CN114330149B - 电池寿命预测方法、装置、云端服务器及存储介质 - Google Patents

电池寿命预测方法、装置、云端服务器及存储介质 Download PDF

Info

Publication number
CN114330149B
CN114330149B CN202210238679.2A CN202210238679A CN114330149B CN 114330149 B CN114330149 B CN 114330149B CN 202210238679 A CN202210238679 A CN 202210238679A CN 114330149 B CN114330149 B CN 114330149B
Authority
CN
China
Prior art keywords
battery
model
life prediction
value
error
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.)
Active
Application number
CN202210238679.2A
Other languages
English (en)
Other versions
CN114330149A (zh
Inventor
梁海强
沈帅
唐磊
张骞慧
熊瑞
王晨旭
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.)
Beijing Electric Vehicle Co Ltd
Original Assignee
Beijing Electric Vehicle Co Ltd
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 Beijing Electric Vehicle Co Ltd filed Critical Beijing Electric Vehicle Co Ltd
Priority to CN202210238679.2A priority Critical patent/CN114330149B/zh
Publication of CN114330149A publication Critical patent/CN114330149A/zh
Application granted granted Critical
Publication of CN114330149B publication Critical patent/CN114330149B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S30/00—Systems supporting specific end-user applications in the sector of transportation
    • Y04S30/10—Systems supporting the interoperability of electric or hybrid vehicles
    • Y04S30/12—Remote or cooperative charging

Abstract

本发明公开了一种电池寿命预测方法、装置、云端服务器及存储介质，其中方法包括：确定经验模型，并采用经验模型学习电池历史数据轨迹；基于电池历史数据估计电池容量状态，获得第一估计结果，并在学习电池历史数据轨迹的过程中，根据第一估计结果对经验模型的参数进行修正；确定机理模型，并根据机理模型估计电池容量状态，获得第二估计结果；采用修正后的经验模型对电池寿命进行预测，并在预测过程中，根据第二估计结果对修正后的经验模型参数再次进行修正，最终获得电池寿命预测结果。由此，基于电池历史数据以及确定的机理模型，先后对确定的经验模型参数进行两次修正，从而可以构建更加精确的电池寿命预测模型，提高了电池寿命预测精度。

Description

电池寿命预测方法、装置、云端服务器及存储介质
技术领域
本发明涉及电池技术领域，尤其涉及一种电池寿命预测方法、装置、云端服务器及存储介质。
背景技术
随着电动汽车的快速发展，人们对动力电池提出了更高的要求，动力电池的使用寿命将直接影响电动汽车的性能，因此人们对动力电池寿命预测（RUL）的研究愈加重视，精确的电池寿命预测能够不仅可以提升用户驾驶体验，而且可以构建动力电池全生命周期动态智能健康管理系统，具有巨大的社会效益及经济效益。
相关技术中，在进行动力电池寿命预测时，通常基于历史轨迹的数据驱动对动力电池寿命预测进行预测，或者，基于机理模型对动力电池寿命预测进行预测。但是，这些常用的动力电池寿命预测方法难以建立较为精确的预测模型，电池寿命预测精度较差。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的第一个目的在于提出一种电池寿命预测方法，基于电池历史数据以及确定的机理模型，先后对确定的经验模型参数进行两次修正，从而可以构建更加精确的电池寿命预测模型，提高了电池寿命预测精度。
本发明的第二个目的在于提出一种计算机可读存储介质。
本发明的第三个目的在于提出一种云端服务器。
本发明的第四个目的在于提出一种电池寿命预测装置。
为达到上述目的，本发明第一方面实施例提出一种电池寿命预测方法，包括：确定经验模型，并采用经验模型学习电池历史数据轨迹；基于电池历史数据估计电池容量状态，获得第一估计结果，并在学习电池历史数据轨迹的过程中，根据第一估计结果对经验模型的参数进行修正；确定机理模型，并根据机理模型估计电池容量状态，获得第二估计结果；采用修正后的经验模型对电池寿命进行预测，并在预测过程中，根据第二估计结果对修正后的经验模型参数再次进行修正，最终获得电池寿命预测结果。
根据本发明实施例的电池寿命预测方法，确定经验模型并采用该经验模型学习电池历史数据轨迹，同时基于电池历史数据估计电池容量状态，获得第一估计结果，并在学习电池历史数据轨迹的过程中，根据第一估计结果对上述经验模型的参数进行修正，确定机理模型并根据该机理模型估计电池容量状态，获得第二估计结果，采用上述修正后的经验模型对电池寿命进行预测，并在预测过程中，根据第二估计结果对上述修正后的经验模型参数再次进行修正，最终获得电池寿命预测结果。由此，基于电池历史数据以及确定的机理模型，先后对确定的经验模型参数进行两次修正，从而可以构建更加精确的电池寿命预测模型，提高了电池寿命预测精度。
根据本发明的一个实施例，根据第一估计结果对经验模型的参数进行修正，包括：将第一学习结果作为先验估计，并将第一估计结果作为后验修正，采用卡尔曼滤波算法对经验模型的参数进行修正，其中，第一学习结果根据经验模型学习电池历史数据轨迹获得。
根据本发明的一个实施例，根据第二估计结果对修正后的经验模型参数再次进行修正，包括：将修正后的经验模型输出的第二学习结果作为先验估计，并将第二估计结果作为后验修正，采用卡尔曼滤波算法对修正后的经验模型参数再次进行修正。
根据本发明的一个实施例，在获得电池寿命预测结果之后，方法还包括：将电池寿命预测结果作为初始寿命预测值，并更换经验模型和/或机理模型，以获得多个寿命预测值；采用误差评估和加权计算方式对初始寿命预测值和多个寿命预测值进行寻优计算，获得电池寿命预测修正值。
根据本发明的一个实施例，采用误差评估和加权计算方式对初始寿命预测值和多个寿命预测值进行寻优计算，包括：将第一估计结果作为真值，并计算初始寿命预测值与真值之间的初始误差最大值、初始误差均值和初始误差标准值，以及计算多个寿命预测值与真值在预设时间内的多个误差最大值、多个误差均值和多个误差标准值；在初始误差最大值均大于多个误差最大值、初始误差均值均大于多个误差均值、且初始误差标准值均大于多个误差标准值时，确定多个误差最大值中的最小值，并根据最小值对应的寿命预测值以及初始寿命预测值进行加权计算。
根据本发明的一个实施例，根据以下公式计算电池寿命预测修正值：
RUL=P0*RUL0+Pi*RULi
其中，RUL为电池寿命预测修正值，RUL0为初始寿命预测值，RULi为最小值对应的寿命预测值，
Figure 432919DEST_PATH_IMAGE001
，
Figure 768348DEST_PATH_IMAGE002
，
Figure 718986DEST_PATH_IMAGE003
和
Figure 663808DEST_PATH_IMAGE004
为权值系数，
Figure 16292DEST_PATH_IMAGE005
为初始误差最大值，
Figure 21157DEST_PATH_IMAGE006
为初始误差标准值，
Figure 459092DEST_PATH_IMAGE007
为初始误差均值，
Figure 942026DEST_PATH_IMAGE008
为最小值对应的误差最大值，
Figure 414596DEST_PATH_IMAGE009
为最小值对应的误差标准值，
Figure 85967DEST_PATH_IMAGE010
为最小值对应的误差均值。
根据本发明的一个实施例，经验模型包括双指数模型、单指数模型、线性模型、多项式模型和Verhulst模型。
根据本发明的一个实施例，基于电池历史数据估计电池容量状态，包括：根据电池电压数据和电池容量数据，建立特征电压片段与电池容量的映射关系；根据特征电压片段与电池容量的映射关系对当前电池容量状态进行估计。
根据本发明的一个实施例，根据机理模型估计电池容量状态，包括：基于Butler-Volmer方程，建立电池电极副反应速率与副反应过电势关系；根据电池电极副反应速率与副反应过电势关系确定电池容量损失量；根据电池容量损失量对电池容量状态进行估计。
为达到上述目的，本发明第二方面实施例提出了一种计算机可读存储介质，其上存储有电池寿命预测程序，该电池寿命预测程序被处理器执行时实现如第一方面实施例中的电池寿命预测方法。
根据本发明实施例的计算机可读存储介质，通过上述的电池寿命预测方法，基于电池历史数据以及确定的机理模型，先后对确定的经验模型参数进行两次修正，从而可以构建更加精确的电池寿命预测模型，提高了电池寿命预测精度。
为达到上述目的，本发明第三方面实施例提出了一种云端服务器，包括存储器、处理器及存储在存储器上并可在处理器上运行的电池寿命预测程序，处理器执行电池寿命预测程序时，实现如第一方面实施例中的电池寿命预测方法。
根据本发明实施例的云端服务器，通过上述的电池寿命预测方法，基于电池历史数据以及确定的机理模型，先后对确定的经验模型参数进行两次修正，从而可以构建更加精确的电池寿命预测模型，提高了电池寿命预测精度。
为达到上述目的，本发明第四方面实施例提出了一种电池寿命预测装置，包括：第一确定模块，用于确定经验模型，并采用经验模型学习电池历史数据轨迹；第一估计模块，基于电池历史数据估计电池容量状态，获得第一估计结果；第一修正模块，用于在学习电池历史数据轨迹的过程中，根据第一估计结果对经验模型的参数进行修正；第二确定模块，用于确定机理模型；第二估计模块，用于根据机理模型估计电池容量状态，获得第二估计结果；预测模块，用于采用修正后的经验模型对电池寿命进行预测，并在预测过程中，根据第二估计结果对修正后的经验模型参数再次进行修正，最终获得电池寿命预测结果。
根据本发明实施例的电池寿命预测装置，通过第一确定模块确定经验模型，并采用经验模型学习电池历史数据轨迹，通过第一估计模块基于电池历史数据估计电池容量状态，获得第一估计结果，通过第一修正模块用于在学习电池历史数据轨迹的过程中，根据第一估计结果对经验模型的参数进行修正，通过第二确定模块确定机理模型，并通过第二估计模块根据机理模型估计电池容量状态，获得第二估计结果，通过预测模块采用修正后的经验模型对电池寿命进行预测，并在预测过程中，根据第二估计结果对修正后的经验模型参数再次进行修正，最终获得电池寿命预测结果。由此，基于电池历史数据以及确定的机理模型，先后对确定的经验模型参数进行两次修正，从而可以构建更加精确的电池寿命预测模型，提高了电池寿命预测精度。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1为根据本发明一个实施例的电池寿命预测方法的流程图；
图2为根据本发明一个实施例的获取电池寿命预测结果的流程示意图；
图3为根据本发明一个实施例的获取多个电池寿命预测结果的流程示意图；
图4为根据本发明另一个实施例的获取多个电池寿命预测结果的流程示意图；
图5为根据本发明又一个实施例的获取多个电池寿命预测结果的流程示意图；
图6为根据本发明一个实施例的电池寿命预测装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图描述本发明实施例提出的电池寿命预测方法、装置、云端服务器及存储介质。
图1为根据本发明一个实施例的电池寿命预测方法的流程图。如图1所示，该电池寿命预测方法包括以下步骤：
步骤S101，确定经验模型，并采用经验模型学习电池历史数据轨迹。
需要说明的是，由于不同的电池在制作过程中具有不同的正负极组分、不同的占比和不同的制作工艺，以及电池在使用过程中会经历不同的使用工况，电池最终所表现出来的容量衰退轨迹差异显著，因此，在通过经验模型预测电池寿命时，需要确定合适的经验模型，以使电池寿命的预测结果尽可能精确。
具体地，在确定电池寿命预测的经验模型时，对需要测试的电池进行离线实验，确定该电池的类型、使用工况以及对应的老化模式，基于上述电池的类型、使用工况以及对应的老化模式获取获取不同经验模型下的均方差，并确定不同经验模型中的均方差最小值，并以获取的最小均方差为依据，选取与该最小均方差对应的经验模型确定为初始经验模型，并采用确定的初始经验模型学习电池历史数据轨迹，以对电池寿命进行初步预测。
在一些实施例中，经验模型包括双指数模型、单指数模型、线性模型、多项式模型和Verhulst模型。也就是说，从双指数模型、单指数模型、线性模型、多项式模型和Verhulst模型中选取合适的经验模型，保证选取的经验模型所对应的均方差值最小，将与该最小均方差对应的经验模型作为初始经验模型，举例来说，当不同经验模型中双指数模型计算所得的均方差值最小，则将双指数模型作为初始经验模型，并采用双指数模型学习电池历史数据轨迹，以对电池寿命进行初步预测。
步骤S102，基于电池历史数据估计电池容量状态，获得第一估计结果，并在学习电池历史数据轨迹的过程中，根据第一估计结果对经验模型的参数进行修正。
需要说明的是，电池容量是评估电池在被长时间使用后一个重要的性能指标，电池容量是指电池在给定条件和时间下完全放电过程中产生的电荷总数，在电池反复充电过程中，电池的容量会发生衰减，因此，在电池寿命预测过程中，需要考虑当前电池容量状态对电池寿命评估的影响。
在一些实施例中，基于电池历史数据估计电池容量状态，包括：根据电池电压数据和电池容量数据，建立特征电压片段与电池容量的映射关系；根据特征电压片段与电池容量的映射关系对当前电池容量状态进行估计。
具体地，在电池使用过程中，电池控制器或云端可储存大量的历史电池电压数据以及电池容量数据，根据历史电池电压数据以及电池容量数据，可以分别建立初始阶段特征电压片段与电池容量的映射关系以及当前特征电压片段与电池容量的映射关系，即获取初始阶段特征电压片段的电池容量以及当前特征电压片段的电池容量，根据初始阶段特征电压片段与电池容量的映射关系获取的初始阶段特征电压片段的电池容量，以及当前特征电压片段与电池容量的映射关系获取的当前特征电压片段的电池容量，根据相同特种电压片段下的初始阶段特征电压片段的电池容量和当前特征电压片段的电池容量对当前电池容量状态进行估计，当前电池容量状态估计公式如下所示：
Figure 11198DEST_PATH_IMAGE011
，
其中，
Figure 297823DEST_PATH_IMAGE012
为基于电池历史数据估计的电池容量状态，
Figure 359320DEST_PATH_IMAGE013
为当前电池容量；
Figure 705988DEST_PATH_IMAGE014
为初始阶段电池容量，
Figure 118514DEST_PATH_IMAGE015
为当前特征电压片段的电池容量；
Figure 208830DEST_PATH_IMAGE016
为初始阶段特征电压片段的电池容量。
在一些实施例中，根据第一估计结果对经验模型的参数进行修正，包括：将第一学习结果作为先验估计，并将第一估计结果作为后验修正，采用卡尔曼滤波算法对经验模型的参数进行修正，其中，第一学习结果根据经验模型学习电池历史数据轨迹获得。
具体地，如图2所示，首先根据电池的历史数据估算当前电池容量状态，获取第一估计结果，并在学习阶段的电池寿命预测过程中，将初始经验模型学习电池历史数据轨迹所得的第一学习结果作为先验估计，以及将第一估计结果，即当前电池容量状态作为后验修正，采用卡尔曼滤波算法依据输入的第一学习结果以及第一估计结果对初始经验模型的参数进行第一次修正，并采用参数第一次修正后的经验模型对电池寿命进行预测，以提高电池寿命预测精度。
步骤S103，确定机理模型，并根据机理模型估计电池容量状态，获得第二估计结果。
需要说明的是，本申请采用基经验模型和机理模型相结合的方式对电池寿命进行预测，与确定合适的经验模型类似，在使用机理模型之前，需要选取合适的机理模型，常用的机理模型包括：单粒子模型、P2D电化学模型和电热机械耦合模型，根据电池的类型、使用工况以及对应的老化模式离线确定合适的机理模型。
在一些实施例中，根据机理模型估计电池容量状态，包括：基于Butler-Volmer方程，建立电池电极副反应速率与副反应过电势关系；根据电池电极副反应速率与副反应过电势关系确定电池容量损失量；根据电池容量损失量对电池容量状态进行估计。
具体地，在确定合适的机理模型后，基于Butler-Volmer方程，建立电池电极副反应速率与副反应过电势关系，并根据电池电极副反应速率与副反应过电势关系确定电池容量损失量，电池容量损失量可具体表示为：
Figure 390413DEST_PATH_IMAGE017
，
其中，
Figure 580086DEST_PATH_IMAGE018
为电池容量损失量，
Figure 43690DEST_PATH_IMAGE019
为法拉第常数，
Figure 609801DEST_PATH_IMAGE020
为1次循环时间，
Figure 973786DEST_PATH_IMAGE021
为锂离子损失量，
Figure 334360DEST_PATH_IMAGE022
为循环次数。
根据电池容量损失量对电池容量状态进行估计，即获取第二估计结果，电池容量状态可具体表示为：
Figure 783796DEST_PATH_IMAGE023
，
其中，
Figure 153598DEST_PATH_IMAGE024
为基于机理模型估计的电池容量状态，
Figure 106510DEST_PATH_IMAGE025
为电池容量损失量，
Figure 903565DEST_PATH_IMAGE026
为初始阶段电池容量。
步骤S104，采用修正后的经验模型对电池寿命进行预测，并在预测过程中，根据第二估计结果对修正后的经验模型参数再次进行修正，最终获得电池寿命预测结果。
具体的，在进行电池寿命预测过程中，采用第一次参数修正后的经验模型对电池寿命进行预测，并将上述步骤S103获得的基于机理模型估计的电池容量状态，即第二估计结果，作为一个输入量对已经修正的初始经验模型参数再次进行修正，同时输出最终的电池寿命预测结果。
在一些实施例中，根据第二估计结果对修正后的经验模型参数再次进行修正，包括：将修正后的经验模型输出的第二学习结果作为先验估计，并将第二估计结果作为后验修正，采用卡尔曼滤波算法对修正后的经验模型参数再次进行修正。
也就是说，在对经验模型进行第二次参数修正时，如图2所示，将第一次参数修正时获取的电池寿命预测值作为第二学习结果，并将该第二学习结果作为先验估计，以及将上述第二估计结果，即基于机理模型估计电池容量状态作为后验修正，采用卡尔曼滤波算法依据输入的第二学习结果以及第二估计结果对第一次修正后的经验模型参数再次进行修正，并在电池寿命预测过程中采用参数第二次修正后的经验模型进行预测，再一次提高电池寿命预测精度。需要说明的是，基于电池历史数据以及机理模型，采用卡尔曼滤波算法先后对经验模型参数进行两次修正的整体示意图如图2所示。
根据本发明实施例的电池寿命预测方法，确定经验模型并采用该经验模型学习电池历史数据轨迹，同时基于电池历史数据估计电池容量状态，获得第一估计结果，并在学习电池历史数据轨迹的过程中，根据第一估计结果对上述经验模型的参数进行修正，确定机理模型并根据该机理模型估计电池容量状态，获得第二估计结果，采用上述修正后的经验模型对电池寿命进行预测，并在预测过程中，根据第二估计结果对上述修正后的经验模型参数再次进行修正，最终获得电池寿命预测结果。由此，基于电池历史数据以及确定的机理模型，先后对确定的经验模型参数进行两次修正，从而可以构建更加精确的电池寿命预测模型，提高了电池寿命预测精度。
在一些实施例中，在获得电池寿命预测结果之后，方法还包括：将电池寿命预测结果作为初始寿命预测值，并更换经验模型和/或机理模型，以获得多个寿命预测值；采用误差评估和加权计算方式对初始寿命预测值和多个寿命预测值进行寻优计算，获得电池寿命预测修正值。
需要说明的是，因用户使用习惯的不同，在实际应用过程中，电池容量衰退轨迹存在多样性，单一模型无法进一步取得优异的预测效果，因此需要选取多个经验模型和/或机理模型以覆盖各种实际使用工况。
具体地，基于电池历史数据以及确定的机理模型，采用卡尔曼滤波算法先后对确定的初始经验模型进行两次修正，根据修正后的经验模型对电池寿命进行预测，将根据该修正后的初始经验模型最终获得的电池寿命预测结果作为初始寿命预测值。
为了尽可能多的覆盖电池的各种使用工况，以进一步提高电池寿命预测精度，通过更换不同的经验模型和/或机理模型，获得不同经验模型和/或机理模型下的多个寿命预测值。也就是说，可以更换不同经验模型，保持机理模型不变，以获取同一机理模型、不同经验模型下的多个寿命预测值，如图3所示；可以更换不同机理模型，保持经验模型不变，以获取同一经验模型、不同机理模型下的多个寿命预测值，如图4所示；可以更换不同经验模型和机理模型，以获取不同经验模型和机理模型下的多个寿命预测值，如图5所示，具体选择情况根据实际需求进行选择，此处不作任何限制。
作为一个具体示例，以更换不同经验模型，保持机理模型不变，以获取同一机理模型、不同经验模型下的多个寿命预测值为例进行说明，其中，经验模型包括双指数模型、单指数模型、线性模型、多项式模型和Verhulst模型，机理模型包括单粒子模型、P2D电化学模型和电热机械耦合模型，举例来说，以双指数模型作为初始经验模型，单粒子模型作为机理模型并保持不变，基于电池历史数据以及单粒子模型，采用卡尔曼滤波算法先后对双指数模型进行两次修正，根据修正后的双指数模型对电池寿命进行预测，将最终获得的电池寿命预测结果作为初始寿命预测值，保持单粒子模型作为机理模型不变，依次选取单指数模型、线性模型、多项式模型和Verhulst模型作为经验模型，并基于电池历史数据以及单粒子模型，采用卡尔曼滤波算法先后对依次选取的经验模型进行两次修正，从而获得多个寿命预测值。
需要说明的是，更换不同机理模型，保持经验模型不变，以获取同一经验模型、不同机理模型下的多个寿命预测值，以及更换不同经验模型和机理模型，以获取不同经验模型和机理模型下的多个寿命预测值，具有类似的获取过程，此处不再赘述。
在获取多个多个寿命预测值后，将初始寿命预测值和多个寿命预测值采用误差评估和加权计算方式进行寻优计算，以获得电池寿命预测修正值，也就是说，通过获取不同模型下的多个寿命预测值，在进行误差评估后，从多个寿命预测值中选取满足的寿命预测值进行加权计算，进一步提高电池寿命预测值。
进一步地，采用误差评估和加权计算方式对初始寿命预测值和多个寿命预测值进行寻优计算，包括：将第一估计结果作为真值，并计算初始寿命预测值与真值之间的初始误差最大值、初始误差均值和初始误差标准值，以及计算多个寿命预测值与真值在预设时间内的多个误差最大值、多个误差均值和多个误差标准值；在初始误差最大值均大于多个误差最大值、初始误差均值均大于多个误差均值、且初始误差标准值均大于多个误差标准值时，确定多个误差最大值中的最小值，并根据最小值对应的寿命预测值以及初始寿命预测值进行加权计算。
具体地，首先对获取的初始寿命预测值和多个寿命预测值进行误差评估，将第一估计结果，即基于电池历史数据估计的电池容量状态作为真值，计算初始寿命预测值与真值之间的初始误差最大值、初始误差均值和初始误差标准值，同时计算多个寿命预测值与真值在预设时间内的多个误差最大值、多个误差均值和多个误差标准值，举例来说，以双指数模型作为初始经验模型，单粒子模型作为机理模型并保持不变，双指数模型经过两次修正后获取的电池寿命预测结果为初始寿命预测值RUL0，保持单粒子模型作为机理模型不变，依次选取单指数模型、线性模型、多项式模型和Verhulst模型作为经验模型，可以分别对应获取多个寿命预测值RUL1、RUL2、RUL3和RUL4，分别计算初始寿命预测值RUL0与真值之间的初始误差最大值、初始误差均值和初始误差标准值，以及多个寿命预测值RUL1、RUL2、RUL3和RUL4与真值在预设时间内的多个误差最大值、多个误差均值和多个误差标准值。
在初始误差最大值均大于多个误差最大值、初始误差均值均大于多个误差均值、且初始误差标准值均大于多个误差标准值时，确定多个误差最大值中的最小值，并根据最小值对应的寿命预测值以及初始寿命预测值进行加权计算，也就是说，在计算出多个寿命预测值与真值在预设时间内的多个误差最大值、多个误差均值和多个误差标准值后，选取多个寿命预测值与真值的误差最大值、误差均值和误差标准值均小于初始误差最大值、初始误差均值和初始误差标准值中的至少一个寿命预测值，从选出的至少一个寿命预测值中确定误差最大值中的最小值，并将误差最大值中的最小值对应的寿命预测值以及初始寿命预测值进行加权计算获取电池寿命预测修正值，需要说明的是，若仅选出一个寿命预测值，则将该寿命预测值与初始寿命预测值进行加权计算，以获取电池寿命预测修正值。
进一步地，计算电池寿命预测修正值公式如下：
RUL=P0*RUL0+Pi*RULi
其中，RUL为电池寿命预测修正值，RUL0为初始寿命预测值，RULi为最小值对应的寿命预测值，
Figure 76182DEST_PATH_IMAGE027
，
Figure 249675DEST_PATH_IMAGE028
，
Figure 322673DEST_PATH_IMAGE029
和
Figure 290629DEST_PATH_IMAGE030
为权值系数，
Figure 449078DEST_PATH_IMAGE031
为初始误差最大值，
Figure 160682DEST_PATH_IMAGE032
为初始误差标准值，
Figure 88187DEST_PATH_IMAGE033
为初始误差均值，
Figure 227044DEST_PATH_IMAGE034
为最小值对应的误差最大值，
Figure 374254DEST_PATH_IMAGE035
为最小值对应的误差标准值，
Figure 623970DEST_PATH_IMAGE036
为最小值对应的误差均值。
由此，通过误差评估和加权计算的方式，可以对寿命预测值进一步修正，进一步提高电池寿命预测精度。
综上所述，根据本发明实施例的电池寿命预测方法，确定经验模型并采用该经验模型学习电池历史数据轨迹，同时基于电池历史数据估计电池容量状态，获得第一估计结果，并在学习电池历史数据轨迹的过程中，根据第一估计结果对上述经验模型的参数进行修正，确定机理模型并根据该机理模型估计电池容量状态，获得第二估计结果，采用上述修正后的经验模型对电池寿命进行预测，并在预测过程中，根据第二估计结果对上述修正后的经验模型参数再次进行修正，最终获得电池寿命预测结果。由此，基于电池历史数据以及确定的机理模型，先后对确定的经验模型参数进行两次修正，从而可以构建更加精确的电池寿命预测模型，提高了电池寿命预测精度。
本发明的实施例还提供一种计算机可读存储介质，包括存储器、处理器及存储在存储器上并可在处理器上运行的电池寿命预测程序，处理器执行电池寿命预测程序时，实现上述的电池寿命预测方法。
根据本发明实施例的计算机可读存储介质，通过上述的电池寿命预测方法，基于电池历史数据以及确定的机理模型，先后对确定的经验模型参数进行两次修正，从而可以构建更加精确的电池寿命预测模型，提高了电池寿命预测精度。
本发明的实施例还提供一种云端服务器，包括存储器、处理器及存储在存储器上并可在处理器上运行的电池寿命预测程序，处理器执行电池寿命预测程序时，实现上述的电池寿命预测方法。
根据本发明实施例的云端服务器，通过上述的电池寿命预测方法，基于电池历史数据以及确定的机理模型，先后对确定的经验模型参数进行两次修正，从而可以构建更加精确的电池寿命预测模型，提高了电池寿命预测精度。
图6为根据本发明一个实施例的电池寿命预测装置的结构示意图。如图6所示，该电池寿命预测装置100包括：第一确定模块110、第一估计模块120、第一修正模块130、第二确定模块140、第二估计模块150和预测模块160。
其中，第一确定模块110用于确定经验模型，并采用经验模型学习电池历史数据轨迹；第一估计模块120基于电池历史数据估计电池容量状态，获得第一估计结果；第一修正模块130用于在学习电池历史数据轨迹的过程中，根据第一估计结果对经验模型的参数进行修正；第二确定模块140用于确定机理模型；第二估计模块150用于根据机理模型估计电池容量状态，获得第二估计结果；预测模块160用于采用修正后的经验模型对电池寿命进行预测，并在预测过程中，根据第二估计结果对修正后的经验模型参数再次进行修正，最终获得电池寿命预测结果。
在一些实施例中，第一修正模块130具体用于：将第一学习结果作为先验估计，并将第一估计结果作为后验修正，采用卡尔曼滤波算法对经验模型的参数进行修正，其中，第一学习结果根据经验模型学习电池历史数据轨迹获得。
在一些实施例中，预测模块160具体用于：将修正后的经验模型输出的第二学习结果作为先验估计，并将第二估计结果作为后验修正，采用卡尔曼滤波算法对修正后的经验模型参数再次进行修正。
在一些实施例中，在获得电池寿命预测结果之后，将电池寿命预测结果作为初始寿命预测值，并更换经验模型和/或机理模型，以获得多个寿命预测值；采用误差评估和加权计算方式对初始寿命预测值和多个寿命预测值进行寻优计算，获得电池寿命预测修正值。
在一些实施例中，将第一估计结果作为真值，并计算初始寿命预测值与真值之间的初始误差最大值、初始误差均值和初始误差标准值，以及计算多个寿命预测值与真值在预设时间内的多个误差最大值、多个误差均值和多个误差标准值；在初始误差最大值均大于多个误差最大值、初始误差均值均大于多个误差均值、且初始误差标准值均大于多个误差标准值时，确定多个误差最大值中的最小值，并根据最小值对应的寿命预测值以及初始寿命预测值进行加权计算。
在一些实施例中，根据以下公式计算电池寿命预测修正值：
RUL=P0*RUL0+Pi*RULi
其中，RUL为电池寿命预测修正值，RUL0为初始寿命预测值，RULi为最小值对应的寿命预测值，
Figure 671560DEST_PATH_IMAGE037
，
Figure 981319DEST_PATH_IMAGE038
，
Figure 52043DEST_PATH_IMAGE029
和
Figure 167766DEST_PATH_IMAGE039
为权值系数，
Figure 7546DEST_PATH_IMAGE031
为初始误差最大值，
Figure 550523DEST_PATH_IMAGE032
为初始误差标准值，
Figure 842964DEST_PATH_IMAGE033
为初始误差均值，
Figure 257984DEST_PATH_IMAGE034
为最小值对应的误差最大值，
Figure 952271DEST_PATH_IMAGE040
为最小值对应的误差标准值，
Figure 666149DEST_PATH_IMAGE041
为最小值对应的误差均值。
在一些实施例中，经验模型包括双指数模型、单指数模型、线性模型、多项式模型和Verhulst模型。
在一些实施例中，第一估计模块120具体用于：根据电池电压数据和电池容量数据，建立特征电压片段与电池容量的映射关系；根据特征电压片段与电池容量的映射关系对当前电池容量状态进行估计。
在一些实施例中，第二估计模块150具体用于：基于Butler-Volmer方程，建立电池电极副反应速率与副反应过电势关系；根据电池电极副反应速率与副反应过电势关系确定电池容量损失量；根据电池容量损失量对电池容量状态进行估计。
需要说明的是，本申请中关于电池寿命预测装置的描述，请参考本申请中关于电池寿命预测方法的描述，具体这里不再赘述。
根据本发明实施例的电池寿命预测装置，通过第一确定模块确定经验模型，并采用经验模型学习电池历史数据轨迹，通过第一估计模块基于电池历史数据估计电池容量状态，获得第一估计结果，通过第一修正模块用于在学习电池历史数据轨迹的过程中，根据第一估计结果对经验模型的参数进行修正，通过第二确定模块确定机理模型，并通过第二估计模块根据机理模型估计电池容量状态，获得第二估计结果，通过预测模块采用修正后的经验模型对电池寿命进行预测，并在预测过程中，根据第二估计结果对修正后的经验模型参数再次进行修正，最终获得电池寿命预测结果。由此，基于电池历史数据以及确定的机理模型，先后对确定的经验模型参数进行两次修正，从而可以构建更加精确的电池寿命预测模型，提高了电池寿命预测精度。
需要说明的是，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种电池寿命预测方法，其特征在于，包括：
确定经验模型，并采用所述经验模型学习电池历史数据轨迹；
基于电池历史数据估计电池容量状态，获得第一估计结果；其中，基于电池历史数据估计电池容量状态，包括：根据电池电压数据和电池容量数据，建立特征电压片段与电池容量的映射关系；根据所述特征电压片段与电池容量的映射关系对当前电池容量状态进行估计；并在学习所述电池历史数据轨迹的过程中，根据所述第一估计结果对所述经验模型的参数进行修正；
确定机理模型，并根据所述机理模型估计电池容量状态，获得第二估计结果；其中，根据所述机理模型估计电池容量状态，包括：基于Butler-Volmer方程，建立电池电极副反应速率与副反应过电势关系；根据所述电池电极副反应速率与副反应过电势关系确定电池容量损失量；根据所述电池容量损失量对所述电池容量状态进行估计；
采用修正后的经验模型对电池寿命进行预测，并在预测过程中，根据所述第二估计结果对修正后的经验模型参数再次进行修正，最终获得电池寿命预测结果。
2.根据权利要求1所述的电池寿命预测方法，其特征在于，根据所述第一估计结果对所述经验模型的参数进行修正，包括：
将第一学习结果作为先验估计，并将所述第一估计结果作为后验修正，采用卡尔曼滤波算法对所述经验模型的参数进行修正，其中，所述第一学习结果根据所述经验模型学习所述电池历史数据轨迹获得。
3.根据权利要求2所述的电池寿命预测方法，其特征在于，根据所述第二估计结果对修正后的经验模型参数再次进行修正，包括：
将所述修正后的经验模型输出的第二学习结果作为先验估计，并将所述第二估计结果作为后验修正，采用所述卡尔曼滤波算法对所述修正后的经验模型参数再次进行修正。
4.根据权利要求1-3中任一项所述的电池寿命预测方法，其特征在于，在获得所述电池寿命预测结果之后，所述方法还包括：
将所述电池寿命预测结果作为初始寿命预测值，并更换所述经验模型和/或所述机理模型，以获得多个寿命预测值；
采用误差评估和加权计算方式对所述初始寿命预测值和所述多个寿命预测值进行寻优计算，获得电池寿命预测修正值。
5.根据权利要求4所述的电池寿命预测方法，其特征在于，采用误差评估和加权计算方式对所述初始寿命预测值和所述多个寿命预测值进行寻优计算，包括：
将所述第一估计结果作为真值，并计算所述初始寿命预测值与所述真值之间的初始误差最大值、初始误差均值和初始误差标准值，以及计算所述多个寿命预测值与所述真值在预设时间内的多个误差最大值、多个误差均值和多个误差标准值；
在所述初始误差最大值均大于所述多个误差最大值、所述初始误差均值均大于所述多个误差均值、且所述初始误差标准值均大于所述多个误差标准值时，确定所述多个误差最大值中的最小值，并根据所述最小值对应的寿命预测值以及所述初始寿命预测值进行加权计算。
6.根据权利要求5所述的电池寿命预测方法，其特征在于，根据以下公式计算所述电池寿命预测修正值：
RUL=P0*RUL0+Pi*RULi
其中，RUL为所述电池寿命预测修正值，RUL0为所述初始寿命预测值，RULi为所述最小值对应的寿命预测值，
Figure 875057DEST_PATH_IMAGE001
，
Figure 323356DEST_PATH_IMAGE002
，
Figure 758886DEST_PATH_IMAGE003
和
Figure 826199DEST_PATH_IMAGE004
为权值系数，
Figure 171730DEST_PATH_IMAGE005
为所述初始误差最大值，
Figure 649984DEST_PATH_IMAGE006
为所述初始误差标准值，
Figure 448176DEST_PATH_IMAGE007
为所述初始误差均值，
Figure 53601DEST_PATH_IMAGE008
为所述最小值对应的误差最大值，
Figure 988059DEST_PATH_IMAGE009
为所述最小值对应的误差标准值，
Figure 512581DEST_PATH_IMAGE010
为所述最小值对应的误差均值。
7.根据权利要求4所述的电池寿命预测方法，其特征在于，所述经验模型包括双指数模型、单指数模型、线性模型、多项式模型和Verhulst模型。
8.一种计算机可读存储介质，其特征在于，其上存储有电池寿命预测程序，该电池寿命预测程序被处理器执行时实现权利要求1-7中任一项所述的电池寿命预测方法。
9.一种云端服务器，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的电池寿命预测程序，所述处理器执行所述电池寿命预测程序时，实现权利要求1-7中任一项所述的电池寿命预测方法。
10.一种电池寿命预测装置，其特征在于，包括：
第一确定模块，用于确定经验模型，并采用所述经验模型学习电池历史数据轨迹；
第一估计模块，基于电池历史数据估计电池容量状态，获得第一估计结果；其中，基于电池历史数据估计电池容量状态，包括：根据电池电压数据和电池容量数据，建立特征电压片段与电池容量的映射关系；根据所述特征电压片段与电池容量的映射关系对当前电池容量状态进行估计；
第一修正模块，用于在学习所述电池历史数据轨迹的过程中，根据所述第一估计结果对所述经验模型的参数进行修正；
第二确定模块，用于确定机理模型；
第二估计模块，用于根据所述机理模型估计电池容量状态，获得第二估计结果；其中，根据所述机理模型估计电池容量状态，包括：基于Butler-Volmer方程，建立电池电极副反应速率与副反应过电势关系；根据所述电池电极副反应速率与副反应过电势关系确定电池容量损失量；根据所述电池容量损失量对所述电池容量状态进行估计；
预测模块，用于采用修正后的经验模型对电池寿命进行预测，并在预测过程中，根据所述第二估计结果对修正后的经验模型参数再次进行修正，最终获得电池寿命预测结果。
CN202210238679.2A 2022-03-11 2022-03-11 电池寿命预测方法、装置、云端服务器及存储介质 Active CN114330149B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210238679.2A CN114330149B (zh) 2022-03-11 2022-03-11 电池寿命预测方法、装置、云端服务器及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210238679.2A CN114330149B (zh) 2022-03-11 2022-03-11 电池寿命预测方法、装置、云端服务器及存储介质

Publications (2)

Publication Number Publication Date
CN114330149A CN114330149A (zh) 2022-04-12
CN114330149B true CN114330149B (zh) 2022-06-03

Family

ID=81033291

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210238679.2A Active CN114330149B (zh) 2022-03-11 2022-03-11 电池寿命预测方法、装置、云端服务器及存储介质

Country Status (1)

Country Link
CN (1) CN114330149B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115656862B (zh) * 2022-12-09 2023-03-10 深圳海润新能源科技有限公司 寿命预测方法、电池管理系统、用电设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102175978A (zh) * 2011-02-21 2011-09-07 华为技术有限公司 电池寿命的检测方法和设备
CN104899439A (zh) * 2015-06-02 2015-09-09 吉林大学 一种锂离子电池机理建模方法
CN110188920A (zh) * 2019-04-26 2019-08-30 华中科技大学 一种锂电池剩余寿命预测方法
CN110457789A (zh) * 2019-07-25 2019-11-15 桂林电子科技大学 一种基于改进粒子滤波与双指数衰退经验物理模型融合的锂离子电池剩余寿命预测方法
CN111983474A (zh) * 2020-08-25 2020-11-24 陕西科技大学 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
CN112230154A (zh) * 2019-07-15 2021-01-15 中国科学院沈阳自动化研究所 一种锂电池剩余寿命预测方法
CN112666479A (zh) * 2020-12-02 2021-04-16 西安交通大学 一种基于充电循环融合的电池寿命预测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9800073B2 (en) * 2015-08-20 2017-10-24 International Business Machines Corporation Modeling a change in battery degradation
EP3736587B1 (en) * 2019-05-08 2023-11-01 Tata Consultancy Services Limited A method and a system for estimation of remaining useful life in lithium based batteries
US11300626B2 (en) * 2020-01-15 2022-04-12 GM Global Technology Operations LLC Method and system for battery capacity estimation
CN113504473B (zh) * 2021-09-10 2021-12-10 四川大学 一种适用动力锂电池非线性衰退过程的rul预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102175978A (zh) * 2011-02-21 2011-09-07 华为技术有限公司 电池寿命的检测方法和设备
CN104899439A (zh) * 2015-06-02 2015-09-09 吉林大学 一种锂离子电池机理建模方法
CN110188920A (zh) * 2019-04-26 2019-08-30 华中科技大学 一种锂电池剩余寿命预测方法
CN112230154A (zh) * 2019-07-15 2021-01-15 中国科学院沈阳自动化研究所 一种锂电池剩余寿命预测方法
CN110457789A (zh) * 2019-07-25 2019-11-15 桂林电子科技大学 一种基于改进粒子滤波与双指数衰退经验物理模型融合的锂离子电池剩余寿命预测方法
CN111983474A (zh) * 2020-08-25 2020-11-24 陕西科技大学 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
CN112666479A (zh) * 2020-12-02 2021-04-16 西安交通大学 一种基于充电循环融合的电池寿命预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A case study on battery life prediction using particle filtering;Yinjiao Xing等;《Proceedings of the IEEE 2012 Prognostics and System Health Management Corference(PHN-2012Beijing)》;20120702;第1-6页 *
A Review on Battery Modelling Techniques;S. Tamilselvi等;《Sustainability》;20210908;第1-26页 *
锂离子电池剩余寿命预测研究;戴海峰等;《电源技术》;20191231;第43卷(第12期);第2029-2035页 *

Also Published As

Publication number Publication date
CN114330149A (zh) 2022-04-12

Similar Documents

Publication Publication Date Title
KR101866073B1 (ko) 배터리 soh 추정 방법
CN111954823B (zh) 蓄电池诊断装置及蓄电池诊断方法以及蓄电池控制系统
JP5798067B2 (ja) 二次電池の状態推定装置
KR101846690B1 (ko) Ｗｌｓ 기반 ｓｏｈ 추정 시스템 및 방법
US20180083461A1 (en) Secondary battery management system with remote parameter estimation
CN110346725B (zh) 一种电池健康度评估模型的构建方法、评估方法和装置
CN109416392B (zh) 用于估计电池健康状态的方法
KR102534688B1 (ko) 배터리의 셀의 충전의 상태를 추정하는 자동적 방법
CN110646737B (zh) 基于多模型的电池soc动态估算方法、系统及存储介质
US20220365139A1 (en) Method for estimating an operating parameter of a battery unit
CN112782595A (zh) 用于电池状态估计的方法和设备
JP6129411B2 (ja) 電池残量推定装置および電池残量推定方法
CN114330149B (zh) 电池寿命预测方法、装置、云端服务器及存储介质
CN115684947A (zh) 电池模型构建方法及电池劣化预测装置
US11675017B2 (en) Method and apparatus for device-specific determination of an internal-resistance based state of health of a battery
JPWO2019202752A1 (ja) 蓄電池診断装置および蓄電池診断方法、並びに蓄電池制御システム
JP2016537645A (ja) 蓄電池のセルの経時劣化を推定するための方法
CN114779081A (zh) 车辆电池寿命的互学习预测方法、装置及存储介质
EP4044322A1 (en) Estimation device, estimation method, and computer program
CN114610595A (zh) 模型性能影响因素的识别方法、装置、设备及存储介质
CN115469230A (zh) Ocv-soc在线估计方法、装置和计算机设备与存储介质
US11953558B2 (en) Method and system for estimating the state-of-health of a battery
US20230176137A1 (en) Method and system for determining a remaining useful lifetime of a battery
US11938838B2 (en) Method and device for the robust prediction of the aging behavior of an energy storage unit in a battery-operated machine
CN116992382A (zh) 动力电池热失控的预测方法及装置

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