CN114295994A - 一种基于pca-rvm的锂离子电池剩余使用寿命预测方法 - Google Patents
一种基于pca-rvm的锂离子电池剩余使用寿命预测方法 Download PDFInfo
- Publication number
- CN114295994A CN114295994A CN202111589458.1A CN202111589458A CN114295994A CN 114295994 A CN114295994 A CN 114295994A CN 202111589458 A CN202111589458 A CN 202111589458A CN 114295994 A CN114295994 A CN 114295994A
- Authority
- CN
- China
- Prior art keywords
- lithium ion
- ion battery
- rvm
- service life
- 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
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 74
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000036541 health Effects 0.000 claims abstract description 32
- 238000006731 degradation reaction Methods 0.000 claims abstract description 10
- 230000015556 catabolic process Effects 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000007599 discharging Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 2
- 230000014509 gene expression Effects 0.000 description 6
- 238000010606 normalization Methods 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000295 fuel oil Substances 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Images
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明针对用于预测锂离子电池剩余使用寿命的健康因子品质低、难以测量、适用范围小且预测精度差的问题,提出一种基于PCA‑RVM的锂离子电池剩余使用寿命预测方法,涉及数据驱动预测技术领域。具体步骤如下:提取锂离子电池剩余使用寿命退化特征参数;数据处理;使用PCA算法构建一种新的健康因子;更新RVM中的高斯核函数参数;建立RVM锂离子电池容量估计模型;锂离子电池容量估计和剩余使用寿命预测。利用美国宇航局卓越预测中心(NASA Ames PCoE)公开数据集中B0005号锂离子电池数据验证该方法,利用3种指标评价预测结果,结果表明本发明提出的方法能够实现锂离子电池剩余使用寿命精确预测。
Description
技术领域
本发明属于电动汽车锂离子电池技术领域,涉及一种基于PCA-RVM的锂离子电池剩余使用寿命预测方法。
背景技术
环境问题和化石能源短缺问题已经是世界各国常谈的问题。随着化石能源的不断枯竭,解决全球能源危机迫在眉睫,传统燃油汽车作为温室气体排放的“主力军”,研究新能源汽车是优化能源结构、发展清洁可再生能源的必要措施。“电力”作为最清洁能源之一,电能替代化石能源的概念为新能源汽车的发展提供了方向。同传统燃油汽车相比,电动汽车以锂离子电池作为动力源,在驱动汽车行驶过程中基本不排放有害气体,解决了能源消耗和尾气排放这两个主要问题,对环境保护和空气的洁净是十分有益的。
目前,锂离子电池剩余使用寿命的预测主要分为两个主要方向:一是基于模型的预测方法,主要为粒子滤波模型、电化学模型、等效电路模型和经验退化模型等。基于模型的方法需要深入探究电池内部反应机理,构建相应的电池退化模型,然而电池结构复杂、电池退化过程不确定性高,模型难以完全包含环境和负载特性对电池寿命的影响,精确建模的难度较大。二是基于数据驱动的预测方法,其中最突出的包括人工神经网络、支持向量机、相关向量机、自回归模型等。与基于模型的方法相反,数据驱动方法规避了锂离子电池内部电化学反应和失效机理的分析,从电池状态监测数据(如电压、电流、温度等容易测得的参数)中直接挖掘电池劣化信息及其演化规律等,可以在一定程度上克服基于模型方法的动态精度低和泛化能力差的问题,因此数据驱动方法以易用性和灵活性被广泛使用在多个领域的预测问题中。
基于数据驱动的预测方法通常分为两大步骤:提取健康因子和构建预测模型。基于数据驱动方法进行锂离子电池剩余使用寿命预测时,需要提取直接或间接对剩余使用寿命影响大的特征数据作为预测的健康因子,然后采用合适的算法构建预测模型,健康因子的品质和模型的性能共同决定了预测的精度和可靠性。目前大多数研究使用电池容量、阻抗等参数作为健康因子来预测锂离子电池剩余使用寿命,但此类参数在电池运行过程中难以测量。也有部分研究考虑从易测的电压、电流或温度等参数中挖掘或重构新的指标作为锂离子电池剩余使用寿命预测的健康因子,如温度变化率、温度差、电池端电压、等时间电压差、等电压差时间间隔等独立或共同作为健康因子来预测锂离子电池剩余使用寿命。一是用于预测的健康因子不足或冗余都会导致预测出现偏差。二是用于预测所构建的健康因子的适用范围不能太局限。因此,提取出能够显著反应锂离子电池性能退化、适用范围大且容易获得的高品质健康因子,对锂离子电池剩余使用寿命预测有重要的理论意义和实践价值。
发明内容
本发明针对用于预测锂离子电池剩余使用寿命的健康因子品质低、难以测量、适用范围小且预测精度差的问题,提出一种基于PCA-RVM的锂离子电池剩余使用寿命预测方法,该方法具有良好的预测性能。
本发明提出的一种基于PCA-RVM的锂电池剩余使用寿命预测方法,包括以下步骤:
步骤1,提取锂离子电池剩余使用寿命退化特征参数;
步骤2,数据处理;
步骤3,使用PCA算法构建一种新的健康因子;
步骤4,更新RVM中的高斯核函数参数;
步骤5,建立RVM锂离子电池容量估计模型;
步骤6,锂离子电池容量估计和剩余使用寿命预测。
进一步,步骤1所述参数为锂离子电池充放电历史数据中充电或放电电压、电流和温度,具体为:
其中U、I、T分别表示电压、电流和温度,i表示充放电循环数,Ui、Ii、Ti分别表示第i个充放电循环的充电或放电电压、电流、温度数据,同一个充电或放电循环中的电压、电流、温度的数据长度一致,不同充电或放电循环中电压、电流或温度的数据长度可能不一致。
进一步,步骤2中所述数据处理方法:首先将抽取的电压、电流和温度数据统一为锂离子电池充放电历史数据中充电或放电循环中最短的电压、电流或温度数据长度j,构建电压-电流-温度特征矩阵;然后将电压-电流-温度特征矩阵零均值标准化,得到Xi。特征矩阵、容量与特征矩阵的关系及零均值标准化的具体的表达式为:
Capacity=[Capacity1,Capacity2,…,Capacityi]
其中T表示转置,Capacity表示容量,x为某个特征的原始值,μ为该特征在所有样本中的平均值,σ为该特征在所有样本中的标准差,x*为经过标准化处理后的特征值。
进一步,步骤3所述PCA构建一种新的健康因子包括以下步骤:
A1,求出Xi的协方差矩阵Cov(Xi);
A2,求出Cov(Xi)的特征值λi1,λi2,λi3,特征向量Qi1,Qi2,Qi3;
A3,λi1,λi2,λi3按降序排列,取前1个特征值所对应的特征向量组成矩阵Pi;
A4,返回降维后的数据即一种新的健康因子HIi。
进一步,步骤A2中求协方差矩阵的公式为:
进一步,步骤A4中求HIi的公式为:
HIi=XiPi
进一步,步骤4所述高斯核函数即为RVM所采用的核函数类型,更新RVM中的高斯核函数参数包括以下步骤:
B1,通过留出法将数据集划分为训练集和测试集;
B2,设置合理的高斯核函数参数;
B3,建立该高斯核函数参数对应的RVM模型;
B4,输入训练集至RVM模型进行训练,测试集进行测试,得到该高斯核函数参数下的均方根误差;
B5,重复步骤B2-B4,得到均方根误差与高斯核函数参数的关系;
B6,设置RVM中的高斯核函数参数为均方根误差最小所对应的高斯核函数参数。
进一步,步骤B4所述均方根误差为一种模型评价指标,具体的表达式为:
进一步,步骤5中,存在以下两种情况:
情况一:数据集较小时,建立RVM锂离子电池容量估计模型包括以下步骤:
C1,将数据集划分成10个大小相等的样本子集;
C2,依次遍历这10个子集,第m次(m=1,2,…,10)遍历会将第m个子集作为验证集,其余所有子集作为训练集进行RVM锂离子电池容量估计模型的训练;
C3,将10次RMSE的平均值作为模型的最终评估指标,建立RVM锂离子电池容量估计模型。
情况二:数据集较大时,建立RVM锂离子电池容量估计模型包括以下步骤:
D1,通过留出法将数据集划分为训练集和测试集;
D2,训练集进行RVM锂离子电池容量估计模型的训练,测试集进行模型的测试,建立RVM锂离子电池容量估计模型。
进一步,步骤6中,设置容量失效阈值、预测起点SP,基于RVM锂离子电池容量估计模型完成容量估计,计算容量估计曲线与容量失效阈值的交点所对应的循环次数PC,则锂离子电池剩余使用寿命预测值为PC-SP,将基于PCA-RVM的锂离子电池剩余使用寿命预测结果可视化,利用均方根误差RMSE、平均绝对误差MAE及决定系数R2评价预测结果,其中平均绝对误差、决定系数的表达式如下:
本发明提出的方法具有以下优点:
(1)构建了一种新的用于锂离子电池容量估计、健康状态或剩余使用寿命预测的高品质健康因子;
(2)因为用于构建新的健康因子的基础数据来源于锂离子电池充放电过程中最容易获得的电压、电流和温度,所以该健康因子适用范围大,不止用于某一类锂离子电池容量估计、健康状态或剩余使用寿命预测;
(3)实验结果证明本发明方法的预测精度高,可用于锂离子电池容量估计、健康状态或剩余使用寿命精确预测。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1是本发明基于PCA-RVM的锂离子电池剩余使用寿命预测流程图。
图2是本发明B0005锂离子电池放电电压、电流、温度曲线图。
图3是本发明B0005锂离子电池放电电压、电流、温度经过零均值标准化的电压、电流、温度曲线图。
图4是本发明B0005锂离子电池健康因子曲线图。
图5是本发明均方根误差与高斯核函数参数的关系曲线图。
图6是本发明十折交叉验证法示意图。
图7是本发明基于PCA-RVM的锂离子电池剩余使用寿命预测曲线图。
具体实施方式
以下通过表1所示的美国宇航局卓越预测中心(NASA Ames PCoE)公开数据集中B0005号锂离子电池数据为例,结合本发明实施例中的附图,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。
表1 B0005锂离子电池
充电电流 | 充电截止电压 | 放电电流 | 放电截止电压 | 标定容量 |
1.5A | 4.2V | 2A | 2.7V | 1.8565Ah |
说明:标定容量为第1次充放电循环的放电容量。
如图1所示,根据本发明的实施例,一种基于PCA-RVM的锂离子电池剩余使用寿命预测方法包括六个基本步骤:提取锂离子电池剩余使用寿命退化特征参数;数据处理;使用PCA算法构建一种新的健康因子;更新RVM中的高斯核函数参数;搭建RVM锂离子电池容量估计模型;锂离子电池容量估计和剩余使用寿命预测。
1.提取锂离子电池剩余使用寿命退化特征参数
本实施例中,B0005锂离子充放电历史数据中放电电压、电流和温度数据如下所示,B0005锂离子电池放电电压、电流、温度曲线如图2所示。
其中T表示转置,U、I、T分别表示电压、电流和温度,i表示充放电循环数,Ui、Ii、Ti分别表示第i个充放电循环的放电电压、电流、温度数据, 分别表示第i个充放电循环的放电电压、电流、温度的单个数据,ji表示不同充放电循环的放电电压、电流、温度数据长度。
2.数据处理
本实施例中,电压、电流、温度数据长度j=179,以i=1为例说明零均值标准化过程,B0005锂离子电池放电电压、电流、温度经过零均值标准化的电压、电流、温度曲线如图3所示。
3.PCA构建一种新的健康因子
本实施例中,以i=1为例说明,PCA构建健康因子的步骤如下:
A1,求出X1的协方差矩阵Cov(X1),具体的表达式为:
A2,求出Cov(X1)的特征值λ11,λ12,λ13,特征向量Q11,Q12,Q13;
A4,返回降维后的数据即一种新的健康因子HI1,具体的表达式为:
4.更新RVM中的高斯核函数参数
本实施例中,更新RVM中的高斯核函数参数包括以下步骤:
B1,设置Hold-Out为0.3,即将数据集划分为:70%训练集,30%测试集;
B2,设置高斯核函数参数为0.5,间隔值为0.5;
B3,建立该高斯核函数参数对应的RVM模型;
B4,输入训练集至RVM模型进行训练,测试集进行测试,得到该高斯核函数参数下的均方根误差;
B5,重复步骤B2-B4直到高斯核函数参数等于20,得到均方根误差与高斯核函数参数的关系;
B6,更新RVM中的高斯核函数参数λ=1。
均方根误差与高斯核函数参数的关系曲线如图5所示。
5.建立RVM锂离子电池容量估计模型
本实施例中,由于数据集较小,则通过十折交叉验证法建立RVM锂离子电池容量估计模型,十折交叉验证法示意图如图6所示。
6.锂离子电池容量估计和剩余使用寿命预测
本实施例中,设置容量失效阈值为1.3Ah即70%标定容量,预测起点为第71个循环,基于RVM锂离子电池容量估计模型完成容量估计,计算容量估计曲线与容量失效阈值的交点所对应的循环数为162,则锂离子电池剩余使用寿命预测值为91。基于PCA-RVM的锂离子电池剩余使用寿命预测结果如图7、表2所示。
表2预测结果
预测起点 | 真实RUL | 预测RUL | 绝对误差 | RMSE | MAE | R<sup>2</sup> |
71 | 90 | 91 | 1 | 0.0053 | 0.0039 | 0.9971 |
从表2和图7可以看出,本发明所构建的用于锂离子电池剩余使用寿命的健康因子结合RVM在预测时具有非常好的表现,在一定程度上反映出本发明具有优越性和有效性。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种基于PCA-RVM的锂离子电池剩余使用寿命预测方法,其特征在于,包括以下步骤:
步骤1,提取锂离子电池剩余使用寿命退化特征参数;
步骤2,数据处理;
步骤3,使用PCA算法构建一种新的健康因子;
步骤4,更新RVM中的高斯核函数参数;
步骤5,建立RVM锂离子电池容量估计模型;
步骤6,锂离子电池容量估计和剩余使用寿命预测。
2.根据权利要求1所述的方法,其特征在于,步骤1所述参数为锂离子电池充放电历史数据中充电或放电电压、电流和温度。
3.根据权利要求1所述的方法,其特征在于,步骤2所述数据处理:首先将抽取的电压、电流和温度数据统一为锂离子电池充放电历史数据中充电或放电循环中最短的电压、电流或温度数据长度,构建电压-电流-温度特征矩阵;然后将电压-电流-温度特征矩阵零均值标准化。
4.根据权利要求1所述的方法,其特征在于,步骤3中,在经过数据处理后的电压-电流-温度特征矩阵基础上,使用PCA算法降维并提取主成分,构建一种新的健康因子。
5.根据权利要求1所述的方法,其特征在于,步骤4所述高斯核函数即为RVM所采用的核函数类型,更新RVM中的高斯核函数参数为最优的高斯核函数参数。
6.根据权利要求1所述的方法,其特征在于,步骤5中,根据由新的健康因子组成的数据集大小决定模型的建立方式。若数据集较小时,通过十折交叉验证法进行模型的训练、测试,建立RVM锂离子电池容量估计模型;若数据集较大时,通过留出法进行模型的训练、测试,建立RVM锂离子电池容量估计模型。
7.根据权利要求1所述的方法,其特征在于,步骤6中,设置容量失效阈值、预测起点SP,基于RVM锂离子电池容量估计模型完成容量估计,计算容量估计曲线与容量失效阈值的交点所对应的循环数PC,则锂离子电池剩余使用寿命预测值为PC-SP,最后利用3种指标评价预测结果,将基于PCA-RVM的锂离子电池剩余使用寿命预测结果可视化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111589458.1A CN114295994A (zh) | 2021-12-23 | 2021-12-23 | 一种基于pca-rvm的锂离子电池剩余使用寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111589458.1A CN114295994A (zh) | 2021-12-23 | 2021-12-23 | 一种基于pca-rvm的锂离子电池剩余使用寿命预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114295994A true CN114295994A (zh) | 2022-04-08 |
Family
ID=80968882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111589458.1A Pending CN114295994A (zh) | 2021-12-23 | 2021-12-23 | 一种基于pca-rvm的锂离子电池剩余使用寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114295994A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115114878A (zh) * | 2022-07-26 | 2022-09-27 | 中国长江三峡集团有限公司 | 一种储能电站电池寿命在线预测方法、装置及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180005151A1 (en) * | 2016-06-29 | 2018-01-04 | General Electric Company | Asset health management framework |
CN108535656A (zh) * | 2018-03-22 | 2018-09-14 | 中北大学 | 基于pca-narx神经网络的锂离子电池剩余使用寿命预测方法和系统 |
CN109061504A (zh) * | 2018-08-28 | 2018-12-21 | 中北大学 | 同类型不同锂离子电池剩余使用寿命预测方法和系统 |
CN111103544A (zh) * | 2019-12-26 | 2020-05-05 | 江苏大学 | 基于长短时记忆lstm和粒子滤波pf的锂离子电池剩余使用寿命预测方法 |
-
2021
- 2021-12-23 CN CN202111589458.1A patent/CN114295994A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180005151A1 (en) * | 2016-06-29 | 2018-01-04 | General Electric Company | Asset health management framework |
CN108535656A (zh) * | 2018-03-22 | 2018-09-14 | 中北大学 | 基于pca-narx神经网络的锂离子电池剩余使用寿命预测方法和系统 |
CN109061504A (zh) * | 2018-08-28 | 2018-12-21 | 中北大学 | 同类型不同锂离子电池剩余使用寿命预测方法和系统 |
CN111103544A (zh) * | 2019-12-26 | 2020-05-05 | 江苏大学 | 基于长短时记忆lstm和粒子滤波pf的锂离子电池剩余使用寿命预测方法 |
Non-Patent Citations (2)
Title |
---|
DATONG LIU: "A Health Indicator Extraction and Optimization Framework for Lithium-Ion Battery Degradation Modeling and Prognostics", IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS: SYSTEMS, pages 1 - 4 * |
孙道明;俞小莉;: "随机放电工况下锂离子电池容量预测方法", 汽车工程, no. 09 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115114878A (zh) * | 2022-07-26 | 2022-09-27 | 中国长江三峡集团有限公司 | 一种储能电站电池寿命在线预测方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111999657B (zh) | 一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法 | |
Che et al. | Data efficient health prognostic for batteries based on sequential information-driven probabilistic neural network | |
CN110488204B (zh) | 一种储能元件soh-soc联合在线估计方法 | |
CN111443293A (zh) | 一种基于数据驱动的锂电池健康状态soh估算方法 | |
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 | |
CN113740736B (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 | |
CN107741568B (zh) | 一种基于状态转移优化rbf神经网络的锂电池soc估算方法 | |
CN113702843B (zh) | 一种基于郊狼优化算法的锂电池参数辨识与soc估计方法 | |
CN112557907A (zh) | 一种基于gru-rnn的电动汽车锂离子电池的soc估计方法 | |
CN110806541B (zh) | 一种基于ad-bas的锂电池模型参数辨识方法 | |
CN109375116B (zh) | 一种基于自编码器的电池系统异常电池识别方法 | |
CN112684363A (zh) | 一种基于放电过程的锂离子电池健康状态估计方法 | |
CN112163372B (zh) | 一种动力电池的soc估算方法 | |
Wang et al. | Health diagnosis for lithium-ion battery by combining partial incremental capacity and deep belief network during insufficient discharge profile | |
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 | |
CN113687242A (zh) | 基于ga算法优化改进gru神经网络的锂离子电池soh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 | |
CN113406503A (zh) | 基于深度神经网络的锂电池soh在线估算方法 | |
CN115994441A (zh) | 基于机理信息的大数据云平台在线电池寿命预测方法 | |
Zhang et al. | A state-of-charge estimation method based on bidirectional LSTM networks for lithium-ion batteries | |
CN113311337A (zh) | 基于相关向量回归的锂离子电池剩余寿命检测方法 | |
CN115792677A (zh) | 一种基于改进的elm的锂离子电池寿命预测方法 | |
CN114280490B (zh) | 一种锂离子电池荷电状态估计方法及系统 | |
Zhou et al. | A light-weight feature extractor for lithium-ion battery health prognosis | |
CN114295994A (zh) | 一种基于pca-rvm的锂离子电池剩余使用寿命预测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220408 |