CN115166527A - 锂离子电池的剩余使用寿命预测方法、装置、设备及介质 - Google Patents

锂离子电池的剩余使用寿命预测方法、装置、设备及介质 Download PDF

Info

Publication number
CN115166527A
CN115166527A CN202210716187.XA CN202210716187A CN115166527A CN 115166527 A CN115166527 A CN 115166527A CN 202210716187 A CN202210716187 A CN 202210716187A CN 115166527 A CN115166527 A CN 115166527A
Authority
CN
China
Prior art keywords
lithium ion
ion battery
service life
model
error sequence
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
CN202210716187.XA
Other languages
English (en)
Inventor
徐静云
高开迪
江东明
罗宇恒
那一木
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.)
Huzhou University
Original Assignee
Huzhou University
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 Huzhou University filed Critical Huzhou University
Priority to CN202210716187.XA priority Critical patent/CN115166527A/zh
Publication of CN115166527A publication Critical patent/CN115166527A/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]
    • G01R31/367—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]
    • G01R31/392—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)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

本发明涉及数学建模技术领域，尤其涉及一种锂离子电池剩余使用寿命预测的方法、装置、设备及计算机可读存储介质，该方法包括基于锂离子电池的拐点数据建立分段经验退化模型；根据预设的粒子滤波算法和所述分段经验退化模型得到所述锂离子电池的剩余使用寿命的初始预测结果，并基于所述初始预测结果获取原始误差序列；根据所述原始误差序列和预设的离散小波变换算法确定所述锂离子电池的容量对应的重构误差序列；根据所述重构误差序列构建支持向量回归算法的预测模型，并基于所述预测模型修正所述初始预测结果以确定所述剩余使用寿命的最终预测结果。本发明提高了锂离子电池的剩余使用寿命预测效率和预测结果的准确性。

Description

锂离子电池的剩余使用寿命预测方法、装置、设备及介质
技术领域
本发明涉及数学建模技术领域，尤其涉及一种锂离子电池的剩余使用寿命预测方法、装置、终端设备及计算机可读存储介质。
背景技术
随着科技技术的不断发展以及人们生产生活对锂电池需求的不断增长，锂电池因其应用广泛具有非常广阔的市场前景，同时，用户针对锂电池的电池管理进行锂电池的剩余使用寿命预测提出了更高的要求。
现有的锂离子电池剩余使用寿命预测方式通常都是运用电化学和等效电路模型的方式或者运用数据驱动方式来进行剩余使用寿命预测，一方面，运用电化学和等效电路模型的方式不仅需要进行大量的复杂计算，并且建模过程也十分复杂，且测量困难易造成预测误差大的象限发生，还不适用于预测周期长的电池剩余使用寿命预测；另一方面，运用数据驱动方式需要大量的记录数据和计算成本来预测锂电池的退化趋势。
综上，现有的锂离子电池剩余使用寿命预测方式存在预测数据准确性低且预测流程繁琐的技术问题。
发明内容
本发明的主要目的在于提供一种锂离子电池的剩余使用寿命预测方法、装置、设备及计算机可读存储介质，旨在优化预测锂离子电池剩余使用寿命的建模流程，提高预测数据的准确性和预测效率。
为实现上述目的，本发明提供一种锂离子电池的剩余使用寿命预测方法，所述锂离子电池的剩余使用寿命预测方法，包括：
基于锂离子电池的拐点数据建立分段经验退化模型；
根据预设的粒子滤波算法和所述分段经验退化模型得到所述锂离子电池的剩余使用寿命的初始预测结果，并基于所述初始预测结果获取原始误差序列；
根据所述原始误差序列和预设的离散小波变换算法确定所述锂离子电池的容量对应的重构误差序列；
根据所述重构误差序列构建支持向量回归算法的预测模型，并基于所述预测模型修正所述初始预测结果以确定所述剩余使用寿命的最终预测结果。
可选地，所述基于锂离子电池的拐点数据建立分段经验退化模型的步骤，包括：
获取所述锂离子电池的容量退化数据，并根据预设的滤波器对所述容量退化数据进行平滑处理；
在确定到所述滤波器完成对所述容量退化数据的平滑处理后，根据预设的一阶微分方程确定所述锂离子电池的容量衰减曲线的差值；
基于预设的参数间隔区间识别所述差值对应的所述锂离子电池的拐点数据，并根据所述拐点数据建立所述分段经验退化模型。
可选地，所述根据预设的粒子滤波算法和所述分段经验退化模型得到所述锂离子电池的剩余使用寿命的初始预测结果的步骤，包括：
判断所述锂离子电池的当前周期数据是否小于所述拐点数据；
若是，则确定所述分段经验退化模型对应的双指数模型，并根据所述双指数模型和预设的粒子滤波算法得到所述初始预测结果；
若否，则确定所述分段经验退化模型对应的自回归整合移动平均模型，并根据所述自回归整合移动平均模型和预设的粒子滤波算法得到所述初始预测结果。
可选地，在所述根据所述自回归整合移动平均模型和预设的粒子滤波算法得到所述初始预测结果的步骤之前，所述方法包括：
根据所述锂离子电池的平稳性得到阶数差分方程，并根据所述阶数差分方程确定所述自回归整合移动平均模型的第一参数；
根据预设的赤池信息准则和预设的贝叶斯信息准则确定所述自回归整合移动平均模型的第二参数和第三参数。
可选地，所述根据所述原始误差序列和预设的离散小波变换算法确定所述锂离子电池的容量对应的重构误差序列的步骤，包括：
基于所述原始误差序列和预设的离散小波变换算法得到分解信号；
根据所述分解信号重构得到所述锂离子电池的容量对应的重构误差序列。
可选地，所述根据所述分解信号重构得到所述锂离子电池的容量对应的重构误差序列的步骤，包括：
基于预设的离散小波变换算法删掉所述分解信号的高频分量信号，以获取所述分解信号的低频分量信号；
根据所述低频分量信号重构得到所述重构误差序列。
可选地，所述基于所述预测模型修正所述初始预测结果以确定所述剩余使用寿命的最终预测结果的步骤，包括：
根据所述所述预测模型生成预测误差序列；
根据所述预测误差序列修正所述初始预测结果以得到所述剩余使用寿命的最终预测结果。
此外，为实现上述目的，本发明还提供一种锂离子电池的剩余使用寿命预测装置，本发明锂离子电池的剩余使用寿命预测装置包括：
建模模块，用于基于锂离子电池的拐点数据建立分段经验退化模型；
滤波计算模块，用于根据预设的粒子滤波算法和所述分段经验退化模型得到所述锂离子电池的剩余使用寿命的初始预测结果，并基于所述初始预测结果获取原始误差序列；
重构数据确定模块，用于根据所述原始误差序列和预设的离散小波变换算法确定所述锂离子电池的容量对应的重构误差序列；
预测模块，用于根据所述重构误差序列构建支持向量回归算法的预测模型，并基于所述预测模型修正所述初始预测结果以确定所述剩余使用寿命的最终预测结果。
本发明锂离子电池的剩余使用寿命预测装置的各个功能模块在运行时实现如上所述的本发明锂离子电池的剩余使用寿命预测方法的步骤。
此外，为实现上述目的，本发明还提供一种终端设备，所述终端设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的锂离子电池的剩余使用寿命预测程序，所述锂离子电池的剩余使用寿命预测程序被所述处理器执行时实现上述锂离子电池的剩余使用寿命预测方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有锂离子电池的剩余使用寿命预测程序，所述锂离子电池的剩余使用寿命预测程序被处理器执行时实现上述的锂离子电池的剩余使用寿命预测方法的步骤。
本发明先确定锂离子电池的拐点数据来建立一个分段的经验退化模型，以提高算法的普适性和准确性。然后在基于经验退化模型的基础上实施预设的粒子滤波(PF)算法确定初始预测结果，并根据初始预测结果生成原始误差序列，然后根据预设的离散小波变换(DWT)算法来分解和重建原始误差序列确定重构误差序列，通过减少局部噪声分布信息来提高数据的有效性。最后再根据重构误差序列构建支持向量回归(SVR)算法的预测模型来确定预测误差序列，并根据预测误差序列修正基于PF算法的初始预测结果，即确定锂离子电池的剩余使用寿命的最终预测结果。
区别于现有的锂离子电池剩余使用寿命预测方式，本发明在分段的经验退化模型的基础上实施PF算法确定锂离子电池的初始预测结果，并将原始误差序列作为副产品传递到预设的DWT算法进行分解和重构后，将系数高的近似信号作为重构误差序列，并将重构误差序列作为训练数据传递到预设的SVR算法，根据预设的SVR算法预测得到预测误差序列，来修正基于PF算法的初始预测结果以确定锂离子电池的剩余使用寿命的最终预测结果，有效地避免了每次预测锂离子电池的剩余使用寿命需要进行复杂的建模和计算，以及测量准确性低的现象发生。本发明通过在分段的经验退化模型的基础上实施PF算法，并在依次进行DWT算法和SVR算法确定最终预测结果，有效地优化了预测锂离子电池剩余使用寿命的建模流程和计算流程，进而提高了预测效率和预测结果的准确性。
附图说明
图1是本发明锂离子电池的剩余使用寿命预测方法第一实施例的流程示意图；
图2为本发明锂离子电池的剩余使用寿命预测方法一实施例涉及的具体应用流程示意图；
图3(a)、图3(b)、图3(c)、图3(d)为本发明锂离子电池的剩余使用寿命预测方法一实施例涉及的容量退化数据示意图；
图4(a)、图4(b)、图4(c)、图4(d)为本发明锂离子电池的剩余使用寿命预测方法一实施例涉及的基于PF算法的迭代示意图；
图5为本发明锂离子电池的剩余使用寿命预测方法一实施例涉及的基于DWT算法的示意图；
图6(A01)、图6(A02)、图6(A03)、图6(A04)为本发明锂离子电池的剩余使用寿命预测方法一实施例涉及的基于SVR算法的示意图；
图7为本发明锂离子电池的剩余使用寿命预测装置模块的示意图；
图8为本发明实施例方案涉及的终端设备的结构示意图；
图9为本发明实施例方案涉及的计算机可读存储介质的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
本发明实施例提供了一种锂离子电池的剩余使用寿命预测方法，参照图1所示，图1是本发明锂离子电池的剩余使用寿命预测方法第一实施例的流程示意图。
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。
本实施例中，本发明锂离子电池的剩余使用寿命预测方法应用于针对锂离子电池剩余使用寿命进行预测的终端设备，本发明锂离子电池的剩余使用寿命预测方法包括：
步骤S10：基于锂离子电池的拐点数据建立分段经验退化模型；
终端设备首先根据预设的滤波器对锂离子电池(LIBs)的容量退化数据进行平滑处理，在平滑处理过程后，根据预设的一阶微分方程确定锂离子电池的容量衰减曲线的差值，然后再基于预设的参数间隔区间识别差值对应的拐点数据，并根据拐点数据建立所述分段经验退化模型。
需要说明的是，分段经验退化模型指的是双指数模型和ARIMA模型，其中，双指数模型可以表示为：
Q(k)＝aeb·k+ced·k (1)
其中，k是充电/放电周期数，Q(k)是第k次时的电池容量，a、b、c、d是随时间变化的常数(与电池的内部阻抗有关，是老化参数)。
改进的双指数模型通过减去非正值表达式，大大改善了后期急剧退化的情况，可以表示为：
Q(k)＝aea+b·k-cec+d/k (2)
其中，ea+b·k和-ec+d/k量表代表初始能力退化和加速能力退化过程。
模型(1)和(2)的性能拟合结果如表2所示，很明显，在整个退化过程中，模型(2)在SSE和RMSE方面都优于模型(1)，同时R2也更接近于1。然而，当视场置于退化前期时，模型(1)的性能甚至更好，表2为两个退化阶段的模型[即模型(1)和(2)]拟合性能比较。
Figure BDA0003708283340000061
表2
ARIMA模型可以在历史时刻的基础上观测当前时刻。ARIMA模型适用于实时状态建模，可以作为PF模型的测量模型。ARIMA模型由三个部分组成，分别是①自回归(AR)过程；②通过差序建立静止的时间序列；③移动平均(MA)过程，以下是ARIMA(p,d,q)的一般形式：
Figure BDA0003708283340000071
其中，p测量值向后Q(k-j)和建模误差εk用来得到现在的测量值Q(k)；rj和θi分别表示j时刻观测值的参数和i时刻误差项的参数；q代表移动误差项的数量。
p代表预测模型中采用的锂离子电池的充电/放电周期数据本身的滞后数(lags)，也叫做AR/Auto-Regressive项；d代表锂离子电池的充电/放电周期数据需要进行几阶差分化，才是稳定的，也叫Integrated项；q代表预测模型中采用的预测误差的滞后数(lags)，也叫做MA/Moving Average项。
拐点数据指的是锂离子电池的真正的容量跳水点之前的充电/放电周期数据。
在本实施例中，通过拐点准确地描述了不同的退化阶段，即建立双指数模型(1)和ARIMA模型(3)，分别作为早期和后期模型方案，改进了现有技术进行锂离子电池剩余使用寿命预测方式存在着实时性不足的问题，并减少了不必要的参数估计，极大地减少了计算工作量。
步骤S20：根据预设的粒子滤波算法和所述分段经验退化模型得到所述锂离子电池的剩余使用寿命的初始预测结果，并基于所述初始预测结果获取原始误差序列；
在本实施例中，终端设备通过预设的粒子滤波算法调整分段经验退化模型得到锂离子电池剩余使用寿命的初始预测结果，再根据初始预测结果得到基于预设的粒子滤波算法所生成的原始误差序列。
需要说明的是，剩余使用寿命可以表示为Remaining Useful Life，即RUL。锂离子电池的剩余使用寿命是指在一定充放电过程后，电池的最大可用容量衰减到某一规定的失效阈值所需充放电循环数，即充电/放电周期数。
粒子滤波算法，也称PF算法，是一种基于蒙特卡洛方法的贝叶斯滤波算法，它可以处理任何非线性、非高斯问题，PF算法的表现形式为：
Figure BDA0003708283340000081
其中，xk代表系统k时刻的状态，uk-1代表k-1时刻的过程噪声，f(·)是一个线性或非线性函数，建立了当前状态和最后时刻的状态之间的关系。zk代表k时刻的观测值，vk是测量噪声，h(·)是一个线性或非线性函数，建立了状态值和同时测量值之间的关系。p(xk|xk-1)是状态方程的先验概率，p(zk|xk)代表观测分布的似然函数。
在本实施例中，将经验退化模型作为PF算法中的测量方程，粒子滤波算法的流程如下：
流程1：初始化
N个粒子
Figure BDA0003708283340000082
是通过在先验概率中采样产生的p(x0)，
Figure BDA0003708283340000083
流程2：重要性采样
i＝1,…,N采样
Figure BDA0003708283340000084
Figure BDA0003708283340000085
流程3：权重计算
Figure BDA0003708283340000086
流程4：重采样
计算有效样本个数
Figure BDA0003708283340000087
如果
Figure BDA0003708283340000088
生成基于重要性权重,
Figure BDA0003708283340000089
通过残差重采样方法。
流程4：状态估计
Figure BDA00037082833400000810
参照图4，图4为本发明锂离子电池的剩余使用寿命预测方法一实施例涉及的基于PF算法的迭代示意图，其中图4(c)为基于分段经验退化模型(双指数模型和ARIMA模型)进行粒子滤波算法测量的部分迭代过程。
步骤S30：根据所述原始误差序列和预设的离散小波变换算法确定所述锂离子电池的容量对应的重构误差序列；
在本实施例中，终端设备将接收到的原始误差序列传入预设的离散小波变换(DWT)算法，再根据预设的DWT算法对原始误差序列的不同尺度的信号进行分析和多层分解，并通过有限分解和重建过程将其提取为近似分量，从而得到一个平滑的残差序列，即重构误差序列。
在本实施例中，通过预设的离散小波变换(DWT)算法将获取的重构误差序列作为预测的训练数据集，为之后预设的支持向量回归算法的成功预测奠定了坚实的基础。
步骤S40：根据所述重构误差序列构建支持向量回归算法的预测模型，并基于所述预测模型修正所述初始预测结果以确定所述剩余使用寿命的最终预测结果。
在本实施例中，终端设备首先根据重构误差序列构建支持向量回归(SVR)算法的预测模型，并基于SVR算法的预测模型生成锂离子电池的预测误差序列，然后根据预测误差序列确定锂离子电池的剩余使用寿命的最终预测结果。
参照图2，图2为本发明锂离子电池的剩余使用寿命预测方法一实施例涉及的具体应用流程示意图，其中Initialization即初始化，代表对锂离子电池的容量退化数据进行预处理；k代表锂离子电池的当前周期数据，即锂离子电池的当前充电/放电周期数；kip代表拐点数据的周期数，kend指的是锂离子电池对应的初始容量百分比对应的周期数，即失效阈值的周期数据。
参照图2所示，终端设备先初始化设置，再判断k是否小于kip，若小于，即当前充电/放电周期数小于拐点数据的周期数，也可以理解为在拐点数据之前，在双指数模型，即Eq.(1)中进行粒子滤波算法的迭代测量；若大于，即当前充电/放电周期数大于于拐点数据的周期数，也可以理解为在拐点数据之后，在ARIMA模型，即Eq.(3)中进行粒子滤波算法的迭代测量，并获取初始预测结果，即PF predicted；然后根据PF predicted得到原始误差序列，即Original error series；再把Original error series传输到预设的DWT算法模型中，将Original error series的信号进行分析和多层分解，得到重构误差序列，即Reconstructed error series；再根据Reconstructed error series构建SVR算法的预测模型，并基于SVR算法的预测模型获取预测误差序列，即Predicted error；最后根据Predicted error修正PF predicted以获取锂离子电池的剩余使用寿命预测结果，即FinalRULprediction。
参照图2所示，其中，基于分段经验退化模型进行粒子滤波算法的迭代测量，首先初始化锂离子电池的当前充电/放电周期数的粒子数，然后进行重要性采样，即ImportanceSampling：Eq.(5)；再进行权重计算，即Normalized Weight：Eq.(6)；接下来再通过重采样Resampling：Eq.(7)计算有效样本个数后，进行状态估计，即Observation Estimation：Eq.(8)，最后再判断k是否小于kend，若小于，则输出PF predicted；若大于，则重新执行判断k是否小于kip的指令。
本发明先确定锂离子电池的拐点数据来建立一个分段的经验退化模型，以提高算法的普适性和准确性。然后在基于经验退化模型的基础上实施预设的粒子滤波(PF)算法确定初始预测结果，并根据初始预测结果生成原始误差序列，然后根据预设的离散小波变换(DWT)算法来分解和重建原始误差序列确定重构误差序列，通过减少局部噪声分布信息来提高数据的有效性。最后再根据重构误差序列构建支持向量回归(SVR)算法的预测模型来确定预测误差序列，并根据预测误差序列修正基于PF算法的初始预测结果，即确定锂离子电池的剩余使用寿命的最终预测结果。
区别于现有的锂离子电池剩余使用寿命预测方式，本发明在分段的经验退化模型的基础上实施PF算法确定锂离子电池的初始预测结果，并将原始误差序列作为副产品传递到预设的DWT算法进行分解和重构后，将系数高的近似信号作为重构误差序列，并将重构误差序列作为训练数据传递到预设的SVR算法，根据预设的SVR算法预测得到预测误差序列，来修正基于PF算法的初始预测结果以确定锂离子电池的剩余使用寿命的最终预测结果，有效地避免了每次预测锂离子电池的剩余使用寿命需要进行复杂的建模和计算，以及测量准确性低的现象发生。本发明通过在分段的经验退化模型的基础上实施PF算法，并在依次进行DWT算法和SVR算法确定最终预测结果，有效地优化了预测锂离子电池剩余使用寿命的建模流程和计算流程，进而提高了预测效率和预测结果的准确性。
进一步地，基于本发明锂离子电池的剩余使用寿命预测第一实施例，提出本发明锂离子电池的剩余使用寿命预测第二实施例。
在本实施例中，上述步骤S10：基于锂离子电池的拐点数据建立分段经验退化模型，具体可以包括：
步骤S101：获取所述锂离子电池的容量退化数据，并根据预设的滤波器对所述容量退化数据进行平滑处理；
在本实施例中，终端设备先获取锂离子电池的容量退化数据，然后根据预设的滤波器对容量退化数据进行平滑处理。
例如，选择了四个电池(锂离子磷酸盐(LFP)/石墨，标称容量1.1Ah，标称电压3.3V)并标记为A01-A04。所有电池都使用一步或两步快速充电协议[C1(Q1)-C2，其中C1和C2分别是第一和第二恒定电流步骤，Q1是当用1CCC-CV模式充电时80％SOC时的切换电流下的充电状态(SOC)，截止电压3.6V。]所有电池均以4C恒流放电，截止电压2V详见表1，表1为A01-A04四个锂离子电池充放电协议详细说明，四节锂电池在相同温度(30℃)下测试。
电池 充电规则 条形码 通道 周期 室温
A01 6C(60％)-3C EL150800460640 29 731 30℃
A02 6C(60％)-3C EL150800460436 30 757 30℃
A03 7C(40％)-3C EL150800460601 38 648 30℃
A04 7C(30％)-3.6C EL150800460622 40 703 30℃
表1
参照图3所示，图3为本发明锂离子电池的剩余使用寿命预测方法一实施例涉及的容量退化数据示意图，LIBs的容量在早期阶段缓慢下降，在大约400-500次循环后，功率开始跳水，如图3(a)的容量退化数据所示。在一些循环之后，LIBs的容量并不只是单边下降，而是呈现出反弹的趋势。
图3(b)显示了Savitzky-Golay滤波器对四个LIBs容量的平滑结果，其中，运用Savitzky-Golay滤波器对四个LIBs容量进行平滑的效果最优，但包括不限于Savitzky-Golay滤波器。
另外需要说明的是，参照图3所示，图3(c)为A01的真正容量跳水，通过手动设置的平行于电池初始容量的联动线与A01电池曲线相切，寿命结束(EOL)点为80％，此切点被确定为真正的容量俯冲点，即第518个周期。
步骤S102：在确定到所述滤波器完成对所述容量退化数据的平滑处理后，根据预设的一阶微分方程确定所述锂离子电池的容量衰减曲线的差值；
在本实施例中，终端设备确定到滤波器完成对锂电池的容量退化数据的平滑处理后，根据预设的一阶微分方程确定锂离子电池的容量衰减曲线的差值。
步骤S103：基于预设的参数间隔区间识别所述差值对应的所述锂离子电池的拐点数据，并根据所述拐点数据建立所述分段经验退化模型。
在本实施例中，终端设备基于预设的参数区间识别差值对应的拐点数据，并根据锂离子电池的拐点数据建立分段经验退化模型。
参照图3所示，图3(d)为A01电池的容量衰减曲线的差值与3σ-间隔拐点的识别，A01单元利用差动容量下降曲线的u±3σ区间准则确定的第470点，当前容量小于初始容量的90％。分段式经验退化模型早期表明aeb·k+ced·k(双指数模型)是缓慢下降的趋势，后期表明
Figure BDA0003708283340000121
(自回归整合移动平均模型，ARIMA模型)是跳水阶段。
在本实施例中，通过确定拐点数据来建立分段退化模型用于预测跳水趋势。
进一步地，在一些可行的实施例中，上述步骤S20：根据预设的粒子滤波算法和所述分段经验退化模型得到所述锂离子电池的剩余使用寿命的初始预测结果的步骤，还可以包括：
步骤S201：判断所述锂离子电池的当前周期数据是否小于所述拐点数据；
在本实施例中，终端设备需要获取锂离子电池的当前周期数据，然后判断锂离子电池的当前周期数据是否小于拐点数据。
步骤S202：若是，则确定所述分段经验退化模型对应的双指数模型，并根据所述双指数模型和预设的粒子滤波算法得到所述初始预测结果；
在本实施例中，若终端设备确定到锂离子电池的当前周期数据小于拐点数据，则在双指数模型上进行预设的粒子滤波算法的测量，并获取锂电池的剩余使用寿命的初始预测结果。
参照图4所示，图4为本发明锂离子电池的剩余使用寿命预测方法一实施例涉及的基于PF算法的迭代示意图，其中，图4(a)为基于双指数模型(1)进行粒子滤波测量的完整迭代过程，图4(b)为基于双指数模型(1)的进行粒子滤波测量的部分迭代过程。
步骤S203：若否，则确定所述分段经验退化模型对应的自回归整合移动平均模型，并根据所述自回归整合移动平均模型和预设的粒子滤波算法得到所述初始预测结果。
在本实施例中，若终端设备确定到锂离子电池的当前周期数据大于拐点数据，则在自回归整合移动平均模型上进行预设的粒子滤波算法的测量，并获取锂电池的剩余使用寿命的初始预测结果。
参照图4所示，图4为本发明锂离子电池的剩余使用寿命预测方法一实施例涉及的基于PF算法的迭代示意图，其中，图4(d)基于自回归整合移动平均模型(3)的进行粒子滤波测量的部分迭代过程。
进一步地，在另一些可行的实施例中，在上述步骤S203：根据所述自回归整合移动平均模型和预设的粒子滤波算法得到所述初始预测结果之前，锂离子电池的剩余使用寿命预测方法，还可以包括：
步骤A10：根据所述锂离子电池的平稳性得到阶数差分方程，并根据所述阶数差分方程确定所述自回归整合移动平均模型的第一参数；
在本实施例中，终端设备根据锂离子电池的平稳性得到阶数差分方程，然后根据阶数差分方程确定所述自回归整合移动平均模型的第一参数，即是ARIMA(p,d,q)中的参数d。
需要说明的是，根据锂离子电池的平稳性确定当前锂离子电池对应的阶数差分方程，即阶数差分方程中的阶数对应的ARIMA(p,d,q)中的参数d。
步骤A20：根据预设的赤池信息准则和预设的贝叶斯信息准则确定所述自回归整合移动平均模型的第二参数和第三参数。
在本实施例中，终端设备根据预设的赤池信息准则(AIC，Akaike informationcriterion)和预设的贝叶斯信息准则(BIC，Bayesian Information Criterion)确定自回归整合移动平均模型的第二参数和第三参数，即是ARIMA(p,d,q)中的参数p、参数q。
其中，AIC值和BIC值可以表示为：
AIC＝2m-2ln(L) (9)
BIC＝ln(n)*m-2ln(L) (10)
其中，m，n和L分别表示模型参数的数量、样本的数量和似然函数。
以A01电池为例，为防止过拟合的发生，并由表3中AIC和BIC的值分别为2和4来定性确定，表2为四个电池(A01-A04)模型的AIC和BIC。
Battery(电池) Best Model(最佳模型) AIC BIC
A01 ARIMA(4,2,2) -5539 -5514
A02 ARIMA(4,2,3) -5520 -5511
A03 ARIMA(4,2,3) -5548 -5532
A04 ARIMA(4,2,2) -5529 -5518
表3
进一步地，在一些可行的实施例中，上述步骤S30：根据所述原始误差序列和预设的离散小波变换算法确定所述锂离子电池的容量对应的重构误差序列，可以包括：
步骤S301：基于所述原始误差序列和预设的离散小波变换算法得到分解信号；
在本实施例中，终端设备根据预设的离散小波变换算法对原始误差序列进行分析和多层分解，以获取分解信号。
步骤S302：根据所述分解信号重构得到所述锂离子电池的容量对应的重构误差序列。
在本实施里中，终端设备基于原始误差序列的分解信号通过有限分解和重建过程将其提取为近似分量，从而得到一个平滑的残差序列作为预测的训练数据，即重构误差序列。
需要说明的是，离散小波变换去噪过程，即Mallat算法。原始信号在第一个分解层中通过两个互补的滤波器，产生近似和详细的成分。第二个分解层根据第一个分解层的近似成分对近似和详细成分进行分解。以此类推，分解层越多，得到的近似成分越少，重建信号的方差越小。参照图5，图5为本发明锂离子电池的剩余使用寿命预测方法一实施例涉及的基于DWT算法的示意图，A01电池通过DWT分解的原始容量误差序列的低频和高频信号。
进一步地，在另一些可行的实施例中，上述步骤S302：根据所述分解信号重构得到所述锂离子电池的容量对应的重构误差序列，可以包括：
步骤S3021：基于预设的离散小波变换算法删掉所述分解信号的高频分量信号，以获取所述分解信号的低频分量信号；
在本实施例中，终端设备基于预设的离散小波变换算法删掉分解信号对应的高频分量信号，以获取分解信号对应的低频分量信号。
需要说明的是，信号相关性使用eq.(11)Pearson相关系数ρ(值在-1和1之间)和方差评估。当评估被分解的信号与原始信号之间的相关性时，低相关性表示为接近0的值，即高频分量信号。eq.(11)可以表示为：
Figure BDA0003708283340000151
其中，σX和σY表示为信号的标准差，协方差cov(X,Y)表示两个信号整体的误差。
步骤S3022：根据所述低频分量信号重构得到所述重构误差序列。
在本实施例中，终端设备根据低频分量信号重构得到重构误差序列。
需要说明的是，由于高频分量被认为对误差序列的演变趋势不重要，重构误差序列可以由低分量组成，其误差演变的主导信息如图5所示。因此，第六层的低频分量重构信号(原始信号减去前六层的高频分量信号)被选为误差演变的长期趋势。低频和高频信号的相关关系如表4所示，A01电池离散小波变换后结果。
Figure BDA0003708283340000152
表4
通过从残余分量(即分解信号)中删除一些低相关的高频信号，数据质量得到提高。可以看出，残余分量的全局波动和重建的低频分量信号的趋势特征包含在一个更平滑、更少噪音的重构误差序列中，重构误差序列作为训练数据集用于建立基于SVR算法的预测模型，为之后支持向量回归的成功预测奠定了坚实的基础。
进一步地，在一些可行的实施例中，上述步骤40：基于所述预测模型修正所述初始预测结果以确定所述剩余使用寿命的最终预测结果，可以包括：
步骤401：根据所述所述预测模型生成预测误差序列；
在本实施例中，终端设备基于SVR算法的预测模型的非线性关系将训练数据集，(即重构误差序列，也可以称训练样本集)映射到高维空间，训练样本集的输入和输出关系，可以表示为：
E(x)＝ωφ(x)+b (12)
其中，E(x)表示误差的容量，即相应的输出x，ω，b分别代表输入数据(样本的特征向量)、权重和截距。φ(x)是高维的特征空间。引入松弛变量
Figure BDA0003708283340000161
Figure BDA0003708283340000162
和惩罚因子C通过转换为优化问题来解决公式(12)，具体如下。
Figure BDA0003708283340000163
其中，ε(ε>0)是不敏感的损失系数，介绍了拉格朗日乘数算法和Karush-Kuhn-Tucker条件，并转化为对偶形式，以解决受限优化问题：
Figure BDA0003708283340000164
Figure BDA0003708283340000165
其中，αk和
Figure BDA0003708283340000166
是拉格朗日乘数，最后通过凸优化问题求解得到ω和b。
Figure BDA0003708283340000167
Figure BDA0003708283340000168
其中Nn表示支持向量的个数，K(xk,xj)＝φ(xk)φ(xj)为核函数。最后，超平面可以表示为：
E(x)＝ωφ(x)+b* (19)
机器学习中最流行的核函数之一是径向基核函数，它可以表示为：
KRBF(x,xi)＝exp(-γ||x-xi||2),γ＞0 (20)
其中的超参数γ是为了在训练模型(基于SVR算法的预测模型)和归纳能力之间获得最佳平衡。另一个超参数C是支持向量的复杂性和错误分类率之间的平衡。这两个超参数是由粒子群算法决定的，该粒子群算法使用一组在搜索空间中移动的粒子群。通过个体间的信息交互获得最优粒子。
重构误差序列作为训练数据集用于建立SVR预测模型，预测曲线如图6所示，图6为本发明锂离子电池的剩余使用寿命预测方法一实施例涉及的基于DWT算法的示意图，A01-A04四个电池的SVR预测误差结果。
步骤402：根据所述预测误差序列修正所述初始预测结果以得到所述剩余使用寿命的最终预测结果。
在本实施例中，终端设备根据预测误差序列修正基于PF算法的初始预测结果以获取所述剩余使用寿命的最终预测结果。
在本实施例中，根据SVR算法生成预测误差序列，实现了对训练信息(即重构误差序列)的有效和综合利用，包括周期能力分析、建立能力跳水的分段模型、基于模型的预知误差、数据驱动的预知结果修正。
综上，本发明在自适应分段经验退化模型的基础上，以粒子滤波算法为模型部分，提出了一种具有容量跳水现象的锂离子电池RUL预测的混合方法。然后将离散小波变换误差序列分解为基于支持向量回归算法的数据驱动部分，成功预测了误差序列的铺设。一方面，为了克服传统的经验退化模型实时性差的问题，提出了一个分段模型，以确保在早期和后期退化阶段都有更好的性能。另一方面，引入了DWT算法和SVR算法的部分，以进一步纠正预测误差。本发明可以实现对训练信息的综合有效利用，包括循环容量退化数据，建立具有容量跳水的分段经验容量退化模型，以及基于模型的粒子滤波预知误差。本发明所提出的RUL预测框架可以保证准确的RUL预测结果，很大程度上优化了建模和计算流程，提高了预测效率以及预测结果的准确性。
进一步地，本发明还提供一种锂离子电池的剩余使用寿命预测装置。参照图7，图7为本发明锂离子电池的剩余使用寿命预测装置模块的示意图。
本发明锂离子电池的剩余使用寿命预测装置包括：
建模模块H01，用于基于锂离子电池的拐点数据建立分段经验退化模型；
滤波计算模块H02，用于根据预设的粒子滤波算法和所述分段经验退化模型得到所述锂离子电池的剩余使用寿命的初始预测结果，并基于所述初始预测结果获取原始误差序列；
重构数据确定模块H03，用于根据所述原始误差序列和预设的离散小波变换算法确定所述锂离子电池的容量对应的重构误差序列；
预测模块H04，用于根据所述重构误差序列构建支持向量回归算法的预测模型，并基于所述预测模型修正所述初始预测结果以确定所述剩余使用寿命的最终预测结果。
可选地，建模模块H01，可以包括：
获取单元，用于获取所述锂离子电池的容量退化数据，并根据预设的滤波器对所述容量退化数据进行平滑处理；
差值确定单元，用于基于预设的参数间隔区间识别所述差值对应的所述锂离子电池的拐点数据，并根据所述拐点数据建立所述分段经验退化模型。
可选地，滤波计算模块H02，可以包括：
判断单元，用于判断所述锂离子电池的当前周期数据是否小于所述拐点数据；
第一得到单元，用于若是，则确定所述分段经验退化模型对应的双指数模型，并根据所述双指数模型和预设的粒子滤波算法得到所述初始预测结果；
第二得到单元，用于若否，则确定所述分段经验退化模型对应的自回归整合移动平均模型，并根据所述自回归整合移动平均模型和预设的粒子滤波算法得到所述初始预测结果。
可选地，滤波计算模块H02，还可以包括：
方程确定单元，用于根据所述锂离子电池的平稳性得到阶数差分方程，并根据所述阶数差分方程确定所述自回归整合移动平均模型的第一参数；
参数确定单元，用于根据预设的赤池信息准则和预设的贝叶斯信息准则确定所述自回归整合移动平均模型的第二参数和第三参数。
可选地，重构数据确定模块H03，可以包括：
分解单元，用于基于所述原始误差序列和预设的离散小波变换算法得到分解信号；
重构单元，用于根据所述分解信号重构得到所述锂离子电池的容量对应的重构误差序列。
可选地，重构数据确定模块H03，还可以包括：
信号获取单元，用于基于预设的离散小波变换算法删掉所述分解信号的高频分量信号，以获取所述分解信号的低频分量信号；
误差重构单元，用于根据所述低频分量信号重构得到所述重构误差序列。
可选地，预测模块H04，包括：
生成单元，用于根据所述所述预测模型生成预测误差序列；
最终预测单元，用于根据所述预测误差序列修正所述初始预测结果以得到所述剩余使用寿命的最终预测结果。
本发明锂离子电池的剩余使用寿命预测装置的各个功能模块在运行时实现如上所述的本发明锂离子电池的剩余使用寿命预测方法的步骤。
此外，本发明还提供一种终端设备。请参照图8，图8为本发明实施例方案涉及的终端设备的结构示意图。本发明实施例终端设备具体可以是为本地运行锂离子电池的剩余使用寿命预测的设备。
如图8所示，本发明实施例终端设备可以包括：处理器1001，例如CPU，通信总线1002，用户接口1003，网络接口1004，存储器1005和感知单元1006。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如Wi-Fi接口)。
存储器1005设置在终端设备主体上，存储器1005上存储有程序，该程序被处理器1001执行时实现相应的操作。存储器1005还用于存储供终端设备使用的参数。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图8中示出的终端设备结构并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图8所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及终端设备的智能连接程序。
在图8所示的终端设备中，处理器1001可以用于调用存储器1005中存储的终端设备的智能连接程序，并执行上述本发明锂离子电池的剩余使用寿命预测方法的各个实施例的步骤。
此外，本发明还提供一种计算机可读存储介质。请参照图9，图9为本发明实施例方案涉及的计算机可读存储介质的结构示意图。
本发明还提供一种计算机可读存储介质，计算机可读存储介质上存储有锂离子电池的剩余使用寿命预测程序，锂离子电池的剩余使用寿命预测程序被处理器执行时实现如上述的锂离子电池的剩余使用寿命预测方法的步骤。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上述的一个计算机可读存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种锂离子电池的剩余使用寿命预测方法，其特征在于，所述锂离子电池的剩余使用寿命预测的方法包括：
基于锂离子电池的拐点数据建立分段经验退化模型；
根据预设的粒子滤波算法和所述分段经验退化模型得到所述锂离子电池的剩余使用寿命的初始预测结果，并基于所述初始预测结果获取原始误差序列；
根据所述原始误差序列和预设的离散小波变换算法确定所述锂离子电池的容量对应的重构误差序列；
根据所述重构误差序列构建支持向量回归算法的预测模型，并基于所述预测模型修正所述初始预测结果以确定所述剩余使用寿命的最终预测结果。
2.如权利要求1所述锂离子电池的剩余使用寿命预测方法，其特征在于，所述基于锂离子电池的拐点数据建立分段经验退化模型的步骤，包括：
获取所述锂离子电池的容量退化数据，并根据预设的滤波器对所述容量退化数据进行平滑处理；
在确定到所述滤波器完成对所述容量退化数据的平滑处理后，根据预设的一阶微分方程确定所述锂离子电池的容量衰减曲线的差值；
基于预设的参数间隔区间识别所述差值对应的所述锂离子电池的拐点数据，并根据所述拐点数据建立所述分段经验退化模型。
3.如权利要求1所述锂离子电池的剩余使用寿命预测方法，其特征在于，所述根据预设的粒子滤波算法和所述分段经验退化模型得到所述锂离子电池的剩余使用寿命的初始预测结果的步骤，包括：
判断所述锂离子电池的当前周期数据是否小于所述拐点数据；
若是，则确定所述分段经验退化模型对应的双指数模型，并根据所述双指数模型和预设的粒子滤波算法得到所述初始预测结果；
若否，则确定所述分段经验退化模型对应的自回归整合移动平均模型，并根据所述自回归整合移动平均模型和预设的粒子滤波算法得到所述初始预测结果。
4.如权利要求3所述锂离子电池的剩余使用寿命预测方法，其特征在于，在所述根据所述自回归整合移动平均模型和预设的粒子滤波算法得到所述初始预测结果的步骤之前，所述方法包括：
根据所述锂离子电池的平稳性得到阶数差分方程，并根据所述阶数差分方程确定所述自回归整合移动平均模型的第一参数；
根据预设的赤池信息准则和预设的贝叶斯信息准则确定所述自回归整合移动平均模型的第二参数和第三参数。
5.如权利要求1所述锂离子电池的剩余使用寿命预测方法，其特征在于，所述根据所述原始误差序列和预设的离散小波变换算法确定所述锂离子电池的容量对应的的重构误差序列的步骤，包括：
基于所述原始误差序列和预设的离散小波变换算法得到分解信号；
根据所述分解信号重构得到所述锂离子电池的容量对应的重构误差序列。
6.如权利要求5所述锂离子电池的剩余使用寿命预测方法，其特征在于，所述根据所述分解信号重构得到所述锂离子电池的容量对应的的重构误差序列的步骤，包括：
基于预设的离散小波变换算法删掉所述分解信号的高频分量信号，以获取所述分解信号的低频分量信号；
根据所述低频分量信号重构得到所述重构误差序列。
7.如权利要求1所述锂离子电池的剩余使用寿命预测方法，其特征在于，所述基于所述预测模型修正所述初始预测结果以确定所述剩余使用寿命的最终预测结果的步骤，包括：
根据所述所述预测模型生成预测误差序列；
根据所述预测误差序列修正所述初始预测结果以得到所述剩余使用寿命的最终预测结果。
8.一种锂离子电池的剩余使用寿命预测装置，其特征在于，所述锂离子电池的剩余使用寿命预测装置，包括：
建模模块，用于基于锂离子电池的拐点数据建立分段经验退化模型；
滤波计算模块，用于根据预设的粒子滤波算法和所述分段经验退化模型得到所述锂离子电池的剩余使用寿命的初始预测结果，并基于所述初始预测结果获取原始误差序列；
重构数据确定模块，用于根据所述原始误差序列和预设的离散小波变换算法确定所述锂离子电池的容量对应的重构误差序列；
预测模块，用于根据所述重构误差序列构建支持向量回归算法的预测模型，并基于所述预测模型修正所述初始预测结果以确定所述剩余使用寿命的最终预测结果。
9.一种终端设备，其特征在于，所述终端设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的锂离子电池的剩余使用寿命预测程序，所述处理器执行所述锂离子电池的剩余使用寿命预测程序时实现如权利要求1至7中任一项所述锂离子电池的剩余使用寿命预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有锂离子电池的剩余使用寿命预测程序，所述锂离子电池的剩余使用寿命预测程序被处理器执行时实现如权利要求1至7中任一项所述锂离子电池的剩余使用寿命预测方法的步骤。
CN202210716187.XA 2022-06-22 2022-06-22 锂离子电池的剩余使用寿命预测方法、装置、设备及介质 Pending CN115166527A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210716187.XA CN115166527A (zh) 2022-06-22 2022-06-22 锂离子电池的剩余使用寿命预测方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210716187.XA CN115166527A (zh) 2022-06-22 2022-06-22 锂离子电池的剩余使用寿命预测方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN115166527A true CN115166527A (zh) 2022-10-11

Family

ID=83487942

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210716187.XA Pending CN115166527A (zh) 2022-06-22 2022-06-22 锂离子电池的剩余使用寿命预测方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN115166527A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115877223A (zh) * 2023-03-03 2023-03-31 浙江天能新材料有限公司 锂电池检测方法、装置、设备及存储介质
WO2024120075A1 (zh) * 2022-12-09 2024-06-13 深圳海辰储能科技有限公司 寿命预测方法、电池管理系统、用电设备及存储介质
CN118275902A (zh) * 2024-06-04 2024-07-02 广汽埃安新能源汽车股份有限公司 一种电池剩余寿命预测方法和电子设备

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024120075A1 (zh) * 2022-12-09 2024-06-13 深圳海辰储能科技有限公司 寿命预测方法、电池管理系统、用电设备及存储介质
CN115877223A (zh) * 2023-03-03 2023-03-31 浙江天能新材料有限公司 锂电池检测方法、装置、设备及存储介质
CN115877223B (zh) * 2023-03-03 2023-07-04 浙江天能新材料有限公司 锂电池检测方法、装置、设备及存储介质
CN118275902A (zh) * 2024-06-04 2024-07-02 广汽埃安新能源汽车股份有限公司 一种电池剩余寿命预测方法和电子设备
CN118275902B (zh) * 2024-06-04 2024-10-11 广汽埃安新能源汽车股份有限公司 一种电池剩余寿命预测方法和电子设备

Similar Documents

Publication Publication Date Title
CN115166527A (zh) 锂离子电池的剩余使用寿命预测方法、装置、设备及介质
CN110568361B (zh) 一种动力电池健康状态的预测方法
Sui et al. A review of non-probabilistic machine learning-based state of health estimation techniques for Lithium-ion battery
Yang et al. Remaining useful life prediction based on denoising technique and deep neural network for lithium-ion capacitors
Awadallah et al. Accuracy improvement of SOC estimation in lithium-ion batteries
CN110488204B (zh) 一种储能元件soh-soc联合在线估计方法
WO2022198616A1 (zh) 一种电池寿命预测方法、系统、电子装置及存储介质
CN112966432A (zh) 一种锂离子电池剩余有效寿命预测方法及装置
CN112415414A (zh) 一种锂离子电池剩余使用寿命预测方法
CN111832825B (zh) 融合长短期记忆网络和极限学习机的风电预测方法及系统
CN113065283A (zh) 一种电池寿命预测方法、系统、电子装置及存储介质
CN110687450B (zh) 基于相空间重构和粒子滤波的锂电池剩余寿命预测方法
CN116861201B (zh) 基于人工智能的电力供给系统
CN114705990B (zh) 电池簇荷电状态的估计方法及系统、电子设备及存储介质
CN112230154A (zh) 一种锂电池剩余寿命预测方法
WO2022144542A1 (en) Method for predicting condition parameter degradation of a cell
CN115225516A (zh) 一种基于改进abc-vmd的最小二乘支持向量机网络流量预测方法
CN117783875A (zh) 一种基于模型融合的锂电池荷电状态预测方法及装置
CN116559667A (zh) 模型训练方法及装置、电池检测方法及装置、设备、介质
Liu et al. A key-term separation based least square method for Hammerstein SOC estimation model
CN116106761A (zh) 基于典型相关分析的锂离子电池电量实时估计方法
CN113297129B (zh) 一种储能系统的soc计算方法及系统
CN113689039A (zh) 一种锂离子电池rul时间序列预测方法
CN117787470A (zh) 一种基于ewt和集成方法的时序预测方法和系统
CN117076866A (zh) 基于数据驱动和粒子滤波融合模型的锂电池rul预测方法、系统、设备及介质

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