CN113743661A - 锂离子电池在线容量预测的方法、系统、设备及存储介质 - Google Patents
锂离子电池在线容量预测的方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN113743661A CN113743661A CN202111006077.6A CN202111006077A CN113743661A CN 113743661 A CN113743661 A CN 113743661A CN 202111006077 A CN202111006077 A CN 202111006077A CN 113743661 A CN113743661 A CN 113743661A
- Authority
- CN
- China
- Prior art keywords
- capacity
- lithium ion
- ion battery
- battery
- predicting
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 38
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 16
- 238000007599 discharging Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Computing Systems (AREA)
- Water Supply & Treatment (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
Abstract
本发明公开了一种锂离子电池在线容量预测的方法、系统、设备及存储介质,包括以下步骤:获取电池的历史流数据;对电池的历史流数据进行预处理,得训练样本;利用训练样本对DNN模型进行训练;利用训练后的DNN模型预测锂离子电池的在线容量,该方法、系统、设备及存储介质能够准确预测锂离子电池的在线容量,且操作方便。
Description
技术领域
本发明涉及一种容量预测的方法、系统、设备及存储介质,具体涉及一种锂离子电池在线容量预测的方法、系统、设备及存储介质。
背景技术
锂离子电池的老化现象是其应用过程中遇到的一大问题。随着循环次数的增加,锂离子电池的最大可用容量也在不断减少。因此,对于锂离子电池容量的在线预测显得格外重要。
目前,基于电流积分来计算电池容量是较为常见的方法。利用传感器采集电流信号并对时间积分可获得电池容量的计算值。但这一方法受电流传感器的精度影响较大,同时积分也会带来难以消去的累积误差的影响。
此外,还有一些时间序列的神经网络算法,如LSTM和TCN,在提取了电池数据的特征后,也能对其进行容量预测。但是这一方法需要进行特征工程,实施过程较为复杂。参数和实际相结合。
发明内容
本发明的目的在于克服上述现有技术的缺点,提供了一种锂离子电池在线容量预测的方法、系统、设备及存储介质,该方法、系统、设备及存储介质能够准确预测锂离子电池的在线容量,且操作方便。
为达到上述目的,本发明所述的锂离子电池在线容量预测的方法,包括以下步骤:
获取电池的历史流数据;
对电池的历史流数据进行预处理,得训练样本;
利用训练样本对DNN模型进行训练;
利用训练后的DNN模型预测锂离子电池的在线容量。
所述电池的历史流数据包括电池的历史容量、充电电压曲线及放电电压曲线。
对电池的历史流数据进行预处理,得训练样本的具体操作过程为:
将电池的历史容量、充电电压曲线及放电电压曲线截取成长度分别为l(1),l(2),l(3)的序列,并以此作为训练样本。
DNN模型包括MLP层、Attention层及Embdding层。
Attention层的输入为t时刻的状态et,Attention层的输出为权重αt+n,其中,权重αt+n通过Softmax函数计算得到。
DNN模型的损失函数采用均方误差函数。
DNN模型的损失函数为:
其中,S为样本个数为B的训练集,Q'为预测的容量值,Q为实际的容量值。
一种锂离子电池在线容量预测的系统,包括:
获取模块,用于获取电池的历史流数据;
预处理模块,用于对电池的历史流数据进行预处理,得训练样本;
训练模块,用于利用训练样本对DNN模型进行训练;
预测模块,用于利用训练后的DNN模型预测锂离子电池的在线容量。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述锂离子电池在线容量预测的方法的步骤。
一种计算机可读存储介质,所述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实现所述锂离子电池在线容量预测的方法的步骤。
本发明具有以下有益效果:
本发明所述的锂离子电池在线容量预测的方法、系统、设备及存储介质在具体操作时,通过将电池的历史流数据进行预处理,得训练样本,再利用训练样本对DNN模型进行训练,然后利用训练后的DNN模型预测锂离子电池的在线容量,避免特征工程,降低预测的复杂度,同时避免使用电流积分方法预测电池容量带来的累积误差的问题,提高预测的精度。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明DNN模型的示意图;
图2为验证试验中电池容量的预测曲线图。
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,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合附图对本发明做进一步详细描述:
实施例一
参考图1,本发明所述的锂离子电池在线容量预测的方法包括以下步骤:
1)获取电池的历史流数据,所述电池的历史流数据包括电池的历史容量、充电电压曲线及放电电压曲线;
2)将电池的历史容量、充电电压曲线及放电电压曲线截取成长度分别为l(1),l(2),l(3)的序列,并以此作为训练样本;
3)利用步骤2)得到的训练样本对DNN模型进行训练;
4)利用训练后的DNN模型预测锂离子电池的在线容量。
所述DNN模型包括MLP层、Attention层及Embdding层;
Embedding层的工作过程为:
设训练样本为N个历史循环的流数据,利用训练样本构建训练集Xt为:
et=WeXt+be
其中,et的维度为D,We及be分别为全连接层的权重及偏差,得:
Attention层的输入为et,Attention层的输出为αt+n,其中,Attention层对et的处理过程为:
对et进行加权并池化,即:
权重αt+n通过Softmax函数计算得到:
其中,zt+n为:
wt+n=[et+n,e0,et+n-e0,et+ne0]
ht+n=ReLU(Whwt+n+bh)
zt+n=Wzht+n+bz
其中,Wh及bh和Wz及bz分别为两层全连接层的权重及偏差,其中,在第一个全连接层之后设置有激活函数ReLU。
由于Attention层需要获得电池当前状态与初始状态的差别,因此向量wt+n包括当前状态et+n及初始状态e0。
最后,由MLP层输出第t+N次循环的容量预测结果Q't+N,该MLP层由两个全连接层组合而成:
o=WoL+bo
其中,Wo及bo和Wq及bq分别为两层全连接层的权重与偏差。
DNN模型的损失函数采用均方误差函数,即:
其中,S为样本个数为B的训练集,Q'为预测的容量值,Q为实际的容量值。
验证试验
DNN模型中各参数的具体值如表1所示:
表1
DDN模型的预测效果,在Kristen A Severson等人的商用锂离子电池数据集上进行验证。该数据集包含124个锂离子电池。其中,93个电池作为训练集,12个电池作为验证集,19个电池作为测试集,最终的测试集预测结果如表2所示。
表2
图2为预测电池容量的测试集曲线图。其中,实线为实际的容量曲线,虚线为DDN模型预测的容量曲线。
除此之外,本发明还验证小数据集下的效果,验证选用NASAPCoE数据集的一部分。表3为以6号电池作为训练集,5,7,18号电池作为测试集的预测结果,表4为以34,36,51号电池作为训练集,27,31,55号电池作为测试集的预测结果。
表3
表4
实施例二
本发明所述的锂离子电池在线容量预测的系统包括:
获取模块,用于获取电池的历史流数据;
预处理模块,用于对电池的历史流数据进行预处理,得训练样本;
训练模块,用于利用训练样本对DNN模型进行训练;
预测模块,用于利用训练后的DNN模型预测锂离子电池的在线容量。
实施例三
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述锂离子电池在线容量预测的方法的步骤,其中,所述存储器可能包含内存,例如高速随机存储器,也可能还包括非易失性存储器,例如,至少一个磁盘存储器等;处理器、网络接口、存储器通过内部总线互相连接,该内部总线可以是工业标准体系结构总线、外设部件互连标准总线、扩展工业标准结构总线等,总线可以分为地址总线、数据总线、控制总线等。存储器用于存放程序,具体地,程序可以包括程序代码、所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
实施例四
一种计算机可读存储介质,所述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实现所述锂离子电池在线容量预测的方法的步骤,具体地,所述计算机可读存储介质包括但不限于例如易失性存储器和/或非易失性存储器。所述易失性存储器可以包括随机存储存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器可以包括只读存储器(ROM)、硬盘、闪存、光盘、磁盘等。
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。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种锂离子电池在线容量预测的方法,其特征在于,包括以下步骤:
获取电池的历史流数据;
对电池的历史流数据进行预处理,得训练样本;
利用训练样本对DNN模型进行训练;
利用训练后的DNN模型预测锂离子电池的在线容量。
2.根据权利要求1所述的锂离子电池在线容量预测的方法,其特征在于,所述电池的历史流数据包括电池的历史容量、充电电压曲线及放电电压曲线。
3.根据权利要求1所述的锂离子电池在线容量预测的方法,其特征在于,对电池的历史流数据进行预处理,得训练样本的具体操作过程为:
将电池的历史容量、充电电压曲线及放电电压曲线截取成长度分别为l(1),l(2),l(3)的序列,并以此作为训练样本。
4.根据权利要求1所述的锂离子电池在线容量预测的方法,其特征在于,DNN模型包括MLP层、Attention层及Embdding层。
5.根据权利要求4所述的锂离子电池在线容量预测的方法,其特征在于,Attention层的输入为t时刻的状态et,Attention层的输出为权重αt+n,其中,权重αt+n通过Softmax函数计算得到。
6.根据权利要求1所述的锂离子电池在线容量预测的方法,其特征在于,DNN模型的损失函数采用均方误差函数。
8.一种锂离子电池在线容量预测的系统,其特征在于,包括:
获取模块,用于获取电池的历史流数据;
预处理模块,用于对电池的历史流数据进行预处理,得训练样本;
训练模块,用于利用训练样本对DNN模型进行训练;
预测模块,用于利用训练后的DNN模型预测锂离子电池的在线容量。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述锂离子电池在线容量预测的方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求7至4任一项所述锂离子电池在线容量预测的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111006077.6A CN113743661A (zh) | 2021-08-30 | 2021-08-30 | 锂离子电池在线容量预测的方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111006077.6A CN113743661A (zh) | 2021-08-30 | 2021-08-30 | 锂离子电池在线容量预测的方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113743661A true CN113743661A (zh) | 2021-12-03 |
Family
ID=78733948
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111006077.6A Pending CN113743661A (zh) | 2021-08-30 | 2021-08-30 | 锂离子电池在线容量预测的方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113743661A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114330130A (zh) * | 2021-12-30 | 2022-04-12 | 山东浪潮科学研究院有限公司 | 一种电池剩余使用寿命预测方法、设备及介质 |
CN115291111A (zh) * | 2022-08-03 | 2022-11-04 | 苏州清研精准汽车科技有限公司 | 电池静置时间预测模型的训练方法以及静置时间预测方法 |
CN116449209A (zh) * | 2023-01-12 | 2023-07-18 | 帕诺(常熟)新能源科技有限公司 | 一种基于lstm的实际运营储能锂电容量预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190257886A1 (en) * | 2018-02-21 | 2019-08-22 | Nec Laboratories America, Inc. | Deep learning approach for battery aging model |
CN110412470A (zh) * | 2019-04-22 | 2019-11-05 | 上海博强微电子有限公司 | 电动汽车动力电池soc估计方法 |
CN110598300A (zh) * | 2019-09-05 | 2019-12-20 | 东软睿驰汽车技术(沈阳)有限公司 | 一种电池soh预测方法及装置 |
CN111880099A (zh) * | 2020-06-30 | 2020-11-03 | 国网浙江省电力有限公司电力科学研究院 | 一种储能电站站内电池单体寿命预测方法及系统 |
CN112067998A (zh) * | 2020-09-10 | 2020-12-11 | 昆明理工大学 | 一种基于深度神经网络的锂离子电池荷电状态估计方法 |
-
2021
- 2021-08-30 CN CN202111006077.6A patent/CN113743661A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190257886A1 (en) * | 2018-02-21 | 2019-08-22 | Nec Laboratories America, Inc. | Deep learning approach for battery aging model |
CN110412470A (zh) * | 2019-04-22 | 2019-11-05 | 上海博强微电子有限公司 | 电动汽车动力电池soc估计方法 |
CN110598300A (zh) * | 2019-09-05 | 2019-12-20 | 东软睿驰汽车技术(沈阳)有限公司 | 一种电池soh预测方法及装置 |
CN111880099A (zh) * | 2020-06-30 | 2020-11-03 | 国网浙江省电力有限公司电力科学研究院 | 一种储能电站站内电池单体寿命预测方法及系统 |
CN112067998A (zh) * | 2020-09-10 | 2020-12-11 | 昆明理工大学 | 一种基于深度神经网络的锂离子电池荷电状态估计方法 |
Non-Patent Citations (2)
Title |
---|
刘勇智;刘聪;王海波;: "航空用蓄电池容量预测的新方法", 蓄电池 * |
吕佳朋;史贤俊;王康;: "基于高斯过程回归的电池容量预测模型", 电子测量技术 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114330130A (zh) * | 2021-12-30 | 2022-04-12 | 山东浪潮科学研究院有限公司 | 一种电池剩余使用寿命预测方法、设备及介质 |
CN115291111A (zh) * | 2022-08-03 | 2022-11-04 | 苏州清研精准汽车科技有限公司 | 电池静置时间预测模型的训练方法以及静置时间预测方法 |
CN115291111B (zh) * | 2022-08-03 | 2023-09-29 | 苏州清研精准汽车科技有限公司 | 电池静置时间预测模型的训练方法以及静置时间预测方法 |
CN116449209A (zh) * | 2023-01-12 | 2023-07-18 | 帕诺(常熟)新能源科技有限公司 | 一种基于lstm的实际运营储能锂电容量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113743661A (zh) | 锂离子电池在线容量预测的方法、系统、设备及存储介质 | |
CN110568359A (zh) | 一种锂电池剩余寿命预测方法 | |
CN112230146B (zh) | 电池充电剩余时间的预测方法、系统及设备 | |
CN110058161B (zh) | 一种锂离子电池模型参数的分布式辨识方法及装置 | |
CN109768340B (zh) | 一种电池放电过程电压不一致性估计方法及装置 | |
CN112881921A (zh) | 电池等效电路模型参数辨识方法、装置、设备及存储介质 | |
CN115980588A (zh) | 基于自编码器提取特征的锂离子电池健康状态估计方法 | |
CN115034519A (zh) | 一种用电负荷的预测方法、装置、电子设备以及存储介质 | |
CN115600728A (zh) | 一种动力电池的年度碳排放量估算方法及装置 | |
CN115219905A (zh) | 一种电池内短路在线检测方法、装置及存储介质 | |
CN117825998A (zh) | 一种锂离子电池剩余寿命预测方法、系统、设备及介质 | |
CN115562244A (zh) | 一种基于动态联邦学习的设备故障诊断方法 | |
CN109921462B (zh) | 一种基于lstm的新能源消纳能力评估方法及系统 | |
CN114722923A (zh) | 一种轻量型的机电设备故障诊断方法 | |
CN113406500B (zh) | 一种动力锂电池的剩余电量估计方法 | |
CN113189500B (zh) | 电池电量计算方法、装置、计算机设备和存储介质 | |
CN117872164A (zh) | 一种电池容量转折点和剩余寿命联合预测方法及系统 | |
CN114154327A (zh) | 并联电池组建模方法及装置 | |
CN113537614A (zh) | 电网工程造价预测模型的构建方法、系统、设备及介质 | |
CN117171588A (zh) | 一种用于动力电池梯次利用故障检测方法 | |
CN117471320A (zh) | 基于充电片段的电池健康状态估计方法及系统 | |
CN117200250A (zh) | 火储联合调频的控制方法及系统 | |
CN113991752B (zh) | 一种电网准实时智能控制方法及系统 | |
CN113671386B (zh) | 一种氢燃料电池耐久性能分析方法及装置 | |
CN111239615A (zh) | 电池模型的参数的确定方法和装置、存储介质、计算机设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211203 |
|
RJ01 | Rejection of invention patent application after publication |