CN114859231B - 基于维纳过程和极限学习机的电池剩余寿命预测方法 - Google Patents
基于维纳过程和极限学习机的电池剩余寿命预测方法 Download PDFInfo
- Publication number
- CN114859231B CN114859231B CN202210451987.3A CN202210451987A CN114859231B CN 114859231 B CN114859231 B CN 114859231B CN 202210451987 A CN202210451987 A CN 202210451987A CN 114859231 B CN114859231 B CN 114859231B
- Authority
- CN
- China
- Prior art keywords
- battery
- historical
- simulation data
- tested
- capacity
- 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
Links
- 230000005653 Brownian motion process Effects 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000006731 degradation reaction Methods 0.000 claims abstract description 135
- 230000015556 catabolic process Effects 0.000 claims abstract description 134
- 238000004088 simulation Methods 0.000 claims description 65
- 230000006870 function Effects 0.000 claims description 32
- 230000007774 longterm Effects 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 238000009792 diffusion process Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 208000032953 Device battery issue Diseases 0.000 claims description 3
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000005537 brownian motion Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 102100035115 Testin Human genes 0.000 claims description 2
- 101710070533 Testin Proteins 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 abstract description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 13
- 229910052744 lithium Inorganic materials 0.000 description 13
- 238000000342 Monte Carlo simulation Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000032683 aging Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000007704 transition Effects 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]
- G01R31/367—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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于维纳过程和极限学习机的电池剩余寿命预测方法,通过加速历史电池的寿命实验,获取历史电池在不同时刻的退化量;然后利用历史电池的退化数据估计维纳过程模型的参数;接着通过两阶段参数更新的方法对待测电池的维纳过程模型参数进行迭代更新,并将更新后的模型参数用于生成仿真电池退化数据;最后通过极限学习机预测当前时刻下待测电池的剩余寿命,具有预测精度高、实时性好等特点。
Description
技术领域
本发明属于锂电池可靠性分析技术领域,更为具体地讲,涉及一种基于维纳过程和极限学习机的电池剩余寿命预测方法。
背景技术
近年来,随着电动汽车的不断发展,电池被越来越多地应用于电动汽车的供能系统中。因此,对于电动汽车来说,电池的可靠性影响着整个电动汽车运行的稳定性,而对电池的剩余寿命(RUL,Remaining Useful Life)预测技术方法的研究也变得十分必要,其具有以下几点重要意义:(1)是获得电动汽车可靠性信息的重要途径,可进一步为实现电动汽车在线监测与健康管理提供依据;(2)有助于促使生产商对电池模块进行工艺改进(引入新的材料与改进封装技术);(3)有利于更好地设计加速老化试验以获得更为准确的电池老化数据;(4)可实现视情维修,使终端使用者获得电动汽车更多的寿命信息以减少对电动汽车维护的投入。
而现有的电池RUL预测技术方法的研究主要分为两大类,基于物理模型驱动的预测技术和基于数据驱动的预测技术。虽然基于物理模型驱动的预测技术可从材料的角度上表述各系统模块的RUL信息,但需要对电池制造材料的本质特性与工艺制造过程有足够深的理解,而且所获取的物理模型往往缺乏足够的精度,建模的过程易丢失对象参数间的非线性关系,导致误差增大。而基于数据驱动的预测技术是从电池输出特征量的历史老化数据中学习输入和输出之间的映射关系,其主要分为基于概率统计的方法和基于机器学习的方法。基于机器学习的方法能够利用计算机强大的计算能力来很好地学习锂电池退化的趋势,在RUL的预测上具有较高的精度,但其预测的准确率与训练数据的数量相关;基于概率统计的方法则是利用概率统计的模型来描述锂电池的退化趋势,可以很好地刻画锂电池的退化过程中的不确定性,但其剩余寿命的概率密度函数难以求解。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于维纳过程和极限学习机的电池剩余寿命预测方法,减小了由于历史电池退化数据与待测电池退化数据之间的差异导致的剩余寿命预测误差,从而提高了剩余寿命预测的准确度。
为实现上述发明目的,本发明一种基于维纳过程和极限学习机的电池剩余寿命预测方法,其特征在于,包括以下步骤:
(1)、获取历史电池在不同时刻的退化量;
通过加速N个历史电池的寿命实验,采样每个历史电池在不同时刻的容量,再将每个历史电池在不同时刻的容量与初始容量做差,获得每个历史电池在不同时刻容量的退化量,其中,第i个历史电池在不同时刻容量的退化量记为其中,i=1,2,…,N,/>表示第i个历史电池的初始容量退化量,/>表示第i个历史电池在第t个时刻的容量退化量,t=1,2,...mi,mi表示第i个电池的数据长度;
(2)、构建历史电池在每个采样时刻的维纳过程模型;
X(t)=x0+atb+σBB(t)
其中,x0表示历史电池的初始容量退化量,a表示维纳过程的漂移系数,tb表示历史电池容量退化量的趋势函数,σB是维纳过程的扩散系数,B(t)为标准布朗运动;
(3)、利用极大似然函数估计维纳过程模型的参数;
(3.1)、构建历史电池的似然函数;
根据(2)中的维纳过程模型,构建历史电池的似然函数:
其中,表示第i个历史电池的维纳过程模型的参数;表示第i个历史电池容量退化量的一阶差分;/>表示第i个历史电池容量退化量趋势函数在不同采样时刻的一阶差分;/>表示ΔXi的协方差矩阵,为mi-1阶的单位矩阵;
(3.2)、求解似然函数的参数;
(4)、获取待测电池在前tu个时刻的容量退化量;
(6)、利用维纳过程模型生成待测电池容量退化量的仿真数据;
(6.1)、设置更新循环次数Nloop,初始化当前循环次数l=1;令A=[a1,a2,...aN],B=[b1,b2,...bN];
(6.4)、令l=l+1,再判l是否大于或等于Nloop,如果是,则进入步骤(8);否则,进入步骤(7);
(7)、两阶段参数更新;
(7.1)、离线阶段参数更新;
(7.1.1)、基于相关系数的参数更新;
(7.1.2)、基于长期退化速率的参数更新;
(7.1.2.1)、计算第i个历史电池的长期退化速率si;
(7.1.2.2)、按照步骤(7.1.2.1)、计算出N个历史电池的长期退化速率,记为S=[s1,s2,…,si,…,sN],计算S的均值和标准差分别为μs和σs;
(7.2)、在线阶段参数更新;
(7.2.1)、基于短期退化速率的参数更新;
(7.2.1.1)、计算待测电池的短期退化速率d:
(7.2.2)、基于欧几里得距离的参数更新;
(8)、电池的剩余寿命预测
令tu=tu+1,再返回步骤(4);
(9)、待测电池容量退化量达到失效阈值w,预测终止,算法结束。
本发明的发明目的是这样实现的:
本发明基于维纳过程和极限学习机的电池剩余寿命预测方法,通过加速历史电池的寿命实验,获取历史电池在不同时刻的退化量;然后利用历史电池的退化数据估计维纳过程模型的参数;接着通过两阶段参数更新的方法对待测电池的维纳过程模型参数进行迭代更新,并将更新后的模型参数用于生成仿真电池退化数据;最后通过极限学习机预测当前时刻下待测电池的剩余寿命,具有预测精度高、实时性好等特点。
附图说明
图1是本发明基于维纳过程和极限学习机的电池剩余寿命预测方法流程图;
图2是加速寿命实验所获取的4组锂电池容量的退化量数据;
图3是生成的仿真锂电池退化数据;
图4是本发明提出的基于维纳过程和极限学习机的电池剩余寿命预测的两阶段蒙特卡罗方法的剩余寿命预测结果图:
图5是三种预测模型对锂电池剩余寿命预测的结果:(1)基于长短期记忆神经网络的剩余寿命预测模型;(2)基于迁移学习的剩余寿命预测模型;(3)基于维纳过程和极限学习机的电池剩余寿命预测的两阶段蒙特卡罗方法。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
图1是本发明基于维纳过程和极限学习机的电池剩余寿命预测方法流程图。
在本实施例中,如图1所示,本发明一种基于维纳过程和极限学习机的电池剩余寿命预测方法,包括以下步骤:
S1、获取历史电池在不同时刻的退化量;
通过加速N个历史电池的寿命实验,采样每个历史电池在不同时刻的容量,再将每个历史电池在不同时刻的容量与初始容量做差,获得每个历史电池在不同时刻容量的退化量,其中,第i个历史电池在不同时刻容量的退化量记为其中,i=1,2,…,N,/>表示第i个历史电池的初始容量退化量,/>表示第i个历史电池在第t个时刻的容量退化量,t=1,2,...mi,mi表示第i个电池的数据长度;
S2、构建历史电池在每个采样时刻的维纳过程模型;
X(t)=x0+atb+σBB(t)
其中,x0表示历史电池的初始容量退化量,a表示维纳过程的漂移系数,tb表示历史电池容量退化量的趋势函数,σB是维纳过程的扩散系数,B(t)为标准布朗运动;
S3、利用极大似然函数估计维纳过程模型的参数;
S3.1、构建历史电池的似然函数;
根据S2中的维纳过程模型,构建历史电池的似然函数:
其中,表示第i个历史电池的维纳过程模型的参数;表示第i个历史电池容量退化量的一阶差分;表示第i个历史电池容量退化量趋势函数在不同采样时刻的一阶差分;/>表示ΔXi的协方差矩阵,为mi-1阶的单位矩阵;
S3.2、求解似然函数的参数;
S4、获取待测电池在前tu个时刻的容量退化量;
S6、利用维纳过程模型生成待测电池容量退化量的仿真数据;
S6.1、设置更新循环次数Nloop,初始化当前循环次数l=1;令A=[a1,a2,...aN],B=[b1,b2,...bN];
S6.4、令l=l+1,再判l是否大于或等于Nloop,如果是,则进入步骤S8;否则,进入步骤S7;
S7、两阶段参数更新;
S7.1、离线阶段参数更新;
S7.1.1、基于相关系数的参数更新;
S7.1.2、基于长期退化速率的参数更新;
S7.1.2.1、计算第i个历史电池的长期退化速率si;
S7.1.2.2、按照步骤S7.1.2.1计算出N个历史电池的长期退化速率,记为S=[s1,s2,…,si,…,sN],计算S的均值和标准差分别为μs和σs;
S7.2、在线阶段参数更新;
S7.2.1、基于短期退化速率的参数更新;
S7.2.1.1、计算待测电池的短期退化速率d:
S7.2.2、基于欧几里得距离的参数更新;
S8、电池的剩余寿命预测
令tu=tu+1,再返回步骤S4;
S9、待测电池容量退化量达到失效阈值w,预测终止,算法结束。
为了说明本发明的技术效果,选取锂电池CS2-37作为本专利的实施对象,选取其余3组锂电池退化数据作为历史退化数据,模拟实时工作状态下,锂电池的剩余寿命预测。图2是实验所获取的4组锂电池容量的退化量的数据。
在基于历史退化数据的参数估计中,利用其余3组锂电池退化数据估计得到的维纳过程的参数如表1所示:
表1
根据表1中参数,可以得到待测电池CS2-37的参数分布,根据步骤(5)和步骤(6)的参数更新过程,设置参数更新迭代次数为20次,可以得到生成的仿真数据如图3所示。
利用本发明在不同时刻下预测得到的电池CS2-37的剩余寿命曲线如图4所示。可以清楚地看到,采用本发明得到的剩余寿命预测曲线具有较高的预测精度,可以为电池的维修保障工作提供精确的剩余寿命信息,从而有利于相关电子系统维修工作的进行。
为了定量比较和衡量预测性能,图5展示了本发明、长短期记忆神经网络以及迁移学习模型对电池CS2-37剩余寿命的预测结果。通过图5中不同类型模型对锂电池剩余寿命的预测结果可以发现,由于本发明采用了维纳过程来扩充模型的训练数据,因此本发明比传统的采用有限的历史训练数据的剩余寿命预测模型的效果更好。此外,两阶段参数更新方法的应用也使得生成的仿真数据可以自适应地逼近待测电池的实际退化数据,从而避免了不相似数据对预测结果的干扰。因此本发明的剩余寿命预测精度要远高于其他模型。表2给出了各模型对电池CS2-37的剩余寿命平均预测误差。
表2
由表2显示的预测结果可以看出,本模型的剩余寿命预测结果的精度要远远高于其他模型,这直接说明了本发明提出的基于维纳过程和极限学习机的电池剩余寿命预测的两阶段蒙特卡罗方法的优势。
上述实验结果表明,相对于现有的基于深度学习的剩余寿命预测模型来说,本发明所提出的基于维纳过程和极限学习机的电池剩余寿命预测的两阶段蒙特卡罗方法具有更高的预测精度,因而更适用于实际工程中对于剩余寿命预测的需要。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (1)
1.一种基于维纳过程和极限学习机的电池剩余寿命预测方法,其特征在于,包括以下步骤:
(1)、获取历史电池在不同时刻的退化量;
通过加速N个历史电池的寿命实验,采样每个历史电池在不同时刻的容量,再将每个历史电池在不同时刻的容量与初始容量做差,获得每个历史电池在不同时刻容量的退化量,其中,第i个历史电池在不同时刻容量的退化量记为其中,i=1,2,…,N,/>表示第i个历史电池的初始容量退化量,/>表示第i个历史电池在第t个时刻的容量退化量,t=1,2,...mi,mi表示第i个电池的数据长度;
(2)、构建历史电池在每个采样时刻的维纳过程模型;
X(t)=x0+atb+σBB(t)
其中,x0表示历史电池的初始容量退化量,a表示维纳过程的漂移系数,tb表示历史电池容量退化量的趋势函数,σB是维纳过程的扩散系数,B(t)为标准布朗运动;
(3)、利用极大似然函数估计维纳过程模型的参数;
(3.1)、构建历史电池的似然函数;
根据(2)中的维纳过程模型,构建历史电池的似然函数:
其中,表示第i个历史电池的维纳过程模型的参数;表示第i个历史电池容量退化量的一阶差分;/>表示第i个历史电池容量退化量趋势函数在不同采样时刻的一阶差分;/>表示ΔXi的协方差矩阵,为mi-1阶的单位矩阵;
(3.2)、求解似然函数的参数;
(4)、获取待测电池在前tu个时刻的容量退化量;
(6)、利用维纳过程模型生成待测电池容量退化量的仿真数据;
(6.1)、设置更新循环次数Nloop,初始化当前循环次数l=1;令A=[a1,a2,...aN],B=[b1,b2,...bN];
(6.4)、令l=l+1,再判l是否大于或等于Nloop,如果是,则进入步骤(8);否则,进入步骤(7);
(7)、两阶段参数更新;
(7.1)、离线阶段参数更新;
(7.1.1)、基于相关系数的参数更新;
(7.1.2)、基于长期退化速率的参数更新;
(7.1.2.1)、计算第i个历史电池的长期退化速率si;
(7.1.2.2)、按照步骤(7.1.2.1)、计算出N个历史电池的长期退化速率,记为S=[s1,s2,…,si,…,sN],计算S的均值和标准差分别为μs和σs;
(7.2)、在线阶段参数更新;
(7.2.1)、基于短期退化速率的参数更新;
(7.2.1.1)、计算待测电池的短期退化速率d:
(7.2.2)、基于欧几里得距离的参数更新;
(8)、电池的剩余寿命预测
令tu=tu+1,再返回步骤(4);
(9)、待测电池容量退化量达到失效阈值w,预测终止,算法结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210451987.3A CN114859231B (zh) | 2022-04-27 | 2022-04-27 | 基于维纳过程和极限学习机的电池剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210451987.3A CN114859231B (zh) | 2022-04-27 | 2022-04-27 | 基于维纳过程和极限学习机的电池剩余寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114859231A CN114859231A (zh) | 2022-08-05 |
CN114859231B true CN114859231B (zh) | 2023-06-09 |
Family
ID=82632866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210451987.3A Active CN114859231B (zh) | 2022-04-27 | 2022-04-27 | 基于维纳过程和极限学习机的电池剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114859231B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115308611B (zh) * | 2022-10-11 | 2023-01-06 | 中国人民解放军国防科技大学 | 考虑温度补偿的锂离子电池剩余寿命预测方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106597149A (zh) * | 2016-11-22 | 2017-04-26 | 电子科技大学 | 一种基于加速灵敏度的振荡器剩余寿命估计方法 |
CN108804764A (zh) * | 2018-05-07 | 2018-11-13 | 电子科技大学 | 一种基于极限学习机的锂电池老化趋势预测方法 |
CN110110365A (zh) * | 2019-04-01 | 2019-08-09 | 华南理工大学 | 一种基于电池容量衰退轨迹线性化变换的电池rul预测方法 |
CN111523727A (zh) * | 2020-04-22 | 2020-08-11 | 北京航空航天大学 | 基于不确定过程的考虑恢复效应的电池剩余寿命预测方法 |
CN112068003A (zh) * | 2020-11-16 | 2020-12-11 | 中南大学 | 基于线性维纳过程的镉镍蓄电池寿命预测方法和装置 |
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 |
CN112415414A (zh) * | 2020-10-09 | 2021-02-26 | 杭州电子科技大学 | 一种锂离子电池剩余使用寿命预测方法 |
CN112505568A (zh) * | 2020-11-11 | 2021-03-16 | 电子科技大学 | 一种多电堆固体氧化物燃料电池系统寿命预测方法 |
CN113094985A (zh) * | 2021-03-31 | 2021-07-09 | 电子科技大学 | 一种基于交叉流形嵌入迁移学习的电池soh预测方法 |
CN113239654A (zh) * | 2021-05-21 | 2021-08-10 | 电子科技大学 | 基于fig和ipso算法的igbt剩余寿命预测方法 |
CN113609764A (zh) * | 2021-07-28 | 2021-11-05 | 合肥国轩高科动力能源有限公司 | 基于维纳过程的锂离子电池单体使用寿命预测方法及介质 |
CN113791351A (zh) * | 2021-09-17 | 2021-12-14 | 电子科技大学 | 基于迁移学习和差值概率分布的锂电池寿命预测方法 |
CN113985294A (zh) * | 2021-12-29 | 2022-01-28 | 山东大学 | 一种电池剩余寿命的预估方法及装置 |
-
2022
- 2022-04-27 CN CN202210451987.3A patent/CN114859231B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106597149A (zh) * | 2016-11-22 | 2017-04-26 | 电子科技大学 | 一种基于加速灵敏度的振荡器剩余寿命估计方法 |
CN108804764A (zh) * | 2018-05-07 | 2018-11-13 | 电子科技大学 | 一种基于极限学习机的锂电池老化趋势预测方法 |
CN110110365A (zh) * | 2019-04-01 | 2019-08-09 | 华南理工大学 | 一种基于电池容量衰退轨迹线性化变换的电池rul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 |
CN111523727A (zh) * | 2020-04-22 | 2020-08-11 | 北京航空航天大学 | 基于不确定过程的考虑恢复效应的电池剩余寿命预测方法 |
CN112415414A (zh) * | 2020-10-09 | 2021-02-26 | 杭州电子科技大学 | 一种锂离子电池剩余使用寿命预测方法 |
CN112505568A (zh) * | 2020-11-11 | 2021-03-16 | 电子科技大学 | 一种多电堆固体氧化物燃料电池系统寿命预测方法 |
CN112068003A (zh) * | 2020-11-16 | 2020-12-11 | 中南大学 | 基于线性维纳过程的镉镍蓄电池寿命预测方法和装置 |
CN113094985A (zh) * | 2021-03-31 | 2021-07-09 | 电子科技大学 | 一种基于交叉流形嵌入迁移学习的电池soh预测方法 |
CN113239654A (zh) * | 2021-05-21 | 2021-08-10 | 电子科技大学 | 基于fig和ipso算法的igbt剩余寿命预测方法 |
CN113609764A (zh) * | 2021-07-28 | 2021-11-05 | 合肥国轩高科动力能源有限公司 | 基于维纳过程的锂离子电池单体使用寿命预测方法及介质 |
CN113791351A (zh) * | 2021-09-17 | 2021-12-14 | 电子科技大学 | 基于迁移学习和差值概率分布的锂电池寿命预测方法 |
CN113985294A (zh) * | 2021-12-29 | 2022-01-28 | 山东大学 | 一种电池剩余寿命的预估方法及装置 |
Non-Patent Citations (2)
Title |
---|
"基于维纳过程的纯电动汽车电池系统寿命预测及可靠性评估研究";舒雄 等;《第十八届全国非线性振动暨第十五届全国非线性动力学和运动稳定性学术会议(NVND2021)摘要集》;第422页 * |
"改进蚁狮算法优化极端学习机的锂离子电池剩余寿命预测";何星 等;《2021中国自动化大会论文集》;第770-777页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114859231A (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110187290B (zh) | 一种基于融合型算法的锂离子电池剩余寿命预测方法 | |
CN110058178A (zh) | 一种锂电池健康状态检测方法和系统 | |
CN109061506A (zh) | 基于神经网络优化ekf的锂离子动力电池soc估计方法 | |
CN108519556A (zh) | 一种基于循环神经网络的锂离子电池soc预测方法 | |
CN110658462B (zh) | 一种基于数据融合与arima模型的锂电池在线寿命预测方法 | |
CN112557907A (zh) | 一种基于gru-rnn的电动汽车锂离子电池的soc估计方法 | |
CN111983457A (zh) | 一种基于lstm神经网络的电池组soh估算方法 | |
CN113391211B (zh) | 一种小样本条件下的锂电池剩余寿命预测方法 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
CN111025155B (zh) | 基于电池动态老化模型快速模拟动力电池老化过程的方法 | |
CN112816874A (zh) | 一种基于rvm与pf算法融合的电池剩余使用寿命预测方法 | |
CN112068003A (zh) | 基于线性维纳过程的镉镍蓄电池寿命预测方法和装置 | |
CN114859231B (zh) | 基于维纳过程和极限学习机的电池剩余寿命预测方法 | |
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 | |
CN114325440A (zh) | 借助于机器学习方法运行用于为设备提供电能量存储器的预测老化状态的系统的方法和装置 | |
CN113393064A (zh) | 一种动车组镉镍蓄电池的寿命预测方法及终端设备 | |
CN114487890A (zh) | 一种改进长短期记忆神经网络的锂电池健康状态估计方法 | |
CN110232432B (zh) | 一种基于人工生命模型的锂电池组soc预测方法 | |
CN112327169B (zh) | 一种锂电池剩余寿命预测方法 | |
CN111525197A (zh) | 一种蓄电池soh实时估算系统及方法 | |
CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 | |
CN114896865A (zh) | 一种面向数字孪生的自适应演化神经网络健康状态在线预测方法 | |
CN114325393A (zh) | 基于pf和gpr的锂离子电池组soh自适应估算方法 | |
CN113609764A (zh) | 基于维纳过程的锂离子电池单体使用寿命预测方法及介质 | |
CN110782126A (zh) | 一种多失效模型集成的电动汽车用直流充电桩运行可靠性评估方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |