CN113608136B - 一种多尺度锂离子电池健康状态的预测方法 - Google Patents
一种多尺度锂离子电池健康状态的预测方法 Download PDFInfo
- Publication number
- CN113608136B CN113608136B CN202110851950.5A CN202110851950A CN113608136B CN 113608136 B CN113608136 B CN 113608136B CN 202110851950 A CN202110851950 A CN 202110851950A CN 113608136 B CN113608136 B CN 113608136B
- Authority
- CN
- China
- Prior art keywords
- data
- lithium ion
- ion battery
- temperature change
- scale
- 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
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 64
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000036541 health Effects 0.000 title claims abstract description 34
- 230000008859 change Effects 0.000 claims abstract description 78
- 238000006731 degradation reaction Methods 0.000 claims abstract description 57
- 230000015556 catabolic process Effects 0.000 claims abstract description 52
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 15
- 238000007599 discharging Methods 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims abstract description 12
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims abstract description 8
- 229910052744 lithium Inorganic materials 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 5
- 230000003862 health status Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000005315 distribution function Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 5
- 208000028659 discharge Diseases 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
Abstract
本发明属于锂离子电池健康管理技术领域,涉及一种多尺度锂离子电池健康状态的预测方法。主要解决锂电池健康状态预测精度差的问题。本发明提取了锂离子电池放电阶段的温度变化特征,利用小波分解对温度变化特征和容量退化数据进行时、频域上的对比分析,确定了温度变化斜率在容量退化过程中发挥主要作用的频段范围。同时,利用集成学习预测思想构建了基于小波神经网络的多尺度预测模型。该预测模型将小波分解后的数据分类,并使用Bootstraping抽样法将低频容量退化数据集、中频温度变化特征和剩余部分抽样,使得每种特征划分为四组数据。本发明锂离子电池健康状态预测结果通过低频容量退化数据集、中频温度变化特征和剩余部分的预测值同循环周期叠加得到。
Description
技术领域
本发明属于锂离子电池健康管理技术领域,具体涉及一种多尺度锂离子电池健康状态的预测方法。
背景技术
锂离子电池在许多领域,如电动汽车、电网联合储能和众多电子产品中发挥着越来越重要的作用。锂离子电池的健康状态是其使用过程中必须关注的参数之一。但是,对于锂离子电池放电过程中的温度变化与电池容量退化之间的关系缺乏研究。在充放电过程中,电池内化学变化会产生热量,热量可以通过传导、对流和辐射来影响周围电池。热量首先传导到电池外层边界表面,然后通过对流和辐射正常释放到周围环境或冷却介质中。有研究表明锂离子电池的工作温度需要保持在较窄的范围内(15-35℃)可以获得最佳的性能。在这样的温度范围外工作,锂离子电池的性能寿命和安全状况都会加速恶化。传统锂离子电池健康状态预测只关注容量变化,而忽略了影响容量非线性变化的因素才是提高预测性能准确度的关键。
由于神经网络预测精度受到训练数据的影响,即使相同结构的预测模型,在相同的训练数据进行训练时,训练效果也不相同。因此,预测模型的不确定性制约着使用神经网络的锂离子电池健康状态预测的精度和鲁棒性。集成学习方法是将几种机器学习技术组合成一个预测模型的元算法,以达到减小方差、偏差或改进预测效果。集成学习在各个规模的数据集上都有很好的策略。数据集大,可划分成多个小数据集,学习多个模型进行组合。数据集小,可利用Bootstrap方法进行抽样,得到多个数据集,分别训练多个模型再进行组合。另外,传统锂离子电池预测模型的健康状态预测起始点普遍在其寿命后期,对于锂电池使用前期的均衡管理或者异常退化难以有效进行预测。
发明内容
本发明是为了解决锂离子电池使用时,健康状态预测起始点往往为其使用后期,在前期预测精度差,难以为电池均衡管理提供依据的问题。同时,通过分析锂离子电池放电过程中温度变化对电池容量退化中非线性变化的影响,以提高锂离子电池非线性退化预测精度。最后,通过EM方法将三组小波神经网络预测模型的输出结果结合,提升神经网络预测结果的鲁棒性,从而解决了神经网络训练效果不稳定的问题。
本发明一种多尺度锂离子电池健康状态的预测方法,该方法包括以下步骤:
步骤一、提取锂离子电池放电过程的温度变化特征数据集,利用小波分解法将锂离子电池容量退化数据和锂电池放电过程中温度变化特征数据分解为不同频段数据;
步骤二、对比同一频段的锂离子电池容量数据和温度变化特征数据,确定温度变化特征对容量退化非线性波动的影响频段范围;
步骤三、通过步骤二得到的温度特征对容量非线性波动的影响范围,将数据分为三个尺度:容量退化趋势部分、受温度影响非线性部分和残差部分;将三个部分分别使用集成学习模型进行预测;
步骤四、将步骤三得到的三部分预测结果同循环周期结合,得到短期锂离子电池健康状态预测结果。
进一步地,所述步骤一和步骤二中,考虑锂电池放电过程中的温度变化影响,提取锂离子电池放电过程中各个循环温度变化数据,并绘制温度变化的斜率曲线,对各个循环斜率变化曲线进行积分,得到整体温度变化特征数据集;利用小波分解法将锂离子电池组容量退化原始数据和温度变化特征数据分解为八个频段数据,对温度变化特征与锂离子电池容量非正常退化的各个频段分别进行分析,明确温度变化特征影响容量退化非线性过程的范围。
进一步地,所述步骤三中,基于集成学习模型构建了基于小波神经网络的多尺度预测模型;该预测模型利用小波分解过程实现数据分类:低频容量退化数据集、中频温度变化特征和剩余部分抽样;使用Bootstraping抽样法将原始容量退化数据集和温度变化斜率数据各自分解为三组特征,每种特征划分为三组训练集和一组测试集。每种特征的预测值由小波神经网络经过三组训练集分别训练出来的预测模型,其预测值由EM算法得到。
进一步地,建立锂离子电池预测模型步骤如下:
步骤一、利用小波分解将容量退化数据集和温度变化特征数据分为八个频段数据:0Hz-8Hz、8Hz-16Hz、16Hz-24Hz、24Hz-32Hz、32Hz-40Hz、40Hz-48Hz、48Hz-56Hz和56Hz-64Hz;
步骤二、将0Hz-8Hz的容量退化数据作为第一部分,将8Hz-16Hz、16Hz-24Hz、24Hz-32Hz和32Hz-40Hz频段的温度特征数据作为第二部分,将完整容量退化数据除去第一和第二部分数据之外的剩余数据作为第三部分;将三部分数据集使用Bootstraping抽样法各自抽取三组训练数据和一组测试数据;
步骤三、分别利用三组训练数据对三个小波神经网络进行训练,将训练好的小波神经网络利用测试数据进行预测,输出值通过迭代优化的EM算法进行寻优,得到各个部分的SOH预测值;
步骤四、将同循环周期数的三部分预测值进行叠加,得到锂离子电池健康状态预测值。
进一步地,步骤一中,离散小波变换函数为:
式中,Ψj,k(t)为随时间域变化的的变换结果,该式将连续小波变换基的尺度参数A和平移参数B离散化为:/>其中t为时间,j为分解层级数、k为比例系数,A0为初始离散化尺度参数,/>为j层离散化尺度参数,B0初始离散化平移参数B,/>
步骤二中,Bootstraping抽样法以单一特征数据为例,假设单一输入样本S=[s1,s2,...,sn]为独立同分布样本,记为si~F(s),i=1,2,...,n,其中n为样本抽取次数,Sn为第n次抽取样本值,Si为样本集S中第i次抽取的样本值,F(s)指代输入样本集。
锂离子电池预测模型的步骤四中,锂离子电池健康状态预测模型为:
SOH(k)=Y1(k)+Y2(k)+Y3(k) 公式2,
式中,SOH为锂电池健康状态值,Y1、Y2和Y3分别为三部分的预测值,k为循环次数。
附图说明
图1为NASA数据集(5#,6#,7#)电池容量退化数据;
图2为5#温度变化及其斜率变化曲线;
图3为5#温度变化特征曲线;
图4为5#(24Hz-32Hz)温度变化的斜率积分和容量退化的多频段对比图;
图5为基于集成学习的多尺度组合模型示意图;
图6为小波神经网络结构图;
图7为多尺度预测模型结构图和流程图;
图8为5#电池健康状态预测结果图;
具体实施方式
实施方式一
如图7所示,本实施方式所述一种多尺度锂离子电池健康状态的预测方法,包括以下步骤:
步骤一、通过对单次锂离子电池放电过程的温度变化的斜率变化曲线进行积分,得到温度变化特征数据集,利用小波分解法将锂离子电池容量数据和温度变化特征数据分解为不同尺度的电池退化数据;
步骤二、对比同一频段的锂离子电池容量数据和温度特征数据变化曲线,确定容量特征对容量退化非线性波动的主要影响范围;
步骤三、通过步骤二得到的温度特征对容量非线性波动的主要影响范围,将数据分为三个尺度:容量退化趋势部分、受温度影响非线性部分和剩余部分。将三个部分分别使用集成学习预测模型进行预测;
步骤四、将步骤三得到的多尺度预测结果同循环周期结合,得到短期锂离子电池健康状态预测结果。
本实施方式中,首先对单次锂离子电池放电过程的温度变化的斜率变化曲线进行积分,得到温度变化特征数据集。采用提取温度变化特征的方式,解决了实际应用中电池受温度影响非线性波动的健康状态预测难题。通过离散小波分解将锂离子电池容量数据和温度变化特征数据分解为不同尺度的电池退化数据。通过对比同一频段的锂离子电池容量数据和温度特征数据变化曲线,确定容量特征对容量退化非线性波动的主要影响范围,依次将数据分为三个尺度:容量退化趋势部分、受温度影响非线性部分和剩余部分。将三个部分分别使用集成学习预测模型进行预测。集成学习框架的使用提高了神级网络预测模型的鲁棒性,解决了神经网络模型预测结果稳定性差的缺点。利用同类型锂离子电池历史退化数据,完成电池使用前期的健康状态预测和剩余寿命预测。
实施方式二
本实施方式是对实施方式一作进一步说明,如图1为原始容量数据,图2(a)为5#电池不同循环次数温度变化曲线,图2(b)为5#电池温度变化的斜率变化曲线,图3为温度变化斜率特征,其计算公式如下:
实施方式三
本实施方式是对实施方式一作进一步说明。如图4为5#电池温度变化的斜率积分和容量退化的(24Hz-32Hz)频段对比图。所述方法包括以下步骤:
步骤一、利用离散小波分解将5#电池容量退化数据和温度变化斜率特征进行分解,为了更清晰的观察各种高频的差别,按照频率段进行划分,共分为8个频段部分,依次为:0Hz-8Hz、8Hz-16Hz、16Hz-24Hz、24Hz-32Hz、32Hz-40Hz、40Hz-48Hz、48Hz-56Hz和56Hz-64Hz;
步骤二、由图4的温度变化斜率特征和容量退化的频段对比图可以确定两者波动变化具有非常好的一致性,差别主要集中在幅值大小上;
步骤三、经过公式2和公式3的相似度计算,可以确定温度变化特征和容量退化在8HZ-32HZ频段最契合波动规律,因此将锂离子电池寿命退化过程划分为三个特征组成,第一部分为容量退化趋势,第二部分为容量退化过程中放电阶段温度变化引起的中频波动部分,第三部分为除了温度变化斜率特征外的容量中高频部分;
实施方式四
本实施方式是对实施方式一作进一步说明。如图5为基于集成学习的多尺度组合模型示意图,图6集成学习框架内的小波神经网络结构图。其预测模型建立与预测过程如下:
步骤一、使用Bootstraping抽样法将原始容量退化数据集和温度变化斜率数据各自分解为三组特征进行重组,从而得到容量退化低频趋势、温度影响中频波动和多因素混合高频波动三部分,每部分划分为三组训练集和一组测试集;
步骤二、采用九个小波神经网络为基础训练模型,分别用容量退化低频趋势、温度影响中频波动和多因素混合高频波动三部分共九组数据进行训练,完成基础神经网络预测模型的构建;
步骤三、分别将容量退化低频趋势、温度影响中频波动和多因素混合高频波动三部分各三组预测模型采用相对应的同一测试集进行测试,对EM算法进行数值初始化;
步骤四、以图5的预测模式对低、中和高频预测模型预测结果进行同循环周期叠加,得到锂离子电池健康状态预测结果。
本发明中三组锂离子电池(5#、6#和7#)的容量退化曲线如图7所示,得到健康状态预测结果如图8所示。短期(四步)实时健康状态预测结果为:
具体步骤如下
步骤一、提取NASA公开数据集中的5#、6#和7#电池容量与各个循环温度变化数据;
步骤二、计算各个循环温度变化的斜率,5#温度变化斜率曲线如图2(b)所示,利用公式4计算5#各个循环温度斜率曲线积分值,得到温度变化特征数据,如图3所示。
步骤三、将5#电池容量数据和温度特征数据进行离散小波多频段分解,依次为:0-8Hz、8-16Hz、16-24Hz、24-32Hz、32-40Hz、40-48Hz、48-56Hz和56-64Hz,5#温度变化的斜率积分和容量退化的24-32Hz频段对比结果如图8所示;
连续变换的尺度参数a和平移参数b离散化为:其中a0≠1,k为比例系数。对应的离散小波变换函数为:
式中,ψj,k(t)为随时间域变化的变换结果。
频域表达式为:
其中,τ使得观测窗口相对于目标平行移动,a是使得观测窗口对目标推进或远离。
温度变化的斜率积分和容量退化的多频段对比结果:
步骤四、我们将锂离子电池寿命退化过程划分为三个部分,第一部分为容量退化趋势(0Hz-8Hz),第二部分为容量退化过程中放电阶段温度变化引起的中频波动部分(8Hz-40Hz),第三部分为除了温度变化斜率特征外的容量数据剩余部分;
步骤五、构建基于集成学习框架的预测模型,具体流程如图5所示。
本发明中的残差小波网络其小波函数选择:
网络输出层计算公式为:
式中,Δik是从隐藏层到输出层的权重,H(i)是隐藏层节点的输出,l是隐藏层节点的个数,m是输出层节点的个数。
本发明一种多尺度锂离子电池健康状态的预测方法的模型训练步骤如下:
步骤1、随机确定初始小波尺度因子a和平移因子b,并将网络学习速率设置为2;
步骤2、利用Bootstrap方法对步骤四划分出的三个数据集进行抽样,随机抽取四组,三组为训练数据分别训练该特征的基础预测模型,一组数据进行精度验证;
步骤3、将训练数据输入网络,计算小波神经网络预测输出与实际值的误差e;
步骤4、根据给定的误差条件(e=0.001),对小波神经网络和小波基函数的参数进行了修正。如果满足错误条件,则操作结束,否则返回步骤3;
步骤5、将步骤2、3和4训练完成的小波神经网络分别使用各自对应的测试数据进行测试,并且对同一数据集测试结果使用EM算法结合得到该部分预测值;
步骤6、对步骤5得到的三部分预测值进行同周期叠加,从而得到锂离子电池健康状态预测值。
Claims (6)
1.一种多尺度锂离子电池健康状态的预测方法,其特征在于,该方法包括以下步骤:
步骤一、提取锂离子电池放电过程的温度变化特征数据集,利用小波分解法将锂离子电池容量退化数据和锂电池放电过程中温度变化特征数据分解为不同频段数据;
步骤二、对比同一频段的锂离子电池容量数据和锂离子电池温度变化特征数据,确定温度变化特征对容量退化非线性波动的影响频段范围;
步骤三、根据步骤二得到的温度特征对容量非线性波动的影响范围,将数据分为三个尺度:容量退化趋势部分、受温度影响的非线性部分和残差部分;将三个部分分别使用集成学习模型进行预测;所述步骤三中,基于集成学习模型构建了基于小波神经网络的多尺度预测模型;该预测模型利用小波分解过程实现数据分类:低频容量退化数据集、中频温度变化特征和剩余部分抽样;使用Bootstraping抽样法将原始容量退化数据集和温度变化斜率数据各自分解为三组特征,每种特征划分为三组训练集和一组测试集;每种特征的预测值由小波神经网络经过三组训练集分别训练出来的预测模型,其预测值由EM算法得到;
步骤四、将步骤三得到的三部分预测结果同循环周期结合,得到短期锂离子电池健康状态预测结果。
2.根据权利要求1所述一种多尺度锂离子电池健康状态预测方法,其特征在于:所述步骤一和步骤二中,考虑锂电池放电过程中的温度变化影响,提取锂离子电池放电过程中各个循环温度变化数据,并绘制温度变化的斜率曲线,对各个循环斜率变化曲线进行积分,得到整体温度变化特征数据集;利用小波分解法将锂离子电池组容量退化原始数据和温度变化特征数据分解为八个频段数据,对温度变化特征与锂离子电池容量非正常退化的各个频段分别进行分析,明确温度变化特征影响容量退化非线性过程的范围。
3.根据权利要求1所述一种多尺度锂离子电池健康状态预测方法,其特征在于:建立锂离子电池预测模型步骤如下:
步骤一、利用小波分解将容量退化数据集和温度变化特征数据分为八个频段数据:0Hz-8Hz、8Hz-16Hz、16Hz-24Hz、24Hz-32Hz、32Hz-40Hz、40Hz-48Hz、48Hz-56Hz和56Hz-64Hz;
步骤二、将0Hz-8Hz的容量退化数据作为第一部分,将8Hz-16Hz、16Hz-24Hz、24Hz-32Hz和32Hz-40Hz频段的温度特征数据作为第二部分,将完整容量退化数据除去第一和第二部分数据之外的剩余数据作为第三部分;将三部分数据集使用Bootstraping抽样法各自抽取三组训练数据和一组测试数据;
步骤三、分别利用三组训练数据对三个小波神经网络进行训练,将训练好的小波神经网络利用测试数据进行预测,输出值通过迭代优化的EM算法进行寻优,得到各个部分的SOH预测值;
步骤四、将同循环周期数的三部分预测值进行叠加,得到锂离子电池健康状态预测值。
4.根据权利要求3所述一种多尺度锂离子电池健康状态预测方法,其特征在于,步骤一中,离散小波变换函数为:
式中,Ψj,k(t)为随时间t变化的变换结果,该式将连续小波变换基的尺度参数A和平移参数B分别离散化为:/>其中j为分解层级数,k为比例系数,A0为初始离散化尺度参数,/>为第j层离散化尺度参数,B0为初始离散化平移参数。
5.根据权利要求3所述一种多尺度锂离子电池健康状态预测方法,其特征在于,步骤二中,Bootstraping抽样法以单一特征数据为例,假设单一输入样本S=[s1,s2,...,sn]为独立同分布样本,记为si~F(s),i=1,2,...,n,其中n为样本抽取数,si为第i次抽取的样本值,F(s)表示S服从的分布函数。
6.根据权利要求3所述一种多尺度锂离子电池健康状态预测方法,其特征在于,锂离子电池预测模型的步骤四中,锂离子电池健康状态预测模型为:
SOH(k)=Y1(k)+Y2(k)+Y3(k) 公式2,
式中,SOH为锂电池健康状态值,Y1、Y2和Y3分别为三部分的预测值,k为循环次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110851950.5A CN113608136B (zh) | 2021-07-27 | 2021-07-27 | 一种多尺度锂离子电池健康状态的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110851950.5A CN113608136B (zh) | 2021-07-27 | 2021-07-27 | 一种多尺度锂离子电池健康状态的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113608136A CN113608136A (zh) | 2021-11-05 |
CN113608136B true CN113608136B (zh) | 2024-04-26 |
Family
ID=78305641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110851950.5A Active CN113608136B (zh) | 2021-07-27 | 2021-07-27 | 一种多尺度锂离子电池健康状态的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113608136B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117805662A (zh) * | 2024-02-26 | 2024-04-02 | 深圳市拓湃新能源科技有限公司 | 电池参数处理方法、装置、设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102262700A (zh) * | 2011-08-01 | 2011-11-30 | 北京航空航天大学 | 基于小波分析的退化数据预处理的产品寿命预测方法 |
CN102520366A (zh) * | 2011-12-23 | 2012-06-27 | 上海交通大学 | 电动车电池安全与健康评估系统及其方法 |
CN104537268A (zh) * | 2015-01-19 | 2015-04-22 | 重庆长安汽车股份有限公司 | 一种电池最大放电功率估算方法和装置 |
CN108037460A (zh) * | 2017-12-05 | 2018-05-15 | 上海空间电源研究所 | 一种批产锂离子电池容量实时评估方法 |
CN108845264A (zh) * | 2018-06-01 | 2018-11-20 | 西安交通大学 | 一种基于小波的电池健康状态估计方法 |
TWI669617B (zh) * | 2018-10-12 | 2019-08-21 | 財團法人工業技術研究院 | 設備健康狀態監控方法及其系統 |
CN110501643A (zh) * | 2019-07-19 | 2019-11-26 | 江苏大学 | 一种基于Bode图对全寿命周期电池内部温度估计的方法 |
KR20200058936A (ko) * | 2018-11-20 | 2020-05-28 | 주식회사 엘지화학 | 온도 별 충전 시간을 기반으로 배터리의 soh를 추정하는 장치 및 방법 |
CN112098874A (zh) * | 2020-08-21 | 2020-12-18 | 杭州电子科技大学 | 一种考虑老化情况下的锂离子电池电量预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10345392B2 (en) * | 2016-11-18 | 2019-07-09 | Semiconductor Components Industries, Llc | Methods and apparatus for estimating a state of health of a battery |
-
2021
- 2021-07-27 CN CN202110851950.5A patent/CN113608136B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102262700A (zh) * | 2011-08-01 | 2011-11-30 | 北京航空航天大学 | 基于小波分析的退化数据预处理的产品寿命预测方法 |
CN102520366A (zh) * | 2011-12-23 | 2012-06-27 | 上海交通大学 | 电动车电池安全与健康评估系统及其方法 |
CN104537268A (zh) * | 2015-01-19 | 2015-04-22 | 重庆长安汽车股份有限公司 | 一种电池最大放电功率估算方法和装置 |
CN108037460A (zh) * | 2017-12-05 | 2018-05-15 | 上海空间电源研究所 | 一种批产锂离子电池容量实时评估方法 |
CN108845264A (zh) * | 2018-06-01 | 2018-11-20 | 西安交通大学 | 一种基于小波的电池健康状态估计方法 |
TWI669617B (zh) * | 2018-10-12 | 2019-08-21 | 財團法人工業技術研究院 | 設備健康狀態監控方法及其系統 |
KR20200058936A (ko) * | 2018-11-20 | 2020-05-28 | 주식회사 엘지화학 | 온도 별 충전 시간을 기반으로 배터리의 soh를 추정하는 장치 및 방법 |
CN110501643A (zh) * | 2019-07-19 | 2019-11-26 | 江苏大学 | 一种基于Bode图对全寿命周期电池内部温度估计的方法 |
CN112098874A (zh) * | 2020-08-21 | 2020-12-18 | 杭州电子科技大学 | 一种考虑老化情况下的锂离子电池电量预测方法 |
Non-Patent Citations (2)
Title |
---|
On-line state-of-health estimation of Lithium-ion battery cells using frequency excitation;Jonghyeon Kim⁎ , Lars Krüger, Julia Kowal;Journal of Energy Storage;第1-7页 * |
基于小波神经网络的航空蓄电池容量预测;刘勇智;刘聪;;电源技术(第12期) * |
Also Published As
Publication number | Publication date |
---|---|
CN113608136A (zh) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Lithium-ion batteries remaining useful life prediction based on BLS-RVM | |
Tian et al. | A review of the state of health for lithium-ion batteries: Research status and suggestions | |
Lu et al. | Battery degradation prediction against uncertain future conditions with recurrent neural network enabled deep learning | |
Meng et al. | An optimized ensemble learning framework for lithium-ion battery state of health estimation in energy storage system | |
Yang et al. | Remaining useful life prediction of lithium-ion batteries based on a mixture of ensemble empirical mode decomposition and GWO-SVR model | |
Hua et al. | Remaining useful life prediction of PEMFC systems under dynamic operating conditions | |
Xuan et al. | Real-time estimation of state-of-charge in lithium-ion batteries using improved central difference transform method | |
CN112434848B (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
Haris et al. | Degradation curve prediction of lithium-ion batteries based on knee point detection algorithm and convolutional neural network | |
Zhao et al. | State of health estimation for lithium-ion batteries based on hybrid attention and deep learning | |
Wang et al. | Multiple indicators-based health diagnostics and prognostics for energy storage technologies using fuzzy comprehensive evaluation and improved multivariate grey model | |
Wang et al. | Health diagnosis for lithium-ion battery by combining partial incremental capacity and deep belief network during insufficient discharge profile | |
Pepe et al. | Neural ordinary differential equations and recurrent neural networks for predicting the state of health of batteries | |
Qian et al. | SOH prediction for Lithium-Ion batteries by using historical state and future load information with an AM-seq2seq model | |
CN113608136B (zh) | 一种多尺度锂离子电池健康状态的预测方法 | |
Li et al. | Deep learning-based transient stability assessment framework for large-scale modern power system | |
Ma et al. | Application of deep learning for informatics aided design of electrode materials in metal-ion batteries | |
Liu et al. | Review on degradation mechanism and health state estimation methods of lithium-ion batteries | |
Yang et al. | Critical summary and perspectives on state-of-health of lithium-ion battery | |
Cao et al. | A flexible battery capacity estimation method based on partial voltage curves and polynomial fitting | |
Zhang et al. | Realizing accurate battery capacity estimation using 4 min 1C discharging data | |
Alsuwian et al. | A Review of Expert Hybrid and Co-Estimation Techniques for SOH and RUL Estimation in Battery Management System with Electric Vehicle Application | |
Guo et al. | Prognostics of lithium-ion batteries health state based on adaptive mode decomposition and long short-term memory neural network | |
Wang et al. | State of Health estimation for lithium-ion batteries using Random Forest and Gated Recurrent Unit | |
Wang et al. | An efficient state-of-health estimation method for lithium-ion batteries based on feature-importance ranking strategy and PSO-GRNN algorithm |
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 |