CN115267585A - 基于梯度增强决策树的改进单粒子电化学模型建模方法 - Google Patents
基于梯度增强决策树的改进单粒子电化学模型建模方法 Download PDFInfo
- Publication number
- CN115267585A CN115267585A CN202210714004.0A CN202210714004A CN115267585A CN 115267585 A CN115267585 A CN 115267585A CN 202210714004 A CN202210714004 A CN 202210714004A CN 115267585 A CN115267585 A CN 115267585A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- decision tree
- open
- circuit voltage
- 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
- 238000003066 decision tree Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000002245 particle Substances 0.000 title claims abstract description 21
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims abstract description 42
- 229910001416 lithium ion Inorganic materials 0.000 claims abstract description 42
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000010287 polarization Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 6
- 229910052744 lithium Inorganic materials 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007599 discharging Methods 0.000 claims description 4
- 239000007773 negative electrode material Substances 0.000 claims description 4
- 239000007774 positive electrode material Substances 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000009830 intercalation Methods 0.000 claims description 3
- 230000002687 intercalation Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 239000007790 solid phase Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 239000010405 anode material Substances 0.000 claims description 2
- 239000010406 cathode material Substances 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 abstract description 6
- 230000009471 action Effects 0.000 description 2
- 125000004432 carbon atom Chemical group C* 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000003679 aging effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于梯度增强决策树的改进单粒子电化学模型建模方法，基于梯度增强决策树的改进单粒子电化学模型建模方法，包括以下步骤：S1，采集开路电压数据并进行预处理；S2，建立SPM并获取正负极表面锂离子浓度数据；S3，建立基于GBDT的模型；S4，获取模型输入和输出数据对模型准确度进行校验。解决了现有的电池模型不能准确追踪电池的荷电状态并估计其寿命的问题，本发明中，采集开路电压，建立SPM用于获取正负极表面锂离子浓度，并建立基于GBDT的模型，最后进行准确度校验，本发明的方法大大提升了模型准确性，计算相对简单，效率高。
Description
技术领域
本发明涉及单粒子电化学模型领域，尤其是基于梯度增强决策树的改进单粒子电化学模型建模方法。
背景技术
在大型的储能系统中，一个电池的故障就可能会对整个系统造成危险。因此需要一个可靠的电池管理系统(Battery Management System，BMS)来控制电池的充放电过程，以确保系统的安全运行。BMS的功能除了电池均衡和热管理之外，还需准确追踪电池的荷电状态并估计其寿命，对此就需要精确的电池模型。
锂离子电池常用的等效模型分别为等效电路模型(Equivalent Circuit Model，ECM)、经验模型和电化学模型。ECM通过几个电阻-电容网络来近似电池的结构。由于结构简单、计算复杂度低，被广泛用于在线SOC和SOH估计与控制应用。但缺点在于为了拟合动态电化学过程和老化效应，需要将ECM扩展到更高阶的电路。同时该模型中的许多参数需根据SOC、温度、电流幅值和电流方向查表确定。经验模型通过使用各种函数和公式来描述其电池行为。由于这些模型采用了过去的实验数据进行拟合，因此对于未知工作条件下的预测性能差，普适性低。
在中国专利文献上公开的“电池寿命预测方法、装置、云端服务器及存储介质”，其公开号为CN114330149A，公开了一种电池寿命预测方法、装置、云端服务器及存储介质，其中方法包括：确定经验模型，并采用经验模型学习电池历史数据轨迹；基于电池历史数据估计电池容量状态，获得第一估计结果，并在学习电池历史数据轨迹的过程中，根据第一估计结果对经验模型的参数进行修正；确定机理模型，并根据机理模型估计电池容量状态，获得第二估计结果；采用修正后的经验模型对电池寿命进行预测，并在预测过程中，根据第二估计结果对修正后的经验模型参数再次进行修正，最终获得电池寿命预测结果。但是，公开号为CN114330149A的中国专利预测性能差，普适性低。
发明内容
本发明解决了现有的电池模型不能准确追踪电池的荷电状态并估计其寿命的问题，提出基于梯度增强决策树的改进单粒子电化学模型建模方法，采集开路电压，建立SPM用于获取正负极表面锂离子浓度，并建立基于GBDT的模型，最后进行准确度校验，本发明的方法大大提升了模型准确性，计算相对简单，效率高。
为了实现上述目的，本发明采用以下技术方案：一种基于梯度增强决策树的改进单粒子电化学模型建模方法，包括以下步骤：
S1，采集开路电压数据并进行预处理；
S2，建立SPM并获取正负极表面锂离子浓度数据；
S3，建立基于GBDT的模型；
S4，获取模型输入和输出数据对模型准确度进行校验。
本发明中，首先，采集得到多组开路电压数据并进行预处理，预处理完成后，得到正负极表面锂离子浓度数据，具体通过建立的SPM，根据开路电压数据与正负极表面锂离子浓度数据之间的关系求出；在确定开路电压数据以及正负极表面锂离子浓度数据之后，两者作为输入和输出，创建基于GBDT的模型，最后对模型数据进行准确度校验，排出异常数据；本发明的模型准确性高。本发明通过梯度增强决策树建立其锂离子浓度与开路电压关系，从而实现更精准的电池端电压拟合。
作为优选，所述步骤S1包括以下步骤：
S11，选取多个温度条件，分别把电池充放电至设定的SOC，稳定后采集开路电压数据；
S12，所述开路电压数据应在设置的阈值范围内，去除异常数据，并新增历史日相同温度条件下的开路电压数据。本发明中，对于采集的条件，温度条件可在密闭的环境下进行控制和设定，在调整至预设定的SOC之后，要等到稳定之后，才能进行采集工作；此外，对于处于设定的阈值范围之外的开路电压数据，予以剔除。
作为优选，所述步骤S2包括以下步骤:
S21，SPM是在P2D模型的基础上，进行了反应过程简化、计算公式近似以及参数约减，其公式如下：
V＝E-ηact-ηcon-ηohm
其中，V表示电池开路电压，E表示电池开路电势，ηact表示反应极化过电势，ηcon表示浓差极化过电势，ηohm表示欧姆极化过电势；
S22，开路电势又表示为：
其中，
分别表示正负极材料的最大固相嵌锂浓度，
表示正负极材料当前的表面嵌锂浓度，具体的，p表示正极，n表示负极；
S23，由采集的开路电压数据代入步骤S21和S22的公式，得到正负极表面锂离子浓度数据。本发明中，电池端电压归纳为四个过程的共同作用：开路电压、浓差极化过电势、欧姆极化过电势与反应极化过电势；在SPM建立完成后，根据开路电压数据来求出正负极表面锂离子浓度数据。
作为优选，所述基于GBDT的模型有如下公式，具体为：
上式中，x表示输入样本，ω表示模型参数，h表示决策树，α表示每棵树的权重，给定有训练集T＝{(x1,y1),(x2,y2),...,(xN,yN)}，输入空间X满足
输出空间Y满足
本发明中，GBDT与传统的统计学模型相比，其模型可以有效量化并捕捉不同单位或数量级的自变量对因变量的影响程度；同时，GBDT作为一种决策树的集成模型，它可以找到各种不同的特征值或特征值组合，通过对数据的学习来调整自变量权重，进而提高模型的估计精度。
作为优选，所述基于GBDT的模型的优化迭代过程包括以下步骤：
S31，初始化第一棵决策树模型，具体如下：
其中，L(yi,c)表示损失函数，c表示估计使损失函数极小化的常数值；
S32，创建M棵决策树，m＝1,2,...,M，得到每个样本的负梯度rim和新决策树，之后更新模型，更新模型具体如下：
其中，I表示控制负梯度的参数；
S33，最终输出强学习机，具体如下：
S34，对基于GBDT的模型进行训练；本发明中，在建立完成模型后，正负极表面锂离子浓度作为输入，开路电压为输出，输入至基于GBDT的模型。
作为优选，所述步骤S32包括以下步骤：
S321，求出每个样本的负梯度rim，具体如下：
S322，创建新决策树。本发明中，首先确定样本的负梯度，随后建立新决策树。
作为优选，所述步骤S322包括：把获得的残差作为样本的新值，并把数据(xi,rim)作为下一棵树的训练数据，用来得到新的回归决策树fm(X)，对应的叶节点区域表示为Rjm，其中j＝1,2,...,Jm，Jm表示第m棵回归树叶子节点的个数，其叶面积cjm的最佳拟合值如下：
本发明中，利用上述手段求出最终的叶面积最佳拟合值。
作为优选，所述步骤S4具体为提取出任意的基于GBDT的模型输入和输出数据，即正负极表面锂离子浓度数据和开路电压数据，与未来时刻温度条件相同的正负极表面锂离子浓度数据和开路电压数据进行比对，未来时刻的正负极表面锂离子浓度数据用专门的锂离子检测设备检测，若比对误差大于10％，则需对模型输入和输出数据进行人工核算，确定误差步骤并记录。本发明中，在模型创建完毕后，对未来时刻温度相同的数据进行检测，这里的未来时刻并不需要预测，而是时间在提取出模型输入和输出数据之后的某个时段，在本发明中，未来时刻一般为提取出模型输入和输出数据之后的第二天的某一时段的数据，通过锂离子检测设备直接检测得到；对于比对误差，具体为模型的正负极表面锂离子浓度数据与未来时刻相同温度条件下的正负极表面锂离子浓度数据进行比较，模型的开路电压数据与未来时刻相同温度条件下的开路电压数据进行比较，若两者的比对结果均为大于10％，则定义为总的比对误差大于10％。
本发明的有益效果是：本发明的基于梯度增强决策树的改进单粒子电化学模型建模方法，采集开路电压，建立SPM用于获取正负极表面锂离子浓度，并建立基于GBDT的模型，最后进行准确度校验，本发明的方法大大提升了模型准确性，计算相对简单，效率高。
附图说明
图1是本发明基于梯度增强决策树的改进单粒子电化学模型建模方法的流程图；
图2是本发明基于梯度增强决策树的改进单粒子电化学模型建模方法基于GBDT的模型的流程图。
具体实施方式
实施例：
本实施例提出一种基于梯度增强决策树的改进单粒子电化学模型建模方法，参考图1，具体包括以下多个步骤，步骤S1，首先采集开路电压数据，随后进行预处理，具体的，本步骤还包括以下两个子步骤，步骤S11，选取若干个温度条件，分别把电池充放电至预先设定的SOC，稳定后，开始采集开路电压数据。本实施例中，对于采集的条件，温度条件可在密闭的环境下进行控制和设定，在调整至预设定的SOC之后，要等到稳定之后，才能进行采集工作。
随后进行步骤S12，开路电压数据设置在阈值范围内，去除异常数据，并新增历史日相同温度条件下的开路电压数据。本步骤中，对开路电压数据进行自动阈值判断，由设定的阈值判断单元执行，对于处于设定的阈值范围之外的开路电压数据，予以自动剔除，若需对剔除位置进行补位，可以选择历史日相同温度条件的数据进行代替。
步骤S2，建立SPM，获取正负极表面锂离子浓度数据；具体的，包括以下多个步骤，步骤S21，其中电池开路电压具体为：
V＝E-ηact-ηcon-ηohm
上式中，V为电池开路电压，E为电池开路电势，ηact为反应极化过电势，ηcon为浓差极化过电势，ηohm为欧姆极化过电势；SPM是在P2D模型的基础上，进行了反应过程简化、计算公式近似和参数约减；其中开路电压作为端电压中最重要的部分，其大小则是由相应的正负极活性材料的表面锂离子浓度大小来决定的。
步骤S22，开路电势的公式如下：
上式中，
分别为正负极材料的最大固相嵌锂浓度，
为正负极材料当前的表面嵌锂浓度，其中，p表示正极，n表示负极；然而，上述公式往往是通过经验公式得到的拟合结果。
步骤S23，根据采集的开路电压数据以及步骤S21和S22的公式，求出正负极表面锂离子浓度数据。本实施例中，电池端电压归纳为四个过程的共同作用：开路电压、浓差极化过电势、欧姆极化过电势与反应极化过电势；在SPM建立完成后，根据开路电压数据来求出正负极表面锂离子浓度数据。
步骤S3，建立基于GBDT的模型，参考图2，具体的，基于GBDT的模型具体参考下式：
其中，x为输入样本，ω为模型参数，h为决策树，α为每棵树的权重，给定有训练集T＝{(x1,y1),(x2,y2),...,(xN,yN)}，输入空间X满足
输出空间Y满足
本发明中，GBDT是一种迭代决策树算法，该算法由多个弱学习器(决策树)组成，利用梯度增强的算法在减少残差的方向上进行训练。
步骤S3包括以下子步骤，步骤S31，初始化第一棵决策树模型，参考下式：
其中，L(yi,c)表示损失函数，c表示估计使损失函数极小化的常数值。
步骤S32，具体的，需要建立M棵决策树，当m＝1,2,...,M，首先求出每个样本的负梯度rim
随后创建新决策树，具体的：把获得的残差作为样本的新值，并把数据(xi,rim)作为下一棵树的训练数据，以得到新的回归决策树fm(X)，对应的叶节点区域为Rjm，有j＝1,2,...,Jm，Jm为第m棵回归树叶子节点个数，故叶面积cjm的最佳拟合值具体为：
最后更新模型，得到如下的公式：
上式中，I为控制负梯度的参数。
步骤S33，最终输出强学习机，公式具体为：
步骤S34，训练基于GBDT的模型；得到最终模型。
步骤S4，获取模型输入和输出数据对模型准确度进行校验；详细的，提取出任意的基于GBDT的模型输入和输出数据，即正负极表面锂离子浓度数据和开路电压数据，与未来时刻温度条件相同的正负极表面锂离子浓度数据和开路电压数据进行比对，未来时刻的正负极表面锂离子浓度数据用专门的锂离子检测设备检测，若比对误差大于10％，则需对模型输入和输出数据进行人工核算，确定误差步骤并记录。
本实施例中，在模型创建完毕后，对未来时刻温度相同的数据进行检测，这里的未来时刻并不需要预测，而是时间在提取出模型输入和输出数据之后的某个时段，在本发明中，未来时刻一般为提取出模型输入和输出数据之后的第二天的某一时段的数据，通过锂离子检测设备直接检测得到；对于比对误差，具体为模型的正负极表面锂离子浓度数据与未来时刻相同温度条件下的正负极表面锂离子浓度数据进行比较，模型的开路电压数据与未来时刻相同温度条件下的开路电压数据进行比较，若两者的比对结果均为大于10％，则定义为总的比对误差大于10％。
本发明中，SPM为单粒子模型的缩写，GBDT为梯度增强决策树(Gradient BoostingDecision Tree)的缩写。本发明的基于梯度增强决策树的改进单粒子电化学模型建模方法，首先，采集得到多组开路电压数据并进行预处理，预处理完成后，得到正负极表面锂离子浓度数据，具体通过建立的SPM，根据开路电压数据与正负极表面锂离子浓度数据之间的关系求出；在确定开路电压数据以及正负极表面锂离子浓度数据之后，两者作为输入和输出，创建基于GBDT的模型，最后对模型数据进行准确度校验，排出异常数据；本发明的模型准确性高。本发明通过梯度增强决策树建立其锂离子浓度与开路电压关系，从而实现更精准的电池端电压拟合。本发明的基于梯度增强决策树的改进单粒子电化学模型建模方法，采集开路电压，建立SPM用于获取正负极表面锂离子浓度，并建立基于GBDT的模型，最后进行准确度校验，本发明的方法，大大提升了模型准确性，计算相对简单，效率高。
上述实施例是对本发明的进一步阐述和说明，以便于理解，并不是对本发明的任何限制，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于梯度增强决策树的改进单粒子电化学模型建模方法，其特征在于，包括以下步骤：
S1，采集开路电压数据并进行预处理；
S2，建立SPM并获取正负极表面锂离子浓度数据；
S3，建立基于GBDT的模型；
S4，获取模型输入和输出数据对模型准确度进行校验。
2.根据权利要求1所述的基于梯度增强决策树的改进单粒子电化学模型建模方法，其特征在于，所述步骤S1包括以下步骤：
S11，选取多个温度条件，分别把电池充放电至设定的SOC，稳定后采集开路电压数据；
S12，所述开路电压数据应在设置的阈值范围内，去除异常数据，并新增历史日相同温度条件下的开路电压数据。
3.根据权利要求1或2所述的基于梯度增强决策树的改进单粒子电化学模型建模方法，其特征在于，所述步骤S2包括以下步骤:
S21，SPM是在P2D模型的基础上，进行了反应过程简化、计算公式近似以及参数约减，其公式如下：
V＝E-ηact-ηcon-ηohm
其中，V表示电池开路电压，E表示电池开路电势，ηact表示反应极化过电势，ηcon表示浓差极化过电势，ηohm表示欧姆极化过电势；
S22，开路电势又表示为：
其中，
分别表示正负极材料的最大固相嵌锂浓度，
表示正负极材料当前的表面嵌锂浓度，具体的，p表示正极，n表示负极；
S23，由采集的开路电压数据代入步骤S21和S22的公式，得到正负极表面锂离子浓度数据。
4.根据权利要求3所述的基于梯度增强决策树的改进单粒子电化学模型建模方法，其特征在于，所述基于GBDT的模型有如下公式，具体为：
上式中，x表示输入样本，ω表示模型参数，h表示决策树，α表示每棵树的权重，给定有训练集T＝{(x1,y1),(x2,y2),...,(xN,yN)}，输入空间X满足
输出空间Y满足
5.根据权利要求4所述的基于梯度增强决策树的改进单粒子电化学模型建模方法，其特征在于，所述基于GBDT的模型的优化迭代过程包括以下步骤：
S31，初始化第一棵决策树模型，具体如下：
其中，L(yi,c)表示损失函数，c表示估计使损失函数极小化的常数值；
S32，创建M棵决策树，m＝1,2,...,M，得到每个样本的负梯度rim和新决策树，之后更新模型，更新模型具体如下：
其中，I表示控制负梯度的参数；
S33，最终输出强学习机，具体如下：
S34，对基于GBDT的模型进行训练。
6.根据权利要求5所述的基于梯度增强决策树的改进单粒子电化学模型建模方法，其特征在于，所述步骤S32包括以下步骤：
S321，求出每个样本的负梯度rim，具体如下：
S322，创建新决策树。
7.根据权利要求6所述的基于梯度增强决策树的改进单粒子电化学模型建模方法，其特征在于，所述步骤S322包括：把获得的残差作为样本的新值，并把数据(xi,rim)作为下一棵树的训练数据，用来得到新的回归决策树fm(X)，对应的叶节点区域表示为Rjm，其中j＝1,2,...,Jm，Jm表示第m棵回归树叶子节点的个数，其叶面积cjm的最佳拟合值如下：
8.根据权利要求1所述的基于梯度增强决策树的改进单粒子电化学模型建模方法，其特征在于，所述步骤S4具体为提取出任意的基于GBDT的模型输入和输出数据，即正负极表面锂离子浓度数据和开路电压数据，与未来时刻温度条件相同的正负极表面锂离子浓度数据和开路电压数据进行比对，未来时刻的正负极表面锂离子浓度数据用专门的锂离子检测设备检测，若比对误差大于10％，则需对模型输入和输出数据进行人工核算，确定误差步骤并记录。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210714004.0A CN115267585A (zh) | 2022-06-22 | 2022-06-22 | 基于梯度增强决策树的改进单粒子电化学模型建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210714004.0A CN115267585A (zh) | 2022-06-22 | 2022-06-22 | 基于梯度增强决策树的改进单粒子电化学模型建模方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115267585A true CN115267585A (zh) | 2022-11-01 |
Family
ID=83760904
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210714004.0A Pending CN115267585A (zh) | 2022-06-22 | 2022-06-22 | 基于梯度增强决策树的改进单粒子电化学模型建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115267585A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116610534A (zh) * | 2023-07-18 | 2023-08-18 | 贵州海誉科技股份有限公司 | 一种基于Kubernetes集群资源的改进预测性弹性伸缩方法 |
| CN117637044A (zh) * | 2023-10-07 | 2024-03-01 | 武汉理工大学 | 一种电池电压预测方法、装置、电子设备及存储介质 |
-
2022
- 2022-06-22 CN CN202210714004.0A patent/CN115267585A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116610534A (zh) * | 2023-07-18 | 2023-08-18 | 贵州海誉科技股份有限公司 | 一种基于Kubernetes集群资源的改进预测性弹性伸缩方法 |
| CN116610534B (zh) * | 2023-07-18 | 2023-10-03 | 贵州海誉科技股份有限公司 | 一种基于Kubernetes集群资源的改进预测性弹性伸缩方法 |
| CN117637044A (zh) * | 2023-10-07 | 2024-03-01 | 武汉理工大学 | 一种电池电压预测方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110068774B (zh) | 锂电池健康状态的估计方法、装置及存储介质 | |
| CN115267585A (zh) | 基于梯度增强决策树的改进单粒子电化学模型建模方法 | |
| CN111007399B (zh) | 基于改进生成对抗网络的锂电池荷电状态预测方法 | |
| CN111965547B (zh) | 一种基于参数辨识法的电池系统传感器故障诊断方法 | |
| CN111948560A (zh) | 基于多因子评估模型的锂电池健康状态估算方法 | |
| CN108490365B (zh) | 一种估计电动汽车的动力电池的剩余寿命的方法 | |
| CN110850298B (zh) | 基于数据驱动的锂电池soh估计方法及系统 | |
| CN111781503B (zh) | 一种锂离子储能电池soc在线估算方法 | |
| Wei et al. | Lyapunov-based state of charge diagnosis and health prognosis for lithium-ion batteries | |
| CN111044906B (zh) | 一种基于极大似然准则的锂离子电池能量状态估算方法 | |
| CN115494400B (zh) | 一种基于集成学习的锂电池析锂状态在线监控方法 | |
| CN112083331A (zh) | 一种提升锂离子电池荷电状态估计精度的融合方法 | |
| CN111983464B (zh) | 一种基于纯电动车用锂电池析锂测试方法 | |
| CN112989690A (zh) | 一种混合动力汽车锂电池多时间尺度荷电状态估计方法 | |
| CN113011012A (zh) | 一种基于Box-Cox变化的储能电池剩余寿命预测方法 | |
| CN115219905A (zh) | 一种电池内短路在线检测方法、装置及存储介质 | |
| CN116125278A (zh) | 一种基于lstm-ekf算法的锂电池soc估计方法和系统 | |
| CN114720881A (zh) | 一种基于改进初值带遗忘因子递推最小二乘法的锂电池参数辨识方法 | |
| CN112946480B (zh) | 一种提高soc估计实时性的锂电池电路模型简化方法 | |
| CN115331745A (zh) | 基于历史数据校验的改进单粒子电化学模型建模方法 | |
| CN116224085A (zh) | 一种基于数据驱动的锂电池健康状态评估方法 | |
| CN116031453A (zh) | 一种质子交换膜燃料电池特征频率阻抗在线估计方法 | |
| CN113466718B (zh) | 一种手机电池soc校正方法 | |
| CN115480166A (zh) | 基于自适应无迹卡尔曼滤波的锂电池荷电状态估计方法 | |
| CN115248381A (zh) | 基于安时校正的扩展卡尔曼滤波锂电池soc估算方法 |
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 | ||
| CB02 | Change of applicant information |
Address after: 314001 No.99, Chengbei Road, Nanhu District, Jiaxing City, Zhejiang Province Applicant after: JIAXING POWER SUPPLY COMPANY OF STATE GRID ZHEJIANG ELECTRIC POWER Co.,Ltd. Applicant after: JIAXING HENGCHUANG POWER GROUP Co.,Ltd. HUACHUANG INFORMATION TECHNOLOGY BRANCH Applicant after: Cloud Storage New Energy Technology Co.,Ltd. Address before: 314001 No.99, Chengbei Road, Nanhu District, Jiaxing City, Zhejiang Province Applicant before: JIAXING POWER SUPPLY COMPANY OF STATE GRID ZHEJIANG ELECTRIC POWER Co.,Ltd. Applicant before: JIAXING HENGCHUANG POWER GROUP Co.,Ltd. HUACHUANG INFORMATION TECHNOLOGY BRANCH Applicant before: Shandong Yunchu New Energy Technology Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231220 Address after: 314001 No.99, Chengbei Road, Nanhu District, Jiaxing City, Zhejiang Province Applicant after: JIAXING POWER SUPPLY COMPANY OF STATE GRID ZHEJIANG ELECTRIC POWER Co.,Ltd. Applicant after: JIAXING HENGCHUANG POWER GROUP Co.,Ltd. HUACHUANG INFORMATION TECHNOLOGY BRANCH Address before: 314001 No.99, Chengbei Road, Nanhu District, Jiaxing City, Zhejiang Province Applicant before: JIAXING POWER SUPPLY COMPANY OF STATE GRID ZHEJIANG ELECTRIC POWER Co.,Ltd. Applicant before: JIAXING HENGCHUANG POWER GROUP Co.,Ltd. HUACHUANG INFORMATION TECHNOLOGY BRANCH Applicant before: Cloud Storage New Energy Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right |