CN114895209A - 面向锂电池少循环的二维支持域直推式健康状态预测方法 - Google Patents

面向锂电池少循环的二维支持域直推式健康状态预测方法 Download PDF

Info

Publication number
CN114895209A
CN114895209A CN202210513378.6A CN202210513378A CN114895209A CN 114895209 A CN114895209 A CN 114895209A CN 202210513378 A CN202210513378 A CN 202210513378A CN 114895209 A CN114895209 A CN 114895209A
Authority
CN
China
Prior art keywords
battery
charge
discharge cycle
predicted
sample
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
Application number
CN202210513378.6A
Other languages
English (en)
Inventor
赵春晖
王一航
冯良骏
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202210513378.6A priority Critical patent/CN114895209A/zh
Publication of CN114895209A publication Critical patent/CN114895209A/zh
Pending legal-status Critical Current

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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • 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]
    • G01R31/378—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
    • 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
    • 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

本发明公开了一种面向锂电池少循环的二维支持域直推式健康状态预测方法。该方法考虑同型号多块电池的批次特性，利用历史数据和批次数据构造二维支持域扩充模型信息来源，从而为模型的建立提供了粗范围的可供选择的样本，并且使用直推式建模综合考虑离线和在线样本特征空间的信息，对每个样本进行细致划分，再根据各个样本不同的重要性进行选择建模，以此解决锂电池历史充放电循环数据较少时对健康状态建模预测不准确的问题。本方法创新性地引入二维支持域和直推式建模对数据进行扩充和筛选，很好地解决了少量循环数据情况下健康状态预测问题。

Description

面向锂电池少循环的二维支持域直推式健康状态预测方法
技术领域
本发明属于锂电池健康状态预测领域，尤其涉及基于少循环的二维支持域建模预测方法。
背景技术
近年来，锂离子电池因其高能量密度、低自放电率、高电压、长寿命周期以及更高的可靠性被广泛使用，其带来的安全问题不容小觑。作为保障安全性的主要手段之一，锂电池的健康状态(State of health,SOH)管理受到越来越多的关注。SOH作为一种评估电池老化程度的指标，反映了电池实际容量与标称容量的衰减比率，一个全新电池的SOH值为100％。随着电池的不断使用，SOH会逐渐下降。通常情况下，当电池的容量下降到初始值的80％，即SOH为80％时，视为寿命终止(End of life,EOL)，应该更换电池。一般情况下，准确的SOH只能在实验室条件下直接测量，实际应用中只能通过其他的变量例如电压电流进行估算。而由于电池老化的非线性和不确定性，SOH的预测变得十分困难。
由于近些年机器学习理论的发展和算力的提升，数据驱动的方法在学术界和工业界都越来越被广泛关注，数据驱动的电池SOH预测方法被广泛地应用于锂电池SOH预测领域，建立基于数据的SOH预测模型而不依赖于任何复杂的领域知识，因而具有更强的泛化性。
尽管数据驱动方法已在SOH评估任务中得到了广泛关注，但是该类方法的有效性很大程度上取决于历史数据集的大小和质量。在实际场景中，锂离子电池的一次充放电时间往往需要花费数小时甚至数天，当历史充放电循环数据积累较少时，如果希望收集足够的电池老化数据进行建模，无疑需要巨大的时间成本。而如果使用加速老化实验来缩短老化的时间，则很有可能改变电池的老化信息，收集来的数据也往往不能用作建模。当用于建模的历史数据不充分时，模型可能会过拟合。此外，锂电池在充放电循环中还会发生容量再生现象，容量再生现象是锂离子电池退化过程中的一个典型特征,如果电池在老化过程中的静置时间比正常的静置时间长，则会开启电池的恢复过程，从而可以增加下一个周期的可用容量，导致模型的预测不可靠。此外，对于当前分析对象，往往需要充放电进行到一定程度从而收集到一定量数据后才能建立模型进行后续预测，造成对锂电池健康状态的认知延时。基于以上分析可以发现，在真实场景中对锂电池进行SOH预测，会受到典型的少数据问题的影响。如何在少量充放电循环数据的情况下巧妙设计建模分析策略，确保模型的预测精度，以及如何充分利用训练样本的信息，针对待预测样本有效进行建模，是我们迫切需要考虑的问题，具有重要的理论研究价值和现实意义。
发明内容
本发明的目的在于针对少量历史循环数据积累情况下建模预测困难的问题，提供一种面向锂电池少循环的二维支持域直推式建模方法。本发明一方面利用同一批次其他电池的相似特性作为数据扩充，用批次数据和历史数据在两个维度上构造支持域，对数据进行粗划分，提供了充足可供选择的样本。另一方面，提出了一种直推式学习框架，考虑离线样本和在线样本特征空间的相似性信息，实现了少量循环数据下样本的精细化充分利用，进而实现了少量充放电循环下SOH的精准预测。
本发明的目的通过以下技术方案实现：
面向锂电池少量循环的二维支持域直推式健康状态预测方法，包括以下步骤：
(1)收集原始数据，包括待预测电池的当前充放电循环n、历史充放电循环以及其他批次电池充放电循环样本的数据，每个充放电循环样本至少包括电压曲线；所述其他批次电池为与待预测电池型号、充放电循环测试条件相同的电池；
(2)构造二维支持域，所述二维支持域的第一个维度包括待预测电池的所有历史充放电循环样本，第二个维度包括其他批次电池充放电循环n的前(l-1)/2个充放电循环样本和后(l-1)/2个充放电循环样本，l为大于1的奇数；
(3)对待预测电池的当前充放电循环n和二维支持域中的每个样本数据进行特征提取，构造训练集；所述特征为与电池容量密切相关的特征；
(4)利用训练集中样本的特征作为输入，预测的健康状态作为输出基于特征相似性进行直推式建模，获得建立好的模型。
(5)将待预测电池的当前充放电循环样本的特征输入模型，得到电池健康状态的预测值。
进一步地，所述步骤(3)具体为：
二维支持域构造的训练集为
Figure BDA0003638672550000021
Figure BDA0003638672550000022
Figure BDA0003638672550000023
Figure BDA0003638672550000024
Figure BDA0003638672550000025
其中，上标j表示待预测电池的编号，上标r表示其他批次电池的编号，r≠j，
Figure BDA0003638672550000026
表示待预测电池的当前充放电循环n的特征，
Figure BDA0003638672550000027
表示待预测电池历史充放电循环样本的标签集合，k表示待预测电池之前积累的历史充放电循环的总轮数；
Figure BDA0003638672550000031
表示待预测电池历史充放电循环样本的特征集合，
Figure BDA0003638672550000032
表示增加的其他批次电池充放电循环样本的特征集合，
Figure BDA0003638672550000033
表示增加的其他批次电池充放电循环样本的标签集合。
进一步地，所述步骤(3)中，对待预测电池的当前充放电循环n和二维支持域中的每个样本数据进行特征提取，具体为：
将每个充放电循环样本的电压曲线转为增量容量曲线；
所述增量容量曲线的纵坐标是dQ/dV，即增量容量值，横坐标是电压值；
利用滤波方法对所述增量容量曲线进行平滑处理，所述滤波方法为高斯滤波法、滑动平均法、SG滤波法等；
从平滑处理后的增量容量曲线上提取与电池容量密切相关的特征具体为六个特征点，分别是增量容量曲线上两个波峰和一个波谷的电压值和dQ/dV值。
进一步地，所述步骤(4)中，采用最小二乘法进行直推式建模，并通过最小化损失函数获得建立好的模型；所述损失函数为真实值和预测值的误差，其中每个样本赋予一个独立的权重，表示如下：
Figure BDA0003638672550000034
其中
Figure BDA0003638672550000035
代表训练集的第q个样本的特征，τ为超参数，wq代表第q个样本的权重，其中，权重越小，对建模影响越小。损失函数具体表示如下：
Figure BDA0003638672550000036
其中
Figure BDA0003638672550000037
代表训练集中第q个样本的真实标签，
Figure BDA0003638672550000038
代表该样本的预测值，k+3l是训练集全部的样本总数。
与现有技术相比，本发明具有的有益效果至少包括：
提出了基于二维支持域和直推式建模的少量循环锂电池SOH预测方法，通过构造二维支持域，融合批次数据和历史数据，为模型提供充足可选择的样本，进而通过直推式建模，考虑离线和在线样本的相似性，实现了少量循环数据下样本的精细化利用以及健康状态的精准预测。
附图说明
图1是本发明方法的流程图。
图2是二维支持域的构造图。
图3是使用本发明预测No.18电池SOH值的结果
具体实施方式
下面结合附图及具体实例，对本发明做进一步说明。
本发明的面向锂电池少量循环的二维支持域直推式健康状态预测方法，包括：
(1)收集原始数据，包括待预测电池的当前充放电循环n、历史充放电循环以及其他批次电池充放电循环样本的数据，每个充放电循环样本至少包括电压曲线V；所述其他批次电池为与待预测电池型号、充放电循环测试条件相同的电池；
(2)构造二维支持域，利用其他批次电池充放电循环样本的数据，再加以融合待预测电池原始积累的历史充放电循环样本数据，从两个维度上进行支持域的构建，所述二维支持域的第一个维度包括待预测电池的所有历史充放电循环样本，第二个维度包括其他批次电池充放电循环n的前(l-1)/2个充放电循环样本和后(l-1)/2个充放电循环样本；
具体地，第二个维度的样本数据可以通过在其他批次电池的充放电循环数据中，当前循环n周围使用滑窗进行选取，数据窗口中不仅包括当前循环之前的数据，也同时包括当前循环之后的数据，滑窗长度用l表示，由于滑窗是同时向两侧进行选取数据，两侧各选取(l-1)/2个样本，故l应为奇数。
(3)对待预测电池的当前充放电循环n和二维支持域中的每个样本数据进行特征提取，构造训练集；所述特征为与电池容量密切相关的特征；
其中，与电池容量密切相关的特征包括恒流充电的时长、恒压充电的时长、恒压充电开始前电压曲线的斜率、面积等，以基于增量容量曲线提取与电池容量密切相关的特征为例，具体如下：
对待预测电池的当前充放电循环n和二维支持域中的每个样本的原始电压曲线转换为增量容量曲线，并且曲线需要进行平滑处理，可以采用滑动平均法、SG滤波法或者高斯滤波法等进行去噪。
具体地，对于每一次充放电循环所产生的电压、电流、温度曲线，用V,I,T表示，利用下式将电压曲线转为增量容量曲线：
Figure BDA0003638672550000041
曲线的纵坐标是dQ/dV，即增量容量值，横坐标是电压值，增量容量曲线可以标示电池的老化程度，但是由于其涉及到微分计算，曲线中存在非常多的噪声信号，需要利用滤波方法对曲线进行平滑处理，这里采用高斯滤波法进行去噪，其可以表示为：
Figure BDA0003638672550000042
其中μ是均值，σ是标准差，z表示增量容量曲线上的数据点。使用高斯滤波器滤波之后，从平滑处理后的增量容量曲线上提取与电池容量密切相关的特征，本实施例中从曲线上提取了六个特征点，分别是两个波峰和一个波谷的电压值和dQ/dV值，使用这六个特征对SOH进行预测。
进一步地，构造的训练集为
Figure BDA0003638672550000051
如图2所示，表示如下：
Figure BDA0003638672550000052
Figure BDA0003638672550000053
Figure BDA0003638672550000054
Figure BDA0003638672550000055
其中，上标j表示待预测电池的编号，上标r表示其他批次电池的编号，本实施例中，r∈{1,2,3,4},r≠j，
Figure BDA0003638672550000056
表示待预测电池的当前充放电循环n的特征，
Figure BDA0003638672550000057
表示待预测电池历史充放电循环样本的标签集合，k表示待预测电池之前积累的历史充放电循环的总轮数；
Figure BDA0003638672550000058
表示待预测电池历史充放电循环样本的特征集合，
Figure BDA0003638672550000059
表示增加的其他批次电池充放电循环样本的特征集合，
Figure BDA00036386725500000510
表示增加的其他批次电池充放电循环样本的标签集合，
Figure BDA00036386725500000511
表示编号r的其他批次电池的第
Figure BDA00036386725500000512
充放电循环的特征，
Figure BDA00036386725500000513
为编号r的其他批次电池的第
Figure BDA00036386725500000514
充放电循环的标签。
(4)利用训练集中样本的特征作为输入，预测的健康状态作为输出基于特征相似性进行直推式建模，获得建立好的模型。
本实施例中，采用最小二乘法基于特征相似性进行直推式建模，并通过最小化损失函数获得建立好的模型；建模时为每个样本赋予独立的权重，权重根据特征空间相似性进行度量，损失函数取真实值和预测值的误差。
具体地，样本权重通过下式计算：
Figure BDA00036386725500000515
其中
Figure BDA00036386725500000516
代表训练集的第q个样本的特征，
Figure BDA00036386725500000517
代表待预测电池当前充放电循环样本的特征，wq代表该样本的权重，τ为超参数。
损失函数可以为均方误差、二范数平方和等，以二范数平方和为例，损失函数表示为：
Figure BDA0003638672550000061
其中
Figure BDA0003638672550000062
代表训练集中第q个样本的真实标签，
Figure BDA0003638672550000063
代表该样本的预测值，k+3l是训练集全部的样本总数。
最小化损失函数
Figure BDA0003638672550000064
模型收敛或迭代超过最大次数时停止迭代，得到模型
Figure BDA0003638672550000065
需要说明的是，由于一次充放电循环需要的时间至少为几个小时甚至更久，所以每一个样本点的间隔很长，并且最小二乘模型结构简单，建模及预测的时间为秒级，故在线进行建模完全可以保证预测的及时性和准确性。
进一步地，支持域不一定是一个规则的形状，在建模时还可以根据权重wq的大小选择参与直推式建模的样本，其中，权重wq越小，对建模影响越小；具体地，在计算训练集中样本和待预测样本间权重时，可事先定义一个衡量权重大小的阈值，如果权重低于此阈值，可以认为其对建模几乎无影响，则这些数据点将会被忽略，从而支持域的范围也会发生改变，变为一个不规则的形状，从而实现相关数据的自动化选取。
(5)将待预测电池的当前充放电循环n的特征
Figure BDA0003638672550000066
输入模型中，得到预测的健康状态值
Figure BDA0003638672550000067
本实施例中选取NASA的开源数据集进行实验验证，使用的电池的编号为No.5，No.6，No.7和No.18。此组电池均在室温24℃条件下循环进行充电、放电和阻抗测试，电池分别包含168,168,168和132个充放电循环。在充电过程中，电池首先在恒流(Constantcurrent,CC)模式下以1.5A电流进行充电，直至电压上升至4.2V；然后进入恒压(Constantvoltage,CV)模式进行充电直至充电电流下降至20mA。放电过程包含CC模式，以2A恒定电流的方式进行放电，直至电压分别下降至2.7V,2.5V,2.2V和2.5V。为了验证本发明方法在少量循环下预测的有效性，选取电池前20％的充放电循环数据作为训练集，其余80％作为测试集，对于每一个电池分别进行一次实验，共进行四次，批次划分如表1所示。
表1.不同批次电池划分
Figure BDA0003638672550000068
实验中评价标准选用均方根误差(Root Mean Square Error,RMSE)和平均绝对误差(Mean Absolute Error,MAE)。RMSE可以衡量观测值同真值之间的偏差，而MAE能更好地反映预测值误差的实际情况，二者可以用下式表示：
Figure BDA0003638672550000071
Figure BDA0003638672550000072
其中yi代表真实值，
Figure BDA0003638672550000073
代表预测值，M代表总预测样本数。
不同方法下SOH的预测精度如表2所示，选取了线性回归(LR)、支持向量回归(SVR)和随机森林(RF)三种回归方法作为对比，这里其他的回归方法建模采用的是历史数据加全部的其他批次电池数据，而本方法每次仅采用支持域中数据(l值为11)进行建模。对于四个电池，本发明的预测精度RMSE最优为0.92％，最差为1.56％，均值为1.26％，MAE最优为0.75％，最差为1.17％，均值为0.92％，其预测结果优于线性回归(均值为1.57％和1.24％)、支持向量回归(均值为1.91％和1.51％)以及随机森林(均值为1.47％和1.12％)，充分证明了本发明的有效性。图3展示了使用所提发明预测No.18电池SOH的效果图，从图中可以看出，本发明的预测值和实际值十分接近，进一步证明了本发明的有效性。
表2.不同方法SOH预测精度
Figure BDA0003638672550000074
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法把所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围。

Claims (8)

1.面向锂电池少循环的二维支持域直推式健康状态预测方法，其特征在于，包括以下步骤：
(1)收集原始数据，包括待预测电池的当前充放电循环n、历史充放电循环以及其他批次电池充放电循环样本的数据，每个充放电循环样本至少包括电压曲线；所述其他批次电池为与待预测电池型号、充放电循环测试条件相同的电池；
(2)构造二维支持域，所述二维支持域的第一个维度包括待预测电池的所有历史充放电循环样本，第二个维度包括其他批次电池充放电循环n的前(l-1)/2爪充放电循环样本和后(l-1)/2个充放电循环样本，l为大于1的奇数；
(3)对待预测电池的当前充放电循环n和二维支持域中的每个样本数据进行特征提取，构造训练集；所述特征为与电池容量相关的特征；
(4)利用训练集中样本的特征作为输入，预测的健康状态作为输出基于特征相似性进行直推式建模，获得建立好的模型。
(5)将待预测电池的当前充放电循环样本的特征输入模型，得到电池健康状态的预测值。
2.如权利要求1所述的方法，其特征在于，所述步骤(3)中，二维支持域构造的训练集为
Figure FDA0003638672540000011
Figure FDA0003638672540000012
Figure FDA0003638672540000013
Figure FDA0003638672540000014
Figure FDA0003638672540000015
其中，上标j表示待预测电池的编号，上标r表示其他批次电池的编号，r≠j，
Figure FDA0003638672540000016
表示待预测电池的当前充放电循环n的特征，
Figure FDA0003638672540000017
表示待预测电池历史充放电循环样本的标签集合，
Figure FDA0003638672540000018
表示待预测电池历史充放电循环样本的特征集合，k表示待预测电池之前积累的历史充放电循环的总轮数；
Figure FDA0003638672540000019
表示增加的其他批次电池充放电循环样本的特征集合，
Figure FDA00036386725400000110
表示增加的其他批次电池充放电循环样本的标签集合。
3.如权利要求1所述的方法，其特征在于，所述步骤(3)中，对待预测电池的当前充放电循环n和二维支持域中的每个样本数据进行特征提取，具体为：
将每个充放电循环样本的电压曲线转为增量容量曲线；
所述增量容量曲线的纵坐标是dQ/dV，即增量容量值，横坐标是电压值；
利用滤波方法对所述增量容量曲线进行平滑处理；
从平滑处理后的增量容量曲线上提取与电池容量相关的特征。
4.如权利要求3所述的方法，其特征在于，所述滤波方法为高斯滤波法、滑动平均法或SG滤波法。
5.如权利要求3所述的方法，其特征在于，从平滑处理后的增量容量曲线上提取与电池容量相关的特征具体为六个特征点，分别是增量容量曲线上两个波峰和一个波谷的电压值和dQ/dV值。
6.如权利要求1所述的方法，其特征在于，所述步骤(4)中，采用最小二乘法进行直推式建模，并通过最小化损失函数获得建立好的模型；所述损失函数为真实值和预测值的误差，其中每个样本赋予一个独立的权重，表示如下：
Figure FDA0003638672540000021
其中
Figure FDA0003638672540000022
代表训练集的第q个样本的特征，wq代表第q个样本的权重，τ为超参数。
7.如权利要求6所述的方法，其特征在于，所述步骤(4)中，所述损失函数具体表示如下：
Figure FDA0003638672540000023
其中
Figure FDA0003638672540000024
代表训练集中第q个样本的真实标签，
Figure FDA0003638672540000025
代表该样本的预测值，k+3l是训练集全部的样本总数。
8.如权利要求6所述的方法，其特征在于，还包括根据权重wq的大小选择参与直推式建模的样本，其中，权重wq越小，对建模影响越小。
CN202210513378.6A 2022-05-11 2022-05-11 面向锂电池少循环的二维支持域直推式健康状态预测方法 Pending CN114895209A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210513378.6A CN114895209A (zh) 2022-05-11 2022-05-11 面向锂电池少循环的二维支持域直推式健康状态预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210513378.6A CN114895209A (zh) 2022-05-11 2022-05-11 面向锂电池少循环的二维支持域直推式健康状态预测方法

Publications (1)

Publication Number Publication Date
CN114895209A true CN114895209A (zh) 2022-08-12

Family

ID=82722175

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210513378.6A Pending CN114895209A (zh) 2022-05-11 2022-05-11 面向锂电池少循环的二维支持域直推式健康状态预测方法

Country Status (1)

Country Link
CN (1) CN114895209A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116593903A (zh) * 2023-07-17 2023-08-15 中国华能集团清洁能源技术研究院有限公司 电池剩余寿命预测方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116593903A (zh) * 2023-07-17 2023-08-15 中国华能集团清洁能源技术研究院有限公司 电池剩余寿命预测方法及装置
CN116593903B (zh) * 2023-07-17 2023-10-20 中国华能集团清洁能源技术研究院有限公司 电池剩余寿命预测方法及装置

Similar Documents

Publication Publication Date Title
CN111443294B (zh) 一种锂离子电池剩余寿命间接预测方法及装置
CN108896914B (zh) 一种锂电池健康状况的梯度提升树建模与预测方法
CN108037460B (zh) 一种批产锂离子电池容量实时评估方法
CN108846227B (zh) 一种基于随机森林及容量自恢复效应分析的锂离子电池容量退化预测评估方法
CN103954913A (zh) 电动汽车动力电池寿命预测方法
CN112051511A (zh) 基于多通道技术的动力电池健康状态的估计方法及系统
CN111366848A (zh) 一种基于pso-elm算法的电池健康状态预测方法
CN113030764A (zh) 一种电池组健康状态估计方法及系统
CN110888077A (zh) 一种基于arima时间序列的锂离子电池寿命加速评估方法
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
CN103399280A (zh) 基于nsdp-ar模型的锂离子电池循环寿命预测方法
KR20220096993A (ko) 배터리 노화 상태 추정 방법 및 이를 수행하는 장치
CN112684363A (zh) 一种基于放电过程的锂离子电池健康状态估计方法
CN115201686B (zh) 一种不完备充放电数据下的锂离子电池健康状态评估方法
CN111414709A (zh) 一种基于神经网络的超级电容器循环寿命和容量衰减的早期预测方法
CN114839538A (zh) 一种提取锂离子电池退化特征用于估计剩余寿命的方法
CN116381494A (zh) 电池最大可用容量预测方法、装置、电子设备及存储介质
CN115684971A (zh) 基于片段多充电特征融合的锂离子电池健康状态估计方法
CN115267555A (zh) 基于电池多点温度测量的储能系统电池soh评估系统
CN115586452A (zh) 基于新型健康特征的锂离子电池健康状态估计方法
CN114895209A (zh) 面向锂电池少循环的二维支持域直推式健康状态预测方法
CN114545275A (zh) 一种锂离子电池剩余使用寿命间接预测方法
CN113820615A (zh) 一种电池健康度检测方法与装置
Yang et al. Lithium-ion battery life cycle prediction with deep learning regression model
CN116840724A (zh) 一种锂离子电池健康状况估计及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