CN114114052A - 基于冲击响应特性的电池soh和soc快速估计方法 - Google Patents
基于冲击响应特性的电池soh和soc快速估计方法 Download PDFInfo
- Publication number
- CN114114052A CN114114052A CN202111414505.9A CN202111414505A CN114114052A CN 114114052 A CN114114052 A CN 114114052A CN 202111414505 A CN202111414505 A CN 202111414505A CN 114114052 A CN114114052 A CN 114114052A
- Authority
- CN
- China
- Prior art keywords
- soc
- soh
- features
- function
- battery based
- 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
- 230000004044 response Effects 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000035939 shock Effects 0.000 title claims description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 230000002490 cerebral effect Effects 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 230000003044 adaptive effect Effects 0.000 claims abstract description 7
- 238000011056 performance test Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 33
- 238000013139 quantization Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 9
- 230000032683 aging Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000001638 cerebellum Anatomy 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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
- G01R31/3835—Arrangements for monitoring battery or accumulator variables, e.g. SoC involving only voltage measurements
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/08—Learning methods
Abstract
本发明涉及一种基于冲击响应特性的电池SOH和SOC快速估计方法，包括以下步骤：步骤S1:采集由冲击电流造成的冲击响应电压曲线，并预处理；步骤S2:对预处理后的数据，进行特征提取；步骤S3:基于改进型模糊小脑神经网络，对所提取的特征进行训练，然后利用通过性能测试的改进型模糊小脑神经网络对没有训练过的特征进行估计，得到SOH和初始SOC；步骤S4:根据得到SOH和初始SOC，结合长短时记忆网络与自适应卡尔曼滤波算法，估计实时SOC。本发明实现了蓄电池在任意SOH状态和任意SOC状态下快速并且同时估计蓄电池的SOH和初始SOC。
Description
技术领域
本发明涉及蓄电池健康状态监测领域，具体涉及一种基于冲击响 应特性的电池SOH和SOC快速估计方法。
背景技术
随着时代的发展，环境问题越来越突出，世界各国对环境问题更 加重视，为了减少煤炭资源的使用，各国都积极探寻新能源发展的道 路，蓄电池作为新能源重要成员之一，具有举足轻重的地位。蓄电池 被广泛应用于应急电源系统、UPS、储能系统等场所，也是重要用电 设备的后备保障，尤其当电网发生重大事故时，可以作为应急电源使 用，保证重要用电设备的正常运转，避免进一步造成经济损失。
发明内容
有鉴于此，本发明的目的在于提供一种基于冲击响应特性的电池 SOH和SOC快速估计方法，实现了蓄电池在任意SOH状态和任意SOC 状态下快速并且同时估计蓄电池的SOH和初始SOC。
为实现上述目的，本发明采用如下技术方案：
一种基于冲击响应特性的电池SOH和SOC快速估计方法，包括以 下步骤：
步骤S1:采集由冲击电流造成的冲击响应电压曲线，并预处理；
步骤S2:对预处理后的数据，进行特征提取；
步骤S3:基于改进型模糊小脑神经网络，对所提取的特征进行训练， 然后利用通过性能测试的改进型模糊小脑神经网络对没有训练过的 特征进行估计，得到SOH和初始SOC；
步骤S4:根据得到SOH和初始SOC，结合长短时记忆网络与自适 应卡尔曼滤波算法，估计实时SOC。
进一步的，所述预处理，具体为：进行小波滤波消除噪声。
进一步的，所述特征提取包括四个特征，具体为：
1)利用小波分析对整条曲线的突变信号进行能量特征提取，提 取与电池老化相关的重要突变信息，利用灰色关联分析方法或者斯皮 尔曼分析法对所提取的多维能量特征进行降维，选出一维与电池老化 相关性最高的特征作为第一个特征；
2)利用冲击前后时刻的电压差作为第二个特征；
ΔU＝U1-U2
3)将电压差除以在冲击电流期间所放出的电量作为第三个输入 特征；
其中ΔQ是冲击期间所放出的电量,ΔT是冲击时间；
4)将预设时间内采集n个的电压值取平均值作为第四个特征
进一步的，所述小波能量特征提取，具体如下：
对冲击响应电压信号进行J层小波分解，并获得第J层的低频系 数和第一至J层的高频系数
蓄电池冲击负载响应信号的能量用以下式子表示：
以上式子中j为分解尺度，j＝1,2,3,…,k,…,J，式(1)表示提取 的总能量，式(2)表示第J层低频系数能量，式(3)表示第j层高频系数 能量，qj表示在尺度j时小波系数长度。aJj是低频系数，dji是高频系 数。
进一步的，所述引进改进型模糊小脑神经网络结构包括输入空间、 量化单元、关联单元、接受域单元、权重单元和输出单元；
所述量化单元，对输入的特征进行量化处理，相差小于预设值的 输入特征量化为相同的离散区域，相差大于预设值的输入特征离散为 相差较远的区域；
所述关联单元，引入高斯函数作为量化后的特征的块激活函数；
所述接受域单元，所激活的不同层对应的块进行累乘用于计算触 发强度；
所述权重单元，接收域层中的每个位置对应于权重层中的一个特 定的可调值；
所述输出单元，激活函数和损失函数分别采用Softmax函数和交 叉熵函数。
进一步的，所述量化处理，具体为：
其中，Ni表示量化系数，
表述输入特征的最大值，
表 示输入特征的最小是。
进一步的，所述高斯函数，具体为：
其中，mijk和vijk分别为第i个输入对应的第j层k块的高斯函数 的均值和方差。
进一步的，所述输出单元激活函数和损失函数分别采用Softmax 函数和交叉熵函数，具体如下：
采样梯度下降Back-propagation算法对SOH/SOC估计进行参 数mijk、vijk和wijk更新。
本发明与现有技术相比具有以下有益效果：
1、本发明实现蓄电池在任意SOH状态和任意SOC状态下快速 并且同时估计蓄电池的SOH和初始SOC，特征提取时间短；
2、本发明为安时积分法提供初始SOC和SOH，然后利用安时 积分法与自适应卡尔曼滤波算法或者自适应粒子滤波算法实时估计 SOC。
附图说明
图1是本发明一实施例中电压响应曲线图；
图2是本发明一实施例中量化后的状态会激活不同的层和块；
图3是本发明方法流程示意图；
图4是本发明一实施例中控制流程图；
图5是本发明一实施例中估计实时SOC示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图3，本发明提供一种基于冲击响应特性的电池SOH和 SOC快速估计方法，包括以下步骤：
步骤S1:采集在短时间由冲击电流造成的冲击响应电压曲线，并 对其进行小波滤波消除噪声；
优选的，在本实施例中，采样频率是100HZ,采样时间长度为13 秒，冲击时间和采样时间可以根据需求更改。
步骤S2:对预处理后的数据，进行特征提取；
优选的，通过以下四个方法对冲击响应曲线进行特征提取：
1)利用小波分析对整条曲线的突变信号进行能量特征提取，提 取与电池老化相关的重要突变信息，由于提取的能量特征丰富且多维， 需要利用灰色关联分析方法或者斯皮尔曼分析法对所提取的多维能 量特征进行降维，选出一维与电池老化相关性最高的特征作为第一个 特征(F1)。其小波能量特征提取步骤如下：
对冲击响应电压信号进行J层小波分解，并获得第J层的低频系 数和第一至J层的高频系数。
蓄电池冲击负载响应信号的能量可以用以下式子表示：
以上式子中j为分解尺度，j＝1,2,3,…,k,…,J，式(1)表示提取 的总能量，式(2)表示第J层低频系数能量，式(3)表示第j层高频系数 能量，qj表示在尺度j时小波系数长度。aJj是低频系数，dji是高频系 数。
将式(3)中每个尺度高频系数能量与Esignal的比值作为小波分析处 理后的特征向量V＝[E1,E2,…,EJ]。
然后对特征向量进行关联性分析，提取出合适的特征。
2)利用冲击前后时刻的电压差作为第二个特征(F2)。由于不同 老化程度的电池在冲击前后的电压差存在明显区别，老化程度的电池 越严重的电池电压差越大，但电压差也与SOC息息相关，所以F2既 可以作为SOH的输入特征又可以作为估计SOC的输入特征。
ΔU＝U1-U2 (4)
3)将电压差除以在冲击电流期间所放出的电量作为第三个输入 特征(F3)。其中ΔQ是冲击期间所放出的电量,ΔT是冲击时间。式(5) 表示的是电压随放电容量变化的变化率，也可以表示电压随冲击时间 变化的变化率。适用于复杂电流冲击的情况。
4)将13S内采集的电压值取平均值作为第四个特征(F4)。
值得注意的是：F1，F2，F3是估计SOH的输入特征，F2，F3，F4作 为估计SOC的输入特征，由于采样时间极短，所以可以满足快速性， 并且SOH和SOC的特征都是同时从电压响应曲线获得，也满足同时 性。
步骤S3:基于改进型模糊小脑神经网络，对所提取的特征进行训 练，然后利用通过性能测试的改进型模糊小脑神经网络对没有训练过 的特征进行估计，得到SOH和初始SOC；
优选的，在本实施例中，改进型模糊小脑模型神经网络基本结构 有六部分：输入空间、量化单元、关联单元、接受域单元、权重单元 和输出单元。
输入空间→量化单元：对输入的特征进行量化处理，相似的输入 特征量化为相同的离散区域，相差比较大的输入特征离散为相差较远 的区域，这样就能相似的输入实现相同的输出，差别大的输入实现不 同输出。其量化公式如式(7)所示。这个量化公式还得经过软件取 整。其中Ni表示量化系数，
表述输入特征的最大值，
表示 输入特征的最小是。
量化单元→关联单元：量化后的状态会激活不同的层和块如图 2所示，引入高斯函数作为量化后的特征的块激活函数，其公式如式 (8)所示。其中，mijk和vijk分别为第i个输入对应的第j层k块的高 斯函数的均值和方差。
关联单元→接受域单元：对所激活的不同层对应的块进行累乘用 于计算触发强度。其公式如式(9)所示。
接受域单元→权重单元：接收域层中的每个位置对应于权重层中 的一个特定的可调值，其权重层可表示如下：
权重单元→输出单元：输出单元激活函数和损失函数分别采用 Softmax函数和交叉熵函数，这适用于多目标分类，此外，交叉熵损 失函数和Softmax激活函数相配合，使得损失值越大导数越大，损失 值越小导数越小，这提高了分类器参数的更新速率。式(12)就是Softmax函数。交叉熵损失函数如式(13)所示。采样梯度下降 Back-propagation算法对SOH/SOC估计进行参数mijk、υijk和wijk更新。
步骤S4:根据得到SOH和初始SOC，结合长短时记忆网络与自适 应卡尔曼滤波算法，估计实时SOC。
参考图5，在本实施例中，LSTM单元由以下公式表示：
其中σ表示sigmod激活函数，tanh表示双曲线函数，xk和hk-1分别是再时间步k的输入和再前一时刻k-1的输出，w表示权重， i，f，o和c分别表示输入门，遗忘门，输出门和存储单元。b表示 偏置。
自适应卡尔曼滤波算法如下所示：
P(k|k-1)＝AP(k-1|k-1)AT+GQGT
其中卡尔曼增益如下所示
利用递推公式(15)、(16)、(17)、(18)可进行自适应估计 参数。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所 做的均等变化与修饰，皆应属本发明的涵盖范围。
Claims (8)
1.一种基于冲击响应特性的电池SOH和SOC快速估计方法，其特征在于，包括以下步骤：
步骤S1:采集由冲击电流造成的冲击响应电压曲线，并预处理；
步骤S2:对预处理后的数据，进行特征提取；
步骤S3:基于改进型模糊小脑神经网络，对所提取的特征进行训练，然后利用通过性能测试的改进型模糊小脑神经网络对没有训练过的特征进行估计，得到SOH和初始SOC；
步骤S4:根据得到SOH和初始SOC，结合长短时记忆网络与自适应卡尔曼滤波算法，估计实时SOC。
2.根据权利要求1所述的基于冲击响应特性的电池SOH和SOC快速估计方法，其特征在于，所述预处理，具体为：进行小波滤波消除噪声。
3.根据权利要求1所述的基于冲击响应特性的电池SOH和SOC快速估计方法，其特征在于，所述特征提取包括四个特征，具体为：
1)利用小波分析对整条曲线的突变信号进行能量特征提取，提取与电池老化相关的重要突变信息，利用灰色关联分析方法或者斯皮尔曼分析法对所提取的多维能量特征进行降维，选出一维与电池老化相关性最高的特征作为第一个特征；
2)利用冲击前后时刻的电压差作为第二个特征；
ΔU＝U1-U2
3)将电压差除以在冲击电流期间所放出的电量作为第三个输入特征；
其中ΔQ是冲击期间所放出的电量,ΔT是冲击时间；
4)将预设时间内采集n个的电压值取平均值作为第四个特征
4.根据权利要求3所述的基于冲击响应特性的电池SOH和SOC快速估计方法，其特征在于，所述小波能量特征提取，具体如下：
对冲击响应电压信号进行J层小波分解，并获得第J层的低频系数和第一至J层的高频系数
蓄电池冲击负载响应信号的能量用以下式子表示：
以上式子中j为分解尺度，j＝1,2,3,…,k,…,J，式(1)表示提取的总能量，式(2)表示第J层低频系数能量，式(3)表示第j层高频系数能量，qj表示在尺度j时小波系数长度。aJj是低频系数，dji是高频系数。
5.根据权利要求1所述的基于冲击响应特性的电池SOH和SOC快速估计方法，其特征在于，所述引进改进型模糊小脑神经网络结构包括输入空间、量化单元、关联单元、接受域单元、权重单元和输出单元；
所述量化单元，对输入的特征进行量化处理，相差小于预设值的输入特征量化为相同的离散区域，相差大于预设值的输入特征离散为相差较远的区域；
所述关联单元，引入高斯函数作为量化后的特征的块激活函数；
所述接受域单元，所激活的不同层对应的块进行累乘用于计算触发强度；
所述权重单元，接收域层中的每个位置对应于权重层中的一个特定的可调值；
所述输出单元，激活函数和损失函数分别采用Softmax函数和交叉熵函数。
6.根据权利要求5所述的基于冲击响应特性的电池SOH和SOC快速估计方法，其特征在于，所述量化处理，具体为：
其中，Ni表示量化系数，
表述输入特征的最大值，
表示输入特征的最小是。
7.根据权利要求5所述的基于冲击响应特性的电池SOH和SOC快速估计方法，其特征在于，所述高斯函数，具体为：
其中，mijk和vijk分别为第i个输入对应的第j层k块的高斯函数的均值和方差。
8.根据权利要求5所述的基于冲击响应特性的电池SOH和SOC快速估计方法，其特征在于，所述输出单元激活函数和损失函数分别采用Softmax函数和交叉熵函数，具体如下：
采样梯度下降Back-propagation算法对SOH/SOC估计进行参数mijk、vijk和wijk更新。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111414505.9A CN114114052A (zh) | 2021-11-25 | 2021-11-25 | 基于冲击响应特性的电池soh和soc快速估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111414505.9A CN114114052A (zh) | 2021-11-25 | 2021-11-25 | 基于冲击响应特性的电池soh和soc快速估计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114114052A true CN114114052A (zh) | 2022-03-01 |
Family
ID=80375589
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111414505.9A Pending CN114114052A (zh) | 2021-11-25 | 2021-11-25 | 基于冲击响应特性的电池soh和soc快速估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114114052A (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006057468A1 (en) * | 2004-11-29 | 2006-06-01 | Lg Chem, Ltd. | Method and system for battery state and parameter estimation |
| CN103941195A (zh) * | 2014-05-05 | 2014-07-23 | 山东大学 | 基于小模型误差准则扩展卡尔曼滤波的电池soc估计方法 |
| US20140218040A1 (en) * | 2013-02-01 | 2014-08-07 | Samsung Sdi Co., Ltd. | Method for estimating the state of charge of a battery, and battery management system using the method |
| CN108181562A (zh) * | 2018-01-18 | 2018-06-19 | 福州大学 | 基于模糊小脑模型神经网络的绝缘子故障诊断装置及方法 |
| CN109061506A (zh) * | 2018-08-29 | 2018-12-21 | 河海大学常州校区 | 基于神经网络优化ekf的锂离子动力电池soc估计方法 |
| CN109870654A (zh) * | 2019-02-02 | 2019-06-11 | 福州大学 | 基于冲击负载响应特性的蓄电池容量在线动态估计方法 |
| CN111611747A (zh) * | 2020-05-25 | 2020-09-01 | 福州大学 | 一种用于混合储能系统的在线状态估计方法及装置 |
| KR20200107411A (ko) * | 2019-03-07 | 2020-09-16 | 주식회사 엘지화학 | 배터리 soh 추정 방법 및 이를 적용한 배터리 팩 |
| CN112269134A (zh) * | 2020-09-10 | 2021-01-26 | 杭州电子科技大学 | 一种基于深度学习的电池soc和soh联合估计方法 |
| CN112649736A (zh) * | 2020-12-02 | 2021-04-13 | 南京工程学院 | 一种用于退役电池的soc、soh联合估算方法 |
| CN112684346A (zh) * | 2020-12-10 | 2021-04-20 | 西安理工大学 | 基于遗传卷积神经网络的锂电池健康状态估计方法 |
-
2021
- 2021-11-25 CN CN202111414505.9A patent/CN114114052A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006057468A1 (en) * | 2004-11-29 | 2006-06-01 | Lg Chem, Ltd. | Method and system for battery state and parameter estimation |
| US20140218040A1 (en) * | 2013-02-01 | 2014-08-07 | Samsung Sdi Co., Ltd. | Method for estimating the state of charge of a battery, and battery management system using the method |
| CN103941195A (zh) * | 2014-05-05 | 2014-07-23 | 山东大学 | 基于小模型误差准则扩展卡尔曼滤波的电池soc估计方法 |
| CN108181562A (zh) * | 2018-01-18 | 2018-06-19 | 福州大学 | 基于模糊小脑模型神经网络的绝缘子故障诊断装置及方法 |
| CN109061506A (zh) * | 2018-08-29 | 2018-12-21 | 河海大学常州校区 | 基于神经网络优化ekf的锂离子动力电池soc估计方法 |
| CN109870654A (zh) * | 2019-02-02 | 2019-06-11 | 福州大学 | 基于冲击负载响应特性的蓄电池容量在线动态估计方法 |
| KR20200107411A (ko) * | 2019-03-07 | 2020-09-16 | 주식회사 엘지화학 | 배터리 soh 추정 방법 및 이를 적용한 배터리 팩 |
| CN111611747A (zh) * | 2020-05-25 | 2020-09-01 | 福州大学 | 一种用于混合储能系统的在线状态估计方法及装置 |
| CN112269134A (zh) * | 2020-09-10 | 2021-01-26 | 杭州电子科技大学 | 一种基于深度学习的电池soc和soh联合估计方法 |
| CN112649736A (zh) * | 2020-12-02 | 2021-04-13 | 南京工程学院 | 一种用于退役电池的soc、soh联合估算方法 |
| CN112684346A (zh) * | 2020-12-10 | 2021-04-20 | 西安理工大学 | 基于遗传卷积神经网络的锂电池健康状态估计方法 |
Non-Patent Citations (2)
| Title |
|---|
| 周苏: "《燃料电池汽车建模及仿真技术》", 31 January 2017 * |
| 牛鑫强: "不同环境温度下的锂离子电池SOC估计", 《电池》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108896926B (zh) | 一种锂电池健康状态的评估方法、评估系统及相关组件 | |
| CN108181591B (zh) | 一种基于改进型bp神经网络的电池soc值的预测方法 | |
| CN112782591B (zh) | 基于多电池数据融合的锂电池soh长期预测方法 | |
| Sugiartawan et al. | Prediction by a hybrid of wavelet transform and long-short-term-memory neural network | |
| CN110488204B (zh) | 一种储能元件soh-soc联合在线估计方法 | |
| CN108022014B (zh) | 一种电力系统负荷预测方法及系统 | |
| CN112415414A (zh) | 一种锂离子电池剩余使用寿命预测方法 | |
| CN112067998A (zh) | 一种基于深度神经网络的锂离子电池荷电状态估计方法 | |
| CN113406521B (zh) | 一种基于特征分析的锂电池健康状态在线估计方法 | |
| CN113156325A (zh) | 一种对电池的健康状态进行估计的方法 | |
| CN114755745A (zh) | 基于多通道深度残差收缩网络的冰雹天气识别与分类方法 | |
| CN110687450B (zh) | 基于相空间重构和粒子滤波的锂电池剩余寿命预测方法 | |
| CN111208438B (zh) | 基于神经网络与无迹卡尔曼滤波器的锂电子电池剩余电量与传感器偏差协同估计的方法 | |
| CN112098874B (zh) | 一种考虑老化情况下的锂离子电池电量预测方法 | |
| CN112069666B (zh) | 一种基于概率潮流法的电网短期可靠性评估方法 | |
| CN112883637A (zh) | 锂离子电池rul的混沌时序非线性组合预测方法 | |
| CN114384435A (zh) | 一种基于wsa-lstm算法的新能源汽车动力电池剩余使用寿命自适应预测方法 | |
| CN112305441A (zh) | 一种集成式聚类下的动力电池健康状态评估方法 | |
| CN113689039A (zh) | 一种锂离子电池rul时间序列预测方法 | |
| CN114114052A (zh) | 基于冲击响应特性的电池soh和soc快速估计方法 | |
| CN117113180A (zh) | 基于vmd与卷积神经网络的直流配网高阻故障识别方法 | |
| 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 | |
| CN115374908A (zh) | 适用于配网柔性互联实时控制的短期负荷预测方法和系统 | |
| CN110224401B (zh) | 结合人工特征和残差网络的电力系统暂态稳定预测方法 | |
| CN111563684A (zh) | 负荷识别方法、装置和终端 |
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: 20220301 |
|
| RJ01 | Rejection of invention patent application after publication |