CN115308606A - 一种基于邻近特征的锂离子电池健康状态估计方法 - Google Patents
一种基于邻近特征的锂离子电池健康状态估计方法 Download PDFInfo
- Publication number
- CN115308606A CN115308606A CN202210869379.4A CN202210869379A CN115308606A CN 115308606 A CN115308606 A CN 115308606A CN 202210869379 A CN202210869379 A CN 202210869379A CN 115308606 A CN115308606 A CN 115308606A
- Authority
- CN
- China
- Prior art keywords
- battery
- value
- prediction
- lstm
- layer
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000036541 health Effects 0.000 title claims abstract description 20
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 10
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000007600 charging Methods 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 230000015654 memory Effects 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 210000004027 cell Anatomy 0.000 claims description 4
- 238000010277 constant-current charging Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 abstract description 2
- 230000032683 aging Effects 0.000 abstract 1
- 230000018109 developmental process Effects 0.000 abstract 1
- 239000000284 extract Substances 0.000 abstract 1
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 8
- 230000007704 transition Effects 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001902 propagating effect 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于邻近特征的锂离子电池健康状态估计方法,采用大电流充电过程中部分充电电压数据,提取等电压间隔时间、等电压区间电压测量平均值作为特征向量,基于双层长短期记忆神经网络DL‑LSTM,提出利用预测起始点前邻近的2倍历史数据而不是预测起始点前全部历史数据进行模型训练的邻近特征方法,实现电池的可用容量预测。本发明方法适用快速充电条件下电池健康状态预测,解决了大电流充电电池不同老化阶段衰减速率不同对预测精度的影响,将可用容量预测精度提升4倍以上,预测值的平均绝对误差、均方根误差均小于0.5%,并且减少了模型训练的时间成本,对于快速充电条件下电动汽车的发展有重要意义。
Description
技术领域
本发明属于动力电池管理领域,具体涉及快速充电条件下一种基于邻近特征的锂离子电池健康状态估计方法。
背景技术
推动电动汽车的发展是解决能源危机和环境问题的重要举措。锂离子电池因为能量及功率密度高、循环寿命长、自放电率小等优点,成为电动汽车的储能电源。电池性能在使用过程会不断退化,特别是在快速充电条件下,其退化的模式区别于传统充电方式下的模式,有可能造成高温或起火爆炸等严重的危害。因此,对快速充电条件下锂离子电池的健康状态准确估计,预测电池未来容量的衰变情况,对于确保电动汽车安全、可靠的运行具有现实意义。
大电流快速充电条件下,电池可用容量衰退呈明显的分阶段特征,第一个阶段,容量衰退较慢,经过第二个阶段过渡期后,呈现第三个阶段的快速衰退变化。不同电流大小的充电模式,其过渡阶段发生的循环次数并不是固定的,这就为回归预测方法提出挑战。如果采用全部的历史数据进行预测,不仅无法把握邻近的需要预测的电池容量衰退特征,而且预测模型训练时间长,精度低。
针对大倍率充电条件下,锂离子电池容量衰退呈阶段性变化的特征,提出了利用预测起始点前邻近的2倍历史数据而不是全部历史数据进行模型训练的邻近特征方法。即采用邻近的历史数据对回归模型进行训练,并对未来容量进行预测。
实践证明,这种方法可以消除由于衰退模式变化而带来的预测精度问题,同时减少了模型训练的时间成本,实现非常准确的健康状态预测。
发明内容
本发明的目的是提供一种快速充电条件下高精度的锂离子电池健康状态估计方法。该方法将大电流充电过程中对应的等电压间隔时间以及充电过程中的电压平均值作为特征向量,输入到一个双层长短期记忆神经网络(DL-LSTM)模型中,以锂离子电池的容量作为输出,并且以预测起始点前邻近的2倍历史数据对模型进行训练。训练好的模型可以实现对未来电池可用容量的预测。
具体实施方法如下:
首先对已经发生的每一个充电循环进行健康因子的提取。
(1)根据公式(1)提取电池在恒流充电过程达到[3.45-3.55V]电压区间所需的时间等作为第一个健康因子:
其中,t1代表电池电压到达3.45V时间,t2代表电池电压到达3.55V的时间,脚标n代表循环次数,上标1代表第一个健康因子。
(2)根据公式(2)提取电池在恒流充电过程中[2.75-3.55V]电压区间内的电压平均值作为第二个健康因子。
其中,Vi为大于等于2.75V和小于等于3.55V的电压的测量值序列,脚标n代表循环次数,上标2代表第2个健康因子。
其中,xn为电池容量或特征向量1或特征向量2的取值,min(xn)为相应取值的最小值,max(xn)为相应取值或测量值的最大值。Dn为归一化后数据取值。
(4)构建如图1所示的双层长短期记忆神经网络(DL-LSTM)模型,该神经网络模型包含两个LSTM层,即LSTM1和LSTM2,用于学习时间序列和序列数据中时间步长之间的相关性;在两个LSTM层之后的Dropout层以20%的概率丢弃部分神经元,防止网络过拟合;此外,序列输入层向网络输入序列数据;最后,通过将全连接层的大小设置为响应的数量来控制维度,通过回归输出层输出预测结果。
(5)根据预测起始点的位置及预测的数量选定训练数据集,若选取预测起始点后的60个循环数据作为预测集,训练集则选取预测起始点前的2倍历史数据即前120个循环的数据进行训练。
(6)设置双层长短期记忆神经网络(DL-LSTM)模型的初始超参数,包括神经元个数、迭代次数、批量大小、学习率,采用三倍交叉验证并选用公式(4)均方根误差作为评价函数确定优化后的超参数,确定第一个LSTM层神经元个数为128、第二个LSTM层神经元个数为64。批量大小为16、迭代次数为200、初始学习率为0.001。
(7)确定好双层长短期记忆神经网络(DL-LSTM)超参数后,对模型进行训练,将训练集中的电池容量数据作为网络的目标值。在网络模型训练过程中,定义损失函数为:
其中S是训练数据序列长度,R是响应的数目,Cij是目标电池容量值,yij是网络预测值。用损失函数来计算预测值和目标值的误差,根据损失函数的梯度指引将误差反向传播,不断修正双层长短期记忆神经网络中前向计算公式(6)的权重及偏置系数,当误差达到期望值时,训练学习过程结束,权重和偏置系数矩阵确定,从而构建好了双层长短期记忆神经网络(DL-LSTM)模型。双层长短期记忆神经网络中对于每一个时间步长的前向计算公式为:
其中,xt是时间序列t时刻的输入数据,ct-1、ht-1是网络的当前状态,ct、ht是时间步长计算输出和更新后的单元状态(ct)和隐藏状态(ht)。ft、it、ot、gt分别代表遗忘门、输入门、输出门以及候选单元。W及R代表每个LSTM单元的权重系数矩阵,b代表偏置系数矩阵。⊙是两个向量的点乘,σg表示门激活函数sigmoid函数(σ(x)=(1+e-x)-1),σc表示状态激活函数双曲正切函数
(8)根据公式(1)和公式(2)计算需要预测循环的特征向量,并将其输入训练好的双层长短期记忆神经网络(DL-LSTM)模型中,即可输出预测循环对应的电池容量值。输出时,使用去归一化过程呈现出预测数据的实际形式。方法的整个过程可用图2表示。
附图说明
图1双层长短期记忆神经网络(DL-LSTM)结构图
图2本方法实施的流程图
图3对快速充电条件下磷酸铁锂电池在容量缓慢衰减阶段,基于预测起始点前全部历史数据进行模型训练,预测起始点后60个循环的电池容量。
图4对快速充电条件下磷酸铁锂电池在容量缓慢衰减阶段,基于预测起始点前邻近的2倍历史数据(120个循环)进行模型训练,估计预测起始点后60个循环的电池容量。
图5对快速充电条件下磷酸铁锂电池在容量过渡阶段,基于预测起始点前全部历史数据进行模型训练,估计预测起始点后60个循环的电池容量。
图6对快速充电条件下磷酸铁锂电池在容量过渡阶段,基于预测起始点前邻近的2倍历史数据(120个循环)进行模型训练,估计预测起始点后60个循环的电池容量。
图7对快速充电条件下磷酸铁锂电池在容量快速衰减阶段,基于预测起始点前全部历史数据进行模型训练,估计预测起始点后60个循环的电池容量。
图8对快速充电条件下磷酸铁锂电池在容量快速衰减阶段,基于预测起始点前邻近的2倍历史数据(120个循环)进行模型训练,估计预测起始点后60个循环的电池容量。
具体实施实例
以下结合附图和实例对本发明做进一步详细说明。
根据上述方法对快速充电条件下(充电倍率5.3C)磷酸铁锂电池,在不同的容量衰变阶段分别基于预测起始点前邻近2倍历史数据及全部历史数据进行模型训练,对预测起始点后60个充放电循环进行电池容量预测。如表1所示为基于预测起始点前邻近2倍历史数据以及全部历史数据训练模型后容量预测误差(其中MAE平均绝对误差,MAPE平均绝对百分比误差,RMSE均方根误差)对比分析。
实施例
实例1缓慢衰退阶段容量预测
应用磷酸铁锂电池快速充电条件下的充放电循环数据,根据公式(1)和(2)提取大电流充电过程中对应的等电压间隔时间以及充电过程中的电压平均值作为特征向量,并根据公式(3)进行归一化处理。
应用预测起始点前全部历史数据进行DL-LSTM模型训练,估计预测起始点后60个循环的电池容量;预测结果如图3所示,其中,横坐标为循环次数,纵坐标为电池容量。
应用预测起始点前邻近的2倍历史数据(120个循环)进行DL-LSTM模型训练,估计预测起始点后60个循环的电池容量;预测结果如图4所示,其中,横坐标为循环次数,纵坐标为电池容量。
实例2衰退过渡阶段容量预测
应用预测起始点前全部历史数据进行模型训练,估计预测起始点后60个循环的电池容量;预测结果如图5所示,其中,横坐标为循环次数,纵坐标为电池容量。
应用预测起始点前邻近的2倍历史数据(120个循环)进行模型训练,估计预测起始点后60个循环的电池容量;预测结果如图6所示,其中,横坐标为循环次数,纵坐标为电池容量。
实例3快速衰退阶段容量预测
应用预测起始点前全部历史数据进行模型训练,估计预测起始点后60个循环的电池容量;预测结果如图7所示,其中,横坐标为循环次数,纵坐标为电池容量。
应用预测起始点前邻近的2倍历史数据(120个循环)进行模型训练,估计预测起始点后60个循环的电池容量;预测结果如图8所示,其中,横坐标为循环次数,纵坐标为电池容量。
表1.邻近特征与全部特征的电池容量估计误差对比
准确对快速充电条件下电池健康状态进行估计,对于电动汽车的发展具有重要意义。以上实例可以有效的证明本发明方法的优越性;相比于利用预测起始点前全部历史数据进行模型训练,本发明依据大电流充电循环电池容量衰退呈现阶段性的特征,基于双层长短期记忆神经网络(DL-LSTM),提出利用预测起始点前的2倍历史数据进行模型训练而不是预测起始点前的全部历史数据的邻近特征方法。既减少了模型训练的时间成本,又将快速充电电池估计精度提升4倍以上,并且估计的误差均小于0.5%。
Claims (1)
1.一种基于邻近特征的锂离子电池健康状态估计方法,其特征在于:该方法的实施过程如下:
首先对已经发生的每一个充电循环进行健康因子的提取;
(1)根据公式(1)提取电池在恒流充电过程达到[3.45-3.55V]电压区间所需的时间作为第一个健康因子:
其中,t1代表电池电压到达3.45V时间,t2代表电池电压到达3.55V的时间,脚标n代表循环次数,上标1代表第一个健康因子;
(2)根据公式(2)提取电池在恒流充电过程中[2.75-3.55V]电压区间内的电压平均值作为第二个健康因子;
其中,Vi为大于等于2.75V和小于等于3.55V的电压的测量值序列,脚标n代表循环次数,上标2代表第2个健康因子;
其中,xn为电池容量或特征向量1或特征向量2的取值,min(xn)为相应取值的最小值,max(xn)为相应取值或测量值的最大值;Dn为归一化后数据取值;
(4)构建双层长短期记忆神经网络DL-LSTM模型,该DL-LSTM模型包含两个LSTM层;在两个LSTM层之后的Dropout层以20%的概率丢弃部分神经元;序列输入层向网络输入序列数据;通过将全连接层的大小设置为响应的数量来控制维度,通过回归输出层输出预测结果;
(5)根据预测起始点的位置及预测的数量选定训练数据集,训练集选取预测起始点的数据进行训练;
(6)设置双层长短期记忆神经网络(DL-LSTM)模型的初始超参数,包括神经元个数、迭代次数、批量大小、学习率,采用三倍交叉验证并选用公式(4)均方根误差作为评价函数确定优化后的超参数,确定第一个LSTM层神经元个数为128、第二个LSTM层神经元个数为64;批量大小为16、迭代次数为200、初始学习率为0.001;
(7)确定好双层长短期记忆神经网络DL-LSTM模型超参数后,对DL-LSTM模型进行训练,将训练集中的电池容量数据作为网络的目标值;在网络模型训练过程中,定义损失函数为:
其中S是训练数据序列长度,R是响应的数目,Cij是目标电池容量值,yij是网络预测值;双层长短期记忆神经网络中对于每一个时间步长的前向计算公式为:
其中,xt是时间序列t时刻的输入数据,ct-1、ht-1是网络的当前状态,ct、ht是时间步长计算输出和更新后的单元状态(ct)和隐藏状态(ht);ft、it、ot、gt分别代表遗忘门、输入门、输出门以及候选单元;W及R代表每个LSTM单元的权重系数矩阵,b代表偏置系数矩阵;⊙是两个向量的点乘,σg表示门激活函数sigmoid函数(σ(x)=(1+e-x)-1),σc表示状态激活函数双曲正切函数
(8)根据公式(1)和公式(2)计算需要预测循环的特征向量,并将其输入训练好的双层长短期记忆神经网络DL-LSTM模型中,即可输出预测循环对应的电池容量值;输出时,使用去归一化过程呈现出预测数据的实际形式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210869379.4A CN115308606B (zh) | 2022-07-21 | 一种基于邻近特征的锂离子电池健康状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210869379.4A CN115308606B (zh) | 2022-07-21 | 一种基于邻近特征的锂离子电池健康状态估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115308606A true CN115308606A (zh) | 2022-11-08 |
CN115308606B CN115308606B (zh) | 2024-05-31 |
Family
ID=
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116298936A (zh) * | 2023-05-19 | 2023-06-23 | 河南科技学院 | 在不完全电压范围内的锂离子电池智能健康状态预测方法 |
CN116449209A (zh) * | 2023-01-12 | 2023-07-18 | 帕诺(常熟)新能源科技有限公司 | 一种基于lstm的实际运营储能锂电容量预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103399279A (zh) * | 2013-08-01 | 2013-11-20 | 哈尔滨工业大学 | 基于ekf方法和ar模型融合型锂离子电池循环寿命预测方法 |
WO2017087807A1 (en) * | 2015-11-19 | 2017-05-26 | The Regents Of The University Of Michigan | State of battery health estimation based on swelling characteristics |
CN110188920A (zh) * | 2019-04-26 | 2019-08-30 | 华中科技大学 | 一种锂电池剩余寿命预测方法 |
CN111443294A (zh) * | 2020-04-10 | 2020-07-24 | 华东理工大学 | 一种锂离子电池剩余寿命间接预测方法及装置 |
GB202016746D0 (en) * | 2020-10-22 | 2020-12-09 | Stortera Ltd | Pro-active battery management system (BMS) with lossless active buck balancing and method thereof |
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103399279A (zh) * | 2013-08-01 | 2013-11-20 | 哈尔滨工业大学 | 基于ekf方法和ar模型融合型锂离子电池循环寿命预测方法 |
WO2017087807A1 (en) * | 2015-11-19 | 2017-05-26 | The Regents Of The University Of Michigan | State of battery health estimation based on swelling characteristics |
CN110188920A (zh) * | 2019-04-26 | 2019-08-30 | 华中科技大学 | 一种锂电池剩余寿命预测方法 |
CN111443294A (zh) * | 2020-04-10 | 2020-07-24 | 华东理工大学 | 一种锂离子电池剩余寿命间接预测方法及装置 |
GB202016746D0 (en) * | 2020-10-22 | 2020-12-09 | Stortera Ltd | Pro-active battery management system (BMS) with lossless active buck balancing and method thereof |
Non-Patent Citations (4)
Title |
---|
YANQIN ZHANG; HUAFENG ZHANG; ZHIWEI TIAN: "The Application Of Gaussian Process Regression In State Of Health Prediction Of Lithium Ion Batteries", IEEE, 16 December 2018 (2018-12-16), pages 515 - 519 * |
何明前;范世军;王显承;张丽;黎学明;: "基于BP神经网络的镉镍电池放电特性预测", 电源技术, no. 08, 20 August 2016 (2016-08-20) * |
张彦琴;刘汉雨;卢明哲;: "锂离子电池充电方法及其评价指标", 电池工业, no. 2, 25 August 2013 (2013-08-25) * |
张彦琴;周大森;: "辅助混合动力电动汽车技术研究(Ⅶ)――混合动力电动汽车电池荷电状态估计", 北京工业大学学报, no. 03, 30 March 2007 (2007-03-30) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116449209A (zh) * | 2023-01-12 | 2023-07-18 | 帕诺(常熟)新能源科技有限公司 | 一种基于lstm的实际运营储能锂电容量预测方法 |
CN116298936A (zh) * | 2023-05-19 | 2023-06-23 | 河南科技学院 | 在不完全电压范围内的锂离子电池智能健康状态预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Deng et al. | Data-driven state of charge estimation for lithium-ion battery packs based on Gaussian process regression | |
Xiao et al. | Accurate state-of-charge estimation approach for lithium-ion batteries by gated recurrent unit with ensemble optimizer | |
CN109031153B (zh) | 一种锂离子电池的健康状态在线估计方法 | |
CN109061506A (zh) | 基于神经网络优化ekf的锂离子动力电池soc估计方法 | |
CN112241608A (zh) | 一种基于lstm网络和迁移学习的锂电池寿命预测方法 | |
Ma et al. | State of health estimation and remaining useful life prediction for lithium-ion batteries by improved particle swarm optimization-back propagation neural network | |
CN110133507B (zh) | 一种基于narx-ukf算法的电池剩余电量估计方法 | |
CN111458646A (zh) | 一种基于pso-rbf神经网络的锂电池soc估算方法 | |
CN114861527A (zh) | 一种基于时间序列特征的锂电池寿命预测方法 | |
Takyi-Aninakwa et al. | An optimized long short-term memory-weighted fading extended Kalman filtering model with wide temperature adaptation for the state of charge estimation of lithium-ion batteries | |
CN112881914B (zh) | 一种锂电池健康状态预测方法 | |
CN113687242A (zh) | 基于ga算法优化改进gru神经网络的锂离子电池soh估计方法 | |
CN115980584A (zh) | 基于多特征融合lstm网络的锂电池rul估计方法 | |
CN115389946A (zh) | 一种基于等压升能量和改进gru的锂电池健康状态估计方法 | |
CN114966436A (zh) | 锂电池荷电状态预测方法、装置、设备及可读存储介质 | |
CN110232432B (zh) | 一种基于人工生命模型的锂电池组soc预测方法 | |
Lyu et al. | State-of-charge estimation of lithium-ion batteries based on deep neural network | |
CN117022048A (zh) | 一种电动汽车电池荷电状态的评估方法 | |
CN112014757A (zh) | 一种容量增量分析与遗传小波神经网络融合的电池soh估计方法 | |
CN111563576A (zh) | 一种基于蝙蝠探测-极限学习机的锂电池容量估计方法 | |
CN115308606B (zh) | 一种基于邻近特征的锂离子电池健康状态估计方法 | |
CN116718920A (zh) | 基于rnn优化扩展卡尔曼滤波的锂电池soc估算方法 | |
CN116400224A (zh) | 一种基于工作温度矫正的电池剩余使用寿命预测方法 | |
CN114895206B (zh) | 基于改进灰狼优化算法的rbf神经网络的锂离子电池soh估计方法 | |
CN115308606A (zh) | 一种基于邻近特征的锂离子电池健康状态估计方法 |
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 |