CN114879046B - 一种基于卡尔曼滤波的锂电池寿命预测方法和系统 - Google Patents
一种基于卡尔曼滤波的锂电池寿命预测方法和系统 Download PDFInfo
- Publication number
- CN114879046B CN114879046B CN202210454883.8A CN202210454883A CN114879046B CN 114879046 B CN114879046 B CN 114879046B CN 202210454883 A CN202210454883 A CN 202210454883A CN 114879046 B CN114879046 B CN 114879046B
- Authority
- CN
- China
- Prior art keywords
- matrix
- lithium battery
- charge
- model
- moment
- 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
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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于卡尔曼滤波的锂电池寿命预测方法和系统,其方法包括:根据充放电曲线和Nernst模型的特征参数训练寿命预测模型;所述充放电曲线为在不同工况、不同寿命下两相反应锂电池的曲线;基于所述Nernst模型通过预设学习模型,输出不同工况、不同寿命下的充放电曲线概率簇;根据所述寿命预测模型、充放电曲线概率簇和传感器返回的针对锂电池的测量数据,通过卡尔曼滤波预测锂电池在下一时刻的预测剩余寿命。本发明通过Nernst模型和无迹卡尔曼滤波的联用,提供了较为可信的锂电池寿命和置信度的预测方法,提高两相反应锂电池剩余寿命的预测精度。
Description
技术领域
本发明涉及锂电池技术领域,进一步地涉及一种基于卡尔曼滤波的锂电池寿命预测方法和系统。
背景技术
全球“碳中和”背景下,对可代替石油能源的清洁能源寻找热情持续升温。太阳能、潮汐能、风能、水能等是一种清洁的可持续利用的能源,但能源产生的介质可控性相对不是很强。锂离子电池是目前新一代二次电池、其具有较高的能量密度和循环寿命,目前广泛应用于移动通信、数码科技、电动汽车、能源存储等领域,未来对锂离子电池及其材料的需求难以估量、其配套的上下游产业链也市场巨大。目前,对于锂电池剩余寿命预测这方面的研究成为了一项研究热点。
锂电池剩余寿命预测的主要方法分三种:模型法、数据驱动法以及融合法。数据驱动法是目前应用是其中最为广泛的方法。这种方法不需要考虑锂电池内部的实际电化学反应和失效机理,直接从测试得到的电池性能测试数据和状态监测数据(如电压、电流、温度、阻抗等)中分析挖掘隐藏的电池健康状态信息及其变化规律,最终实现对锂电池的RUL预测。
目前主流的基于数据驱动的锂电池剩余寿命预测方法主要有:自回归时间序列模型、人工神经网络模型、支持向量机模型、高斯过程回归模型、粒子滤波模型等。这些模型虽然在进行锂电池剩余寿命预测时都有着各自的优缺点,但是这些方法仅停留在数据驱动,并没有电化学模型的支持,也没有实际过程中电化学参数的对应,其需要在精度和复杂性之间进行取舍和妥协,且需要大量的使用情景数据进行训练。同时训练出来的数据集仅是静态或准静态的寿命预测值,无法较好的体现锂电池的历史对其寿命的影响,也无法与实际的观测数据的变化存在关联。
发明内容
针对上述技术问题,本发明的目的在于解决现有技术中锂电池剩余寿命预测与实际观测数据变化无关联,导致预测出来的剩余寿命是静态或者准静态的技术问题。
为了实现上述目的,本发明提供一种基于卡尔曼滤波的锂电池寿命预测方法,包括步骤:
根据充放电曲线和Nernst模型的特征参数训练寿命预测模型;所述充放电曲线为在不同工况、不同寿命下两相反应锂电池的曲线;
基于所述Nernst模型通过预设学习模型,输出不同工况、不同寿命下的充放电曲线概率簇;
根据所述寿命预测模型、充放电曲线概率簇和传感器返回的针对锂电池的测量数据,通过卡尔曼滤波预测锂电池在下一时刻的预测剩余寿命。
在一些实施方式中,所述根据充放电曲线和Nernst模型的特征参数训练寿命预测模型包括步骤:
采集不同工况、不同寿命下的两相反应锂电池的充放电曲线;
基于Nernst模型对所述充放电曲线进行参数提取得到所述特征参数;
根据不同工况下锂电池的剩余寿命及所述特征参数,训练得到所述寿命预测模型。
在一些实施方式中,所述根据所述寿命预测模型、充放电曲线概率簇和传感器返回的针对锂电池的测量数据,通过卡尔曼滤波预测锂电池在下一时刻的预测剩余寿命包括步骤:
确定所述充放电曲线概率簇作为所述锂电池的状态转移矩阵,并确定所述测量数据作为所述锂电池的观测方程矩阵;
根据所述状态转移矩阵和观测方程矩阵,通过卡尔曼滤波计算得到当前时刻的最大似然状态矩阵,根据所述最大似然状态矩阵预测得到所述预测剩余寿命。
在一些实施方式中,所述根据所述状态转移矩阵和观测方程矩阵,通过卡尔曼滤波计算得到当前时刻的最大似然状态矩阵,根据所述最大似然状态矩阵预测得到所述预测剩余寿命包括步骤:
获取系统误差矩阵、状态转移矩阵和当前时刻的观测方程矩阵,以及上一时刻的最大似然后验矩阵;
根据各传感器的误差分布的方差建立先验误差矩阵;
将所述先验误差矩阵、系统误差矩阵和状态转移矩阵,代入下列公式计算得到卡尔曼增益系数:
K=Pk-HT(H·Pk·HT+R)-1;
将所述状态转移矩阵、所述上一时刻的最大似然后验矩阵,代入下列公式计算得到当前时刻的状态方程矩阵:
Xk-=Xk-1·H;
将所述状态转移矩阵、卡尔曼增益系数、上一时刻的最大似然后验矩阵、当前时刻的状态方程矩阵和当前时刻的观测方程矩阵,代入下列公式计算得到当前时刻的最大似然后验矩阵:
Xk=Xk-+K(Zk-H*Xk-1);
其中,K为所述卡尔曼增益系数,Pk为所述先验误差矩阵,H为所述状态转移矩阵,HT为所述状态转移矩阵的转置矩阵,R为所述系统误差矩阵,()-1为逆矩阵运算符号,Xk-为所述当前时刻的状态方程矩阵,Xk-1为所述上一时刻的最大似然后验矩阵,Xk为当前时刻的最大似然后验矩阵,Zk为所述当前时刻的观测方程矩阵;
根据所述当前时刻的最大似然后验矩阵对应的充放电曲线,基于Nernst模型方程拟合得到Nernst模型的特征参数;
将所述特征参数输入至所述寿命预测模型得到所述预测剩余寿命。
在一些实施方式中,所述根据所述寿命预测模型、充放电曲线概率簇和传感器返回的针对锂电池的测量数据,通过卡尔曼滤波预测锂电池在下一时刻的预测剩余寿命之后包括步骤:
生成所述锂电池在每一时刻的预测剩余寿命的目标曲线图;
获取所述目标曲线图的所有斜率值,查找出小于预设斜率阈值的目标斜率值;
确定所述目标斜率值为所述锂电池的寿命跳水点,并根据所述目标斜率值对应的时刻进行寿命预警。
根据本发明的另一方面,本发明进一步提供一种基于卡尔曼滤波的锂电池寿命预测系统,包括传感器、处理器和锂电池,所述传感器与所述锂电池连接,所述处理器包括:
训练模块,用于根据充放电曲线和Nernst模型的特征参数训练寿命预测模型;所述充放电曲线为在不同工况、不同寿命下两相反应锂电池的曲线;
处理模块,用于基于所述Nernst模型通过预设学习模型,输出不同工况、不同寿命下的充放电曲线概率簇;
预测模块,用于根据所述寿命预测模型、充放电曲线概率簇和传感器返回的针对锂电池的测量数据,通过卡尔曼滤波预测锂电池在下一时刻的预测剩余寿命。
在一些实施方式中,所述训练模块包括:
采集单元,用于采集不同工况、不同寿命下的两相反应锂电池的充放电曲线;
提取单元,用于基于Nernst模型对所述充放电曲线进行参数提取得到所述特征参数;
训练单元,用于根据不同工况下锂电池的剩余寿命及所述特征参数,训练得到所述寿命预测模型。
在一些实施方式中,所述预测模块包括:
处理单元,用于确定所述充放电曲线概率簇作为所述锂电池的状态转移矩阵,并确定所述测量数据作为所述锂电池的观测方程矩阵;
寿命预测单元,用于根据所述状态转移矩阵和观测方程矩阵,通过卡尔曼滤波计算得到当前时刻的最大似然状态矩阵,根据所述最大似然状态矩阵预测得到所述预测剩余寿命。
在一些实施方式中,所述寿命预测单元包括:
获取子单元,用于获取系统误差矩阵、状态转移矩阵和当前时刻的观测方程矩阵,以及上一时刻的最大似然后验矩阵;
误差计算子单元,用于根据各传感器的误差分布的方差建立先验误差矩阵;
系数计算子单元,用于将所述先验误差矩阵、系统误差矩阵和状态转移矩阵,代入下列公式计算得到卡尔曼增益系数:
K=Pk-HT(H·Pk·HT+R)-1;
状态计算单元,用于将所述状态转移矩阵、所述上一时刻的最大似然后验矩阵,代入下列公式计算得到当前时刻的状态方程矩阵:
Xk-=Xk-1·H;
似然计算单元,用于将所述状态转移矩阵、卡尔曼增益系数、上一时刻的最大似然后验矩阵、当前时刻的状态方程矩阵和当前时刻的观测方程矩阵,代入下列公式计算得到当前时刻的最大似然后验矩阵:
Xk=Xk-+K(Zk-H*Xk-1);
其中,K为所述卡尔曼增益系数,Pk为所述先验误差矩阵,H为所述状态转移矩阵,HT为所述状态转移矩阵的转置矩阵,R为所述系统误差矩阵,()-1为逆矩阵运算符号,Xk-为所述当前时刻的状态方程矩阵,Xk-1为所述上一时刻的最大似然后验矩阵,Xk为当前时刻的最大似然后验矩阵,Zk为所述当前时刻的观测方程矩阵;
拟合子单元,用于根据所述当前时刻的最大似然后验矩阵对应的充放电曲线,基于Nernst模型方程拟合得到Nernst模型的特征参数;
预测子单元,用于将所述特征参数输入至所述寿命预测模型得到所述预测剩余寿命。
在一些实施方式中,系统还包括:
生成模块,用于生成所述锂电池在每一时刻的预测剩余寿命的目标曲线图;
查找模块,用于获取所述目标曲线图的所有斜率值,查找出小于预设斜率阈值的目标斜率值;
预警模块,用于确定所述目标斜率值为所述锂电池的寿命跳水点,并根据所述目标斜率值对应的时刻进行寿命预警。
与现有技术相比,本发明所提供的一种基于卡尔曼滤波的锂电池寿命预测方法和系统,本发明通过Nernst模型和无迹卡尔曼滤波(Kalman滤波)的联用,提供了较为可信的锂电池寿命和置信度的预测方法,提高两相反应锂电池剩余寿命的预测精度。
附图说明
下面将以明确易懂的方式,结合附图说明优选实施方式,对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明一种基于卡尔曼滤波的锂电池寿命预测方法的流程图;
图2是磷酸铁锂电池的充放电曲线图;
图3是不同工况下Nernst模型参数提取示意图;
图4是集成学习和模型融合示意图;
图5是卡尔曼滤波结合传感器和先验充放电曲线簇预测当前时刻的后验寿命的流程图;
图6是目标曲线图中寿命跳水点以进行预警的效果示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其他实施例中也可以实现本申请。在其他情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所述描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其他特征、整体、步骤、操作、元素、组件和/或集合的存在或添加。
为使图面简洁,各图中只示意性地表示出了与本发明相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘示了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
另外,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对照附图说明本发明的具体实施方式。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
参考说明书附图1,一种基于卡尔曼滤波的锂电池寿命预测方法,具体地,包括:
S100根据充放电曲线和Nernst模型的特征参数训练寿命预测模型;所述充放电曲线为在不同工况、不同寿命下两相反应锂电池的曲线;
具体的,两相反应锂电池是指反应过程中,正极材料反应只有两相参与,例如磷酸铁锂电池,磷酸铁锂电池的储锂反应机制为:
LiFePO4→xLi+xFePO4+(1-x)LiFePO4;
由方程式可见,随着反应进行,始终是两相。其能特斯方程为E=ΔrG/F=[ΔfG(FePO4)-ΔfG(LiFePO4)]/F,根据磷酸铁锂电池的能特斯方程可知,磷酸铁锂电池的电极电势与x无关,是常数,表现在OCV-SOC曲线上是一个很长的平台,其平台的拐点是高低含量处相的量不够引起的。其中,磷酸铁锂电池的充放电曲线如图2所示。
对于非两相反应的锂电池,例如钴酸锂电池,钴酸锂电池的储锂反应机制为:LiCoO2→xLi+Li{1-x}CoO2。
由方程式可见,随着反应进行,反应右侧相组成与相相关。钴酸锂电池的能特斯方程为根据钴酸锂电池的能特斯方程可知,钴酸锂电池的电极电势与x有关,表现在OCV-SOC曲线上是一个连续的上升曲线。更一般的,一般认为在电化学反应过程中,存在几个相就存在几个电压平台。
Nernst模型的一种数学形式为:
Nernst模型的曲线形式也具有平台,其与两相反应锂电池的OCV-SOC曲线更相似,所以从理论上来说,Nernst模型更适用于两相反应锂电池,本发明主要采用Nernst模型来预测两相反应锂电池的剩余寿命。
在该步骤中,先采集两相反应锂电池在不同工况、不同寿命下的充放电曲线。不同工况是指不同的充放电倍率和温度,同一个锂电池的充放电倍率不同时其充放电曲线也不同,所以采集数据时,需要采集同一个锂电池在不同充放电倍率和不同温度下的充放电曲线。
锂电池的寿命(SOH,state ofhealth)是指电池剩余容量/电池标准容量,也即锂电池的剩余寿命。本发明的目的是为了预测锂电池的剩余寿命,所以在采集电池的充放电曲线时也需要体现锂电池的寿命这一变量,使每个充放电曲线都有对应的充放电工况和寿命。
在采集锂电池的充放电曲线时,可以采集一个两相反应锂电池在不同工况、不同寿命下的充放电曲线并形成充放电曲线集,也可以采集多个两相反应锂电池分别在不同工况、不同寿命下的充放电曲线并形成充放电曲线集(即本发明的充放电曲线)。在通过上述方式获取到充放电曲线后,基于充放电曲线和Nernst模型的特征参数进行训练得到寿命预测模型。
S200基于所述Nernst模型通过预设学习模型,输出不同工况、不同寿命下的充放电曲线概率簇;
具体的,预设学习模板包括BP神经网络、Random Forest、XGBoost决策树等基模型。本发明的充放电曲线概率簇是通过Nernst模型、BP神经网络、Random Forest、XGBoost决策树等模型进行集成学习和模型融合得到的。其中,Nernst模型不仅返回两相反应不同工况下不同寿命的充放电曲线的特征参数,而且还返回其概率分布。
例如,传感器检测到锂电池的电压值为2V时,将电压值2V输入至Nernst模型能够输出其对应的概率分布。
S300根据所述寿命预测模型、充放电曲线概率簇和传感器返回的针对锂电池的测量数据,通过卡尔曼滤波预测锂电池在下一时刻的预测剩余寿命。
具体的,通过训练好的寿命预测模型预测锂电池的剩余寿命时,可以先采集某一工况下的两相反应锂电池在的充放电曲线,然后提取出其充放电曲线中的Nernst模型的参数k0、k1和l0,最后根据Nernst模型的参数k0、k1和l0和已训练好的寿命预测模型对该待预测锂电池的剩余寿命进行估计。
本发明通过采集的充放电曲线来提取Nernst模型的参数,可为锂电池的寿命预测提供电化学模型支持,以提高预测精度,且整个训练和预测过程较简单。
本发明将不同工况、不同寿命下的OCV与SOC关系作为电化学模型中电极平衡电势的输入,可提高所建立的电化学模型的准确度,并为机器学习提供特征值以学习电池的剩余寿命,提高两相反应锂电池剩余寿命的预测精度。
本发明还提供一种锂电池剩余寿命预测方法的另一个实施例,具体地,包括:
S110采集不同工况、不同寿命下的两相反应锂电池的充放电曲线;
S120基于Nernst模型对所述充放电曲线进行参数提取得到所述特征参数;
S130根据不同工况下锂电池的剩余寿命及所述特征参数,训练得到所述寿命预测模型;
具体的,Nernst模型是一种基于Nernst方程对两相反应锂电池的充放电曲线进行描述的模型。两相反应锂电池是指反应过程中,正极材料反应大部分时间只有两相参与,包括但不限于磷酸铁锂电池,其充放电曲线存在一个电压平台;卡尔曼滤波(Kalmanfiltering)是一种利用线性系统状态方程,通过系统输入输出观测数据,对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响,所以最优估计也可看作是滤波过程。数据滤波是去除噪声还原真实数据的一种数据处理技术,Kalman滤波在测量方差已知的情况下能够从一系列存在测量噪声的数据中,估计动态系统的状态。由于它便于计算机编程实现,并能够对现场采集的数据进行实时的更新和处理,Kalman滤波是目前应用最为广泛的滤波方法,在通信,导航,制导与控制等多领域得到了较好的应用。无迹卡尔曼滤波是将原本是白噪声分布的样本经过非线性变换后映射所得概率分布加入卡尔曼滤波的修正之中,进行滤波调整的一种方法,其对非线性系统也有很好的应用表现。
Nernst模型的一种初始数学形式为:
为了节省算力提高精度,将Nernst模型的初始数学形式进行简化得到:
y=k0ln(l0)+k0ln(x)+k1(1-x)-1;
简化后的Nernst模型中的x即为锂电池的SOC值,也即为横坐标,y为锂电池的端电压,也即为纵坐标;k0ln(l0)表征平台电压,k0、k1则分别与正负极材料锂离子活度、电极几何构型等相关。
构建Nernst模型的数学形式后,即可根据构建的Nernst模型的数学形式对采集的充放电曲线进行拟合,得到各充放电曲线对应的Nernst模型的参数k0、k1和l0。其中,Nernst模型的参数提取过程如图3所示。
对每个充放电曲线都进行拟合,提取出每个充放电曲线对应的Nernst模型的参数k0、k1和l0,其中,每个充放电曲线都可得到一组Nernst模型的特征参数k0、k1和l0,根据采集的多个充放电曲线,即可得到多组数据,每组数据均包括以下参数:充放电工况、锂电池剩余寿命和Nernst模型的特征参数。
根据采集的多个充放电曲线得到多组数据后,即可根据多组数据对寿命预测模型进行训练,建立Nernst模型的特征参数与剩余寿命的对应关系。寿命预测模型为BP神经网络、Random Forest、XGBoost决策树等模型,寿命预测模型的模型训练过程为现有技术,在此不再赘述。
其中,步骤S130根据不同工况下锂电池的剩余寿命及所述特征参数,训练得到所述寿命预测模型具体包括:
S131在不同工况下,以锂电池的剩余寿命作为标签,以k0、k1和l0值作为训练特征值,分别对不同的模型进行训练;
S132对训练好的不同模型进行融合,得到锂电池的寿命预测模型。
具体的,根据步骤S120可得到多组数据,每组数据均包括以下参数:充放电工况、锂电池剩余寿命和Nernst模型参数,将不同工况下的锂电池剩余寿命和Nernst模型参数均输入不同的神经网络模型中进行训练,例如,分别输入BP神经网络、Random Forest、XGBoost决策树等模型中进行单独训练,训练时,以锂电池的剩余寿命作为标签,以Nernst模型参数作为训练特征值,构建特征值与剩余寿命的对应关系。
如图4所示,对每个不同模型进行单独训练后,采用模型融合的方法将不同模型的预测结果融合统一起来,以提高模型的准确率,也即训练完成后,根据每个模型的预测结果以及标签值,对每个模型赋予权重值,以使预测结果更接近于标签值(锂电池的实际剩余寿命)。
假设,BP神经网络的权重值为0.2,Random Forest网络的权重值为0.3,XGBoost决策树的权重值为0.5,则最后的预测值等于0.2*BP神经网络预测值+0.3*Random Forest网络预测值+0.5*XGBoost决策树预测值。
S200基于所述Nernst模型通过预设学习模型,输出不同工况、不同寿命下的充放电曲线概率簇;
具体的,曲线簇通过BP神经网络、Random Forest、XGBoost决策树等基模型集成学习和模型融合得到。注意,此模型不仅返回两相反应不同工况下不同寿命的特征曲线参数,亦返回其概率分布。
S310确定所述充放电曲线概率簇作为所述锂电池的状态转移矩阵,并确定所述测量数据作为所述锂电池的观测方程矩阵;
S320根据所述状态转移矩阵和观测方程矩阵,通过卡尔曼滤波计算得到当前时刻的最大似然状态矩阵,根据所述最大似然状态矩阵预测得到所述预测剩余寿命。
本发明提供了一种基于Nernst模型和无迹卡尔曼滤波的锂电池寿命预测与寿命跳水报警方法。其基于Nernst模型通过大数据和人工智能建立的不同寿命的充放电曲线概率簇作为电池的状态转移矩阵,传感器返回的测量数据作为观测矩阵,通过卡尔曼滤波的方式,结合两个矩阵的先验误差,得到该时刻的最大似然状态矩阵的值,最终返回此刻锂电池的寿命。同时通过历史与预测的锂电池寿命衰减曲线,得到锂电池寿命跳水的预测时间点进行预警。
本发明还提供一种锂电池剩余寿命预测方法的另一个实施例,具体地,包括:
S110采集不同工况、不同寿命下的两相反应锂电池的充放电曲线;
S120基于Nernst模型对所述充放电曲线进行参数提取得到所述特征参数;
S130根据不同工况下锂电池的剩余寿命及所述特征参数,训练得到所述寿命预测模型;
S200基于所述Nernst模型通过预设学习模型,输出不同工况、不同寿命下的充放电曲线概率簇;
S310确定所述充放电曲线概率簇作为所述锂电池的状态转移矩阵,并确定所述测量数据作为所述锂电池的观测方程矩阵;
S321获取系统误差矩阵、状态转移矩阵和当前时刻的观测方程矩阵,以及上一时刻的最大似然后验矩阵;
具体的,Nernst模型产生曲线概率簇就是状态转移矩阵。明确无迹卡尔曼滤波的上一时刻最大似然后验矩阵,状态转移矩阵,测量系统误差矩阵,当前时刻观测方程矩阵,先验误差矩阵,当前时刻最大似然后验矩阵。下标k表示第k次数据记录。
对于使用了t时间长度的锂电池记录(包括锂电池的温度、电压等状态数据),每隔△t时间间隔记录当时的电压充放电曲线作为当前时刻的观测方程矩阵。此外,记录传感器的系统误差矩阵为R。
S322根据各传感器的误差分布的方差建立先验误差矩阵;
具体的,当前时刻的状态方程矩阵Xk-=上一时刻的最优似然估计状态Xk-1*状态转移矩阵H。
S323将所述先验误差矩阵、系统误差矩阵和状态转移矩阵,代入下列公式计算得到卡尔曼增益系数:
K=Pk-HT(H·Pk·HT+R)-1;
S324将所述状态转移矩阵、所述上一时刻的最大似然后验矩阵,代入下列公式计算得到当前时刻的状态方程矩阵:
Xk-=Xk-1·H;
S325将所述状态转移矩阵、卡尔曼增益系数、上一时刻的最大似然后验矩阵、当前时刻的状态方程矩阵和当前时刻的观测方程矩阵,代入下列公式计算得到当前时刻的最大似然后验矩阵:
Xk=Xk-+K(Zk-H*Xk-1);
其中,K为所述卡尔曼增益系数,Pk为所述先验误差矩阵,H为所述状态转移矩阵,HT为所述状态转移矩阵的转置矩阵,R为所述系统误差矩阵,()-1为逆矩阵运算符号,Xk-为所述当前时刻的状态方程矩阵,Xk-1为所述上一时刻的最大似然后验矩阵,Xk为当前时刻的最大似然后验矩阵,Zk为所述当前时刻的观测方程矩阵;
S326根据所述当前时刻的最大似然后验矩阵对应的充放电曲线,基于Nernst模型方程拟合得到Nernst模型的特征参数;
S327将所述特征参数输入至所述寿命预测模型得到所述预测剩余寿命;
具体的,将t-△t时刻最大似然后验矩阵Xk-1对应的电压充放电最大似然曲线作为输入,通过Nernst模型方程拟合得到Nernst模型特征参数,输入至训练好的寿命预测模型能够预测得到t-△t时刻的电池最大似然寿命即在t-△t时刻的预测剩余寿命。以此,t-△t时刻的预测剩余寿命加上△t时间可以计算得到t时刻的电池先验寿命,记录从t-△t至t时刻的寿命转移为状态转移矩阵H。从不同工况、不同寿命下的两相反应锂电池的充放电曲线中查找出电池先验寿命对应的充放电曲线,作为当前时刻的状态方程矩阵。其中,记录此预测状态与真实值的差的概率分布为先验误差矩阵,此矩阵由Nernst模型输出。通过上述公式可以计算卡尔曼增益系数,此外,当前时刻的最大似然后验矩阵为当前时刻的最大似然充放电曲线矩阵。
如图5所示,通过此充电曲线的Nernst模型方程拟合得到Nernst模型特征参数,输入至训练好的寿命预测模型得到对应后验寿命即本发明的预测剩余寿命。
S400生成所述锂电池在每一时刻的预测剩余寿命的目标曲线图;
S500获取所述目标曲线图的所有斜率值,查找出小于预设斜率阈值的目标斜率值;
S600确定所述目标斜率值为所述锂电池的寿命跳水点,并根据所述目标斜率值对应的时刻进行寿命预警。
具体的,如图6所示,输出锂电池预测寿命与时间的曲线图(即本发明的目标曲线图),由于一般而言运行良好的电池,曲线斜率应在-1左右浮动。因此,记录锂电池预测寿命与时间的曲线图的斜率。若某锂电池的斜率的历史记录逐渐减小,将斜率与时间之间的关系用指数函数拟合并做预测。一般设定斜率衰减为-1.3或者小于预设斜率阈值(例如预设斜率阈值=1)的点为寿命跳水点,并根据所述目标斜率值对应的时刻进行寿命预警。
本发明提供了一种基于Nernst模型和无迹卡尔曼滤波的锂电池寿命预测与寿命跳水报警方法。其基于Nernst模型通过大数据和人工智能建立的不同寿命的充放电曲线概率簇作为电池的状态转移矩阵,传感器返回的测量数据作为观测矩阵,通过卡尔曼滤波的方式,结合两个矩阵的先验误差,得到该时刻的最大似然状态矩阵的值,最终返回此刻锂电池的寿命。同时通过历史与预测的锂电池寿命衰减曲线,得到锂电池寿命跳水的预测时间点进行预警。本发明通过Nernst模型和无迹卡尔曼滤波(Kalman滤波)的联用,提供了较为可信的锂电池寿命和置信度的预测方法,可以对锂电池的寿命进行预测亦可进行寿命跳水预警。
本发明还提供一种基于卡尔曼滤波的锂电池寿命预测系统的实施例,该锂电池寿命预测系统包括传感器、处理器和锂电池,所述传感器与所述锂电池连接,所述处理器包括:
训练模块,用于根据充放电曲线和Nernst模型的特征参数训练寿命预测模型;所述充放电曲线为在不同工况、不同寿命下两相反应锂电池的曲线;
处理模块,用于基于所述Nernst模型通过预设学习模型,输出不同工况、不同寿命下的充放电曲线概率簇;
预测模块,用于根据所述寿命预测模型、充放电曲线概率簇和传感器返回的针对锂电池的测量数据,通过卡尔曼滤波预测锂电池在下一时刻的预测剩余寿命。
在一些实施方式中,所述训练模块包括:
采集单元,用于采集不同工况、不同寿命下的两相反应锂电池的充放电曲线;
提取单元,用于基于Nernst模型对所述充放电曲线进行参数提取得到所述特征参数;
训练单元,用于根据不同工况下锂电池的剩余寿命及所述特征参数,训练得到所述寿命预测模型。
在一些实施方式中,所述预测模块包括:
处理单元,用于确定所述充放电曲线概率簇作为所述锂电池的状态转移矩阵,并确定所述测量数据作为所述锂电池的观测方程矩阵;
寿命预测单元,用于根据所述状态转移矩阵和观测方程矩阵,通过卡尔曼滤波计算得到当前时刻的最大似然状态矩阵,根据所述最大似然状态矩阵预测得到所述预测剩余寿命。
在一些实施方式中,所述寿命预测单元包括:
获取子单元,用于获取系统误差矩阵、状态转移矩阵和当前时刻的观测方程矩阵,以及上一时刻的最大似然后验矩阵;
误差计算子单元,用于根据各传感器的误差分布的方差建立先验误差矩阵;
系数计算子单元,用于将所述先验误差矩阵、系统误差矩阵和状态转移矩阵,代入下列公式计算得到卡尔曼增益系数:
K=Pk-HT(H·Pk·HT+R)-1;
状态计算单元,用于将所述状态转移矩阵、所述上一时刻的最大似然后验矩阵,代入下列公式计算得到当前时刻的状态方程矩阵:
Xk-=Xk-1·H;
似然计算单元,用于将所述状态转移矩阵、卡尔曼增益系数、上一时刻的最大似然后验矩阵、当前时刻的状态方程矩阵和当前时刻的观测方程矩阵,代入下列公式计算得到当前时刻的最大似然后验矩阵:
Xk=Xk-+K(Zk-H*Xk-1);
其中,K为所述卡尔曼增益系数,Pk为所述先验误差矩阵,H为所述状态转移矩阵,HT为所述状态转移矩阵的转置矩阵,R为所述系统误差矩阵,()-1为逆矩阵运算符号,Xk-为所述当前时刻的状态方程矩阵,Xk-1为所述上一时刻的最大似然后验矩阵,Xk为当前时刻的最大似然后验矩阵,Zk为所述当前时刻的观测方程矩阵;
拟合子单元,用于根据所述当前时刻的最大似然后验矩阵对应的充放电曲线,基于Nernst模型方程拟合得到Nernst模型的特征参数;
预测子单元,用于将所述特征参数输入至所述寿命预测模型得到所述预测剩余寿命。
在一些实施方式中,系统还包括:
生成模块,用于生成所述锂电池在每一时刻的预测剩余寿命的目标曲线图;
查找模块,用于获取所述目标曲线图的所有斜率值,查找出小于预设斜率阈值的目标斜率值;
预警模块,用于确定所述目标斜率值为所述锂电池的寿命跳水点,并根据所述目标斜率值对应的时刻进行寿命预警。
具体的,本实施例是上述方法实施例对应的系统实施例,具体效果参见上述方法实施例,在此不再一一赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各程序模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的程序模块完成,即将所述装置的内部结构划分成不同的程序单元或模块,以完成以上描述的全部或者部分功能。实施例中的各程序模块可以集成在一个处理单元中,也可是各个单元单独物理存在,也可以两个或两个以上单元集成在一个处理单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件程序单元的形式实现。另外,各程序模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述或记载的部分,可以参见其他实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其他的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性、机械或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可能集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序发送指令给相关的硬件完成,所述的计算机程序可存储于一存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述存储介质可以包括:能够携带所述计算机程序的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如:在某些司法管辖区,根据立法和专利实践,计算机可读的存储介质不包括电载波信号和电信信号。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
应当说明的是,上述实施例均可根据需要自由组合。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)
1.一种基于卡尔曼滤波的锂电池寿命预测方法,其特征在于,包括步骤:
采集不同工况、不同寿命下的两相反应锂电池的充放电曲线;
基于Nernst模型对采集的各充放电曲线进行参数提取得到对应的特征参数;
根据不同工况下锂电池的剩余寿命及所述特征参数,训练得到寿命预测模型;
基于所述Nernst模型通过预设学习模型,输出不同工况、不同寿命下的充放电曲线概率簇;
将所述充放电曲线概率簇作为所述锂电池的状态转移矩阵,将传感器返回的针对锂电池的测量数据作为所述锂电池的观测方程矩阵;
根据所述状态转移矩阵和观测方程矩阵,通过无迹卡尔曼滤波计算得到当前时刻的最大似然后验矩阵;
根据所述当前时刻的最大似然后验矩阵对应的充放电曲线,基于Nernst模型方程拟合得到Nernst模型的特征参数;
将所述特征参数输入至所述寿命预测模型得到所述锂电池在下一时刻的预测剩余寿命。
2.根据权利要求1所述的基于卡尔曼滤波的锂电池寿命预测方法,其特征在于,所述根据所述状态转移矩阵和观测方程矩阵,通过无迹卡尔曼滤波计算得到当前时刻的最大似然后验矩阵包括步骤:
获取系统误差矩阵、状态转移矩阵和当前时刻的观测方程矩阵,以及上一时刻的最大似然后验矩阵;
根据各传感器的误差分布的方差建立先验误差矩阵;
将所述先验误差矩阵、系统误差矩阵和状态转移矩阵,代入下列公式计算得到卡尔曼增益系数:
K=Pk-HT(H·Pk·HT+R)-1;
将所述状态转移矩阵、所述上一时刻的最大似然后验矩阵,代入下列公式计算得到当前时刻的状态方程矩阵:
Xk-=Xk-1·H;
将所述状态转移矩阵、卡尔曼增益系数、上一时刻的最大似然后验矩阵、当前时刻的状态方程矩阵和当前时刻的观测方程矩阵,代入下列公式计算得到当前时刻的最大似然后验矩阵:
Xk=Xk-+K(Zk-H*Xk-1);
其中,K为所述卡尔曼增益系数,Pk为所述先验误差矩阵,H为所述状态转移矩阵,HT为所述状态转移矩阵的转置矩阵,R为所述系统误差矩阵,()-1为逆矩阵运算符号,Xk-为所述当前时刻的状态方程矩阵,Xk-1为所述上一时刻的最大似然后验矩阵,Xk为当前时刻的最大似然后验矩阵,Zk为所述当前时刻的观测方程矩阵。
3.根据权利要求1-2任一项所述的基于卡尔曼滤波的锂电池寿命预测方法,其特征在于,所述根据所述寿命预测模型、充放电曲线概率簇和传感器返回的针对锂电池的测量数据,通过卡尔曼滤波预测锂电池在下一时刻的预测剩余寿命之后包括步骤:
生成所述锂电池在每一时刻的预测剩余寿命的目标曲线图;
获取所述目标曲线图的所有斜率值,查找出小于预设斜率阈值的目标斜率值;
确定所述目标斜率值为所述锂电池的寿命跳水点,并根据所述目标斜率值对应的时刻进行寿命预警。
4.一种基于卡尔曼滤波的锂电池寿命预测系统,其特征在于,包括传感器、处理器和锂电池,所述传感器与所述锂电池连接,所述处理器包括:
训练模块,用于根据充放电曲线和Nernst模型的特征参数训练寿命预测模型;所述充放电曲线为在不同工况、不同寿命下两相反应锂电池的曲线;
处理模块,用于基于所述Nernst模型通过预设学习模型,输出不同工况、不同寿命下的充放电曲线概率簇;
预测模块,用于根据所述寿命预测模型、充放电曲线概率簇和传感器返回的针对锂电池的测量数据,通过无迹卡尔曼滤波预测锂电池在下一时刻的预测剩余寿命;
所述训练模块包括:
采集单元,用于采集不同工况、不同寿命下的两相反应锂电池的充放电曲线;
提取单元,用于基于Nernst模型对采集的各充放电曲线进行参数提取得到对应的特征参数;
训练单元,用于根据不同工况下锂电池的剩余寿命及所述特征参数,训练得到所述寿命预测模型;
所述预测模块包括:
处理单元,用于确定所述充放电曲线概率簇作为所述锂电池的状态转移矩阵,并确定所述测量数据作为所述锂电池的观测方程矩阵;
寿命预测单元,用于根据所述状态转移矩阵和观测方程矩阵,通过无迹卡尔曼滤波计算得到当前时刻的最大似然后验矩阵,根据所述当前时刻的最大似然后验矩阵对应的充放电曲线,基于Nernst模型方程拟合得到Nernst模型的特征参数;将所述特征参数输入至所述寿命预测模型得到所述锂电池在下一时刻的预测剩余寿命。
5.根据权利要求4所述的基于卡尔曼滤波的锂电池寿命预测系统,其特征在于,所述寿命预测单元包括:
获取子单元,用于获取系统误差矩阵、状态转移矩阵和当前时刻的观测方程矩阵,以及上一时刻的最大似然后验矩阵;
误差计算子单元,用于根据各传感器的误差分布的方差建立先验误差矩阵;
系数计算子单元,用于将所述先验误差矩阵、系统误差矩阵和状态转移矩阵,代入下列公式计算得到卡尔曼增益系数:
K=Pk-HT(H·Pk·HT+R)-1;
状态计算单元,用于将所述状态转移矩阵、所述上一时刻的最大似然后验矩阵,代入下列公式计算得到当前时刻的状态方程矩阵:
Xk-=Xk-1·H;
似然计算单元,用于将所述状态转移矩阵、卡尔曼增益系数、上一时刻的最大似然后验矩阵、当前时刻的状态方程矩阵和当前时刻的观测方程矩阵,代入下列公式计算得到当前时刻的最大似然后验矩阵:
Xk=Xk-+K(Zk-H*Xk-1);
其中,K为所述卡尔曼增益系数,Pk为所述先验误差矩阵,H为所述状态转移矩阵,HT为所述状态转移矩阵的转置矩阵,R为所述系统误差矩阵,()-1为逆矩阵运算符号,Xk-为所述当前时刻的状态方程矩阵,Xk-1为所述上一时刻的最大似然后验矩阵,Xk为当前时刻的最大似然后验矩阵,Zk为所述当前时刻的观测方程矩阵。
6.根据权利要求4-5任一项所述的基于卡尔曼滤波的锂电池寿命预测系统,其特征在于,还包括:
生成模块,用于生成所述锂电池在每一时刻的预测剩余寿命的目标曲线图;
查找模块,用于获取所述目标曲线图的所有斜率值,查找出小于预设斜率阈值的目标斜率值;
预警模块,用于确定所述目标斜率值为所述锂电池的寿命跳水点,并根据所述目标斜率值对应的时刻进行寿命预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210454883.8A CN114879046B (zh) | 2022-04-24 | 2022-04-24 | 一种基于卡尔曼滤波的锂电池寿命预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210454883.8A CN114879046B (zh) | 2022-04-24 | 2022-04-24 | 一种基于卡尔曼滤波的锂电池寿命预测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114879046A CN114879046A (zh) | 2022-08-09 |
CN114879046B true CN114879046B (zh) | 2023-04-14 |
Family
ID=82672438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210454883.8A Active CN114879046B (zh) | 2022-04-24 | 2022-04-24 | 一种基于卡尔曼滤波的锂电池寿命预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114879046B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115902647B (zh) * | 2023-02-23 | 2023-05-16 | 新乡医学院 | 一种电池状态智能监测方法 |
CN116559756B (zh) * | 2023-07-03 | 2023-12-01 | 宁德时代新能源科技股份有限公司 | 充放电测量系统的不确定度分析方法、装置及系统 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105277896B (zh) * | 2015-10-26 | 2018-01-26 | 安徽理工大学 | 基于elm‑mukf的锂电池剩余寿命预测方法 |
CN105548896B (zh) * | 2015-12-25 | 2019-04-09 | 南京航空航天大学 | 基于n-2rc模型的动力电池soc在线闭环估计方法 |
CN106443478B (zh) * | 2016-10-26 | 2019-03-01 | 河南师范大学 | 基于闭环混合算法的磷酸铁锂电池剩余电量的估算方法 |
CN107402356B (zh) * | 2017-08-04 | 2020-03-20 | 南京南瑞继保电气有限公司 | 一种基于动态参数辨识的ekf估算铅酸电池soc方法 |
CN107505574A (zh) * | 2017-08-08 | 2017-12-22 | 中华人民共和国成都出入境检验检疫局 | 基于极大似然带渐消因子的ukf锂电池估算方法 |
CN108629073B (zh) * | 2018-03-14 | 2019-05-03 | 山东科技大学 | 一种多模式的退化过程建模及剩余寿命预测方法 |
CN109541485A (zh) * | 2018-11-23 | 2019-03-29 | 河海大学常州校区 | 一种动力电池的soc估算方法 |
CN109932656A (zh) * | 2019-04-17 | 2019-06-25 | 合肥工业大学 | 一种基于imm-upf的锂电池寿命估计方法 |
WO2021208079A1 (zh) * | 2020-04-17 | 2021-10-21 | 中国科学院深圳先进技术研究院 | 获取动力电池寿命数据的方法、装置、计算机设备及介质 |
CN112858920B (zh) * | 2021-02-01 | 2022-09-27 | 山西国润储能科技有限公司 | 一种基于自适应无迹卡尔曼滤波的全钒液流电池融合模型的soc估算方法 |
-
2022
- 2022-04-24 CN CN202210454883.8A patent/CN114879046B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114879046A (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | Battery health prediction using fusion-based feature selection and machine learning | |
Goh et al. | Estimation of the state of health (SOH) of batteries using discrete curvature feature extraction | |
Wang et al. | An improved feedforward-long short-term memory modeling method for the whole-life-cycle state of charge prediction of lithium-ion batteries considering current-voltage-temperature variation | |
Tian et al. | A review of the state of health for lithium-ion batteries: Research status and suggestions | |
Wang et al. | Improved anti-noise adaptive long short-term memory neural network modeling for the robust remaining useful life prediction of lithium-ion batteries | |
Wang et al. | Lithium battery state-of-health estimation via differential thermal voltammetry with Gaussian process regression | |
Hannan et al. | A review of lithium-ion battery state of charge estimation and management system in electric vehicle applications: Challenges and recommendations | |
Che et al. | State of health prognostics for series battery packs: A universal deep learning method | |
Farmann et al. | A comprehensive review of on-board State-of-Available-Power prediction techniques for lithium-ion batteries in electric vehicles | |
CN114879046B (zh) | 一种基于卡尔曼滤波的锂电池寿命预测方法和系统 | |
Xu et al. | Improving the state of charge estimation of reused lithium-ion batteries by abating hysteresis using machine learning technique | |
Sun et al. | A sequential capacity estimation for the lithium-ion batteries combining incremental capacity curve and discrete Arrhenius fading model | |
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 | |
Wei et al. | Lyapunov-based state of charge diagnosis and health prognosis for lithium-ion batteries | |
Li et al. | State-of-health rapid estimation for lithium-ion battery based on an interpretable stacking ensemble model with short-term voltage profiles | |
Li et al. | State‐of‐health prediction for lithium‐ion batteries via electrochemical impedance spectroscopy and artificial neural networks | |
CN106777786A (zh) | 一种锂离子电池soc估算方法 | |
CN114722625B (zh) | 锂电池的单体数字孪生模型建立方法、系统、终端和介质 | |
CN110082682A (zh) | 一种锂电池荷电状态估计方法 | |
CN116953547A (zh) | 一种储能电池健康度评估方法、系统、设备及存储介质 | |
Shao et al. | A novel method of discharge capacity prediction based on simplified electrochemical model-aging mechanism for lithium-ion batteries | |
Chen et al. | State of health estimation for lithium-ion battery based on long short term memory networks | |
Fu et al. | Data-driven capacity estimation for lithium-ion batteries with feature matching based transfer learning method | |
Yang et al. | Critical summary and perspectives on state-of-health of lithium-ion battery | |
Liu et al. | Review on degradation mechanism and health state estimation methods of lithium-ion batteries |
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 |