寿命预测及重组方法 | |
CN110752410B (zh) | 一种快速分选和重组退役锂电池的方法 | |
CN106842045B (zh) | 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 | |
CN113484787B (zh) | 基于电化学阻抗谱的退役锂离子电池快速分选重组方法 | |
CN112630662B (zh) | 一种基于数据驱动及多参数融合的动力电池soh估算方法 | |
CN110542819A (zh) | 一种基于半监督dbnc的变压器故障类型诊断方法 | |
CN113887601A (zh) | 一种基于聚类分选的退役动力电池重组方法 | |
CN109768340B (zh) | 一种电池放电过程电压不一致性估计方法及装置 | |
CN108520986B (zh) | 一种基于生成对抗网络的动力电池配组方法 | |
CN112834927A (zh) | 锂电池剩余寿命预测方法、系统、设备及介质 | |
CN113657678A (zh) | 一种基于信息新鲜度的电网电力数据预测方法 | |
CN113361692B (zh) | 一种锂电池剩余寿命结合预测方法 | |
CN115963407A (zh) | 一种基于icgwo优化elm的锂电池soc估计方法 | |
CN116401954A (zh) | 一种锂电池循环寿命的预测方法、预测装置、设备及介质 | |
CN110232432B (zh) | 一种基于人工生命模型的锂电池组soc预测方法 | |
CN114545277A (zh) | 一种基于容量衰减的动力电池退役预测方法 | |
Zhu et al. | A novel fast estimation and regroup method of retired lithium‐ion battery cells | |
CN115453871A (zh) | 一种基于ide扩展多维泰勒网的非线性系统建模方法 | |
CN116029183A (zh) | 一种基于iPSO-LSTM模型的动力电池温度预测方法 | |
CN115688006A (zh) | 一种退役电池筛选分类方法 | |
CN115409317A (zh) | 基于特征选择和机器学习的台区线损检测方法及装置 | |
CN110515001B (zh) | 一种基于充放电的两阶段电池性能预测方法 | |
CN113608136A (zh) | 一种多尺度锂离子电池健康状态的预测方法 | |
CN113721149A (zh) | 一种基于半监督迁移学习的锂电池容量预测方法 | |
CN116609672B (zh) | 一种基于改进的bwoa-fnn算法的储能电池soc估计方法 |
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 |