CN113391211B - 一种小样本条件下的锂电池剩余寿命预测方法 - Google Patents
一种小样本条件下的锂电池剩余寿命预测方法 Download PDFInfo
- Publication number
- CN113391211B CN113391211B CN202110654915.4A CN202110654915A CN113391211B CN 113391211 B CN113391211 B CN 113391211B CN 202110654915 A CN202110654915 A CN 202110654915A CN 113391211 B CN113391211 B CN 113391211B
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- capacity degradation
- capacity
- time
- tested
- 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]
- G01R31/367—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
-
- 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
Abstract
本发明公开了一种小样本条件下的锂电池剩余寿命预测方法,通过加速锂电池的寿命实验,获取锂电池容量在不同时刻的退化量;然后利用最大似然估计算法估计每个锂电池在二阶段维纳过程模型中的参数,进而估计出每个的分布参数;接着利用二阶段维纳过程扩充锂电池退化数据,用于训练多个神经网络,并通过预测时长选出最优的神经网络,用于待测锂电池剩余寿命的实时预测,具有预测精度高、预测速度快等特点。
Description
技术领域
本发明属于锂电池可靠性分析技术领域,更为具体地讲,涉及一种小样本条件下的锂电池剩余寿命预测方法。
背景技术
锂电池作为一种重要储能器件,其具有能量密度大、使用寿命长等许多优点,目前已广泛应用于新能源汽车、航空航天等诸多关键领域中。锂电池作为系统的核心部分,其可靠性影响着整个系统设备的运行稳定性,而对锂电池模块的剩余寿命(RUL,RemainingUseful Life)预测技术方法的研究也变得十分必要,其具有以下几点重要意义:(1)是获得锂电池模块可靠性信息的重要途径,可进一步为实现系统在线监测与健康管理提供依据;(2)有助于促使生产商对锂电池模块进行工艺改进(引入新的材料与改进封装技术);(3)有利于更好地设计加速老化试验以获得更为准确的老化数据;(4)可实现视情维修,使终端使用者获得锂电池模块更多的寿命信息以减少对系统维护的投入。
而现有对锂电池模块的RUL预测技术方法的研究主要分为两大类,基于物理模型驱动的预测技术和基于数据驱动的预测技术。虽然基于物理模型驱动的预测技术可从材料的角度上表述锂电池器件的RUL信息,但需要对器件制造材料的本质特性与工艺制造过程有足够深的理解,而且所获取的物理模型往往缺乏足够的精度,建模的过程易丢失对象参数间的非线性关系,导致误差增大。而基于数据驱动的预测技术是从锂电池器件的历史老化数据中学习输入和输出之间的映射关系,其主要分为基于概率统计的方法和基于机器学习的方法。基于机器学习的方法能够利用计算机强大的计算能力来很好地学习锂电池退化的趋势,在RUL的预测上具有较高的精度,但其预测的准确率与训练数据的数量相关;基于概率统计的方法则是利用概率统计的模型来描述锂电池的退化趋势,可以很好地刻画锂电池的退化过程中的不确定性,但其剩余寿命的概率密度函数难以求解。
发明内容
本发明的目的在于克服现有技术的不足,提供一种小样本条件下的锂电池剩余寿命预测方法,结合了迁移学习的技术,采用极限学习机(ELM)来预测锂电池的剩余寿命,从而提高小样本条件下锂电池剩余寿命预测的准确度。
为实现上述发明目的,本发明一种小样本条件下的锂电池剩余寿命预测方法,其特征在于,包括以下步骤:
(1)、获取锂电池容量在不同时刻的退化量;
通过加速N个锂电池的寿命实验,采样每个锂电池在不同时刻的容量,再将每个锂电池在不同时刻的容量与初始容量做差,获得每个锂电池在不同时刻的容量退化量,其中,第i个锂电池在不同时刻的容量退化量记为其中,i=1,2,…,N,表示第i个锂电池的初始容量退化量,表示第i个锂电池在第t个时刻的容量退化量,t=1,2,…,T,T表示采样时刻数;
(2)、构建锂电池在每个采样时刻的二阶段维纳过程模型;
其中,μ1和μ2分别是第一阶段和第二阶段维纳过程的漂移系数;φ1和φ2分别是第一阶段和第二阶段维纳过程的扩散系数;B(t)为标准布朗运动,τ表示锂电池容量退化的拐点时刻,x0表示锂电池的初始容量退化量,xτ表示锂电池在拐点时刻τ时对应的容量退化量;
(3)、利用最大似然估计算法估计每个锂电池在二阶段维纳过程模型中的参数θi;
(3.1)、设第i个锂电池在X(t)中的模型参数为θi,其中,μi,1,μi,2表示第i个锂电池在第一阶段和第二阶段维纳过程的漂移系数,φi,1,φi,2表示第i个锂电池在第一阶段和第二阶段维纳过程的扩散系数,τi表示第i个锂电池容量退化的拐点时刻;
(3.2)、利用最大似然估计算法估计θi:
(3.3)、将N个锂电池估计的的参数构建参数集合Θ={θ1,θ2,…,θi,…,θN};
(4)、估计每个θi的分布参数;
在二阶段维纳过程模型中,令漂移系数μ1服从正态分布的随机变量其中,为μ1的均值,为μ1方差;令漂移系数μ2服从正态分布的随机变量令锂电池容量退化的拐点时刻τ服从伽马分布的随机变量τ~Ga(α,β),其中,α,β分别表示形状参数和逆尺度参数;
那么,在参数集合Θ中,利用{μ1,1,μ2,1,…,μi,1,…,μN,1}估计μ1的分布参数利用{μ1,2,μ2,2,…,μi,2,…,μN,2}估计μ2的分布参数利用{τ1,τ2,…,τi,…,τN}估计τ的分布参数α,β;
(5)、生成采样数据
(5.3)、将Nsimulate组采样参数依次代入至二阶段维纳过程模型X(t),得到Nsimulate组锂电池容量退化数据;
(6)、利用每一组锂电池容量退化数据训练一个ELM神经网络,从而得到Nsimulate个用于预测锂电池剩余寿命的ELM神经网络;
(8)、选最优的ELM神经网络;
(8.2)、如果则迭代停止,并记录ELM神经网络的预测时长否则,将第时刻的预测值加入到输入中,得到新的输入并输入至每一个ELM神经网络,从而输出下一个时刻的容量退化量,然后再判断比较此时刻的预测值与的大小,以此类推,直到第个时刻的容量退化量完成预测;
(9)、待测锂电池剩余寿命的实时预测;
(9.2)、如果则迭代停止,待测锂电池已退化至失效阈值,判断其已经失效,算法结束;否则,将第时刻的预测值加入到输入中,得到新的输入并输入至最优ELM神经网络,从而输出下一个时刻的容量退化量,再次判断待测锂电池是否已退化至失效阈值,然后以此类推,直到待测锂电池已退化至失效阈值;
本发明的发明目的是这样实现的:
本发明一种小样本条件下的锂电池剩余寿命预测方法,通过加速锂电池的寿命实验,获取锂电池容量在不同时刻的退化量;然后利用最大似然估计算法估计每个锂电池在二阶段维纳过程模型中的参数,进而估计出每个的分布参数;接着利用二阶段维纳过程扩充锂电池退化数据,用于训练多个神经网络,并通过预测时长选出最优的神经网络,用于待测锂电池剩余寿命的实时预测,具有预测精度高、预测速度快等特点。
附图说明
图1是本发明一种小样本条件下的锂电池剩余寿命预测方法流程图;
图2是加速寿命实验所获取的4组锂电池容量的退化量数据;
图3是仿真得到的1000组锂电池容量退化数据;
图4是通过本发明对锂电池剩余寿命预测的结果图;
图5是三种预测模型对锂电池剩余寿命预测的结果。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
图1是本发明一种小样本条件下的锂电池剩余寿命预测方法流程图。
在本实施例中,如图1所示,本发明一种小样本条件下的锂电池剩余寿命预测方法,包括以下步骤:
S1、获取锂电池容量在不同时刻的退化量;
通过加速N个锂电池的寿命实验,采样每个锂电池在不同时刻的容量,再将每个锂电池在不同时刻的容量与初始容量做差,获得每个锂电池在不同时刻的容量退化量,其中,第i个锂电池在不同时刻的容量退化量记为其中,i=1,2,…,N,表示第i个锂电池的初始容量退化量,表示第i个锂电池在第t个时刻的容量退化量,t=1,2,…,T,T表示采样时刻数;
S2、构建锂电池在每个采样时刻的二阶段维纳过程模型;
其中,μ1和μ2分别是第一阶段和第二阶段维纳过程的漂移系数;φ1和φ2分别是第一阶段和第二阶段维纳过程的扩散系数;B(t)为标准布朗运动,τ表示锂电池容量退化的拐点时刻,x0表示锂电池的初始容量退化量,xτ表示锂电池在拐点时刻τ时对应的容量退化量;
S3、利用最大似然估计算法估计每个锂电池在二阶段维纳过程模型中的参数θi;
S3.1、设第i个锂电池在X(t)中的模型参数为θi,其中,μi,1,μi,2表示第i个锂电池在第一阶段和第二阶段维纳过程的漂移系数,φi,1,φi,2表示第i个锂电池在第一阶段和第二阶段维纳过程的扩散系数,τi表示第i个锂电池容量退化的拐点时刻;
S3.2、利用最大似然估计算法估计θi:
S3.3、将N个锂电池估计的的参数构建参数集合Θ={θ1,θ2,…,θi,…,θN};
S4、估计每个θi的分布参数;
在通过二阶段维纳过程模拟N个锂电池的退化过程时,这N个锂电池的退化过程存在一定的差异,主要体现在漂移系数{μi,1,μi,2}与锂电池容量退化的拐点时刻τi互不相同。因此,我们将漂移系数看作服从正态分布的随机变量,将拐点时刻看作服从伽马分布的随机变量,此处,令漂移系数μ1服从正态分布的随机变量其中,为μ1的均值,为μ1方差;令漂移系数μ2服从正态分布的随机变量令锂电池容量退化的拐点时刻τ服从伽马分布的随机变量τ~Ga(α,β),其中,α,β分别表示形状参数和逆尺度参数;
那么,在参数集合Θ中,利用{μ1,1,μ2,1,…,μi,1,…,μN,1}估计μ1的分布参数利用{μ1,2,μ2,2,…,μi,2,…,μN,2}估计μ2的分布参数利用{τ1,τ2,…,τi,…,τN}估计τ的分布参数α,β;
S5、生成采样数据
S5.3、将Nsimulate组采样参数依次代入至二阶段维纳过程模型X(t),得到Nsimulate组锂电池容量退化数据;
S6、利用每一组锂电池容量退化数据训练一个ELM神经网络,从而得到Nsimulate个用于预测锂电池剩余寿命的ELM神经网络;
S8、选最优的ELM神经网络;
S8.2、如果则迭代停止,并记录ELM神经网络的预测时长否则,将第时刻的预测值加入到输入中,得到新的输入并输入至每一个ELM神经网络,从而输出下一个时刻的容量退化量,然后再判断比较此时刻的预测值与的大小,以此类推,直到第个时刻的容量退化量完成预测;
S9、待测锂电池剩余寿命的实时预测;
S9.2、如果则迭代停止,待测锂电池已退化至失效阈值,判断其已经失效,算法结束;否则,将第时刻的预测值加入到输入中,得到新的输入并输入至最优ELM神经网络,从而输出下一个时刻的容量退化量,再次判断待测锂电池是否已退化至失效阈值,然后以此类推,直到待测锂电池已退化至失效阈值;
为了说明本发明的技术效果,选取了3组锂电池退化数据CS2-36,CS2-37,CS2-38作为历史退化数据,选取锂电池CS2-35作为本专利的实施对象,模拟实时工作状态下,锂电池的剩余寿命预测。图2是实验所获取的4组锂电池容量的退化量的数据。
在基于历史退化数据的参数估计中,利用4组锂电池退化数据估计得到的参数估计如表1所示,由于退化数据数量过多,matlab在进行相关的矩阵计算时会超过其数值计算限度。因此,我们对退化数据进行10倍抽取之后再计算。(注意:10倍抽取的过程只是为了简化计算,抽取后锂电池容量的退化趋势不变。因此,抽取操作并不会对模型参数估计造成太大的影响。)
表1
利用表中CS2-36、CS2-37、CS2-38数据中的μ1、μ2和τ,计算其分布参数和τ~Ga(α,β)。从μ1、μ2和τ的分布中抽取1000个样本,并按照步骤S5中的方法生成1000组二阶段退化数据。生成的数据如图3所示。再利用这1000组仿真得到的锂电池容量退化数据训练1000个ELM网络,根据步骤S7、S8中的方法选取效果最好的ELM网络,从约为10cycle的时刻开始,对锂电池CS2-35的剩余寿命进行预测,每过10cycle进行一次预测,得到的结果如图4所示。本文方法得到的剩余寿命预测的平均绝对误差约为39cycle。为了定量比较和衡量预测性能,图5依次展示了本发明、长短期记忆神经网络(LSTM)、ELM网络对锂电池CS2-35剩余寿命的预测结果。通过图5中不同类型模型对锂电池RUL的预测结果可以发现,由于本方法在锂电池二阶段退化模型的基础上,利用仿真数据对ELM网络的训练样本进行了扩充,同时采用迁移学习的方法选取了最优的扩充样本,因此本发明的剩余寿命预测精度要远高于其他模型。表2给出了各模型在第二阶段对锂电池CS2-35的RUL平均预测误差。
LSTM | ELM | 本发明 | |
平均误差 | 130cycle | 75cycle | 39cycle |
表2
由表2显示的预测结果可以看出,本模型的剩余寿命预测结果的精度要远远高于其他模型,这直接说明了本发明提出的一种小样本条件下的锂电池剩余寿命预测模型的优势。
上述实验结果表明,相对于现有的神经网络预测模型来说,本发明所提出的一种小样本条件下的锂电池剩余寿命预测模型具有更高的预测精度,因而更适用于实际工程中对于锂电池剩余寿命预测的需要。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (1)
1.一种小样本条件下的锂电池剩余寿命预测方法,其特征在于,包括以下步骤:
(1)、获取锂电池容量在不同时刻的退化量;
通过加速N个锂电池的寿命实验,采样每个锂电池在不同时刻的容量,再将每个锂电池在不同时刻的容量与初始容量做差,获得每个锂电池在不同时刻的容量退化量,其中,第i个锂电池在不同时刻的容量退化量记为其中,i=1,2,…,N,表示第i个锂电池的初始容量退化量,表示第i个锂电池在第t个时刻的容量退化量,t=1,2,…,T,T表示采样时刻数;
(2)、构建锂电池在每个采样时刻的二阶段维纳过程模型;
其中,μ1和μ2分别是第一阶段和第二阶段维纳过程的漂移系数;φ1和φ2分别是第一阶段和第二阶段维纳过程的扩散系数;B(t)为标准布朗运动,τ表示锂电池容量退化的拐点时刻,x0表示锂电池的初始容量退化量,xτ表示锂电池在拐点时刻τ时对应的容量退化量;
(3)、利用最大似然估计算法估计每个锂电池在二阶段维纳过程模型中的参数θi;
(3.1)、设第i个锂电池在X(t)中的模型参数为θi,其中,μi,1,μi,2表示第i个锂电池在第一阶段和第二阶段维纳过程的漂移系数,φi,1,φi,2表示第i个锂电池在第一阶段和第二阶段维纳过程的扩散系数,τi表示第i个锂电池容量退化的拐点时刻;
(3.2)、利用最大似然估计算法估计θi:
(3.3)、将N个锂电池估计的的参数构建参数集合Θ={θ1,θ2,…,θi,…,θN};
(4)、估计每个θi的分布参数;
在二阶段维纳过程模型中,令漂移系数μ1服从正态分布的随机变量其中,为μ1的均值,为μ1方差;令漂移系数μ2服从正态分布的随机变量令锂电池容量退化的拐点时刻τ服从伽马分布的随机变量τ~Ga(α,β),其中,α,β分别表示形状参数和逆尺度参数;
那么,在参数集合Θ中,利用{μ1,1,μ2,1,…,μi,1,…,μN,1}估计μ1的分布参数利用{μ12,μ22,…,μi2,…,μN2}估计μ2的分布参数利用{τ1,τ2,…,τi,…,τN}估计τ的分布参数α,β;
(5)、生成采样数据
(5.3)、将Nsimulate组采样参数依次代入至二阶段维纳过程模型X(t),得到Nsimulate组锂电池容量退化数据;
(6)、利用每一组锂电池容量退化数据训练一个ELM神经网络,从而得到Nsimulate个用于预测锂电池剩余寿命的ELM神经网络;
(8)、选最优的ELM神经网络;
(8.2)、如果则迭代停止,并记录ELM神经网络的预测时长否则,将第时刻的预测值加入到输入中,得到新的输入并输入至每一个ELM神经网络,从而输出下一个时刻的容量退化量,然后再判断比较此时刻的预测值与的大小,以此类推,直到第个时刻的容量退化量完成预测;
(9)、待测锂电池剩余寿命的实时预测;
(9.2)、如果则迭代停止,待测锂电池已退化至失效阈值,判断其已经失效,算法结束;否则,将第时刻的预测值加入到输入中,得到新的输入并输入至最优ELM神经网络,从而输出下一个时刻的容量退化量,再次判断待测锂电池是否已退化至失效阈值,然后以此类推,直到待测锂电池已退化至失效阈值;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110654915.4A CN113391211B (zh) | 2021-06-11 | 2021-06-11 | 一种小样本条件下的锂电池剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110654915.4A CN113391211B (zh) | 2021-06-11 | 2021-06-11 | 一种小样本条件下的锂电池剩余寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113391211A CN113391211A (zh) | 2021-09-14 |
CN113391211B true CN113391211B (zh) | 2022-04-19 |
Family
ID=77620665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110654915.4A Active CN113391211B (zh) | 2021-06-11 | 2021-06-11 | 一种小样本条件下的锂电池剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113391211B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113093013B (zh) * | 2021-03-31 | 2022-02-08 | 安庆师范大学 | 一种锂电池组健康状态集成估计方法 |
CN113791351B (zh) * | 2021-09-17 | 2022-04-19 | 电子科技大学 | 基于迁移学习和差值概率分布的锂电池寿命预测方法 |
CN114216558B (zh) * | 2022-02-24 | 2022-06-14 | 西安因联信息科技有限公司 | 一种无线振动传感器电池剩余寿命预测方法及系统 |
CN114646891B (zh) * | 2022-03-10 | 2023-05-30 | 电子科技大学 | 一种结合lstm网络和维纳过程的剩余寿命预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102778653A (zh) * | 2012-06-20 | 2012-11-14 | 哈尔滨工业大学 | 基于ar模型和rpf算法的数据驱动的锂离子电池循环寿命预测方法 |
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 |
CN112068003A (zh) * | 2020-11-16 | 2020-12-11 | 中南大学 | 基于线性维纳过程的镉镍蓄电池寿命预测方法和装置 |
CN112749474A (zh) * | 2020-11-04 | 2021-05-04 | 上海海事大学 | 一种基于多尺度集成回归模型的锂电池剩余寿命预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10664562B2 (en) * | 2013-02-24 | 2020-05-26 | Fairchild Semiconductor Corporation and University of Connecticut | Battery state of charge tracking, equivalent circuit selection and benchmarking |
US10931128B2 (en) * | 2017-04-28 | 2021-02-23 | Samsung Electronics Co., Ltd. | Method and apparatus to predict capacity fade rate of battery |
-
2021
- 2021-06-11 CN CN202110654915.4A patent/CN113391211B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102778653A (zh) * | 2012-06-20 | 2012-11-14 | 哈尔滨工业大学 | 基于ar模型和rpf算法的数据驱动的锂离子电池循环寿命预测方法 |
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 |
CN112749474A (zh) * | 2020-11-04 | 2021-05-04 | 上海海事大学 | 一种基于多尺度集成回归模型的锂电池剩余寿命预测方法 |
CN112068003A (zh) * | 2020-11-16 | 2020-12-11 | 中南大学 | 基于线性维纳过程的镉镍蓄电池寿命预测方法和装置 |
Non-Patent Citations (3)
Title |
---|
An Adaptive Prediction Model for the Remaining Life of an Li-Ion Battery Based on the Fusion of the Two-Phase Wiener Process and an Extreme Learning Machine;Xiaowu Chen 等;《Electronics》;20210225;第10卷(第5期);第520-548页 * |
Remaining useful life prediction of lithium-ion batteries based on the wiener process with measurement error;Shengjin Tang 等;《Energies》;20140123;第1-19页 * |
基于维纳过程的电池剩余使用寿命预测;朱晓栋 等;《机械制造与自动化》;20180810;第197-200页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113391211A (zh) | 2021-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113391211B (zh) | 一种小样本条件下的锂电池剩余寿命预测方法 | |
CN109324291B (zh) | 一种针对质子交换膜燃料电池寿命预测的预测方法 | |
CN110133525B (zh) | 一种应用于电池管理系统的锂离子电池健康状态估计方法 | |
CN112904219B (zh) | 一种基于大数据的动力电池健康状态的预测方法 | |
CN111707956B (zh) | 多类型锂离子电池组管理系统的健康状态和剩余寿命预测方法 | |
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 | |
CN114280479A (zh) | 一种基于电化学阻抗谱的退役电池快速分选方法 | |
CN115586444A (zh) | 一种基于vmd与bp神经网络的锂电池剩余寿命预测方法 | |
CN115186579A (zh) | 一种基于容量增量变化量曲线的锂电池健康状态估计方法 | |
CN114578234A (zh) | 一种考虑因果性特征的锂离子电池退化与容量预测模型 | |
CN113657030A (zh) | 一种基于高斯过程回归的锂电池剩余使用寿命预测方法 | |
CN117113232A (zh) | 一种电动汽车锂离子电池组热失控风险识别方法 | |
CN114859231B (zh) | 基于维纳过程和极限学习机的电池剩余寿命预测方法 | |
CN116930769A (zh) | 一种基于双向生成式对抗神经网络的锂电池建模方法 | |
CN115018133A (zh) | 一种基于混沌理论和非线性系统的锂电池容量预测方法 | |
CN113255215B (zh) | 一种基于电压片段的锂电池健康状态估计方法 | |
CN115980588A (zh) | 基于自编码器提取特征的锂离子电池健康状态估计方法 | |
CN116203427A (zh) | 车载电池健康状态的预测方法、装置、设备和存储介质 | |
CN114966409A (zh) | 一种基于多层感知机算法的动力锂电池荷电状态的估计方法 | |
CN114415034A (zh) | 一种基于内部机理分析的锂离子电池容量预测方法 | |
CN111476408B (zh) | 一种电力通信设备状态预测方法及系统 | |
Zhao et al. | Lithium-ion battery state-of-health estimation method using isobaric energy analysis and pso-lstm | |
CN111104298A (zh) | 一种基于lstm的电网服务器运行状态预测装置 | |
CN114646891B (zh) | 一种结合lstm网络和维纳过程的剩余寿命预测方法 | |
CN117330987B (zh) | 基于时间的电池健康状态评估的方法、系统、介质和设备 |
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 |