CN113359048A - 一种锂离子电池剩余使用寿命间接预测方法 - Google Patents

一种锂离子电池剩余使用寿命间接预测方法 Download PDF

Info

Publication number
CN113359048A
CN113359048A CN202110468786.XA CN202110468786A CN113359048A CN 113359048 A CN113359048 A CN 113359048A CN 202110468786 A CN202110468786 A CN 202110468786A CN 113359048 A CN113359048 A CN 113359048A
Authority
CN
China
Prior art keywords
battery
capacity
health factor
lithium ion
service life
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
Application number
CN202110468786.XA
Other languages
English (en)
Inventor
周娟
王梅鑫
杨晓全
林加顺
孙啸
原亚雷
赵思涵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Mining and Technology CUMT
Original Assignee
China University of Mining and Technology CUMT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN202110468786.XA priority Critical patent/CN113359048A/zh
Publication of CN113359048A publication Critical patent/CN113359048A/zh
Pending legal-status Critical Current

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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage 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]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种锂离子电池剩余使用寿命间接预测方法，属于锂离子电池技术领域。具体步骤如下：分析锂离子电池在不同循环次数的特征变化，提取能反映电池性能退化的健康因子，验证所提取的健康因子与锂离子电池容量之间的相关性；使用电池健康因子和对应的电池容量数据训练BP神经网络，得到锂离子电池容量估算的神经网络模型；提取待预测电池预测起始点之前的健康因子，使用Box‑Cox变换建立健康因子与循环次数的线性模型，结合估算电池容量的神经网络模型，预测电池容量，当电池容量预测值到达电池寿命终止容量时，即可得到电池的剩余使用寿命。本发明避免了待预测电池容量在线测量难度大的问题，使用健康因子间接预测电池剩余使用寿命。

Description

一种锂离子电池剩余使用寿命间接预测方法
技术领域
本发明属于锂离子电池技术领域，具体涉及一种锂离子电池剩余使用寿命间接预测方法。
背景技术
锂离子电池因为具有自放电率低，工作电压高，循环寿命长和能量密度高等优点被广泛应用于交通运输，航空航天和国防军事领域。但是，电池如果长时间使用会导致其内部老化和能量衰退，从而导致电气系统发生灾难性事件。因此，准确预测锂离子电池的剩余使用寿命至关重要，准确的剩余使用寿命预测可以提高电池供电系统的稳定性和安全性，进而明确故障的发生并及时做出反应，
目前，锂离子电池剩余使用寿命预测方法大致可以分为两类：一类是基于经验的统计方法，该方法主要包括循环周期数法、安时法及其加权法和面向事件的老化积累法。这3种方法是通过一些统计规律对电池剩余使用寿命进行粗略估计，只有对电池使用情况有丰富经验的专业人士才能达到。另一类是基于电池性能的方法，主要包含基于模型的方法和基于数据驱动的方法。基于模型的方法依托电池的退化机理、负载条件以及电池材料属性并结合失效机制对剩余使用寿命进行预测，以对象模型架构确定为应用前提，精度取决于模型建立的完善准确程度。数据驱动的方法完全基于历史数据来完成训练模型，通常运用粒子滤波、长短期神经网络、相关向量机等方法预测锂离子电池剩余使用寿命，但是完全基于历史数据存在不确定性影响预测精度。
电池容量是最能反映电池性能的指标，采用容量来预测电池剩余使用寿命更加精确和有效。通常当电池容量下降至额定容量的70％-80％时，将电池视为达到终止寿命，此时为了保证电池系统的安全性，将不再继续使用该电池供电。剩余使用寿命预测方法一般提取待预测电池预测起始点之前的容量用于构建或训练模型，然后将模型用于预测电池剩余使用寿命，但在实际中很难在线获取电池实际容量，限制了方法的实际使用价值。
发明内容
本发明针对锂离子电池剩余使用寿命预测存在实际电池容量不便于在线获取的问题，提出一种锂离子电池剩余使用寿命间接预测方法，该方法在线提取健康因子代替电池容量进行剩余使用寿命间接预测，更加适合实际应用。
本发明提供的一种锂离子电池剩余使用寿命间接预测方法，包括如下步骤：
步骤1、分析锂离子电池在不同循环次数的特征变化，提取能反映电池性能退化的健康因子，验证所提取的健康因子与锂离子电池容量之间的相关性。
步骤2、使用电池健康因子和对应的电池容量数据训练BP神经网络，得到锂离子电池容量估算的神经网络模型。
步骤3、提取待预测电池预测起始点之前的健康因子，使用Box-Cox变换建立健康因子与循环次数的线性模型，结合估算电池容量的神经网络模型，预测电池容量，当电池容量预测值到达电池寿命终止容量时，即可得到电池的剩余使用寿命。
本发明的特点还在于，
步骤1具体按照以下步骤实施：
步骤1.1、提取锂离子电池在不同循环次数下恒流充电阶段相同电压间隔的充电时间作为健康因子。
步骤1.2、采用皮尔逊相关系数验证提取的健康因子与锂离子电池容量之间的相关性，皮尔逊相关系数的计算公式如下：
Figure BDA0003044506370000021
其中，n为循环个数，xi、yi代表第i个循环的健康因子与电池容量。
步骤2中所述，健康因子作为BP神经网络的输入，对应的电池容量作为输出，对BP神经网络进行训练，得到锂离子电池容量估算的神经网络模型。
步骤3具体按照以下步骤实施：
步骤3.1、提取待预测电池预测起始点之前的健康因子，使用Box-Cox变换建立健康因子与循环次数的线性模型。
步骤3.2、使用步骤3.1建立的线性模型预测在起始点之后每个循环的健康因子值。
步骤3.3、将步骤3.2获得的每个循环健康因子值输入步骤2建立的BP神经网络，估算每个循环的容量值。
步骤3.4、当步骤3.3估算的电池容量到达电池寿命终止容量时，从预测起始点至到达电池寿命终止容量对应的循环间隔循环数即为电池剩余使用寿命。
本发明的优点及有益效果是：
在线提取待预测电池健康因子间接实现剩余使用寿命预测，无需提取待预测电池容量数据，方法实际使用价值较高。
附图说明
图1为本发明公开的一种锂离子电池剩余使用寿命间接预测方法的流程框图示意。
图2为NASA公开数据集中B0005号电池在不同循环次数下恒流充电阶段相同电压间隔的充电时间。
图3为BP神经网络容量估算误差。
图4为锂离子电池寿命使用寿命示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，图1为本发明实施例的基于LSTM神经网络的锂离子电池剩余使用寿命预测方法，包括如下步骤：
步骤1、分析锂离子电池在不同循环次数的特征变化，提取能反映电池性能退化的健康因子，验证所提取的健康因子与锂离子电池容量之间的相关性。
步骤1具体按照以下步骤实施：
步骤1.1、以图2所示的NASA公开数据集中B0005号电池在不同循环次数下恒流充电阶段相同电压间隔的充电时间可知，随着循环次数的增加，电池在恒流充电阶段相同电压间隔的充电时间呈衰减趋势，因此提取锂离子电池在不同循环次数下恒流充电阶段相同电压间隔的充电时间作为健康因子。
步骤1.2、采用皮尔逊相关系数验证提取的健康因子与锂离子电池容量之间的相关性，皮尔逊相关系数的计算公式如下：
Figure BDA0003044506370000031
其中，n为循环个数，xi、yi代表第i个循环的健康因子与电池容量。
不同电压间隔的充电时间与电池容量之间的相关性如表1所示。皮尔逊系数在0.8至1为极度相关，0.6至0.8之间为强相关，0.4至0.6之间为中等程度相关，0.2至0.4之间为弱相关，0至0.2之间为极弱相关或无相关。可知电压间隔由3.9V至4.1V的充电时间与电池容量相关性最大，为极度相关，因此选取电压间隔由3.9V至4.1V的充电时间作为健康因子。
表1不同电压间隔的充电时间与电池容量之间的相关性
电压间隔 3.9V-4V 3.9V-4.1V 3.9V-4.2V 4V-4.1V 4V-4.2V 4.1V-4.2V
相关系数 0.993 0.994 0.993 0.974 0.967 0.934
步骤2、使用电池健康因子和对应的电池容量数据训练BP神经网络，得到锂离子电池容量估算的神经网络模型。
健康因子作为BP神经网络的输入，对应的电池容量作为输出。对输入输出数据分别采用最大最小法进行归一化。
Figure BDA0003044506370000041
对BP神经网络进行训练，如下所示。
Ck＝BP(HIk)
HIk为归一化后的健康因子，Ck为对应的归一化后的电池容量。使用Levenberg-Marquardt算法对神经网络进行训练。
提取NASA公开数据集中B0005号电池相应数据，随机抽取50％数据用于神经网络训练，剩余数据作为测试集对训练的神经网络进行测试，训练集估算误差如图3所示，可知容量估算最大误差绝对值为0.042Ah，其余误差都控制在0.04Ah以内，精度较高。
步骤3、提取待预测电池预测起始点之前的健康因子，使用Box-Cox变换建立健康因子与循环次数的线性模型，结合估算电池容量的神经网络模型，预测电池容量，当电池容量预测值到达电池寿命终止容量时，即可得到电池的剩余使用寿命。
步骤3具体按照以下步骤实施：
步骤3.1、提取待预测电池预测起始点之前的健康因子，使用Box-Cox变换建立健康因子与循环次数的线性模型。
Box-Cox变换是一种参数化广义幂变换技术，常用于稳定方差、减少数据在统计建模中的非正态性和增强关联性度量的有效性。Box-Cox变换的数学形式为：
Figure BDA0003044506370000042
y代表观测值即为电池健康因子，λ为需要辨识的变换系数。
变换的目标是确保线性模型的通常假设成立，即y(λ)～N(Xβ,σ2)，能够表示为：
Figure BDA0003044506370000051
其中，y(λ)＝(y1(λ),y2(λ),...,yn(λ))Τ，X＝(X1,X2,...,Xn)Τ，Xi＝(1,xi1,xi2，...,xim)，β＝(β0,β1,β2,...,βm)Τ，m是自变量的数量，n是样本量，x1,x2,...,xm代表和电池老化相关的因素，例如循环次数。β1,β2,...,βm是系数，εi是随机误差。
最大似然法用于辨识λ。因为y(λ)～N(Xβ,σ2I)，所以y(λ)的联合概率密度函数为
Figure BDA0003044506370000052
J(λ,y)被假设为从y变换到y(λ)的雅可比矩阵，y的联合概率密度函数可以表示为
Figure BDA0003044506370000053
其中
Figure BDA0003044506370000054
那么f(y)的对数似然函数可以表示为：
Figure BDA0003044506370000055
求L(β,σ2,λ|y,X)对β和σ2的偏导数，把每个结果方程都设为零，就可得到
Figure BDA0003044506370000056
Figure BDA0003044506370000057
将
Figure BDA0003044506370000058
和
Figure BDA0003044506370000059
代入到f(y)的对数似然函数中，得到仅有λ的对数似然函数
Figure BDA00030445063700000510
其中，
Figure BDA00030445063700000511
使仅有λ的对数似然函数最大化，相当于使下式的值最大
Figure BDA00030445063700000512
在
Figure BDA0003044506370000061
确定之后，
Figure BDA0003044506370000062
能够通过最小二乘法计算。
在转换后的健康因子与循环次数之间建立一个线性模型，仅有循环次数一个自变量，因此，m＝1。所以：
Figure BDA0003044506370000063
其中，n是样本数，x代表循环次数，拟合方程可以定义为：
Figure BDA0003044506370000064
其中，
Figure BDA0003044506370000065
对于每个观察到的响应yi(λ)，对应一个预测变量xi，拟合值即可由上式获得。b0和b1可以通过最小化数据点到拟合线的距离来估计，这相当于最小化残差平方和(the Sumof Squared Residuals,SSR)，如下所示：
Figure BDA0003044506370000066
求取SSR对b0和b1的偏导数，将每个结果方程都设为0，可得到：
Figure BDA0003044506370000067
其中，
Figure BDA0003044506370000068
系数b0和b1的方差分别估计为：
Figure BDA0003044506370000069
其中，s2表示误差项σ2的估计值，被估计为
Figure BDA00030445063700000610
步骤3.2、使用步骤3.1建立的线性模型预测在起始点之后每个循环的健康因子值。
步骤3.3、将步骤3.2获得的每个循环健康因子值输入步骤2建立的BP神经网络，估算每个循环的容量值。
步骤3.4、当步骤3.3估算的电池容量到达电池寿命终止容量时，从预测起始点至到达电池寿命终止容量对应的循环间隔循环数即为电池剩余使用寿命。如图4所示。
本发明的一种锂离子电池剩余使用寿命间接预测方法，不需要提取待预测电池的容量数据。只需根据同批次电池的历史数据训练出可用于估算电池容量的BP神经网络，在线提取待预测电池的健康因子，使用Box-Cox变换建立健康因子与循环次数的线性模型，实现电池剩余使用寿命的间接预测。

Claims (4)

1.一种锂离子电池剩余使用寿命间接预测方法，其特征在于，包括如下步骤：
步骤1、分析锂离子电池在不同循环次数的特征变化，提取能反映电池性能退化的健康因子，验证所提取的健康因子与锂离子电池容量之间的相关性；
步骤2、使用电池健康因子和对应的电池容量数据训练BP神经网络，得到锂离子电池容量估算的神经网络模型；
步骤3、提取待预测电池预测起始点之前的健康因子，使用Box-Cox变换建立健康因子与循环次数的线性模型，结合估算电池容量的神经网络模型，预测电池容量，当电池容量预测值到达电池寿命终止容量时，即可得到电池的剩余使用寿命。
2.根据权利要求1所述的一种锂离子电池剩余使用寿命间接预测方法，其特征在于，所述步骤1具体包括：
步骤1.1、提取锂离子电池在不同循环次数下恒流充电阶段相同电压间隔的充电时间作为健康因子；
步骤1.2、采用皮尔逊相关系数验证提取的健康因子与锂离子电池容量之间的相关性，皮尔逊相关系数的计算公式如下：
Figure FDA0003044506360000011
其中，n为循环个数，xi、yi代表第i个循环的健康因子与电池容量。
3.根据权利要求2所述的一种锂离子电池剩余使用寿命间接预测方法，其特征在于，所述步骤2中，健康因子作为BP神经网络的输入，对应的电池容量作为输出，对BP神经网络进行训练，得到锂离子电池容量估算的神经网络模型。
4.根据权利要求1所述的一种锂离子电池剩余使用寿命间接预测方法，其特征在于，所述步骤3具体包括：
步骤3.1、提取待预测电池预测起始点之前的健康因子，使用Box-Cox变换建立健康因子与循环次数的线性模型；
步骤3.2、使用步骤3.1建立的线性模型预测在起始点之后每个循环的健康因子值；
步骤3.3、将步骤3.2获得的每个循环健康因子值输入步骤2建立的BP神经网络，估算每个循环的容量值；
步骤3.4、当步骤3.3估算的电池容量到达电池寿命终止容量时，从预测起始点至到达电池寿命终止容量对应的循环间隔循环数即为电池剩余使用寿命。
CN202110468786.XA 2021-04-28 2021-04-28 一种锂离子电池剩余使用寿命间接预测方法 Pending CN113359048A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110468786.XA CN113359048A (zh) 2021-04-28 2021-04-28 一种锂离子电池剩余使用寿命间接预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110468786.XA CN113359048A (zh) 2021-04-28 2021-04-28 一种锂离子电池剩余使用寿命间接预测方法

Publications (1)

Publication Number Publication Date
CN113359048A true CN113359048A (zh) 2021-09-07

Family

ID=77525680

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110468786.XA Pending CN113359048A (zh) 2021-04-28 2021-04-28 一种锂离子电池剩余使用寿命间接预测方法

Country Status (1)

Country Link
CN (1) CN113359048A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114660497A (zh) * 2022-03-17 2022-06-24 哈尔滨理工大学 一种针对容量再生现象的锂离子电池寿命预测方法
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
WO2024078850A1 (de) * 2022-10-14 2024-04-18 Volkswagen Ag Verfahren und vorrichtung zum abschätzen einer selbstentladerate einer batteriezelle in der batteriezellenfertigung

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016107246A1 (zh) * 2014-12-29 2016-07-07 合肥工业大学 基于小波降噪和相关向量机的锂电池剩余寿命预测方法
CN106526486A (zh) * 2016-08-30 2017-03-22 郑州轻工业学院 一种锂电池健康寿命模型构建方法
CN106885994A (zh) * 2017-04-01 2017-06-23 湖南银杏数据科技有限公司 基于恒压充电片段的锂电池剩余寿命快速检测法
CN107479000A (zh) * 2017-08-17 2017-12-15 北京理工大学 一种基于Box‑Cox变换与蒙特卡罗仿真的锂离子动力电池RUL预测方法
CN108535656A (zh) * 2018-03-22 2018-09-14 中北大学 基于pca-narx神经网络的锂离子电池剩余使用寿命预测方法和系统
CN110109028A (zh) * 2019-04-12 2019-08-09 江苏大学 一种动力电池剩余寿命间接预测方法
CN110110365A (zh) * 2019-04-01 2019-08-09 华南理工大学 一种基于电池容量衰退轨迹线性化变换的电池rul预测方法
CN110687450A (zh) * 2019-08-28 2020-01-14 武汉科技大学 基于相空间重构和粒子滤波的锂电池剩余寿命预测方法
CN111443294A (zh) * 2020-04-10 2020-07-24 华东理工大学 一种锂离子电池剩余寿命间接预测方法及装置
CN111948563A (zh) * 2020-06-19 2020-11-17 浙江大学 一种基于多神经网络耦合的电动叉车锂电池剩余寿命预测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016107246A1 (zh) * 2014-12-29 2016-07-07 合肥工业大学 基于小波降噪和相关向量机的锂电池剩余寿命预测方法
CN106526486A (zh) * 2016-08-30 2017-03-22 郑州轻工业学院 一种锂电池健康寿命模型构建方法
CN106885994A (zh) * 2017-04-01 2017-06-23 湖南银杏数据科技有限公司 基于恒压充电片段的锂电池剩余寿命快速检测法
CN107479000A (zh) * 2017-08-17 2017-12-15 北京理工大学 一种基于Box‑Cox变换与蒙特卡罗仿真的锂离子动力电池RUL预测方法
CN108535656A (zh) * 2018-03-22 2018-09-14 中北大学 基于pca-narx神经网络的锂离子电池剩余使用寿命预测方法和系统
CN110110365A (zh) * 2019-04-01 2019-08-09 华南理工大学 一种基于电池容量衰退轨迹线性化变换的电池rul预测方法
CN110109028A (zh) * 2019-04-12 2019-08-09 江苏大学 一种动力电池剩余寿命间接预测方法
CN110687450A (zh) * 2019-08-28 2020-01-14 武汉科技大学 基于相空间重构和粒子滤波的锂电池剩余寿命预测方法
CN111443294A (zh) * 2020-04-10 2020-07-24 华东理工大学 一种锂离子电池剩余寿命间接预测方法及装置
CN111948563A (zh) * 2020-06-19 2020-11-17 浙江大学 一种基于多神经网络耦合的电动叉车锂电池剩余寿命预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李练兵等: "基于 Elman 神经网络的锂离子电池 RUL 间接预测研究", 《电源技术》 *
高栋: "基于新健康指标的锂离子电池剩余寿命预测", 《中国优秀博硕士学位论文全文数据库(硕士)》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114660497A (zh) * 2022-03-17 2022-06-24 哈尔滨理工大学 一种针对容量再生现象的锂离子电池寿命预测方法
WO2024078850A1 (de) * 2022-10-14 2024-04-18 Volkswagen Ag Verfahren und vorrichtung zum abschätzen einer selbstentladerate einer batteriezelle in der batteriezellenfertigung
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

Similar Documents

Publication Publication Date Title
CN113359048A (zh) 一种锂离子电池剩余使用寿命间接预测方法
Yuchen et al. Satellite lithium-ion battery remaining useful life estimation with an iterative updated RVM fused with the KF algorithm
CN113009349B (zh) 一种基于深度学习模型的锂离子电池健康状态诊断方法
CN114372417A (zh) 基于充电网的电动汽车电池健康状态和剩余寿命评估方法
CN112990556A (zh) 一种基于Prophet-LSTM模型的用户用电能耗预测方法
CN112946484B (zh) 一种基于bp神经网络的soc估计方法、系统、终端设备及可读存储介质
Tang et al. The capacity prediction of Li-ion batteries based on a new feature extraction technique and an improved extreme learning machine algorithm
CN112068003B (zh) 基于线性维纳过程的镉镍蓄电池寿命预测方法和装置
CN113406521B (zh) 一种基于特征分析的锂电池健康状态在线估计方法
CN112986831A (zh) 一种基于相关系数粒子滤波的锂离子电池寿命预测方法
WO2022198616A1 (zh) 一种电池寿命预测方法、系统、电子装置及存储介质
CN112505568B (zh) 一种多电堆固体氧化物燃料电池系统寿命预测方法
CN114035098A (zh) 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法
CN112881914B (zh) 一种锂电池健康状态预测方法
CN112684363A (zh) 一种基于放电过程的锂离子电池健康状态估计方法
Su et al. Prediction of remaining useful life for lithium-ion battery with multiple health indicators
CN114943372A (zh) 基于贝叶斯循环神经网络的质子交换膜寿命预测方法及装置
CN115308608A (zh) 一种全钒液流电池电压预测方法、装置及介质
CN112731183A (zh) 一种基于改进的elm的锂离子电池寿命预测方法
CN113791351B (zh) 基于迁移学习和差值概率分布的锂电池寿命预测方法
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
CN116774045A (zh) 一种基于hho-svr的锂电池健康状态预测方法
CN116736171A (zh) 一种基于数据驱动的锂离子电池健康状态估算方法
Gao et al. A novel indirect health indicator extraction based on charging data for lithium-ion batteries remaining useful life prognostics
CN113255215B (zh) 一种基于电压片段的锂电池健康状态估计方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210907

WD01 Invention patent application deemed withdrawn after publication