CN113805060A - 基于相关向量回归的锂电池剩余寿命检测方法 - Google Patents

基于相关向量回归的锂电池剩余寿命检测方法 Download PDF

Info

Publication number
CN113805060A
CN113805060A CN202110558178.8A CN202110558178A CN113805060A CN 113805060 A CN113805060 A CN 113805060A CN 202110558178 A CN202110558178 A CN 202110558178A CN 113805060 A CN113805060 A CN 113805060A
Authority
CN
China
Prior art keywords
sparrow
data
lithium battery
training
follows
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.)
Granted
Application number
CN202110558178.8A
Other languages
English (en)
Other versions
CN113805060B (zh
Inventor
徐自强
赵开
吴孟强
朱洪涛
郝晓明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202110558178.8A priority Critical patent/CN113805060B/zh
Publication of CN113805060A publication Critical patent/CN113805060A/zh
Application granted granted Critical
Publication of CN113805060B publication Critical patent/CN113805060B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
    • 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

本发明提供一种基于相关向量回归的锂电池剩余寿命检测方法，包括如下步骤：步骤一：对锂电池数据进行预处理，以及初始化相关向量机RVM算法参数；步骤二：麻雀种群初始化以及适应度评估；步骤三：麻雀种群位置更新，迭代训练；步骤四：判断迭代收敛条件；步骤五：优化结束后，保存模型最优参数，并使用模型对数据集进行训练和预测。本发明将改进麻雀搜索算法与RVM算法结合，优化了RVM算法的参数，使用了数据预处理的方法，并仅使用锂电池容量数据进行特征训练，获得电池容量预测结果，从而对锂电池剩余寿命进行检测。

Description

基于相关向量回归的锂电池剩余寿命检测方法
技术领域
本发明属于电池寿命评估技术领域，具体涉及一种基于改进麻雀优化算法与相关向量回 归算法结合的锂离子电池剩余寿命检测方法。
背景技术
锂离子电池是新能源汽车发展的重要一环。与传统铅酸电池比起来，锂离子电池具有使 用寿命长、电压高、自放电小、电池整体体积小、能量密度相对较高的特点。。对于锂离子电 池剩余寿命预测(Remain Use of Life，简称RUL)是锂离子电池应用的重要环节。其作用主 要体现在两个方面：其一，锂离子电池寿命衰退时间较长，在某些特殊领域难以通过可靠性 试验来达到寿命验证的目的，此时可以通过分析RUL来对锂电池可靠性进行估计；其二，通 过对锂离子电池RUL进行评估，可以对其使用环境、使用策略进行评估，从而实现了锂离子 电池的维护、维修以及使用性能优化，进一步延长锂离子电池的寿命。RVM算法针对锂离子 电池寿命预测具有很好的效果，但是RVM算法核函数的选取对预测结果影响很大，直接影 响到电池预测精度和速度。
发明内容
本发明的目的在于本发明提供了一种基于相关向量回归的锂电池剩余寿命检测方法，解 决现有预测技术中存在的问题。
为实现上述发明目的，本发明技术方案如下：
一种基于相关向量回归的锂电池剩余寿命检测方法，包括如下步骤：
步骤一：对锂电池数据进行预处理，以及初始化相关向量机RVM算法参数；
步骤二：麻雀种群初始化以及适应度评估；
步骤三：麻雀种群位置更新，迭代训练；
步骤四：判断迭代收敛条件；
步骤五：优化结束后，保存模型最优参数，并使用模型对数据集进行训练和预测。
作为优选方式，所述步骤一具体为：对于某个锂离子电池，其已知容量数据为一维向量 a(1),a(2),...,a(i)i∈(1,n)，采取数据升维的方式，添加交互项，将每个数据a(i)升维成多维向 量b(i)＝[a(i-4),a(i-3),...,a(i)]，则原始输入数据变成多维向量b(5),b(6),...,b(i)i∈(1,n)；对 于相关向量机RVM算法，设置初始参数。
作为优选方式，所述步骤二具体为：以相关向量机RVM核函数的参数a、b组成一个麻 雀个体，其中a是多项式核函数的权值，b是高斯核函数的权值，其初值范围均设定为[0.1,10]； 在该空间里均匀取值，形成大小为100的麻雀种群X＝(x1,x2,...,xn)；评估每个麻雀对应的相 关向量机RVM算法中训练集的均方根误差，作为该麻雀的适应度。
作为优选方式，所述步骤三具体为：更新麻雀种群里个体的位置；以麻雀种群中适应度 前20％的麻雀个体作为发现者，并更新发现者位置，其更新函数为：
Figure BDA0003077918490000021
其中xi是经过多次迭代后的第i个个体，xi+1是对于xi求解下一次位置的个体，μ是符合 均值1，方差1的正态分布函数，xbest是当前麻雀种群中最优个体，Q为标准正态分布随机数， R2为[0,1]范围内的随机数，ST是警戒阈值；采取了随机搜索加反向搜索的思路，从而扩大 了麻雀的搜索范围；
对于其他麻雀种群，设定其为跟随者种群，其位置更新函数如下：
Figure BDA0003077918490000022
式中，xworst是当前适应度最差的麻雀，A+＝AT(AAT)-1，A表示一个1*D的矩阵，矩阵中每个值都从{-1，1}中随机选取，L为矩阵[1,1]；
对于所有的麻雀种群，每次迭代都将随机选取部分个体做出反捕食行为；这些反捕食者 的位置更新函数如下：
Figure BDA0003077918490000023
式中，β为随机数，满足标准正态分布的特性；K为[-1,1]中的随机数，ε值取为10-50，防 止分母取0；反捕食行为说明：对于反捕食种群，其适应度函数最优时，麻雀会随机逃离到 其他位置，否则，会逃离到当前最优位置附近，从而实现搜索的缓慢收敛。
作为优选方式，所述步骤四具体为：判断每次麻雀种群位置迭代是否满足结束要求，直 到达到迭代次数1000，优化结束，否则返回步骤三。
作为优选方式，所述步骤五具体为：优化结束后，保存模型最优参数，以步骤一中升维 数据b(5),b(6),...,b(i)i∈(1,n)作为训练集进行训练，并预测出下一个数据a(i+1)，使用预测数 据a(i+1)构建下一组升维数据b(6),b(7),...,b(i+1)i∈(1,n)，并继续将这组升维数据进行训练， 得到下一个数据a(i+2)；如此反复迭代，从而得到电池的剩余寿命RUL值。
本发明的有益效果为：本发明将改进麻雀搜索算法与RVM算法结合，优化了RVM算法 的参数，使用了数据预处理的方法，并仅使用锂电池容量数据进行特征训练，获得电池容量 预测结果，从而对锂电池剩余寿命进行预测。
附图说明
图1是使用本检测方法对B5电池容量的检测结果(样本从80个周期开始预测)
图2是使用本检测方法对B5电池容量的检测结果(样本从100个周期开始预测)
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露 的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加 以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精 神下进行各种修饰或改变。
一种基于相关向量回归的锂电池剩余寿命检测方法，包括如下步骤：
1、步骤一：以NASA研究中心的锂电池充放电数据集B5为例，对锂电池数据进行预处 理，以及初始化相关向量机RVM算法参数；
所述步骤一具体为：对于某个锂离子电池，其已知容量数据为一维向量 a(1),a(2),...,a(i)i∈(1,n)，采取数据升维的方式，添加交互项，将每个数据a(i)升维成多维向量b(i)＝[a(i-4),a(i-3),...,a(i)]，则原始输入数据变成多维向量b(5),b(6),...,b(i)i∈(1,n)；对 于相关向量机RVM算法，设置初始参数。
2、步骤二：麻雀种群初始化以及适应度评估；
所述步骤二具体为：以相关向量机RVM核函数的参数a、b组成一个麻雀个体，其中a是多项式核函数的权值，b是高斯核函数的权值，其初值范围均设定为[0.1,10]；在该空间里 均匀取值，形成大小为100的麻雀种群X＝(x1,x2,...,xn)；评估每个麻雀对应的相关向量机 RVM算法中训练集的均方根误差，作为该麻雀的适应度。
3、步骤三：麻雀种群位置更新，迭代训练；
所述步骤三具体为：更新麻雀种群里个体的位置；以麻雀种群中适应度前20％的麻雀个 体作为发现者，并更新发现者位置，其更新函数为：
Figure BDA0003077918490000031
其中xi是经过多次迭代后的第i个个体，xi+1是对于xi求解下一次位置的个体，μ是符合 均值1，方差1的正态分布函数，xbest是当前麻雀种群中最优个体，Q为标准正态分布随机数， R2为[0,1]范围内的随机数，ST是警戒阈值；采取了随机搜索加反向搜索的思路，从而扩大 了麻雀的搜索范围；
对于其他麻雀种群，设定其为跟随者种群，其位置更新函数如下：
Figure BDA0003077918490000041
式中，xworst是当前适应度最差的麻雀，A+＝AT(AAT)-1，A表示一个1*D的矩阵，矩阵中每个值都从{-1，1}中随机选取，L为矩阵[1,1]；
对于所有的麻雀种群，每次迭代都将随机选取部分个体做出反捕食行为；这些反捕食者 的位置更新函数如下：
Figure BDA0003077918490000042
式中，β为随机数，满足标准正态分布的特性；K为[-1,1]中的随机数，ε值很小，ε值取 为10-50，防止分母取0；反捕食行为说明：对于反捕食种群，其适应度函数最优时，麻雀会随机逃离到其他位置，否则，会逃离到当前最优位置附近，从而实现搜索的缓慢收敛。
4、步骤四：判断迭代收敛条件；
所述步骤四具体为：判断每次麻雀种群位置迭代是否满足结束要求，直到达到迭代次数 1000，优化结束，否则返回步骤三。
5、步骤五：优化结束后，保存模型最优参数，并使用模型对数据集进行训练和预测。
所述步骤五具体为：优化结束后，保存模型最优参数，以步骤一中升维数据 b(5)，b(6)，...，b(i)i∈(1，n)；作为训练集进行训练，并预测出下一个数据a(i+1)，使用预测数据 a(i+1)构建下一组升维数据b(6),b(7),...,b(i+1)i∈(1,n)，并继续将这组升维数据进行训练， 得到下一个数据a(i+2)；如此反复迭代，从而得到电池的剩余寿命RUL值。
分别选取B5数据集中60、80、100个周期作为训练样本，剩余数据作为测试集，用于检 验和验证。当测试样本中估计容量退化到失效阈值1.4(Ah)时，电池达到寿命终点。通过曲线 可以得到其RUL，并可以实现不同的模型预测效果对比。
表1模型预测结果评估：
表1
Figure BDA0003077918490000051
从上表可看出：ISSA-RVM算法与RVM算法相比，RUL误差大大降低，并且能根据ISSA-RVM算法得到的RUL置信区间，对电池寿命是否趋近终点进行判断。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技 术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，凡所 属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效 修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (6)

1.一种基于相关向量回归的锂电池剩余寿命检测方法，其特征在于包括如下步骤：
步骤一：对锂电池数据进行预处理，以及初始化相关向量机RVM算法参数；
步骤二：麻雀种群初始化以及适应度评估；
步骤三：麻雀种群位置更新，迭代训练；
步骤四：判断迭代收敛条件；
步骤五：优化结束后，保存模型最优参数，并使用模型对数据集进行训练和预测。
2.根据权利要求1所述的一种基于相关向量回归的锂电池剩余寿命检测方法，特征在于：所述步骤一具体为：对于某个锂离子电池，其已知容量数据为一维向量a(1),a(2),...,a(i)i∈(1,n)，采取数据升维的方式，添加交互项，将每个数据a(i)升维成多维向量b(i)＝[a(i-4),a(i-3),...,a(i)]，则原始输入数据变成多维向量b(5),b(6),...,b(i)i∈(1,n)；对于相关向量机RVM算法，设置初始参数。
3.根据权利要求1所述的一种基于相关向量回归的锂电池剩余寿命检测方法，特征在于：所述步骤二具体为：以相关向量机RVM核函数的参数a、b组成一个麻雀个体，其中a是多项式核函数的权值，b是高斯核函数的权值，其初值范围均设定为[0.1,10]；在该空间里均匀取值，形成大小为100的麻雀种群X＝(x1,x2,...,xn)；评估每个麻雀对应的相关向量机RVM算法中训练集的均方根误差，作为该麻雀的适应度。
4.根据权利要求1所述的一种基于相关向量回归的锂电池剩余寿命检测方法，特征在于，所述步骤三具体为：更新麻雀种群里个体的位置；以麻雀种群中适应度前20％的麻雀个体作为发现者，并更新发现者位置，其更新函数为：
Figure FDA0003077918480000011
其中xi是经过多次迭代后的第i个个体，xi+1是对于xi求解下一次位置的个体，μ是符合均值1，方差1的正态分布函数，xbest是当前麻雀种群中最优个体，Q为标准正态分布随机数，R2为[0,1]范围内的随机数，ST是警戒阈值；采取了随机搜索加反向搜索的思路，从而扩大了麻雀的搜索范围；
对于其他麻雀种群，设定其为跟随者种群，其位置更新函数如下：
Figure FDA0003077918480000012
式中，xworst是当前适应度最差的麻雀，A+＝AT(AAT)-1，A表示一个1*D的矩阵，矩阵中每个值都从{-1，1}中随机选取，L为矩阵[1,1]；
对于所有的麻雀种群，每次迭代都将随机选取部分个体做出反捕食行为；这些反捕食者的位置更新函数如下：
Figure FDA0003077918480000021
式中，β为随机数，满足标准正态分布的特性；K为[-1,1]中的随机数，ε值取为10-50，防止分母取0；反捕食行为说明：对于反捕食种群，其适应度函数最优时，麻雀会随机逃离到其他位置，否则，会逃离到当前最优位置附近，从而实现搜索的缓慢收敛。
5.根据权利要求1所述的一种基于相关向量回归的锂电池剩余寿命检测方法，特征在于，所述步骤四具体为：判断每次麻雀种群位置迭代是否满足结束要求，直到达到迭代次数1000，优化结束，否则返回步骤三。
6.根据权利要求1所述的一种基于相关向量回归的锂电池剩余寿命检测方法，特征在于，所述步骤五具体为：优化结束后，保存模型最优参数，以步骤一中升维数据b(5),b(6),...,b(i)i∈(1,n)作为训练集进行训练，并预测出下一个数据a(i+1)，使用预测数据a(i+1)构建下一组升维数据b(6),b(7),...,b(i+1)i∈(1,n)，并继续将这组升维数据进行训练，得到下一个数据a(i+2)；如此反复迭代，从而得到电池的剩余寿命RUL值。
CN202110558178.8A 2021-05-21 2021-05-21 基于相关向量回归的锂电池剩余寿命检测方法 Active CN113805060B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110558178.8A CN113805060B (zh) 2021-05-21 2021-05-21 基于相关向量回归的锂电池剩余寿命检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110558178.8A CN113805060B (zh) 2021-05-21 2021-05-21 基于相关向量回归的锂电池剩余寿命检测方法

Publications (2)

Publication Number Publication Date
CN113805060A true CN113805060A (zh) 2021-12-17
CN113805060B CN113805060B (zh) 2022-11-04

Family

ID=78942447

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110558178.8A Active CN113805060B (zh) 2021-05-21 2021-05-21 基于相关向量回归的锂电池剩余寿命检测方法

Country Status (1)

Country Link
CN (1) CN113805060B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114970332A (zh) * 2022-05-16 2022-08-30 西北工业大学 基于混沌量子麻雀搜索算法的锂电池模型参数辨识方法
CN115165777A (zh) * 2022-07-01 2022-10-11 首都医科大学宣武医院 芬太尼类管控麻醉药品废液回收核查系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
BRPI0902812A2 (pt) * 2009-08-19 2011-05-03 Universidade Estadual De Londrina equipamento e método para análise, triagem e restauração do desempenho de baterias recarregáveis
CN102968573A (zh) * 2012-12-14 2013-03-13 哈尔滨工业大学 基于相关向量回归的在线预测锂离子电池剩余寿命的方法
CN110007240A (zh) * 2019-04-26 2019-07-12 贵州大学 一种锂离子电池剩余寿命预测方法
CN110362900A (zh) * 2019-07-02 2019-10-22 岭南师范学院 一种led寿命的预测方法
EP3736587A1 (en) * 2019-05-08 2020-11-11 Tata Consultancy Services Limited A method and a system for estimation of remaining useful life in lithium based batteries
CN112016624A (zh) * 2020-08-28 2020-12-01 西北农林科技大学 一种基于麻雀搜索算法优化核独立分量的光谱数据降维方法
CN112485692A (zh) * 2020-11-12 2021-03-12 李忠 一种基于麻雀搜索和最小二乘支持向量机的电池健康状态估计与剩余寿命预测方法
CN112654050A (zh) * 2020-12-21 2021-04-13 江西理工大学 一种增强型麻雀搜索算法的无线传感器网络优化覆盖方案

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
BRPI0902812A2 (pt) * 2009-08-19 2011-05-03 Universidade Estadual De Londrina equipamento e método para análise, triagem e restauração do desempenho de baterias recarregáveis
CN102968573A (zh) * 2012-12-14 2013-03-13 哈尔滨工业大学 基于相关向量回归的在线预测锂离子电池剩余寿命的方法
CN110007240A (zh) * 2019-04-26 2019-07-12 贵州大学 一种锂离子电池剩余寿命预测方法
EP3736587A1 (en) * 2019-05-08 2020-11-11 Tata Consultancy Services Limited A method and a system for estimation of remaining useful life in lithium based batteries
CN110362900A (zh) * 2019-07-02 2019-10-22 岭南师范学院 一种led寿命的预测方法
CN112016624A (zh) * 2020-08-28 2020-12-01 西北农林科技大学 一种基于麻雀搜索算法优化核独立分量的光谱数据降维方法
CN112485692A (zh) * 2020-11-12 2021-03-12 李忠 一种基于麻雀搜索和最小二乘支持向量机的电池健康状态估计与剩余寿命预测方法
CN112654050A (zh) * 2020-12-21 2021-04-13 江西理工大学 一种增强型麻雀搜索算法的无线传感器网络优化覆盖方案

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
S.-I. CHOI, S.T. CHOI, H. YOO: "Selective Feature Generation Method for Classification of", 《INTERNATIONAL JOURNAL OF COMPUTERS COMMUNICATIONS & CONTROL》 *
Y. LIU, G. ZHAO, X. PENG AND Y. LIU: ""A fusion prognostic approach based on multi-kernel relevance vector machine and Bayesian model averaging", 《2016 PROGNOSTICS AND SYSTEM HEALTH MANAGEMENT CONFERENCE》 *
ZHAO, GUANGQUAN，ZHANG, GUOHUI: "Lithium-ion Battery Remaining Useful Life Prediction with Deep Belief Network and Relevance Vector Machine", 《IEEE INTERNATIONAL CONFERENCE ON PROGNOSTICS AND HEALTH MANAGEMENT》 *
刘月峰,赵光权,彭喜元.: "多核相关向量机优化模型的锂电池剩余寿命预测方法", 《电子学报》 *
彭鸿博,蒋雄伟: "基于相关向量机的发动机剩余寿命预测", 《科学技术与工程》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114970332A (zh) * 2022-05-16 2022-08-30 西北工业大学 基于混沌量子麻雀搜索算法的锂电池模型参数辨识方法
CN114970332B (zh) * 2022-05-16 2024-03-22 西北工业大学 基于混沌量子麻雀搜索算法的锂电池模型参数辨识方法
CN115165777A (zh) * 2022-07-01 2022-10-11 首都医科大学宣武医院 芬太尼类管控麻醉药品废液回收核查系统

Also Published As

Publication number Publication date
CN113805060B (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
CN113030764B (zh) 一种电池组健康状态估计方法及系统
CN113805060B (zh) 基于相关向量回归的锂电池剩余寿命检测方法
CN111856287B (zh) 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法
Ma et al. State of health estimation and remaining useful life prediction for lithium-ion batteries by improved particle swarm optimization-back propagation neural network
CN110703101B (zh) 一种锂离子电池分区间循环容量衰退预测方法
CN110632528A (zh) 一种基于内阻检测的锂电池soh估算方法
CN111983474A (zh) 一种基于容量衰退模型的锂离子电池寿命预测方法和系统
CN113655385A (zh) 锂电池soc估计方法、装置及计算机可读存储介质
CN114970332B (zh) 基于混沌量子麻雀搜索算法的锂电池模型参数辨识方法
CN113740736A (zh) 一种基于深度网络自适应的电动汽车锂电池soh估算方法
CN114818831B (zh) 基于多源感知的双向锂离子电池故障检测方法及系统
CN113189490B (zh) 基于特征筛选和高斯过程回归的锂电池健康状态估计方法
CN113311337A (zh) 基于相关向量回归的锂离子电池剩余寿命检测方法
CN115248393A (zh) 电池一致性分选方法、装置、设备及存储介质
CN113554200A (zh) 动力电池电压不一致性预测方法、系统及设备
CN114545275A (zh) 一种锂离子电池剩余使用寿命间接预测方法
CN113820615A (zh) 一种电池健康度检测方法与装置
CN116449218B (zh) 一种锂电池健康状态的估计方法
CN109738807B (zh) 基于蚁群算法优化后的bp神经网络来估算soc的方法
CN117110884A (zh) 基于多核相关向量机的锂电池剩余使用寿命预测方法
CN116540134A (zh) 一种基于gwo-lstm的锂离子电池健康状态估计方法
CN115389946A (zh) 一种基于等压升能量和改进gru的锂电池健康状态估计方法
CN116224127A (zh) 基于大数据分析的电池健康状态估算方法
Zhang et al. Modeling of electric vehicle batteries using rbf neural networks
Ganesh et al. Prediction of Residual Energy in Batteries using CNN-BiGRU and Attention Mechanism Model

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