CN114415034A - 一种基于内部机理分析的锂离子电池容量预测方法 - Google Patents
一种基于内部机理分析的锂离子电池容量预测方法 Download PDFInfo
- Publication number
- CN114415034A CN114415034A CN202210069751.3A CN202210069751A CN114415034A CN 114415034 A CN114415034 A CN 114415034A CN 202210069751 A CN202210069751 A CN 202210069751A CN 114415034 A CN114415034 A CN 114415034A
- Authority
- CN
- China
- Prior art keywords
- lithium ion
- ion battery
- capacity
- internal mechanism
- prediction model
- 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 80
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000007246 mechanism Effects 0.000 title claims abstract description 35
- 230000008859 change Effects 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 238000005562 fading Methods 0.000 claims abstract description 9
- 230000007423 decrease Effects 0.000 claims description 9
- 238000007599 discharging Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000006731 degradation reaction Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012706 support-vector machine Methods 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]
- G01R31/378—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
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
- G01B21/08—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness for measuring thickness
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/08—Investigating permeability, pore-volume, or surface area of porous materials
- G01N15/088—Investigating volume, surface area, size or distribution of pores; Porosimetry
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Dispersion Chemistry (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提供了一种基于内部机理分析的锂离子电池容量预测方法，涉及人工智能领域，本发明采集锂离子电池的外部特征参数和内部机理变化数据；将锂离子电池的容量衰退过程分为多个阶段；建立一级容量预测模型；得到训练集和测试集；建立用于准确预估锂离子电池容量的二级预测模型，本发明分析了不同输入参数组合对不同循环周期下锂离子电池容量预测的影响，利用二级预测模型实现对锂离子电池荷电状态的估计，本发明对锂离子电池的容量预测结果计算不仅速度快,且误差小。
Description
技术领域
本发明涉及人工智能领域，尤其涉及一种基于内部机理分析的锂离子电池容量预测方法。
背景技术
随着环境污染问题的愈发严重，越来越多的汽车厂家开始研发新能源汽车，电动汽车取代燃油车已经成为未来发展趋势。锂离子电池具有循环寿命长，续行能力强，比能量高，充电时间短，绿色环保性能高等优势，已经成为电动汽车的主要动力部件。有研究表明电池的工作温度对使用寿命有重要的影响，在低温环境中电池的性能衰退非常明显，这将严重影响电池在寒冷地区内的实用性。
现在已有的锂电池容量预测方法包括等效模型方法和人工智能方法。等效模型方法需要建立基于化学反应的复杂电池等效电路模型，且预测数据的精度依赖于模型的准确性，在实际中想要准确预测十分困难。而且不同的电池需要建立不同的等效电路模型，适用范围窄。人工智能方法是现在的主流方法，其中包括神经网络、支持向量机等方法，一方面，这些方法需要的数据量十分庞大，计算量大，且依赖于数据的初始值。另一方面，大多数利用人工智能算法去预测锂离子电池容量的方法都是单独选择电池的电压或电流作为输入的特征参数，这样的方法满足了实际情况下要求的迅速预测，但精确性较差，因此如何能够快速准确的预测锂电池容量成为了本领域技术人员亟待解决的问题。
发明内容
本发明所要解决的技术问题是克服现有技术中存在的不足，提供一种基于内部机理分析的低温下锂电池容量预测方法。
本发明是通过以下技术方案予以实现：一种基于内部机理分析的锂离子电池容量预测方法，包括以下步骤：
S1：采集锂离子电池放电过程中外部特征参数；拆解放电过程中不同循环周期下的锂离子电池，并同步采集锂离子电池的内部机理变化数据；
S2：根据锂离子电池在放电过程中容量变化速度以及电池内部反应机理变化，将锂离子电池的容量衰退过程分为多个阶段；
S3：基于步骤S1获取的外部特征参数和内部机理变化数据，建立不同外部特征参数和内部机理变化数据的数据集，并基于数据集和步骤S2划分的多个阶段建立一级容量预测模型；
S4：通过重复步骤S1进行多组锂离子电池的数据采集,得到包含外部特征参数和内部机理变化数据的训练集和测试集；
S5：将步骤S4的训练集导入所述一级容量预测模型进行训练，进而建立用于准确预估锂离子电池容量的二级预测模型；
S6：根据步骤S5建立的二级预测模型,导入测试集得到预测值，对比实际值，对预测值进行精度分析。
根据上述技术方案，优选的，在步骤S1中，采集放电过程中，实时采集的外部特征参数包括电压(u)、电流(i)、温度(T)、内阻(R)以及电池容量；内部机理变化数据包括电池阴极极片孔隙率以及极片厚度。
根据上述技术方案，优选的，在步骤S2中，低温下锂离子电池的容量衰退过程分为三个阶段，包括：0-30周期：锂离子电池容量衰退初期；31-70周期：锂离子电池容量衰退中期；71-100周期：锂离子电池容量衰退后期。
根据上述技术方案，优选的，在步骤S4中，训练集是包含外部特征参数和内部机理变化数据的数据集，而测试集为平均值。
根据上述技术方案，优选的，二级预测模型的建立步骤包括以下分步骤：
(1)将步骤S4中训练集的多组数据集分别放入并行的一级容量预测模型进行训练，得到多个不同的并行的二级预测模型；
(2)将不同数据集输入的测试集放入并行的二级预测模型中进行测试，得到不同的锂离子电池的平均容量输出值；
(3)根据步骤S2的三个阶段，将不同衰退模式下的锂离子电池平均容量输出值与测试集的真实值进行误差分析。
根据上述技术方案，优选的，在步骤S5中，二级预测模型包括三层结构，依次包括输入层、中间层、输出层；其中：
输入层导入步骤S4中训练集的数据集组合；
中间层为二级预测模型中连接输入层和输出层的对应数学关系；
输出层为锂离子电池的的预测容量。
本发明的有益效果是：本发明考虑到实际情况下锂离子电池运行中，锂离子电池容量预测困难和精度低的现实问题，提出一种基于内部机理分析的锂离子电池容量预测方法，其分析了不同输入参数组合对不同循环周期下锂离子电池容量预测的影响，利用二级预测模型实现对锂离子电池荷电状态的估计，本发明对锂离子电池的容量预测结果计算速度快,误差小。
附图说明
图1示出了根据本发明的实施例的流程示意图；
图2示出了根据本发明的实施例通过不同数据集在不同阶段进行预测的流程示意图；
图3示出了根据本发明的实施例中一级容量预测模型的算法结构示意图；
图4示出了锂离子电池处于0-30周期阶段的电池极片孔隙率对比图；
图5示出了锂离子电池处于31-70周期阶段的电池极片孔隙率对比图；
图6示出了锂离子电池处于71-100周期阶段的电池极片孔隙率对比图；
图7示出了锂离子电池的电池极片厚度三维拍摄图；
图8示出了锂离子电池处于0-30周期阶段的三维极片厚度数据图；
图9示出了锂离子电池处于31-70周期阶段的三维极片厚度数据图；
图10示出了锂离子电池处于71-100周期阶段的三维极片厚度数据图；
图11示出了根据本发明的实施例预测结果图，图中光滑曲线是预测图；
具体实施方式
为了使本技术领域的技术人员更好地理解本发明的技术方案，下面结合附图和最佳实施例对本发明作进一步的详细说明。
如图所示，本发明提出一种基于内部机理分析的锂离子电池容量预测方法，该方法结合锂离子电池容量衰退过程中的内部机理变化将锂离子电池的容量衰退过程分为三个阶段；同时，考虑了将电压、电流、温度、内阻多种外部参数组合，不同的阶段采用不同的参数，便于更好地解决电池容量预测评估问题。
一种基于内部机理分析的锂离子电池容量预测方法，包括以下步骤：
S1：采集锂离子电池放电过程中外部特征参数；拆解放电过程中不同循环周期下的锂离子电池，并同步采集锂离子电池的内部机理变化数据；
S2：根据锂离子电池在放电过程中容量变化速度以及电池内部反应机理变化，将锂离子电池的容量衰退过程分为多个阶段,本实施例分为三个阶段；
S3：基于步骤S1获取的外部特征参数和内部机理变化数据，建立不同外部特征参数和内部机理变化数据的数据集，并基于数据集和步骤S2划分的三个阶段建立一级容量预测模型；
S4：通过重复步骤S1进行多组锂离子电池的数据采集,得到包含外部特征参数和内部机理变化数据的训练集和测试集；
S5：将步骤S4的训练集导入所述一级容量预测模型进行训练，进而建立用于准确预估锂离子电池容量的二级预测模型；
S6：根据步骤S5建立的二级预测模型,导入测试集得到预测值，对比实际值，进而对预测值进行精度分析，确定最优解，得到预测结果。
根据上述实施例，优选的，在步骤S1中，采集放电过程中，实时采集电池的外部特征参数包括电压(u)、电流(i)、温度(T)、内阻(R)以及电池容量；内部机理变化数据包括电池阴极极片孔隙率以及极片厚度。
根据上述实施例，优选的，在所述步骤S2中，低温下锂离子电池的容量衰退过程分为三个阶段，包括：
0-30周期：锂离子电池容量衰退初期；31-70周期：锂离子电池容量衰退中期；71-100周期：锂离子电池容量衰退后期。
根据上述实施例，优选的，在步骤S3中，数据集包括多组样本集，本实施例设为五组，包括：
第一组、电压、电流、温度；
第二组、电压、电流、内阻；
第三组、电压、温度、内阻；
第四组、电流、温度、内阻；
第五组、电压、电流、温度、内阻。
并且构建一级容量预测模型的过程包括以下分步骤：
(1)通过抽样确定锂离子电池样本；
(2)构建决策树；
(3)一级容量预测模型的形成与算法的执行；
其中一级容量预测模型的算法如图8所示，包括以下内容：
一级容量预测模型的每一个细胞通过门结构来实现添加或删除信息；门结构通过激活函数sigmoid和一个驻点相乘的操作实现选择性的让信息通过，激活函数sigmoid的输出范围为(0，1)，其表示要通过信息的权重，一级容量预测模型通过如此设计的遗忘门、输入门和输出门来实现信息的甄别与保护。
其中遗忘门负责决定一级容量预测模型的细胞丢弃什么信息，通过读取ht-1和xt输出一个在0到1之间的数值ft给每个细胞的Ct-1，而ft的表达式为：
ft＝σ(Wf[ht-1,xt]+bf)
式中：ht-1为上一细胞的输出状态；xt为当前细胞的输入状态(电压、电流、温度、内阻)；Wf为遗忘门的权重矩阵；bf为遗忘门的偏置值；σ为sigmoid激活函数。
输入门负责决定让多少新的信息输入一级容量预测模型的细胞，首先，由σ层输出的it决定需要更新的信息，由tanh层生成的向量
为备选的用来更新的内容；
it＝σ(Wi[ht-1,xt]+bi)
式中：ht-1为上一细胞的输出状态；xt为当前细胞的输入状态；Wi为输入门的权重矩阵；bi为输入门的偏置值；Wf为遗忘门的权重矩阵；bf为遗忘门的偏置值；σ为sigmoid激活函数；WC为细胞状态的权重矩阵；bC为细胞状态的偏置值；
经过前面的步骤可以更新细胞状态:
式中：Ct为细胞状态；
输出门负责确定最终输出什么值，首先，通过一个σ层输出的ot来确定细胞状态输出的部分，然后，通过tanh层处理，得到一个介于-1到1之间的值，并将它和σ层的输出相乘,确定输出的ht。
ot＝σ(Wo[ht-1,xt]+bo)
ht＝ot·tanh(Ct)
式中ht-1为上一细胞的输出状态；xt为当前细胞的输入状态；Wf为输出门的权重矩阵；bo为输出门的偏置值；Ct-1为当前细胞的细胞状态。
根据上述实施例，优选的，在步骤S4中，训练集是包含外部特征参数和内部机理变化数据的数据集，而测试集为平均值；
根据上述实施例，优选的，二级预测模型的建立步骤包括以下分步骤：
(1)将步骤S4中训练集的多组数据集分别放入并行的一级容量预测模型进行训练，得到多个不同的并行的二级预测模型；
(2)将不同数据集输入的测试集放入并行的二级预测模型中进行测试，得到不同的锂离子电池的平均容量输出值；
(3)根据步骤S2的三个阶段，将不同衰退模式下的锂离子电池平均容量输出值与测试集的真实值进行误差分析。
根据上述实施例，优选的，在步骤S5中，二级预测模型包括三层结构，依次包括输入层、中间层、输出层；其中：
输入层导入步骤S4中训练集的数据集组合；
中间层为二级预测模型中连接输入层和输出层的对应数学关系；
输出层为锂离子电池的的预测容量。
根据上述实施例，优选的，在步骤S6中，所述对预测容量进行精度分析为误差分析：
有益效果：本发明考虑到实际情况下锂离子电池运行中，锂离子电池容量预测困难和精度低的现实问题，提出一种基于内部机理分析的锂离子电池容量预测方法，其分析了不同输入参数组合对不同循环周期下锂离子电池容量预测的影响，利用二级预测模型实现对锂离子电池荷电状态的估计，本发明对锂离子电池的容量预测结果计算速度快,误差小。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种基于内部机理分析的锂离子电池容量预测方法，其特征在于，包括以下步骤：
S1：采集锂离子电池放电过程中外部特征参数；拆解放电过程中不同循环周期下的锂离子电池，并同步采集锂离子电池的内部机理变化数据；
S2：根据锂离子电池在放电过程中容量变化速度以及电池内部反应机理变化，将锂离子电池的容量衰退过程分为多个阶段；
S3：基于步骤S1获取的外部特征参数和内部机理变化数据，建立不同外部特征参数和内部机理变化数据的数据集，并基于数据集和步骤S2划分的多个阶段建立一级容量预测模型；
S4：通过重复步骤S1进行多组锂离子电池的数据采集,得到包含外部特征参数和内部机理变化数据的训练集和测试集；
S5：将步骤S4的训练集导入所述一级容量预测模型进行训练，进而建立用于准确预估锂离子电池容量的二级预测模型；
S6：根据步骤S5建立的二级预测模型,导入测试集得到预测值，对比实际值，对预测值进行精度分析。
2.根据权利要求1所述的一种基于内部机理分析的锂离子电池容量预测方法，其特征在于，在步骤S1中，采集放电过程中，实时采集的外部特征参数包括电压(u)、电流(i)、温度(T)、内阻(R)以及电池容量；内部机理变化数据包括电池阴极极片孔隙率以及极片厚度。
3.根据权利要求1所述的一种基于内部机理分析的锂离子电池容量预测方法，其特征在于，在步骤S2中，低温下锂离子电池的容量衰退过程分为三个阶段，包括：0-30周期：锂离子电池容量衰退初期；31-70周期：锂离子电池容量衰退中期；71-100周期：锂离子电池容量衰退后期。
4.根据权利要求1所述的一种基于内部机理分析的锂离子电池容量预测方法，其特征在于，在步骤S4中，训练集是包含外部特征参数和内部机理变化数据的数据集，而测试集为平均值。
5.根据权利要求4所述的一种基于内部机理分析的锂离子电池容量预测方法，其特征在于，二级预测模型的建立步骤包括以下分步骤：
(1)将步骤S4中训练集的多组数据集分别放入并行的一级容量预测模型进行训练，得到多个不同的并行的二级预测模型；
(2)将不同数据集输入的测试集放入并行的二级预测模型中进行测试，得到不同的锂离子电池的平均容量输出值；
(3)根据步骤S2的三个阶段，将不同衰退模式下的锂离子电池平均容量输出值与测试集的真实值进行误差分析。
6.根据权利要求5所述的一种基于内部机理分析的锂离子电池容量预测方法，其特征在于，在步骤S5中，二级预测模型包括三层结构，依次包括输入层、中间层、输出层；其中：
输入层导入步骤S4中训练集的数据集；
中间层为二级预测模型中连接输入层和输出层的对应数学关系；
输出层为锂离子电池的的预测容量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210069751.3A CN114415034A (zh) | 2022-01-21 | 2022-01-21 | 一种基于内部机理分析的锂离子电池容量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210069751.3A CN114415034A (zh) | 2022-01-21 | 2022-01-21 | 一种基于内部机理分析的锂离子电池容量预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114415034A true CN114415034A (zh) | 2022-04-29 |
Family
ID=81274668
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210069751.3A Pending CN114415034A (zh) | 2022-01-21 | 2022-01-21 | 一种基于内部机理分析的锂离子电池容量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114415034A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116522153A (zh) * | 2023-07-05 | 2023-08-01 | 深圳海辰储能控制技术有限公司 | 锂电池容量预测方法、装置、计算机设备和存储介质 |
-
2022
- 2022-01-21 CN CN202210069751.3A patent/CN114415034A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116522153A (zh) * | 2023-07-05 | 2023-08-01 | 深圳海辰储能控制技术有限公司 | 锂电池容量预测方法、装置、计算机设备和存储介质 |
| CN116522153B (zh) * | 2023-07-05 | 2023-12-26 | 深圳海辰储能控制技术有限公司 | 锂电池容量预测方法、装置、计算机设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109991542B (zh) | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 | |
| CN108896914B (zh) | 一种锂电池健康状况的梯度提升树建模与预测方法 | |
| CN109782190B (zh) | 用于估计单颗电池或单批电池的剩余使用寿命的方法 | |
| CN111832221B (zh) | 基于特征筛选的锂电池寿命预测方法 | |
| CN108009585B (zh) | 基于局部信息融合的铅酸电池健康状态预测方法 | |
| CN113917334B (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
| CN112036083B (zh) | 一种相似产品剩余寿命预测方法及系统 | |
| CN112380630A (zh) | 基于车联网数据的新能源汽车电池热失控风险的预测方法 | |
| CN112684363A (zh) | 一种基于放电过程的锂离子电池健康状态估计方法 | |
| CN111426957A (zh) | 一种模拟车辆工况动力电池荷电状态soc估算优化方法 | |
| CN110929451A (zh) | 一种燃料电池单体电压一致性预测方法 | |
| CN113125960A (zh) | 一种基于随机森林模型的车载锂离子电池荷电状态预测方法 | |
| CN116609668B (zh) | 一种锂离子电池健康状态和剩余寿命预测方法 | |
| CN114966436A (zh) | 锂电池荷电状态预测方法、装置、设备及可读存储介质 | |
| CN116643196A (zh) | 一种融合机理与数据驱动模型的电池健康状态估计方法 | |
| Long et al. | Multi-parameter optimization method for remaining useful life prediction of lithium-ion batteries | |
| CN115308608A (zh) | 一种全钒液流电池电压预测方法、装置及介质 | |
| CN114415034A (zh) | 一种基于内部机理分析的锂离子电池容量预测方法 | |
| CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
| CN114839542A (zh) | 一种动力锂电池的样本数据集生成方法、soc估计方法 | |
| CN113447817B (zh) | 一种基于两点寿命特征的锂电池在线寿命预测方法 | |
| CN117709396A (zh) | 一种锂离子电池能量状态预测方法 | |
| CN116609686B (zh) | 一种基于云平台大数据的电芯一致性评估方法 | |
| CN114764124A (zh) | 一种基于gan和lstm的锂电池soc估计方法 | |
| Ni et al. | Battery State of Charge Estimation Using Long Short-Term Memory Network and Extended Kalman Filter |
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 |