CN113504473A - 一种适用动力锂电池非线性衰退过程的rul预测方法 - Google Patents

一种适用动力锂电池非线性衰退过程的rul预测方法 Download PDF

Info

Publication number
CN113504473A
CN113504473A CN202111058653.1A CN202111058653A CN113504473A CN 113504473 A CN113504473 A CN 113504473A CN 202111058653 A CN202111058653 A CN 202111058653A CN 113504473 A CN113504473 A CN 113504473A
Authority
CN
China
Prior art keywords
capacity
lithium battery
value
empirical model
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.)
Granted
Application number
CN202111058653.1A
Other languages
English (en)
Other versions
CN113504473B (zh
Inventor
孟锦豪
陈丹
黄焕炀
刘平
卢继武
刘天琪
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.)
Sichuan University
Original Assignee
Sichuan University
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 Sichuan University filed Critical Sichuan University
Priority to CN202111058653.1A priority Critical patent/CN113504473B/zh
Publication of CN113504473A publication Critical patent/CN113504473A/zh
Application granted granted Critical
Publication of CN113504473B publication Critical patent/CN113504473B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • G01R31/378—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
    • 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

Landscapes

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

Abstract

本发明公开了一种适用动力锂电池非线性衰退过程的RUL预测方法，所述预测方法包括：S1、使用以GPR为核心的数据驱动方法对数据进行训练；S2、建立电池容量退化的经验模型或；S3、融合GPR模型和经验模型的结果进行跟踪，得容量值；S4、将步骤S3中容量值带入经验模型参数粒子滤波器中滤波修正得，再将修正参数后的经验模型返回至步骤S3；S5、循环执行步骤S3、S4，当电池容量估计值逼近失效阈值，计算出当前电池容量下的剩余寿命。本发明提供了能够减小经验模型在滤波过程中的误差，实时地调整模型达到更优的容量预测结果，根据容量失效阈值来计算出电池当前的剩余使用寿命。

Description

一种适用动力锂电池非线性衰退过程的RUL预测方法
技术领域
本发明涉及动力锂电池应用领域，具体是一种适用动力锂电池非线性衰退过程的RUL预测方法，特别适用于动力锂电池非线性衰退过程的经验-数据融合的剩余寿命预测方法。
背景技术
目前针对剩余寿命预测的基于经验模型的方法是依照历史数据进行经验模型拟合，通过滤波器进行滤除状态与观测噪声的干扰，进行健康状态追踪完成估计。但是，经验模型是根据一块或有限的几块电池历史数据建立，应用到其他电池单体可能出现拟合效果不理想的情况，应对加速退化过程将会得到误差较大的预测结果。基于数据驱动方法进行寿命预测是以电池的电压、电流等数据为基础，通过数据挖掘跟电池健康寿命相关的隐含信息实现容量的判断或预测，并不需要知道电池内部的物理化学变化，但是数据驱动方法依赖于训练数据的有效性和训练方法的选择，若单一的依赖于数据驱动方法来训练早期退化信息较少的数据，可能导致加速老化阶段的结果不合理。基于两者联合的方法通常采用以数据驱动方法映射系统健康状态和特征之间的关系，使用分析模型（如经验退化模型）实现容量预测，当电池容量接近失效阈值时计算RUL。在此种方法下，预测结果的准确性很大程度上依赖于数据驱动方法对于状态估计的准确性，但目前为止应对容量跳水现象的融合方法的研究还较少，若以融合方法进行寿命预测，那么关键是提高估计方法的泛化能力。
发明内容
针对上述问题，本发明提供了一种适用动力锂电池非线性衰退过程的RUL预测方法，提出双粒子滤波的估计算法，将基于电压片段进行训练的高斯过程回归（GaussianProcess Regression, GPR）和经验模型两者当前时刻的容量估计结果通过粒子滤波器融合，将得到的新容量输入至第二个粒子滤波器中对经验模型的参数进行修正使其更贴近真实的容量变化过程，减小经验模型在滤波过程中的误差，当容量处于加速衰减的阶段中，能实时地调整模型达到更优的容量预测结果，根据容量失效阈值，通过近似后验概率密度分布计算出电池当前的剩余使用寿命。
本发明的技术方案是：
一种适用动力锂电池非线性衰退过程的RUL预测方法，所述预测方法包括以下步骤：
S1、以锂电池作为实验对象，以锂电池的充电电压片段作为特征输入到GPR数据模型中，对所述锂电池的充电数据进行训练，通过训练输出对应的电池容量
Figure 436215DEST_PATH_IMAGE001
来表示电池健康状态；
S2、建立锂电池容量退化的经验模型或
Figure 415672DEST_PATH_IMAGE002
，其中，t为时间，k为循环次数，
Figure 257726DEST_PATH_IMAGE003
为容量值，
Figure 308728DEST_PATH_IMAGE004
为模型参数；
S3、将电池容量
Figure 326362DEST_PATH_IMAGE001
和经验模型输出的容量值
Figure 211141DEST_PATH_IMAGE003
融合，并通过粒子滤波对容量退化路径进行跟踪，得到新容量值
Figure 461863DEST_PATH_IMAGE005
；
S4、将步骤S3所得新容量值
Figure 864026DEST_PATH_IMAGE005
带入到经验模型参数粒子滤波器中，对初始的模型参数
Figure 126380DEST_PATH_IMAGE004
进行滤波，对参数进行修正得到新模型参数
Figure 447640DEST_PATH_IMAGE006
，使新容量值
Figure 670811DEST_PATH_IMAGE005
更接近真实容量，减小误差，以修正参数后的新经验模型返回至步骤S3；
S5、循环执行步骤S3、S4，直至锂电池的容量的估计值逼近失效阈值，计算出当前锂电池容量下的剩余寿命。
上述技术方案的有益效果如下：
本发明旨在实现对动力锂电池非线性衰退过程的剩余使用寿命进行预测，基于电压片段的机器学习方法能够得到当前时刻准确度较高的容量值。通过双粒子滤波的算法框架，实时地对经验模型参数进行调整更新以减小经验模型与真实值的误差，同时更新容量的估计值以完成对剩余使用寿命的预测，并且本发明在应对加速老化的非线性阶段时，能够在缺少加速退化信息的情况下，对经验模型作出自适应调整，并表现出准确度较高的预测结果。
在进一步的技术方案中，步骤S1中，对所述锂电池的充电数据进行训练包括依次进行的充电电压片段的数据特征提取和高斯回归过程训练。
通过对电池充电数据进行数据特征提取和高斯回归过程训练来进行分析，寻找合适的电压片段。
在进一步的技术方案中，步骤S3和S4中的粒子滤波为双粒子滤波算法。
双粒子滤波算法可以实时地对经验模型做出调整，估计出更贴近真实值的容量。
在进一步的技术方案中，步骤S5中，所述失效阈值等于锂电池额定容量的80%。
当容量估计值小于等于失效阈值时，即判定其电池失效需要进行更换。
本发明的有益效果是：
1、本发明旨在实现对动力锂电池非线性衰退过程的剩余使用寿命进行预测，基于电压片段的机器学习方法能够得到当前时刻准确度较高的容量值。通过双粒子滤波的算法框架，实时地对经验模型参数进行调整更新以减小经验模型与真实值的误差，同时更新容量的估计值以完成对剩余使用寿命的预测，并且本发明在应对加速老化的非线性阶段时，能够在缺少加速退化信息的情况下，对经验模型作出自适应调整，并表现出准确度较高的预测结果；
2、通过对电池充电数据进行数据特征提取和高斯回归过程训练来进行分析，寻找合适的电压片段；
3、双粒子滤波算法可以实时地对经验模型做出调整，估计出更贴近真实值的容量；
4、当容量估计值小于等于失效阈值时，即判定其电池失效需要进行更换。
附图说明
图1是本发明所述机器学习方法的流程图一；
图2是本发明所述提粒子滤波算法的流程图二；
图3是本发明所述提算法的整体流程图三；
图4是本发明实施例所述容量估计的结果示意图一；
图5是本发明实施例所述寿命预测的结果示意图二。
具体实施方式
下面结合附图对本发明的实施例作进一步说明。
实施例：首先对电池充电数据进行分析，寻找合适的电压片段，如图1所示，以GPR对数据集进行训练，建立电压片段和电池容量的联系。再对电池寿命数据进行处理，对容量进行曲线拟合以找出适合的经验模型。图2所示为标准粒子滤波算法流程，图3所示为本发明的整体算法框架，采用双粒子滤波算法对输入数据进行处理完成容量估计（如图4）和剩余使用寿命预测（如图5）。
以下将以实施例的方式对本发明的各个关键环节进行逐一说明：
1、数据处理
1）数据特征提取
分析电池充电数据，选择合适的充电电压片段作为GPR算法的特征输入。
2）高斯回归过程训练
高斯过程表示为：
Figure 1298DEST_PATH_IMAGE007
式中，
Figure 993524DEST_PATH_IMAGE008
表示算法的训练数据集，
Figure 751265DEST_PATH_IMAGE009
表示算法的测试数据集，
Figure 461732DEST_PATH_IMAGE010
表示高斯分布，
Figure 330331DEST_PATH_IMAGE011
是x的目标函数。
Figure 301698DEST_PATH_IMAGE012
表示
Figure 433602DEST_PATH_IMAGE013
的均值，
Figure 490420DEST_PATH_IMAGE014
是
Figure 772496DEST_PATH_IMAGE013
的协方差函数，表示两个变量之间的相关程度，也被称为核函数：
Figure 598370DEST_PATH_IMAGE015
Figure 432334DEST_PATH_IMAGE016
核函数设计没有具体规则，但都必须满足Mercer条件，本实施例中核函数如下：
Figure 445289DEST_PATH_IMAGE017
式中，
Figure 921270DEST_PATH_IMAGE018
和
Figure 477016DEST_PATH_IMAGE019
是核函数中的超参数。
2、经验模型建立
对锂电池进行函数模型拟合出电池容量与循环次数的关系曲线，即容量退化曲线，本实施例中所采取的经验模型如下：
Figure 747460DEST_PATH_IMAGE020
式中，
Figure 513291DEST_PATH_IMAGE021
表示循环次数为k时的电池容量，
Figure 402750DEST_PATH_IMAGE022
表示循环次数k时的模型参数，
Figure 468795DEST_PATH_IMAGE023
表示这三个变量间的函数关系。
3、双粒子滤波算法实施
粒子滤波算法实际是贝叶斯滤波的一种实现。若已知状态的初始概率密度函数为：
Figure 910140DEST_PATH_IMAGE024
（
Figure 304213DEST_PATH_IMAGE025
表示初始状态，
Figure 856417DEST_PATH_IMAGE026
是初始观测值），其状态转移概率表示为
Figure 980231DEST_PATH_IMAGE027
，其意义是由上一时刻状态
Figure 733423DEST_PATH_IMAGE028
得到当前时刻
Figure 739425DEST_PATH_IMAGE029
的概率,观测概率模型：
Figure 236265DEST_PATH_IMAGE030
，表示在当前时刻状态值
Figure 745744DEST_PATH_IMAGE029
下得到观测值
Figure 528892DEST_PATH_IMAGE031
的概率，主要步骤如下：
预测步：
Figure 631978DEST_PATH_IMAGE032
更新步：
Figure 791564DEST_PATH_IMAGE033
粒子滤波的主要思想是从一个已知的可以采样的分布
Figure 421128DEST_PATH_IMAGE034
中采样一系列带权重的粒子近似后验概率：
Figure 250544DEST_PATH_IMAGE035
式中，
Figure 231138DEST_PATH_IMAGE036
是采样粒子
Figure 69781DEST_PATH_IMAGE037
的权值，δ(·)是狄拉克函数。
如图2，其标准算法流程如下：
1.当
Figure 288273DEST_PATH_IMAGE038
，初始化：
通过状态先验分布
Figure 147644DEST_PATH_IMAGE039
生产粒子集：
Figure 84376DEST_PATH_IMAGE040
2.对于
Figure 461131DEST_PATH_IMAGE041
，循环执行如下步骤：
1）重要性采样：从状态转移概率
Figure 799709DEST_PATH_IMAGE042
采样得到新的粒子集
Figure 95561DEST_PATH_IMAGE043
2）计算粒子
Figure 660534DEST_PATH_IMAGE044
对应权值
Figure 965614DEST_PATH_IMAGE045
，并进行归一化
Figure 299643DEST_PATH_IMAGE046
3）重采样：根据粒子权值从粒子集
Figure 766396DEST_PATH_IMAGE047
中重新采样
Figure 943300DEST_PATH_IMAGE048
,并令粒子新权值
Figure 661857DEST_PATH_IMAGE049
，新粒子集为：
Figure 240606DEST_PATH_IMAGE050
4）近似计算后验概率：
Figure 753627DEST_PATH_IMAGE051
第一滤波器：
状态方程和观测方程如下：
Figure 417826DEST_PATH_IMAGE052
通过如图2所示粒子滤波算法将GPR算法下所得容量值
Figure 940075DEST_PATH_IMAGE031
与经验模型下容量值
Figure 373330DEST_PATH_IMAGE021
相融合，得到新的容量估计值
Figure 322832DEST_PATH_IMAGE053
。
第二滤波器
状态方程:
Figure 966606DEST_PATH_IMAGE054
，即：
Figure 417179DEST_PATH_IMAGE055
观测方程：
Figure 580307DEST_PATH_IMAGE053
=
Figure 825344DEST_PATH_IMAGE056
(第一滤波器的融合结果)
式中，
Figure 339502DEST_PATH_IMAGE057
是各个参数的噪声，
Figure 62607DEST_PATH_IMAGE058
是观测噪声。该过程将通过第一滤波器的融合结果
Figure 80242DEST_PATH_IMAGE053
对第二滤波器中经验模型的参数进行估计，将调整后所得参数
Figure 761759DEST_PATH_IMAGE059
返回给第一滤波器，实时地对经验模型做出调整，估计出更贴近真实值的容量。
4、计算RUL
RUL指在机器维修或更换前的运行时长, 对于电池来说，其使用寿命通常定义为满充的循环次数，电动汽车的动力锂电池的容量下降至80%即判定其失效需要更换。因此，选取0.8
Figure 356688DEST_PATH_IMAGE060
（
Figure 758851DEST_PATH_IMAGE060
表示锂电池额定容量）作为寿命终止的临界值（EOL）。当
Figure 490046DEST_PATH_IMAGE061
时，锂电池寿命终止。在循环次数
Figure 76885DEST_PATH_IMAGE062
时，对第
Figure 300056DEST_PATH_IMAGE063
步的预测表示为：
Figure 630543DEST_PATH_IMAGE065
式中，
Figure 481825DEST_PATH_IMAGE066
表示
Figure 380511DEST_PATH_IMAGE062
处所预测的第
Figure 684453DEST_PATH_IMAGE063
次循环的容量值。
由已知的
Figure 693997DEST_PATH_IMAGE062
个测量数据
Figure 930944DEST_PATH_IMAGE067
以及初始容量
Figure 734952DEST_PATH_IMAGE068
，通过近似后验概率密度分布得到剩余寿命分布：
Figure 791769DEST_PATH_IMAGE069
式中，
Figure 464059DEST_PATH_IMAGE070
表示循环次数；
Figure 430878DEST_PATH_IMAGE071
是粒子滤波过程中所生成
Figure 999263DEST_PATH_IMAGE072
个粒子对应的权重；δ(·)是狄拉克函数。
以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (4)

1.一种适用动力锂电池非线性衰退过程的RUL预测方法，其特征在于，所述预测方法包括以下步骤：
S1、以锂电池作为实验对象，以锂电池的充电电压片段作为特征输入到GPR数据模型中，对所述锂电池的充电数据进行训练，通过训练输出对应的电池容量
Figure 125035DEST_PATH_IMAGE001
来表示电池健康状态；
S2、建立锂电池容量退化的经验模型
Figure 370071DEST_PATH_IMAGE002
或
Figure 962858DEST_PATH_IMAGE003
，其中，t为时间，k为循环次数，
Figure 826908DEST_PATH_IMAGE004
为容量值，
Figure 969177DEST_PATH_IMAGE005
为模型参数；
S3、将电池容量
Figure 526060DEST_PATH_IMAGE006
和经验模型输出的容量值
Figure 635836DEST_PATH_IMAGE004
融合，并通过粒子滤波对容量退化路径进行跟踪，得到新容量值
Figure 37999DEST_PATH_IMAGE007
；
S4、将步骤S3所得新容量值
Figure 300353DEST_PATH_IMAGE007
带入到经验模型参数粒子滤波器中，对初始的模型参数
Figure 28137DEST_PATH_IMAGE005
进行滤波，对参数进行修正得到新模型参数
Figure 782467DEST_PATH_IMAGE008
，使新容量值
Figure 129266DEST_PATH_IMAGE007
更接近真实容量，减小误差，以修正参数后的新经验模型返回至步骤S3；
S5、循环执行步骤S3、S4，直至锂电池的容量的估计值逼近失效阈值，计算出当前锂电池容量下的剩余寿命。
2.根据权利要求1所述的一种适用动力锂电池非线性衰退过程的RUL预测方法，其特征在于，步骤S1中，对所述锂电池的充电数据进行训练包括依次进行的充电电压片段的数据特征提取和高斯回归过程训练。
3.根据权利要求1所述的一种适用动力锂电池非线性衰退过程的RUL预测方法，其特征在于，步骤S3和S4中的粒子滤波为双粒子滤波算法。
4.根据权利要求1所述的一种适用动力锂电池非线性衰退过程的RUL预测方法，其特征在于，步骤S5中，所述失效阈值等于锂电池额定容量的80%。
CN202111058653.1A 2021-09-10 2021-09-10 一种适用动力锂电池非线性衰退过程的rul预测方法 Active CN113504473B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111058653.1A CN113504473B (zh) 2021-09-10 2021-09-10 一种适用动力锂电池非线性衰退过程的rul预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111058653.1A CN113504473B (zh) 2021-09-10 2021-09-10 一种适用动力锂电池非线性衰退过程的rul预测方法

Publications (2)

Publication Number Publication Date
CN113504473A true CN113504473A (zh) 2021-10-15
CN113504473B CN113504473B (zh) 2021-12-10

Family

ID=78017096

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111058653.1A Active CN113504473B (zh) 2021-09-10 2021-09-10 一种适用动力锂电池非线性衰退过程的rul预测方法

Country Status (1)

Country Link
CN (1) CN113504473B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114330149A (zh) * 2022-03-11 2022-04-12 北京新能源汽车股份有限公司 电池寿命预测方法、装置、云端服务器及存储介质
CN114879071A (zh) * 2022-05-17 2022-08-09 北京交通大学 一种基于平均电压的锂离子电池老化模式在线诊断方法

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120041698A1 (en) * 2011-10-27 2012-02-16 Sakti3, Inc. Method and system for operating a battery in a selected application
CN103852725A (zh) * 2012-11-30 2014-06-11 凹凸电子（武汉）有限公司 用于估算电池剩余容量的设备、方法及系统
FR3016218A1 (fr) * 2014-01-03 2015-07-10 Commissariat Energie Atomique Procede, dispositif et systeme d'estimation de l'etat de sante d'une batterie d'un vehicule electrique ou hybride en condition d'utilisation, et procede de construction d'un modele pour une telle estimation
JP2017026443A (ja) * 2015-07-22 2017-02-02 スズキ株式会社 二次電池の充電状態推定装置
CN106845866A (zh) * 2017-02-27 2017-06-13 四川大学 基于改进粒子滤波算法的设备剩余寿命预测方法
CN108510120A (zh) * 2018-04-03 2018-09-07 浙江工业大学 一种往复式混输泵排出流率的混合建模与预测方法
CN109814041A (zh) * 2019-01-16 2019-05-28 上海理工大学 一种锂离子电池双卡尔曼滤波容量估计方法
US20190187212A1 (en) * 2016-11-21 2019-06-20 Battelle Energy Alliance, Llc Systems and methods for estimation and prediction of battery health and performance
CN110187290A (zh) * 2019-06-27 2019-08-30 重庆大学 一种基于融合型算法的锂离子电池剩余寿命预测方法
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
WO2020130422A1 (en) * 2018-12-21 2020-06-25 Samsung Electronics Co., Ltd. Method and system for predicting onset of capacity fading in a battery
CN112083337A (zh) * 2020-10-22 2020-12-15 重庆大学 一种面向预测性运维的动力电池健康预测方法
CN112230154A (zh) * 2019-07-15 2021-01-15 中国科学院沈阳自动化研究所 一种锂电池剩余寿命预测方法
CN112327188A (zh) * 2020-09-30 2021-02-05 北京交通大学 一种模型-数据混合驱动的锂离子电池剩余寿命预测方法
CN113009368A (zh) * 2021-02-24 2021-06-22 武汉科技大学 基于mff的多核gpr算法的锂电池剩余寿命预测方法
CN113255215A (zh) * 2021-05-19 2021-08-13 四川大学 一种基于电压片段的锂电池健康状态估计方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120041698A1 (en) * 2011-10-27 2012-02-16 Sakti3, Inc. Method and system for operating a battery in a selected application
CN103852725A (zh) * 2012-11-30 2014-06-11 凹凸电子（武汉）有限公司 用于估算电池剩余容量的设备、方法及系统
FR3016218A1 (fr) * 2014-01-03 2015-07-10 Commissariat Energie Atomique Procede, dispositif et systeme d'estimation de l'etat de sante d'une batterie d'un vehicule electrique ou hybride en condition d'utilisation, et procede de construction d'un modele pour une telle estimation
JP2017026443A (ja) * 2015-07-22 2017-02-02 スズキ株式会社 二次電池の充電状態推定装置
US20190187212A1 (en) * 2016-11-21 2019-06-20 Battelle Energy Alliance, Llc Systems and methods for estimation and prediction of battery health and performance
CN106845866A (zh) * 2017-02-27 2017-06-13 四川大学 基于改进粒子滤波算法的设备剩余寿命预测方法
CN108510120A (zh) * 2018-04-03 2018-09-07 浙江工业大学 一种往复式混输泵排出流率的混合建模与预测方法
WO2020130422A1 (en) * 2018-12-21 2020-06-25 Samsung Electronics Co., Ltd. Method and system for predicting onset of capacity fading in a battery
CN109814041A (zh) * 2019-01-16 2019-05-28 上海理工大学 一种锂离子电池双卡尔曼滤波容量估计方法
CN110187290A (zh) * 2019-06-27 2019-08-30 重庆大学 一种基于融合型算法的锂离子电池剩余寿命预测方法
CN112230154A (zh) * 2019-07-15 2021-01-15 中国科学院沈阳自动化研究所 一种锂电池剩余寿命预测方法
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
CN112327188A (zh) * 2020-09-30 2021-02-05 北京交通大学 一种模型-数据混合驱动的锂离子电池剩余寿命预测方法
CN112083337A (zh) * 2020-10-22 2020-12-15 重庆大学 一种面向预测性运维的动力电池健康预测方法
CN113009368A (zh) * 2021-02-24 2021-06-22 武汉科技大学 基于mff的多核gpr算法的锂电池剩余寿命预测方法
CN113255215A (zh) * 2021-05-19 2021-08-13 四川大学 一种基于电压片段的锂电池健康状态估计方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
FANLI 等: "A new prognostics method for state of health estimation of lithium-ion batteries based on a mixture of Gaussian process models and particle filter", 《MICROELECTRONICS RELIABILITY》 *
张凝等: "基于粒子滤波算法的锂离子电池剩余寿命预测方法研究", 《高技术通讯》 *
田侃: "三元锂离子电池工况条件寿命预测研究及实现", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114330149A (zh) * 2022-03-11 2022-04-12 北京新能源汽车股份有限公司 电池寿命预测方法、装置、云端服务器及存储介质
CN114879071A (zh) * 2022-05-17 2022-08-09 北京交通大学 一种基于平均电压的锂离子电池老化模式在线诊断方法

Also Published As

Publication number Publication date
CN113504473B (zh) 2021-12-10

Similar Documents

Publication Publication Date Title
CN112241608B (zh) 一种基于lstm网络和迁移学习的锂电池寿命预测方法
Zhou et al. Two-stage aging trajectory prediction of LFP lithium-ion battery based on transfer learning with the cycle life prediction
CN110221225B (zh) 一种航天器锂离子电池循环寿命预测方法
CN110488202B (zh) 基于深度神经网络的车辆电池荷电状态估计方法
WO2020191801A1 (zh) 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法
Chen et al. A long short-term memory neural network based Wiener process model for remaining useful life prediction
CN110888059B (zh) 基于改进随机森林联合容积卡尔曼的荷电状态估计算法
CN109117566B (zh) 一种基于产品寿命预测模型的混合维修规划方法
CN112415414A (zh) 一种锂离子电池剩余使用寿命预测方法
CN111680848A (zh) 基于预测模型融合的电池寿命预测方法及存储介质
CN109738810A (zh) 一种电池剩余使用寿命的综合估算方法
CN112230154A (zh) 一种锂电池剩余寿命预测方法
CN113504473B (zh) 一种适用动力锂电池非线性衰退过程的rul预测方法
JP2023017480A (ja) 電池モデル構築方法及び電池劣化予測装置
CN113917334A (zh) 基于进化lstm自编码器的电池健康状态估计方法
CN113205233A (zh) 基于灰狼算法和多核支持向量回归的锂电池寿命预测方法
Zhang et al. A pattern-driven stochastic degradation model for the prediction of remaining useful life of rechargeable batteries
CN113393034A (zh) 一种在线自适应oselm-garch模型的电量预测方法
Chehade et al. A multi-output convolved Gaussian process model for capacity estimation of electric vehicle Li-ion battery cells
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
Hu et al. State-of-charge estimation for lithium-ion batteries of electric vehicle based on sensor random error compensation
CN115236526A (zh) 一种剩余充电时间预测方法、装置、存储介质和车辆
CN117471320A (zh) 基于充电片段的电池健康状态估计方法及系统
CN112379274A (zh) 一种动力电池剩余寿命预测方法
CN116381510A (zh) 一种锂电池剩余寿命的预测方法、系统及存储介质

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