CN113640674B - 基于优化高斯过程回归的锂离子电池可用容量估计方法 - Google Patents
基于优化高斯过程回归的锂离子电池可用容量估计方法 Download PDFInfo
- Publication number
- CN113640674B CN113640674B CN202110738140.9A CN202110738140A CN113640674B CN 113640674 B CN113640674 B CN 113640674B CN 202110738140 A CN202110738140 A CN 202110738140A CN 113640674 B CN113640674 B CN 113640674B
- Authority
- CN
- China
- Prior art keywords
- capacity
- battery
- gpr
- lithium ion
- model
- 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]
- G01R31/385—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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及基于优化高斯过程回归的锂离子电池可用容量估计方法,具体包括以下步骤:S1、获取锂离子电池老化循环数据;S2、数据处理;S3、GPR模型搭建;S4、GPR模型优化;S5、GPR模型训练;S6、获得电池可用容量。本发明实现锂离子电池容量衰退的强非线性特征准确估算,模型产生的预测误差控制在2%以内,大幅提升了模型的运算精度。优化容量衰退特征的选择,利用电池监测参数中简单易得、易处理的特征量电池表面平均温度、容量增量曲线峰值及其出现位置作为电池容量衰退的表征参数,即老化因子。
Description
技术领域
本发明属于锂离子电池技术领域,尤其涉及基于优化高斯过程回归的锂离子电池可用容量估计方法。
背景技术
锂离子电池凭借其能量密度大、体积相对小、长寿命、自放电率低等方面的优秀表现在新能源汽车、储能、航空航天等领域广泛应用。随着锂离子电池的不断使用,不可避免出现老化和容量衰退,进而影响其充放电性能和正常使用。电池可用容量的快速精确估算,可避免其性能快速下降可能引起的电池过充过放、温度异常等安全问题。同时,又能作为重要参数对电池管理系统提供参考。
然而,锂离子电池内部复杂的电化学反应及外部多变运行环境致使现有估算方法难以取得理想效果。现有算法存在的特征提取不准确、容量衰退趋势跟踪不准确及模型计算量大等难题。同时,锂电池使用过程中易受环境温度、工况、充放电电流等的影响,使同类电池出现不一致性,影响模型适应性。因此,如何基于较少的训练数据实现电池容量精确预测,并能够有效追踪锂电池非线性长周期衰退趋势;同时对不同电池数据也具备较好的自适应能力是目前需要解决的关键问题之一。
本发明提出了一种基于优化高斯过程回归算法的锂离子电池容量预测算法,利用电池循环寿命实验数据提取电池表面平均温度、容量增量曲线峰值及其出现位置作为表征老化状态的老化因子;利用鲸鱼优化算法对高斯过程回归模型的超参数寻优方法进行优化。建立优化模型。大大减少了模型训练计算工作,得到了强适应性、高精度的电池可用容量估算模型。
发明内容
本发明所要解决的技术问题是提供一种基于优化高斯过程回归的锂离子电池可用容量估计方法来解决现有技术中使用的算法估算电池容量时模型预测精度差,特征提取不准确、容量衰退趋势跟踪不准确及模型计算量大,以及锂电池工作环境复杂,导致模型适应性差等难题。
为解决以上技术问题,本发明的技术方案为:提供基于优化高斯过程回归的锂离子电池可用容量估计方法,其创新点在于:具体包括以下步骤:
S1、获取锂离子电池老化循环数据:对锂离子电池进行循环充放电测试,直到放电容量低于标称容量的80%,实时记录电池充放电电压、温度、放电容量数据;
S2、数据处理:对S1中得到的充电电压数据、温度及放电容量数据进行预处理,得出电池表面平均温度、容量增量曲线峰值及其出现位置及放电容量数据;
S3、GPR模型搭建:利用GPR的单一核函数构建复合协方差核函数,搭建GPR模型;
S4、GPR模型优化:利用WOA算法对S3中得到的GPR模型进行超参数寻优方法的优化,获得优化后的GPR模型;
S5、GPR模型训练:取步骤S2中得到的放电容量以及电池表面平均温度、容量增量曲线峰值及其出现位置的数据形成的训练集,来运行优化后的GPR模型来寻找老化因子和锂电池容量的关联关系,得到训练完成的GPR模型;
S6、获得电池可用容量:基于步骤S5所得训练完成后的GPR模型,输入老化因子,输出电池可用容量,即获得电池可用容量。
进一步的,所述步骤S2中的进行预处理的具体方法如下:
S201、提取步骤S1中进行循环充放电测试得到的温度求均值,获得各循环平均温度;
S202、提取步骤S1中进行循环充放电测试得到的充电电压,形成电压曲线,利用容量增量法将电压曲线转化为离散的容量增量曲线,其中,容量与电压关系式为:
其中Q为充电容量,V为电池端电压,I为电流,f为容量到电压的映射关系;设G=f-1,对步骤S202中的关系式求导得:
取电压间隔为1.5mv,则可以获得上式的近似公式,即获得离散的容量增量曲线,公式如下:
S203、对离散的容量增量曲线进行滤波,利用基于Parks-McClellan算法的等波纹FIR滤波器,获得平滑的容量增量曲线;
S204、利用步骤S203中的容量增量曲线获取容量增量曲线峰值及峰值出现的位置电压;
S205、利用步骤S201中获得的平均温度和步骤S204中获得的容量增量曲线峰值及峰值出现的位置电压,构成老化因子集合{x};
S206、将S205中老化因子集合{x}及放电容量形成数据集并划分为训练集和测试集,所形成的训练集和测试集其形式如下:
进一步的,所述步骤S206中将老化因子集合{x}及放电容量形成数据集并划分为训练集和测试集的具体划分方法为:电池老化循环的前40%数据作为训练集,后60%数据作为测试集。
进一步的,所述步骤S3中,利用GPR的单一核函数构建复合协方差核函数,搭建GPR模型的具体方法为:
S301、利用GPR中各向同性有理二次协方差函数和各向同性线性协方差核函数构建复合协方差核函数,三种函数具体如下:
各向同性线性协方差核函数:k(x,z)=xTp-1z,
式中,x、z分别代表输入和输出,σ为信号方差,p为超参数平方倍的单位矩阵,α为形状参数;
S302、基于步骤S301中获得的复合核函数,同时结合均值核函数,搭建基础GPR模型,复合协方差核函数和均值核函数构成GPR模型的两个核函数要素,均值核函数具体如下:
m(x)=E(f(x))
其中E(f(x))表示函数期望,这里设置为0。
进一步的,所述步骤S4中利用WOA算法对步骤S3中得到的GPR模型进行超参数寻优的具体方法为:利用WOA算法对GPR模型中的共轭梯度法求解最优超参数的方法进行替代优化,提升超参数的寻优效果,减少训练计算量,提升模型精度及适应能力。
进一步的,所述步骤S5中利用训练集来运行优化后的GPR模型的具体运行方法为:利用WOA算法对步骤S3中复合协方差核函数的超参数、信号方差σ以及形状参数α寻求最优解,获得训练后的GPR模型具体方法为:
S501、利用S206中建立的训练集,获取容量先验分布函数如下:
S502、基于S501中建立先验分布函数,利用提取的老化因子,以及其对应的预测容量,获得两者集合输出向量组成的联合分布,表示为:
其中Im为单位矩阵,Kf(x,x*)为协方差函数;
S503、由老化因子数据集,以及其对应的预测容量推出对应后验分布:
本发明和现有技术相比,产生的有益效果为:
1.实现锂离子电池容量衰退的强非线性特征准确估算,模型产生的预测误差控制在2%以内,大幅提升了模型的运算精度。
2.优化容量衰退特征的选择,利用电池监测参数中简单易得、易处理的特征量电池表面平均温度、容量增量曲线峰值及其出现位置作为电池容量衰退的表征参数,即老化因子。
3.相比目前多数模型需要60%-70%训练量的数据,本发明可实现40%训练数据即可达到良好效果,大幅减小计算成本。
4.本发明具有强适应性,可以实现同类不同电池的容量衰退预测,无需反复测试及模型训练,减少了工作成本。
5.综合GPR和WOA优点,快速收敛到最优效果,模型运算简单,计算量少,并且提高了模型对同类型不同电池容量衰退预测的鲁棒性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明基于优化高斯过程回归的锂离子电池可用容量估计方法的流程示意图。
图2是本发明基于训练后的GPR模型实施得到的锂电池可用容量估计结果图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图与具体实施方式对本发明作进一步的说明。
在本发明中,提供了基于优化高斯过程回归的锂离子电池可用容量估算方法,该方法可以应用于如电动汽车电池管理系统等终端设备,本实施例所提供基于优化高斯过程回归的锂离子电池可用容量估计方法,其流程图如图1所示,具体包括以下步骤:
S1、获取锂离子电池老化循环数据:对锂离子电池进行循环充放电测试,直到放电容量低于标称容量的80%,测试过程采用恒流恒压将电池充满电,静置10s,然后放电至电池截止电压,循环以上过程,实时记录电池充电电压、温度、放电容量数据,记录过程如表1所示,以单个循环为例,第一栏为单个循环电池充放电电压,第二栏为循环过程中电池表面实时温度,第三栏为电池容量。
表1
S2、数据处理:对S1中得到的充电电压数据、温度及放电容量数据进行预处理,得出电池表面平均温度、容量增量曲线峰值及其出现位置及放电容量数据;其中,预处理的具体方法如下:
S201、提取步骤S1中进行循环充放电测试得到的温度求均值,获得各循环平均温度;
S202、提取步骤S1中进行循环充放电测试得到的充电电压,形成电压曲线,利用容量增量法将电压曲线转化为离散的容量增量曲线,其中,容量与电压关系式为:
其中Q为充电容量,V为电池端电压,I为电流,f为容量到电压的映射关系;设G=f-1,对步骤S202中的关系式求导得:
取电压间隔为1.5mv,则可以获得上式的近似公式,即获得离散的容量增量曲线,公式如下:
S203、对离散的容量增量曲线进行滤波,利用基于Parks-McClellan算法的等波纹FIR滤波器,获得平滑的容量增量曲线;
S204、利用步骤S203中的容量增量曲线获取容量增量曲线峰值及峰值出现的位置电压;
S205、利用步骤S201中获得的平均温度和步骤S204中获得的容量增量曲线峰值及峰值出现的位置电压,构成老化因子集合{x};
S206、将S205中老化因子集合{x}及放电容量形成数据集并划分为训练集和测试集,所形成的训练集和测试集其形式如下:
优选的,将老化因子集合{x}及放电容量形成数据集并划分为训练集和测试集的具体划分方法为:电池老化循环的前40%数据作为训练集,后60%数据作为测试集。
S3、GPR模型搭建:利用GPR的单一核函数构建复合协方差核函数,搭建GPR模型;具体方法为:
S301、利用GPR中各向同性有理二次协方差函数和各向同性线性协方差核函数构建复合协方差核函数,三种函数具体如下:
各向同性线性协方差核函数:k(x,z)=xTp-1z,
式中,x、z分别代表输入和输出,σ为信号方差,p为超参数平方倍的单位矩阵,α为形状参数;
S302、基于步骤S301中获得的复合核函数,同时结合均值核函数,搭建基础GPR模型,复合协方差核函数和均值核函数构成GPR模型的两个核函数要素,均值核函数具体如下:
m(x)=E(f(x))
其中E(f(x))表示函数期望,这里设置为0。
S4、GPR模型优化:利用WOA算法对S3中得到的GPR模型进行超参数寻优方法的优化,获得优化后的GPR模型,即利用WOA算法对GPR模型中的共轭梯度法求解最优超参数的方法进行替代优化,提升超参数的寻优效果,减少训练计算量,提升模型精度及适应能力。
S5、GPR模型训练:取步骤S2中得到的放电容量以及电池表面平均温度、容量增量曲线峰值及其出现位置的数据形成的训练集,来运行优化后的GPR模型来寻找老化因子和锂电池容量的关联关系,利用WOA算法对步骤S3中复合协方差核函数的超参数、信号方差σ以及形状参数α寻求最优解,得到训练完成的GPR模型,具体方法为:
S501、利用S206中建立的训练集,获取容量先验分布函数如下:
S502、基于S501中建立先验分布函数,利用提取的老化因子,以及其对应的预测容量,获得两者集合输出向量组成的联合分布,表示为:
其中Im为单位矩阵,Kf(x,x*)为协方差函数。
S503、由老化因子数据集,以及其对应的预测容量推出对应后验分布:
S6、获得电池可用容量:基于步骤S5所得训练完成后的GPR模型,输入老化因子,输出电池可用容量,即获得电池可用容量。
如图2所示,训练好的优化GPR模型,可以实现快速准确的电池容量衰退特征的学习与跟踪。图2中实线代表真实值,虚线为训练好的优化GPR模型输出的预测值,可以看到,预测值紧密分布在真实值附近,优化的GPR模型实现了电池容量衰退强非线性趋势的精确预测,具有良好的效果。
Claims (6)
1.基于优化高斯过程回归的锂离子电池可用容量估计方法,其特征在于:具体包括以下步骤:
S1、获取锂离子电池老化循环数据:对锂离子电池进行循环充放电测试,直到放电容量低于标称容量的80%,实时记录电池充放电电压、温度、放电容量数据;
S2、数据处理:对S1中得到的充电电压数据、温度及放电容量数据进行预处理,得出电池表面平均温度、容量增量曲线峰值及其出现位置及放电容量数据;
S3、GPR模型搭建:利用GPR的单一核函数构建复合协方差核函数,搭建GPR模型;
S4、GPR模型优化:利用WOA算法对S3中得到的GPR模型进行超参数寻优方法的优化,获得优化后的GPR模型;
S5、GPR模型训练:取步骤S2中得到的放电容量以及电池表面平均温度、容量增量曲线峰值及其出现位置的数据形成的训练集,来运行优化后的GPR模型来寻找老化因子和锂电池容量的关联关系,得到训练完成的GPR模型;
S6、获得电池可用容量:基于步骤S5所得训练完成后的GPR模型,输入老化因子,输出电池可用容量,即获得电池可用容量。
2.根据权利要求1所述的基于优化高斯过程回归的锂离子电池可用容量估计方法,其特征在于:所述步骤S2中的进行预处理的具体方法如下:
S201、提取步骤S1中进行循环充放电测试得到的温度求均值,获得各循环平均温度;
S202、提取步骤S1中进行循环充放电测试得到的充放电电压,形成电压曲线,利用容量增量法将电压曲线转化为离散的容量增量曲线,其中,容量与电压关系式为:
其中Q为充电容量,V为电池端电压,I为电流,f为容量到电压的映射关系;设G=f-1,对步骤S202中的关系式求导得:
取电压间隔为1.5mv,则获得离散的容量增量曲线,公式如下:
S203、对离散的容量增量曲线进行滤波,利用基于Parks-McClellan算法的等波纹FIR滤波器,获得平滑的容量增量曲线;
S204、利用步骤S203中的容量增量曲线获取容量增量曲线峰值及峰值出现的位置电压;
S205、利用步骤S201中获得的平均温度和步骤S204中获得的容量增量曲线峰值及峰值出现的位置电压,构成老化因子集合{x};
S206、将S205中老化因子集合{x}及放电容量形成数据集并划分为训练集和测试集,所形成的训练集和测试集其形式如下:
3.根据权利要求2所述的基于优化高斯过程回归的锂离子电池可用容量估计方法,其特征在于:所述步骤S206中将老化因子集合{x}及放电容量形成数据集并划分为训练集和测试集的具体划分方法为:电池老化循环的前40%数据作为训练集,后60%数据作为测试集。
4.根据权利要求1所述的基于优化高斯过程回归的锂离子电池可用容量估计方法,其特征在于:所述步骤S3中,利用GPR的单一核函数构建复合协方差核函数,搭建GPR模型的具体方法为:
S301、利用GPR中各向同性有理二次协方差函数和各向同性线性协方差核函数构建复合协方差核函数,三种函数具体如下:
各向同性线性协方差核函数:k(x,z)=xTp-1z,
式中,x、z分别代表输入和输出,σ为信号方差,p为超参数平方倍的单位矩阵,α为形状参数;
S302、基于步骤S301中获得的复合协方差核函数,同时结合均值核函数,搭建基础GPR模型,复合协方差核函数和均值核函数构成GPR模型的两个核函数要素,所述均值核函数具体如下:
m(x)=E(f(x))
其中E(f(x))表示函数期望,设置为0。
5.根据权利要求1所述的基于优化高斯过程回归的锂离子电池可用容量估计方法,其特征在于:所述步骤S4中利用WOA算法对步骤S3中得到的GPR模型进行超参数寻优的具体方法为:利用WOA算法对GPR模型中的共轭梯度法求解最优超参数的方法进行替代优化,提升超参数的寻优效果,减少训练计算量,提升模型精度及适应能力。
6.根据权利要求1所述的基于优化高斯过程回归的锂离子电池可用容量估计方法,其特征在于:所述步骤S5中利用训练集来运行优化后的GPR模型的具体运行方法为:利用WOA算法对步骤S3中复合协方差核函数的超参数、信号方差σ以及形状参数α寻求最优解,获得训练后的GPR模型,具体方法为:
S501、利用S206中建立的训练集,获取容量先验分布函数如下:
S502、基于S501中建立先验分布函数,利用提取的老化因子,以及其对应的预测容量,获得两者集合输出向量组成的联合分布,表示为:
其中Im为单位矩阵,Kf(x,x*)为协方差函数;
S503、由老化因子数据集,以及其对应的预测容量推出对应后验分布:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110738140.9A CN113640674B (zh) | 2021-06-30 | 2021-06-30 | 基于优化高斯过程回归的锂离子电池可用容量估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110738140.9A CN113640674B (zh) | 2021-06-30 | 2021-06-30 | 基于优化高斯过程回归的锂离子电池可用容量估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113640674A CN113640674A (zh) | 2021-11-12 |
CN113640674B true CN113640674B (zh) | 2022-09-06 |
Family
ID=78416426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110738140.9A Active CN113640674B (zh) | 2021-06-30 | 2021-06-30 | 基于优化高斯过程回归的锂离子电池可用容量估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113640674B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115097317A (zh) * | 2022-07-19 | 2022-09-23 | 山东大学 | 一种锂离子电池容量估计方法及系统 |
CN117074965B (zh) * | 2023-10-17 | 2023-12-12 | 深圳市神通天下科技有限公司 | 一种锂离子电池剩余寿命预测方法及系统 |
CN117761558A (zh) * | 2023-12-06 | 2024-03-26 | 重庆理工大学 | 一种基于多学习机融合的锂电池健康状态估算方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05315015A (ja) * | 1992-05-14 | 1993-11-26 | Matsushita Electric Ind Co Ltd | 蓄電池の容量劣化率演算方法と劣化診断装置 |
WO2019018974A1 (zh) * | 2017-07-24 | 2019-01-31 | 罗伯特·博世有限公司 | 用于对电池容量进行建模和估计的方法及系统 |
CN110068774A (zh) * | 2019-05-06 | 2019-07-30 | 清华四川能源互联网研究院 | 锂电池健康状态的估计方法、装置及存储介质 |
CN110927591A (zh) * | 2019-12-11 | 2020-03-27 | 北京理工大学 | 一种电池容量估计方法、计算机可读介质及车辆 |
CN112462288A (zh) * | 2020-10-22 | 2021-03-09 | 江苏大学 | 一种基于电池表面温度变化值的锂离子电池健康状态估算方法 |
CN113030744A (zh) * | 2021-02-24 | 2021-06-25 | 上海交通大学 | 基于健康因子提取的电池健康状况预测方法、系统及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101792975B1 (ko) * | 2017-04-25 | 2017-11-02 | 한국기술교육대학교 산학협력단 | 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법 |
-
2021
- 2021-06-30 CN CN202110738140.9A patent/CN113640674B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05315015A (ja) * | 1992-05-14 | 1993-11-26 | Matsushita Electric Ind Co Ltd | 蓄電池の容量劣化率演算方法と劣化診断装置 |
WO2019018974A1 (zh) * | 2017-07-24 | 2019-01-31 | 罗伯特·博世有限公司 | 用于对电池容量进行建模和估计的方法及系统 |
CN110068774A (zh) * | 2019-05-06 | 2019-07-30 | 清华四川能源互联网研究院 | 锂电池健康状态的估计方法、装置及存储介质 |
CN110927591A (zh) * | 2019-12-11 | 2020-03-27 | 北京理工大学 | 一种电池容量估计方法、计算机可读介质及车辆 |
CN112462288A (zh) * | 2020-10-22 | 2021-03-09 | 江苏大学 | 一种基于电池表面温度变化值的锂离子电池健康状态估算方法 |
CN113030744A (zh) * | 2021-02-24 | 2021-06-25 | 上海交通大学 | 基于健康因子提取的电池健康状况预测方法、系统及介质 |
Non-Patent Citations (1)
Title |
---|
基于容量增量曲线的三元锂离子电池健康状态估计方法;郭琦沛 等;《全球能源互联网》;20180331;第1卷(第2期);第180-187页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113640674A (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113640674B (zh) | 基于优化高斯过程回归的锂离子电池可用容量估计方法 | |
CN112034356B (zh) | 基于gp-ukf的电动汽车动力电池在线soh估算方法 | |
CN107368619B (zh) | 一种扩展卡尔曼滤波soc估算方法 | |
Li et al. | A novel state estimation approach based on adaptive unscented Kalman filter for electric vehicles | |
Shi et al. | Estimation of battery state-of-charge using ν-support vector regression algorithm | |
Ting et al. | State-of-Charge for Battery Management System via Kalman Filter. | |
CN112415391A (zh) | 基于改进粒子群优化的船用锂离子电池参数辨识方法 | |
CN113392507A (zh) | 一种锂离子动力电池剩余寿命预测方法 | |
CN111950205A (zh) | 一种基于fwa优化极限学习机的锂电池soh预测方法 | |
CN114781176B (zh) | 一种锂离子电池储能系统集总参数的等效电路参数辨识方法 | |
CN116953547A (zh) | 一种储能电池健康度评估方法、系统、设备及存储介质 | |
Zhang et al. | Fault diagnosis of real-scenario battery systems based on modified entropy algorithms in electric vehicles | |
Wu et al. | State of health estimation for lithium-ion batteries in real-world electric vehicles | |
CN112946480B (zh) | 一种提高soc估计实时性的锂电池电路模型简化方法 | |
CN111762059B (zh) | 一种考虑电池充放电工况的多变量融合电池组的均衡方法 | |
CN117517963A (zh) | 一种基于膨胀力的多尺度的锂离子电池荷电状态评估方法 | |
Xu et al. | Battery health estimation using electrochemical aging model and ensemble Kalman filtering | |
Liu et al. | Fast screening of capacity and internal resistance for cascade utilization of the retired power lithium-ion batteries | |
CN113255215B (zh) | 一种基于电压片段的锂电池健康状态估计方法 | |
CN113740735A (zh) | 一种锂离子电池soc估计的方法 | |
Zhao et al. | Review on rul prediction methods for lithium-ion battery | |
CN211086535U (zh) | 一种锂离子动力电池荷电态预测电路 | |
Li et al. | Novel state-of-health estimation of lithium-ion battery based on the incremental capacity analysis method and extreme learning machine | |
Kumar | Comparative Analysis of Model-Based Approaches for State-of-Charge Estimation in Batteries | |
Zou et al. | Fast Estimation of State of Health for Retired Lithium-ion Batteries Based on Principal Component Regression |
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 |