CN113657459A - 基于主成分与支持向量机组合的电池soc预测方法及介质 - Google Patents
基于主成分与支持向量机组合的电池soc预测方法及介质 Download PDFInfo
- Publication number
- CN113657459A CN113657459A CN202110857389.1A CN202110857389A CN113657459A CN 113657459 A CN113657459 A CN 113657459A CN 202110857389 A CN202110857389 A CN 202110857389A CN 113657459 A CN113657459 A CN 113657459A
- Authority
- CN
- China
- Prior art keywords
- principal component
- support vector
- vector machine
- data
- prediction
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Abstract
本发明的一种基于主成分与支持向量机组合的电池SOC预测方法及介质,针对电池SOC估算预测问题,首先运用归一法预处理与电池SOC相关的物理技术参数,统一量纲,找出相关性,然后通过主成分分析法(PCA)降维得到一定数量的主成分变量。接着把主成分变量作为输入向量,运用非线性的支持向量机建模训练一段时间的采样点数据,选择高斯核函数,通过网格参数寻优和交叉验证方法得到使得分类效果最佳的核参数,进而得到一个函数模型。最后用训练得到支持向量机参数的主成分指标输入模型,得出下一采样时刻点的电池SOC值。本发明结合具体的电池数据,验证了PCA‑SVM模型对电池SOC估计预测的有效性。
Description
技术领域
本发明涉及矿井各类抽放钻孔封孔领域,具体涉及一种基于主成分与支持向量机组合的电池SOC预测方法及介质。
背景技术
为使操作人员实时准确地了解电池单体及电池组的工作状态,保障电池组安全稳定运行,最大限度地利用电池组的电能存储能力,电池管理系统(battery managementsystem,BMS)不可或缺的一项任务就是对荷电状态(state of charge,SOC)的估算。SOC估算也是BMS的主电池组充放电方式调整和控制的依据。但到目前为止,电池SOC估算方法还存在着不够完善之处,而蓄电池自身的非线性工作特性、等效模型误差、电压、电流及模型参数的高敏感度和电池老化程度等因素使得蓄电池SOC估算精度难以提高。因此,SOC估算技术一直是学术界和相关工程领域研究的热门课题。在此,本发明提出一种新的SOC估算方法。
发明内容
本发明提出的一种基于主成分与支持向量机组合的电池SOC预测方法,可解决上述技术问题。
为实现上述目的,本发明采用了以下技术方案:
一种基于主成分与支持向量机组合的电池SOC预测方法,包括:
S1:选取电动大巴车载电池模组中BMS采集到的总电压、单体平均电压、单体压差、总电流、平均单体温度、单体温差、总功率、平均功率、单体电压平均变化速率(即后一个时刻的单体电压减去前一个时刻单体电压除以采样时间差),选取共300个采样点数据。
S2:由于选取的各个变量之间数值差别很大,物理性质不同,量纲不同。如果直接采纳原始数据作为相关性分析,较大的数值对结论的影响是很大的,而数值较小的指标的作用则会毫无意义。故此,必须对原始指标数据进行Z-score标准化。即把原始数据映射到标准正态分布,所以得先求出原始数据集的均值μ和标准差σ,经过下公式进行转换。
S3:将归一化后的指标数据进行相关性分析,得出9个指标的相关系数矩阵。
S4:对计算出的相关系数矩阵进行降维操作,即采用主成分分析法进行降维处理得到5个主成分变量;
S5:获取经过主成分分析法计算出来的特征向量与特征向量累计方差,根据累计方差的累计贡献率超过95%的前几位特征向量作为之后操作的支持向量机的输入量。
S6:将主成分分析之后筛选的数据分别分成两类——训练样本和测试样本。
S7:通过5—折交叉验证法训练模。选出最佳支持向量机参数c和g,得出最佳的预测效果。考虑到不同的训练样本量和测试样本量,得到的分类的效果可能大不相同,如果训练样本太少,极可能模型无效,训练样本远大于测试样本,也许又会导致模型过拟合,导致预测效果不理想。因此,为了比较不同样本划分的分类效果,分别按照5:5,6:4,7:3,8:2划分确定训练样本与预测样本,得到不一致的最佳参数和预测效果。其中,预测准确度定义为,测试集中预测误差小于5%的数目除以测试集样本总数。
S8:把经过优化后的数据模型长度比例输入到支持向量机中,计算出支持向量机中相应匹配的惩罚参数和RBF核参数。
S9:完成上述步骤后,输入预测数据前的训练集合,计算出预测数据。
另一方面,本发明还公开一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如上述方法的步骤。
由上述技术方案可知,本发明涉及电动汽车领域中动力电池SOC的估计预测算方法的创新,具体说就是先利用电池组运行中出现的各种参数经过归一化处理后再通过主成分分析法的浓缩降低数据的维数,最后将降低维数的待预测数据集合输入到支持向量机中进行估算预测SOC的方法。
本发明的基于主成分与支持向量机组合的电池SOC预测方法,针对电池SOC估算预测问题,首先运用归一法预处理与电池SOC相关的9个物理技术参数,统一量纲,找出相关性,然后通过主成分分析法(PCA)降维得到5个主成分变量。接着把这5个主成分变量作为输入向量,运用非线性的支持向量机建模训练一段时间的采样点数据,选择高斯核函数,通过网格参数寻优和交叉验证方法得到使得分类效果最佳的核参数,进而得到一个函数模型。最后用训练得到支持向量机参数的5个主成分指标输入模型,得出下一采样时刻点的电池SOC值。本发明结合具体的电池数据,验证了PCA-SVM模型对电池SOC估计预测的有效性。
附图说明
图1是本发明的方法的流程图;
图2是本发明实施例的预测结果与实际测量结果对比图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
如图1所示,本实施例所述的基于主成分与支持向量机组合的电池SOC预测方法,包括:先利用电池组运行中出现的各种参数经过归一化处理后再通过主成分分析法的浓缩降低数据的维数,最后将降低维数的待预测数据集合输入到支持向量机中进行估算预测SOC的方法。
具体包括:
S1:选取电动大巴车载电池模组中BMS采集到的总电压、单体平均电压、单体压差、总电流、平均单体温度、单体温差、总功率、平均功率、单体电压平均变化速率(即后一个时刻的单体电压减去前一个时刻单体电压除以采样时间差),选取共300个采样点数据。
S2:由于选取的各个变量之间数值差别很大,物理性质不同,量纲不同。如果直接采纳原始数据作为相关性分析,较大的数值对结论的影响是很大的,而数值较小的指标的作用则会毫无意义。故此,必须对原始指标数据进行Z-score标准化。即把原始数据映射到标准正态分布,所以得先求出原始数据集的均值μ和标准差σ,经过下公式进行转换。
S3:将归一化后的指标数据进行相关性分析,得出9个指标的相关系数矩阵。
S4:对计算出的相关系数矩阵进行降维操作,即采用主成分分析法进行降维处理。
S5:获取经过主成分分析法计算出来的特征向量与特征向量累计方差,根据累计方差的累计贡献率超过95%的前几位特征向量作为之后操作的支持向量机的输入量。
S6:将主成分分析之后筛选的数据分别分成两类——训练样本和测试样本。
S7:通过5—折交叉验证法训练模。选出最佳支持向量机参数c和g,得出最佳的预测效果。考虑到不同的训练样本量和测试样本量,得到的分类的效果可能大不相同,如果训练样本太少,极可能模型无效,训练样本远大于测试样本,也许又会导致模型过拟合,导致预测效果不理想。因此,为了比较不同样本划分的分类效果,分别按照5:5,6:4,7:3,8:2划分确定训练样本与预测样本,得到不一致的最佳参数和预测效果。其中,预测准确度定义为,测试集中预测误差小于5%的数目除以测试集样本总数。
S8:把经过优化后的数据模型长度比例输入到支持向量机中,计算出支持向量机中相应匹配的惩罚参数和RBF核参数。
S9:完成上述步骤后,输入预测数据前的训练集合,计算出预测数据。
总的来说,本发明的基于主成分与支持向量机组合的电池SOC预测方法,针对电池SOC估算预测问题,首先运用归一法预处理与电池SOC相关的9个物理技术参数,统一量纲,找出相关性,然后通过主成分分析法(PCA)降维得到5个主成分变量。接着把这5个主成分变量作为输入向量,运用非线性的支持向量机建模训练一段时间的采样点数据,选择高斯核函数,通过网格参数寻优和交叉验证方法得到使得分类效果最佳的核参数,进而得到一个函数模型。最后用训练得到支持向量机参数的5个主成分指标输入模型,得出下一采样时刻点的电池SOC值。本发明结合具体的电池数据,验证了PCA-SVM模型对电池SOC估计预测的有效性。
以下举例说明:
S1:选取电动大巴车载电池模组中BMS采集到的总电压、单体平均电压、单体压差、总电流、平均单体温度、单体温差、总功率、平均功率、单体电压平均变化速率(即后一个时刻的单体电压减去前一个时刻单体电压除以采样时间差),选取共300个采样点数据。
具体数据形式如下表所示,举例说明:
S2:由于选取的各个变量之间数值差别很大,物理性质不同,量纲不同。如果直接采纳原始数据作为相关性分析,较大的数值对结论的影响是很大的,而数值较小的指标的作用则会毫无意义。故此,必须对原始指标数据进行Z-score标准化。即把原始数据映射到标准正态分布,所以得先求出原始数据集的均值μ和标准差σ,经过下公式进行转换。
S3:将归一化后的指标数据进行相关性分析,得出9个指标的相关系数矩阵。
S4:对计算出的相关系数矩阵进行降维操作,即采用主成分分析法进行降维处理得到5个主成分变量。
部分相关系数表格
S5:获取经过主成分分析法计算出来的特征向量与特征向量累计方差,根据累计方差的累计贡献率超过95%的前几位特征向量作为之后操作的支持向量机的输入量。
S6:将主成分分析之后筛选的数据分别分成两类——训练样本和测试样本。
S7:通过5—折交叉验证法训练模。选出最佳的参数c和g,得出最佳的预测效果。考虑到不同的训练样本量和测试样本量,得到的分类的效果可能大不相同,如果训练样本太少,极可能模型无效,训练样本远大于测试样本,也许又会导致模型过拟合,导致预测效果不理想。因此,为了比较不同样本划分的分类效果,分别按照5:5,6:4,7:3,8:2划分确定训练样本与预测样本,得到不一致的最佳参数和预测效果。其中,预测准确度定义为,测试集中预测误差小于5%的数目除以测试集样本总数。
S8:把经过优化后的数据模型长度比例输入到支持向量机中,计算出支持向量机中相应匹配的惩罚参数和RBF核参数。
输入到支持向量机中的主成分数据形式
S9:完成上述步骤后,输入预测数据前的训练集合,计算出预测数据。
图2是预测结果与实际测量结果对比图,本发明利用大量的历史SOC数据验证了本法明所提方法的效果,实际检验中表明预测的SOC值基本上在实际测量数据的周围上下波动,可见本发明提出方法的有效性,在实际操作中可行性也很强。
另一方面,本发明还公开一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如上述方法的步骤。
可理解的是,本发明实施例提供的系统与本发明实施例提供的方法相对应,相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种基于主成分与支持向量机组合的电池SOC预测方法,其特征在于,通过计算机设备实现以下步骤:
先利用电池组运行中出现的各种参数经过归一化处理后;
再通过主成分分析法的浓缩降低数据的维数;
最后将降低维数的待预测数据集合输入到支持向量机中进行估算预测SOC。
2.根据权利要求1所述的基于主成分与支持向量机组合的电池SOC预测方法,其特征在于:利用电池组运行中出现的各种参数具体包括:
选取电动大巴车载电池模组中BMS采集到的总电压、单体平均电压、单体压差、总电流、平均单体温度、单体温差、总功率、平均功率、单体电压平均变化速率即后一个时刻的单体电压减去前一个时刻单体电压除以采样时间差,选取设定数量的采样点数据。
4.根据权利要求3所述的基于主成分与支持向量机组合的电池SOC预测方法,其特征在于:所述再通过主成分分析法的浓缩降低数据的维数,包括:
将归一化后的指标数据进行相关性分析,得出对应的相关系数矩阵;
对计算出的相关系数矩阵进行降维操作,即采用主成分分析法进行降维处理;
获取经过主成分分析法计算出来的特征向量与特征向量累计方差,根据累计方差的累计贡献率超过95%的前几位指定特征向量作为之后操作的支持向量机的输入量;
将主成分分析之后筛选的数据分别分成两类——训练样本和测试样本。
5.根据权利要求4所述的基于主成分与支持向量机组合的电池SOC预测方法,其特征在于:所述将降低维数的待预测数据集合输入到支持向量机中进行估算预测SOC,包括:
通过5—折交叉验证法训练模;选出最佳支持向量机参数c和g,得出最佳的预测效果;为了比较不同样本划分的分类效果,分别按照5:5,6:4,7:3,8:2划分确定训练样本与预测样本,得到不一致的最佳参数和预测效果;
其中,预测准确度定义为,测试集中预测误差小于5%的数目除以测试集样本总数;
把经过优化后的数据模型长度比例输入到支持向量机中,计算出支持向量机中相应匹配的惩罚参数和RBF核参数;
完成上述步骤后,输入预测数据前的训练集合,计算出预测数据。
6.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至5中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110857389.1A CN113657459A (zh) | 2021-07-28 | 2021-07-28 | 基于主成分与支持向量机组合的电池soc预测方法及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110857389.1A CN113657459A (zh) | 2021-07-28 | 2021-07-28 | 基于主成分与支持向量机组合的电池soc预测方法及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113657459A true CN113657459A (zh) | 2021-11-16 |
Family
ID=78490757
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110857389.1A Pending CN113657459A (zh) | 2021-07-28 | 2021-07-28 | 基于主成分与支持向量机组合的电池soc预测方法及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113657459A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103487759A (zh) * | 2013-09-18 | 2014-01-01 | 江苏大学 | 一种混合动力汽车电池soc预测方法 |
CN103488869A (zh) * | 2013-08-23 | 2014-01-01 | 上海交通大学 | 一种最小二乘支持向量机的风力发电短期负荷预测方法 |
CN106446940A (zh) * | 2016-09-13 | 2017-02-22 | 大连理工大学 | 一种基于支持向量机的超级电容器电容值退化趋势的预测方法 |
CN106483470A (zh) * | 2016-12-22 | 2017-03-08 | 清华大学 | 一种基于未来运行工况预测的电池剩余放电能量预测方法 |
CN107132490A (zh) * | 2017-07-05 | 2017-09-05 | 福州大学 | 一种实现锂电池组荷电状态估计的方法 |
CN107665385A (zh) * | 2017-10-30 | 2018-02-06 | 上海电气集团股份有限公司 | 一种微电网系统用的基于支持向量机的短期负荷预测方法 |
CN109799463A (zh) * | 2019-01-18 | 2019-05-24 | 上海卡鲁自动化科技有限公司 | 基于大数据方法的实际运行工况下动力电池soc/soh/sop的估计与预测方法 |
CN110703113A (zh) * | 2019-10-14 | 2020-01-17 | 重庆大学 | 一种基于高斯过程回归的动力电池组soc估计方法 |
CN110807490A (zh) * | 2019-11-04 | 2020-02-18 | 国网四川省电力公司经济技术研究院 | 一种基于单基塔的输电线路工程造价智能预测方法 |
CN111178383A (zh) * | 2019-11-29 | 2020-05-19 | 合肥国轩高科动力能源有限公司 | 一种基于多核支持向量机的电池单体品质分类方法 |
CN111398832A (zh) * | 2020-03-19 | 2020-07-10 | 哈尔滨工程大学 | 一种基于anfis模型的公交车电池soc预测方法 |
CN111458650A (zh) * | 2020-01-15 | 2020-07-28 | 合肥国轩高科动力能源有限公司 | 一种锂离子动力电池系统峰值功率估算的方法 |
CN111775771A (zh) * | 2020-06-18 | 2020-10-16 | 合肥国轩高科动力能源有限公司 | 一种新能源电动汽车续航预警方法 |
CN112327168A (zh) * | 2020-10-31 | 2021-02-05 | 国网河北省电力有限公司雄安新区供电公司 | 一种基于XGBoost的电动汽车电池消耗预测方法 |
-
2021
- 2021-07-28 CN CN202110857389.1A patent/CN113657459A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488869A (zh) * | 2013-08-23 | 2014-01-01 | 上海交通大学 | 一种最小二乘支持向量机的风力发电短期负荷预测方法 |
CN103487759A (zh) * | 2013-09-18 | 2014-01-01 | 江苏大学 | 一种混合动力汽车电池soc预测方法 |
CN106446940A (zh) * | 2016-09-13 | 2017-02-22 | 大连理工大学 | 一种基于支持向量机的超级电容器电容值退化趋势的预测方法 |
CN106483470A (zh) * | 2016-12-22 | 2017-03-08 | 清华大学 | 一种基于未来运行工况预测的电池剩余放电能量预测方法 |
CN107132490A (zh) * | 2017-07-05 | 2017-09-05 | 福州大学 | 一种实现锂电池组荷电状态估计的方法 |
CN107665385A (zh) * | 2017-10-30 | 2018-02-06 | 上海电气集团股份有限公司 | 一种微电网系统用的基于支持向量机的短期负荷预测方法 |
CN109799463A (zh) * | 2019-01-18 | 2019-05-24 | 上海卡鲁自动化科技有限公司 | 基于大数据方法的实际运行工况下动力电池soc/soh/sop的估计与预测方法 |
CN110703113A (zh) * | 2019-10-14 | 2020-01-17 | 重庆大学 | 一种基于高斯过程回归的动力电池组soc估计方法 |
CN110807490A (zh) * | 2019-11-04 | 2020-02-18 | 国网四川省电力公司经济技术研究院 | 一种基于单基塔的输电线路工程造价智能预测方法 |
CN111178383A (zh) * | 2019-11-29 | 2020-05-19 | 合肥国轩高科动力能源有限公司 | 一种基于多核支持向量机的电池单体品质分类方法 |
CN111458650A (zh) * | 2020-01-15 | 2020-07-28 | 合肥国轩高科动力能源有限公司 | 一种锂离子动力电池系统峰值功率估算的方法 |
CN111398832A (zh) * | 2020-03-19 | 2020-07-10 | 哈尔滨工程大学 | 一种基于anfis模型的公交车电池soc预测方法 |
CN111775771A (zh) * | 2020-06-18 | 2020-10-16 | 合肥国轩高科动力能源有限公司 | 一种新能源电动汽车续航预警方法 |
CN112327168A (zh) * | 2020-10-31 | 2021-02-05 | 国网河北省电力有限公司雄安新区供电公司 | 一种基于XGBoost的电动汽车电池消耗预测方法 |
Non-Patent Citations (1)
Title |
---|
孙猛猛: "基于数据驱动方法的锂离子电池健康状态估计", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | A novel data-model fusion state-of-health estimation approach for lithium-ion batteries | |
Guo et al. | Online estimation of SOH for lithium-ion battery based on SSA-Elman neural network | |
Ma et al. | Remaining useful life prediction of lithium-ion battery based on Gauss–Hermite particle filter | |
CN112666464B (zh) | 电池健康状态预测方法、装置、电子设备和可读存储介质 | |
Li et al. | Lithium-ion battery state of health monitoring based on ensemble learning | |
Dong et al. | Remaining dischargeable time prediction for lithium-ion batteries using unscented Kalman filter | |
Tian et al. | State of charge estimation of lithium-ion batteries using an optimal adaptive gain nonlinear observer | |
Singh et al. | Hardware-in-the-loop implementation of ANFIS based adaptive SoC estimation of lithium-ion battery for hybrid vehicle applications | |
CN112098848B (zh) | 一种电池放电容量预测方法、系统及可读存储介质 | |
Jiang et al. | State of health estimation for lithium-ion battery using empirical degradation and error compensation models | |
Sui et al. | Fuzzy entropy-based state of health estimation for Li-ion batteries | |
CN110457789B (zh) | 一种锂离子电池剩余寿命预测方法 | |
Shi et al. | Estimation of battery state-of-charge using ν-support vector regression algorithm | |
CN110058161B (zh) | 一种锂离子电池模型参数的分布式辨识方法及装置 | |
Wei et al. | State of health assessment for echelon utilization batteries based on deep neural network learning with error correction | |
Usman et al. | Universal adaptive stabilizer based optimization for Li-ion battery model parameters estimation: An experimental study | |
Duan et al. | Online parameter identification and state of charge estimation of battery based on multitimescale adaptive double Kalman filter algorithm | |
CN113761751A (zh) | 基于温度加速因子的锂离子电池剩余寿命预测方法及系统 | |
Zheng et al. | Real-time estimation of battery state of charge with metabolic grey model and LabVIEW platform | |
CN112230146B (zh) | 电池充电剩余时间的预测方法、系统及设备 | |
CN114167284A (zh) | 基于bms大数据和集成学习的锂电池rul预测方法及设备 | |
Jafari et al. | Prediction of the battery state using the digital twin framework based on the battery management system | |
Ouyang et al. | Prognostics and health management of lithium-ion batteries based on modeling techniques and Bayesian approaches: A review | |
Wu et al. | State of health estimation for lithium-ion batteries in real-world electric vehicles | |
CN113657459A (zh) | 基于主成分与支持向量机组合的电池soc预测方法及介质 |
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 |