CN113569485B - 一种基于变分模态分解的短时异常电池识别方法 - Google Patents
一种基于变分模态分解的短时异常电池识别方法 Download PDFInfo
- Publication number
- CN113569485B CN113569485B CN202110870854.5A CN202110870854A CN113569485B CN 113569485 B CN113569485 B CN 113569485B CN 202110870854 A CN202110870854 A CN 202110870854A CN 113569485 B CN113569485 B CN 113569485B
- Authority
- CN
- China
- Prior art keywords
- battery
- value
- modal
- function
- particle swarm
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 9
- 239000002245 particle Substances 0.000 claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 238000012706 support-vector machine Methods 0.000 claims abstract description 23
- 238000003745 diagnosis Methods 0.000 claims abstract description 17
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 32
- 230000014509 gene expression Effects 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 230000004879 molecular function Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000007635 classification algorithm Methods 0.000 abstract description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 4
- 229910001416 lithium ion Inorganic materials 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 239000000178 monomer Substances 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明提出了一种基于变分模态分解的短时异常电池识别方法，该方法对电池放电电压数据进行变分模态分解，其中利用粒子群优化算法搜索变分模态分解过程中的最佳分量个数和惩罚因子的参数组合，将熵函数作为寻优算法的适应度函数，熵值作为适应度值，寻优确定模态分量K和惩罚因子a，计算每个分量的熵值，选择K个模态分量中熵值最小对应的模态分量，基于最小熵值对应的模态分量计算单体电池信号对应的自相关系数和相邻电池单体信号之间的相关系数，最后利用支持向量机分类算法对电池进行故障识别和诊断。该方法可改善电池故障诊断精度。
Description
技术领域
本发明属于电池技术领域，具体涉及一种根据电池放电过程中的电压数据识别故障电池单体的方法。
背景技术
随着时代的发展，能源短缺和环境污染问题日益突出，燃油汽车被电动汽车代替的趋势不可避免。近几年电动汽车市场占有率逐年递增，锂电池作为电动汽车的关键部件，被广泛应用在纯电动车上。
锂离子电池系统是由许多的锂离子电池单体组成的一个非常复杂系统，具有高度非线性和温度敏感特性，而且每个电池单体不可能做到完全一致，所以不一致性也是锂离子电池系统的特性之一。这些特性会导致长期使用的锂离子电池系统存在一定的安全隐患。
及时发现电动汽车的电池系统故障，把电池系统的健康状态实时反馈给驾驶员，不仅可以提高电动汽车的质量，促进电动汽车的发展，也可以保障驾驶员的人身安全。
引入变分模态分解(VMD)算法，利用粒子群优化算法搜索变分模态分解算法的最佳影响参数组合，根据搜索结果设定变分模态分解算法的惩罚参数和分量个数，并从参数优化变分模态分解算法得到的最佳分量中计算特征参数。
支持向量机(support Vector Machine)是一种应用比较广泛算法，无论是在学术研究和工业设计都比较常用，与机器学习算法相比较，支持向量机(SVM)在处理非线性问题上的效果会比较突出。
变分模态分解(VMD)和支持向量机(support Vector Machine)分类算法的应用，可改善电池故障诊断精度。
发明内容
鉴于此，有必要提供一种能提高电池故障诊断准确性的方法。
一种基于变分模态分解的短时异常电池识别方法，其特征在于，包括以下步骤：
S1，采集一组包含多个电池单体的电池组放电电压数据f(t)；
S2，基于粒子群算法得到最优组合[α,K]，并对f(t)进行变分模态分解，在K个分量中选择熵值最小对应的模态分量Y(t)；
S3，从模态分量Y(t)中求取电池单体信号对应的自相关系数和相邻电池单体信号之间的互相关系数；
S4，选取部分自相关系数和互相关系数对支持向量机进行训练，选择另一部分自相关系数和互相关系作为测试样本，建立SVM模型，最后利用SVM模型实现电池故障诊断。
在上述的基于变分模态分解的短时异常电池识别方法，所述步骤S2包括：
S2.1，粒子群算法用熵函数的值作为选取[α,K]的指标，当粒子群算法搜寻到最小熵值时寻优结束，粒子群算法的极小熵值对应的[α,K]即为最优组合；
S2.2，对电池组放电电压数据f(t)进行变分模态分解；
S2.3，构造变分问题，将K个本征模态函数的和等于输入的电池放电数据作为约束条件，寻求K个本征模态函数hk(t)；
S2.4，确保K个分量为具有中心频率的有限带宽的模态分量，同时各模态的估计带宽之和最小，将乘法算子λ(t)引入Lagrange，得到一个无约束的变分问题；
S2.5，为了找到扩展Lagrange表达式的鞍点，利用交替方向乘子法对分量函数中心频率/>和乘法算子λn+1进行更新；
S2.6，给定精度ε，若满足式(1)，迭代停止，输出K个满足条件的模态分量；
S2.7，
3.如权利要求1所述的基于变分模态分解的短时异常电池识别方法，其特征在于，所
述步骤S3包括：
S3.1，从被选模态分量Y(t)中，求取电池单体信号对应的自相关系数；
S3.2，从被选模态分量Y(t)中，求取相邻电池单体信号之间的互相关系数。在上述的基于变分模态分解的短时异常电池识别方法，所述步骤S4包括：
S4.1，选取一部分带标签的自相关系数和互相关系数样本，对支持向量机进行训练；
S4.2，选择另一部分自相关系数和互相关系数作为测试样本，对支持向量机进行测试，
通过反复的训练和测试，建立基于支持向量机的故障诊断模型；
S5.3，以自相关系数和互相关系数作为特征参量，送入建立的故障诊断模型，完成故障电池的识别。
本发明可以有效地提高电池故障诊断的准确性，对驾驶员人身安全和车辆的行驶安全有了更好的保障。
附图说明
图1基于变分模态分解的短时异常电池故障诊断流程图.
具体实施方式
下面将对本发明提供的故障电池单体检测方法作进一步的详细说明。
本次发明提供的对输入电池信号进行故障检测和诊断的方法，包括以下具体步骤：
S1，提供一组包含多个电池单体的电池组的放电电压数据f(t)；
S2，粒子群算法预设惩罚因子α、分量个数K的组合；具体包括以下步骤；
S2.1，初始化粒子群算法的各项参数并引入熵函数作为适应度函数；
S2.2，选择一个T维度的空间，选取X个粒子，其中X个粒子是参数α和K的组合，组合[α,K]作为粒子的位置；
S2.3，随机产生一定数量数[α,K]组合作为粒子的初始位置，随机初始化每个粒子的移动速度，第i个粒子在T维空间的位置为Li，速度为Vi；
S2.4，将包络熵函数作为粒子群算法适应度函数，零均值信号x(j)(j＝1,2,...,N)的包络熵函数为：
S2.5，a(j)归一化后得到uj，x(j)经过Hilbert解调后得到包络信号a(j)；
S3，粒子群预设一个组合[α,K]后，开始对电池放电数据f(t)做VMD运算；具体包括以下步骤；
S3.1，构造变分问题，以K个本征模态函数的和等于输入的电池放电数据为约束条件，寻求k个本征模态函数hk(t)；
S3.2，对分解出来的每个模态函数进行Hilbert变换，求出边际谱，得到单侧频谱的表达式：
S3.3，将每个模态函数单侧频谱调制到基频带，加入指数项，表达式为：
S3.4，确定每个模态分量带宽，将目标问题转变成求解带约束的变分问题：
S3.5，式(4)中：hk＝{h1,h1,...,hK}为分解得到的K个模态函数分量，ωk＝{ω1,ω1,…,ωK}为各个模态函数的中心频率；
S4，为求取约束变分模型的最优解，将乘法算子λ(t)引入Lagrange，得到一个无约束的变分问题；具体包括以下步骤；
S4.1，粒子群算法已经预设惩罚因子α，将乘法算子λ(t)引入Lagrange，增广Lagrange的表达式：
S4.2，式(6)中α也称为平衡约束参数，λ为Lagrange乘法算子；
S5，为了找到扩展Lagrange表达式的鞍点，利用交替方向乘子法对分量函数中心频率/>和乘法算子λn+1进行更新，具体包括以下步骤；
S5.1，其中取值问题可表述为：
S5.2，式中ωk等同于
S5.3，采用等距变换，将取值问题转换到频域，得到待求解的二次优化问题表达式：
S5.4，根据同样的过程，将中心频率的取值问题转换到频域，表达式为：
S5.5，得到中心频域的更新方法为；
S5.6，式中，相当于当前剩余量/>的维纳滤波；
S5.6，初始化{λ1}，并且令n＝0；
S5.7，开始循环迭代，根据表达式(9)(10)(11)更新hk、ωk、λ，直至k＝K；
S5.8，K为粒子群算法的预设值；
S5.9，满足迭代停止的条件是满足式(1)；最后得到K个分量；
S6，粒子群算法预设一次K值，就会对就会通过适应度函数计算一次熵值，直到搜寻到最小熵值对应的K值；具体包括以下步骤；
S6.1，粒子群算法选取第一个位置，预设K值，开始对电池放电数据信号f(t)变分模态分解，并记录一个熵值；
S6.2，根据式(12)更新粒子的速度和位置；
S6.3，式中，ω为惯性权重；d＝1，2，...D；i＝1,2,...M，k为当前的迭代次数，c1和c2为加速度因子，η为介于[0,1]间的随机数；
S6.4，将计算得到的K个模态分量解调后的信号处理成一个概率分布序列uj，再由式(1)计算熵值；
S6.5，直至迭代次数达到最大设定的K值后输出最佳适应度值及粒子的位置；
S6.6，找到最佳适应度值及粒子的位置后，粒子群寻优结束，所得的[α,K]即为最优组合。
S7，通过计算K个分量的熵值筛选最优分量，取最小熵值对应的模态分量Y(t)；
S8，得到最优模态分量Y(t)，计算出相应的电池单体信号对应的自相关系数zxgi和连续两个电池单体信号之间的相关系数dcjxgi,i+1；具体包括以下步骤：
S8.1，计算时间窗口内第i个电池单体信号的平均值yi(t)与第i个电池单体信号的方差fci；
S8.2，根据式(13)计算时间窗口内第i个电池单体信号的自相关系数zxgi；
S8.3，计算时间窗口内第i个和第i+1个电池单体信号的平均值yi(t)、yi+1(t)，第i个电池单体信号的方差fci和第i+1个电池单体信号方差fci+1；
S8.4，根据式(14)计算时间窗口内第i个单体电池和第i个电池单体信号的相关系数dcjxgi,i+1；
S9，根据所计算出来的特征参数的值，搭建支持向量机模型，对电池进行故障诊断，具体包括以下步骤：
S9.1，选取一部分自相关系数zxgi和互相关系数dcjxgi,i+1作为训练样本，对支持向量机进行训练；
S9.2，选取另一部分自相关系数zxgi和互相关系数dcjxgi,i+1测试样本，对支持向量机进行测试，通过反复的训练和测试，建立基于支持向量机的故障诊断模型；
S9.3，SVM模型采用的核函数为高斯核函数，表达式为：
K(X1,X2)＝exp(-||X1-X2||2/2σ2) (15)
S9.4，式(15)中σ为带宽；
S9.5，以自相关系数zxgi和互相关系数dcjxgi,i+1作为特征参量，送入建立的故障诊断模型，完成故障电池的识别。
与现有技术相比，本发明所给出的故障电池单体检测方法通过对放电过程中采集到的电压数据进行更加详细的分析，将电池放电信号用VMD算法进行处理，为了避免人为主观因素的干预，利用粒子群算法搜索影响VMD算法的参数组合[α,K]，用最后得到的模态分量计算特征参数，最后搭建SVM模型，对电池进行故障诊断。本发明提供的电池单体故障诊断方法对于提高使用电池组产品的安全性有重要作用。
另外，电池技术领域的相关技术人员还可以在本发明精神内做其它改变，当然本发明所要求保护范围也包含这些依据本发明精神所做的改变。
Claims (1)
1.一种基于变分模态分解的短时异常电池识别方法，其特征在于，包括以下步骤：
S1，提供一组包含多个电池单体的电池组的放电电压数据f(t)；
S2，粒子群算法预设惩罚因子α、分量个数K的组合；具体包括以下步骤；
S2.1，初始化粒子群算法的各项参数并引入熵函数作为适应度函数；
S2.2，选择一个T维度的空间，选取X个粒子，其中X个粒子是参数α和K的组合，组合[α,K]作为粒子的位置；
S2.3，随机产生一定数量数[α,K]组合作为粒子的初始位置，随机初始化每个粒子的移动速度，第i个粒子在T维空间的位置为Li，速度为Vi；
S2.4，将包络熵函数作为粒子群算法适应度函数，零均值信号x(j)(j＝1,2,...,N)的包络熵函数为：
S2.5，a(j)归一化后得到uj，x(j)经过Hilbert解调后得到包络信号a(j)；
S3，粒子群预设一个组合[α,K]后，开始对电池放电数据f(t)做VMD运算；具体包括以下步骤；
S3.1，构造变分问题，以K个本征模态函数的和等于输入的电池放电数据为约束条件，寻求k个本征模态函数hk(t)；
S3.2，对分解出来的每个模态函数进行Hilbert变换，求出边际谱，得到单侧频谱的表达式：
S3.3，将每个模态函数单侧频谱调制到基频带，加入指数项，表达式为：
S3.4，确定每个模态分量带宽，将目标问题转变成求解带约束的变分问题：
S3.5，式(4)中：hk＝{h1,h1,...,hK}为分解得到的K个模态函数分量，ωk＝{ω1,ω1,...,ωK}为各个模态函数的中心频率；
S4，为求取约束变分模型的最优解，将乘法算子λ(t)引入Lagrange，得到一个无约束的变分问题；具体包括以下步骤；
S4.1，粒子群算法已经预设惩罚因子α，将乘法算子λ(t)引入Lagrange，增广Lagrange的表达式：
S4.2，式(6)中α也称为平衡约束参数，λ为Lagrange乘法算子；
S5，为了找到扩展Lagrange表达式的鞍点，利用交替方向乘子法对分量函数中心频率/>和乘法算子λn+1进行更新，具体包括以下步骤；
S5.1，其中取值问题可表述为：
S5.2，式中ωk等同于
S5.3，采用等距变换，将取值问题转换到频域，得到待求解的二次优化问题表达式：
S5.4，根据同样的过程，将中心频率的取值问题转换到频域，表达式为：
S5.5，得到中心频域的更新方法为；
S5.6，式中，相当于当前剩余量/>的维纳滤波；
S5.6，初始化{λ1}，并且令n＝0；
S5.7，开始循环迭代，根据表达式(9)(10)(11)更新hk、ωk、λ，直至k＝K；
S5.8，K为粒子群算法的预设值；
S5.9，满足迭代停止的条件是满足式(1)；最后得到K个分量；
S6，粒子群算法预设一次K值，就会对就会通过适应度函数计算一次熵值，直到搜寻到最小熵值对应的K值；具体包括以下步骤；
S6.1，粒子群算法选取第一个位置，预设K值，开始对电池放电数据信号f(t)变分模态分解，并记录一个熵值；
S6.2，根据式(12)更新粒子的速度和位置；
S6.3，式中，ω为惯性权重；d＝1，2，...D；i＝1,2,...M，k为当前的迭代次数，c1和c2为加速度因子，η为介于[0,1]间的随机数；
S6.4，将计算得到的K个模态分量解调后的信号处理成一个概率分布序列uj，再由式(1)计算熵值；
S6.5，直至迭代次数达到最大设定的K值后输出最佳适应度值及粒子的位置；
S6.6，找到最佳适应度值及粒子的位置后，粒子群寻优结束，所得的[α,K]即为最优组合。
S7，通过计算K个分量的熵值筛选最优分量，取最小熵值对应的模态分量Y(t)；
S8，得到最优模态分量Y(t)，计算出相应的电池单体信号对应的自相关系数zxgi和连续两个电池单体信号之间的相关系数dcjxgi,i+1；具体包括以下步骤：
S8.1，计算时间窗口内第i个电池单体信号的平均值yi(t)与第i个电池单体信号的方差fci；
S8.2，根据式(13)计算时间窗口内第i个电池单体信号的自相关系数zxgi；
S8.3，计算时间窗口内第i个和第i+1个电池单体信号的平均值yi(t)、yi+1(t)，第i个电池单体信号的方差fci和第i+1个电池单体信号方差fci+1；
S8.4，根据式(14)计算时间窗口内第i个单体电池和第i个电池单体信号的相关系数dcjxgi,i+1；
S9，根据所计算出来的特征参数的值，搭建支持向量机模型，对电池进行故障诊断，具体包括以下步骤：
S9.1，选取一部分自相关系数zxgi和互相关系数dcjxgi,i+1作为训练样本，对支持向量机进行训练；
S9.2，选取另一部分自相关系数zxgi和互相关系数dcjxgi,i+1测试样本，对支持向量机进行测试，通过反复的训练和测试，建立基于支持向量机的故障诊断模型；
S9.3，SVM模型采用的核函数为高斯核函数，表达式为：
K(X1,X2)＝exp(-||X1-X2||2/2σ2) (15)
S9.4，式(15)中σ为带宽；
S9.5，以自相关系数zxgi和互相关系数dcjxgi,i+1作为特征参量，送入建立的故障诊断模型，完成故障电池的识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110870854.5A CN113569485B (zh) | 2021-07-30 | 2021-07-30 | 一种基于变分模态分解的短时异常电池识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110870854.5A CN113569485B (zh) | 2021-07-30 | 2021-07-30 | 一种基于变分模态分解的短时异常电池识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113569485A CN113569485A (zh) | 2021-10-29 |
| CN113569485B true CN113569485B (zh) | 2024-03-08 |
Family
ID=78169459
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110870854.5A Active CN113569485B (zh) | 2021-07-30 | 2021-07-30 | 一种基于变分模态分解的短时异常电池识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113569485B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114027840A (zh) * | 2021-11-12 | 2022-02-11 | 江苏科技大学 | 基于变分模态分解的情绪脑电识别方法 |
| CN116840683A (zh) * | 2023-04-14 | 2023-10-03 | 中国长江三峡集团有限公司 | 电池故障识别方法、装置、电子设备和存储介质 |
| CN116433225B (zh) * | 2023-06-12 | 2023-08-29 | 国网湖北省电力有限公司经济技术研究院 | 一种互联微电网多时间尺度故障恢复方法、装置及设备 |
| CN117648589B (zh) * | 2024-01-30 | 2024-05-14 | 云储新能源科技有限公司 | 一种储能电池热失控预警方法、系统、电子设备及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111310387A (zh) * | 2020-02-19 | 2020-06-19 | 电子科技大学 | 一种燃料电池寿命预测方法 |
| CN112348185A (zh) * | 2020-11-04 | 2021-02-09 | 上海海事大学 | 一种基于变分模态分解与集成深度模型的锂电池剩余寿命预测方法 |
| CN112630660A (zh) * | 2020-12-14 | 2021-04-09 | 湖北工业大学 | 一种基于支持向量机的电池故障识别方法 |
| CN112906744A (zh) * | 2021-01-20 | 2021-06-04 | 湖北工业大学 | 一种基于孤立森林算法的故障单体电池识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101866072B1 (ko) * | 2016-10-18 | 2018-06-08 | 현대자동차주식회사 | 연료전지 스택의 상태 진단 장치 및 그 방법 |
-
2021
- 2021-07-30 CN CN202110870854.5A patent/CN113569485B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111310387A (zh) * | 2020-02-19 | 2020-06-19 | 电子科技大学 | 一种燃料电池寿命预测方法 |
| CN112348185A (zh) * | 2020-11-04 | 2021-02-09 | 上海海事大学 | 一种基于变分模态分解与集成深度模型的锂电池剩余寿命预测方法 |
| CN112630660A (zh) * | 2020-12-14 | 2021-04-09 | 湖北工业大学 | 一种基于支持向量机的电池故障识别方法 |
| CN112906744A (zh) * | 2021-01-20 | 2021-06-04 | 湖北工业大学 | 一种基于孤立森林算法的故障单体电池识别方法 |
Non-Patent Citations (4)
| Title |
|---|
| Lithium-ion battery state of health estimation using the incremental capacity and wavelet neural networks with genetic algorithm;Chun Chang等;journal of energy storage;20210630;第38卷;第1-9 * |
| 参数优化VMD在爆破振动信号分析中的应用;杨宗林;熊继军;;中北大学学报(自然科学版)(05);第468-470页 * |
| 参数优化变分模态分解方法在滚动轴承早期故障诊断中的应用;唐贵基;王晓龙;;西安交通大学学报(05);第74-76页 * |
| 基于改进VMD和深度置信网络的风机易损部件故障预警;郑小霞;陈广宁;任浩翰;李东东;;振动与冲击(08);第156-157页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113569485A (zh) | 2021-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113569485B (zh) | 一种基于变分模态分解的短时异常电池识别方法 | |
| Mawonou et al. | State-of-health estimators coupled to a random forest approach for lithium-ion battery aging factor ranking | |
| CN111707951B (zh) | 一种电池组一致性评估方法及系统 | |
| Jiang et al. | A comparative study of different features extracted from electrochemical impedance spectroscopy in state of health estimation for lithium-ion batteries | |
| Xiong et al. | A data-driven method for extracting aging features to accurately predict the battery health | |
| Lin et al. | Constant current charging time based fast state-of-health estimation for lithium-ion batteries | |
| Cui et al. | A dynamic spatial-temporal attention-based GRU model with healthy features for state-of-health estimation of lithium-ion batteries | |
| WO2014054259A1 (ja) | バッテリのパラメータ推定装置およびその推定方法 | |
| Luzi et al. | A white-box equivalent neural network circuit model for SoC estimation of electrochemical cells | |
| Shi et al. | Estimation of battery state-of-charge using ν-support vector regression algorithm | |
| EP4270033A1 (en) | Method and apparatus for estimating state of health of battery | |
| Zhang et al. | State of health estimation for lithium-ion batteries under arbitrary usage using data-driven multimodel fusion | |
| CN114966436A (zh) | 锂电池荷电状态预测方法、装置、设备及可读存储介质 | |
| Xiao et al. | Rapid measurement method for lithium‐ion battery state of health estimation based on least squares support vector regression | |
| Jeong et al. | Estimating battery state-of-charge with a few target training data by meta-learning | |
| Park et al. | Capacity estimation of Li-ion batteries using constant current charging voltage with multilayer perceptron | |
| Bak et al. | Accurate estimation of battery SOH and RUL based on a progressive lstm with a time compensated entropy index | |
| Rodriguez et al. | Discovering governing equations of li-ion batteries pertaining state of charge using input-output data | |
| Zhou et al. | On-board capacity estimation of lithium-ion batteries based on charge phase | |
| CN111983464A (zh) | 一种基于纯电动车用锂电池析锂测试方法 | |
| CN115600728A (zh) | 一种动力电池的年度碳排放量估算方法及装置 | |
| Bourelly et al. | Ga-based features selection for electro-chemical impedance spectroscopy on lithium iron phosphate batteries | |
| Nenadic et al. | Estimation of state-of-charge and capacity of used lithium-ion cells | |
| Pohlmann et al. | State-of-charge estimation of lithium-ion batteries using machine learning based on augmented data | |
| Park et al. | Data-Driven Capacity Estimation of Li-Ion Batteries Using Constant Current Charging at Various Ambient Temperatures |
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 |