CN115331745A - 基于历史数据校验的改进单粒子电化学模型建模方法 - Google Patents
基于历史数据校验的改进单粒子电化学模型建模方法 Download PDFInfo
- Publication number
- CN115331745A CN115331745A CN202210713062.1A CN202210713062A CN115331745A CN 115331745 A CN115331745 A CN 115331745A CN 202210713062 A CN202210713062 A CN 202210713062A CN 115331745 A CN115331745 A CN 115331745A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- lithium ion
- ion concentration
- historical
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013524 data verification Methods 0.000 title claims abstract description 24
- 239000002245 particle Substances 0.000 title claims abstract description 20
- 238000013507 mapping Methods 0.000 claims abstract description 53
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims description 65
- 229910001416 lithium ion Inorganic materials 0.000 claims description 65
- 238000003066 decision tree Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 10
- 238000013499 data model Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 claims 1
- 238000012795 verification Methods 0.000 description 7
- 239000000446 fuel Substances 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000003679 aging effect Effects 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明公开了一种基于历史数据校验的改进单粒子电化学模型建模方法，基于历史数据校验的改进单粒子电化学模型建模方法，包括以下步骤：S1，采集样本数据并对样本数据进行历史数据校验；S2，设置SPM参数并进行数据预处理；S3，基于GBDT建立映射模型；S4，映射模型替换SPM以建立完整的模型。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，采集样本数据并筛选后，完成历史数据校验，经过校验后的数据再由SPM验证后用以建立映射模型，最终替换SPM建立模型，本发明的方法大大提升了模型准确性。
Description
技术领域
本发明涉及单粒子电化学模型领域，尤其是基于历史数据校验的改进单粒子电化学模型建模方法。
背景技术
电动汽车在缓解空气污染、提高燃油经济性和应对全球变暖方面发挥着重要作用。而在电动汽车中，需要一个带有多个电池的电池组来提供足够的功率，其电池组中单体数量可从几十到数千个不等。在这样一个大型的储能系统中，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“一种基于HSMM和经验模型的燃料电池故障预测方法”，其公开号为CN107169243B，一种基于HSMM和经验模型的燃料电池故障预测方法，先采集一组燃料电池的全寿命电压数据，作为训练数据，再通过Welch-Baum算法利用训练数据训练HSMM模型；再采集一组燃料电池的电压退化数据，作为测试数据；将测试数据输入HSMM中，通过前向算法估计当前健康状态，并根据状态持续时间计算其剩余寿命；根据测试数据建立经验模型，并估计参数及预测未来走势，根据未来电压走势计算其剩余寿命；以训练数据和测试数据的电压梯度值的相似度作为标准，将HSMM得到的剩余寿命和经验模型计算出的剩余寿命结合起来，估算出燃料电池的最终剩余寿命。但是，公开号为CN107169243B的中国专利基于经验模型，适应性差。
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，提出一种基于历史数据校验的改进单粒子电化学模型建模方法，采集样本数据并筛选后，完成历史数据校验，经过校验后的数据再由SPM验证后用以建立映射模型，最终替换SPM建立模型，本发明的方法大大提升了模型准确性。
为了实现上述目的，本发明采用以下技术方案：一种基于历史数据校验的改进单粒子电化学模型建模方法，包括以下步骤：
S1，采集样本数据并对样本数据进行历史数据校验；
S2，设置SPM参数并进行数据预处理；
S3，基于GBDT建立映射模型；
S4，映射模型替换SPM以建立完整的模型。
本发明中，在采集得到样本数据之后，提取历史数据，对采集的样本数据进行核验，选取符合标准的样本数据继续和SPM进行验证，验证确认无误后，将处理过的样本数据放入至映射模型进行训练，得到基于GBDT的映射模型，最后将该基于GBDT的映射模型替换SPM，得到最终的模型，本发明的模型准确性高。
作为优选，所述步骤S1包括以下步骤：
S11，在不同的温度条件下，将电池放电或充电至某一特定SOC，静置一段时间，采集得到锂离子浓度数据和开路电压数据，采样频率设置为60Hz；
S12，设置有规范工作区间，通过阈值判断采集得到的开路电压数据是否处于规范工作区间内，剔除未在规范工作区间的开路电压数据以及其对应的锂离子浓度数据；
S13，对采集得到的锂离子浓度数据进行巡检，建立历史锂离子浓度数据和开路电压数据模型，筛选出明显异常值，剔除相应的样本数据。本发明中，对于样本数据的采集，通过检测设备直接检测得到，对于锂离子浓度数据，使用专门的锂离子浓度数据装置，锂离子浓度数据和开路电压数据的采样频率相同且数据一一对应；此外，开路电压数据需要在一定的范围内，即在规范工作区间内，利用阈值判断其是否处于该区间内，若不在区间内则直接剔除，对于剔除留下的空位，可选择利用历史数据进行补位；而对于锂离子浓度数据的筛选，由于锂离子浓度数据装置检测并非完全准确，需要根据历史样本数据进行再次筛选；本步骤的过程能够保证样本数据的准确性。
作为优选，所述步骤S13包括以下步骤：
S131，调取历史时刻的锂离子浓度数据以及对应的开路电压数据，对数据进行无量纲化处理，以历史时刻的正常锂离子浓度数据为输入，历史时刻的正常开路电压数据为输出，建立多对映射关系，建立包含有该映射关系的历史数据模型；
S132，遍历采集得到的锂离子浓度数据，由锂离子浓度数据选取历史数据模型中最接近的若干个正常锂离子浓度数据，并调取出若干个正常锂离子浓度数据对应的映射关系；
S133，将时段内采集得到的锂离子浓度数据作为横坐标，正常开路电压数据作为纵坐标进行线条拟合，将拟合的线条与调取出的映射关系进行比对，若拟合度在阈值范围内，选取最佳映射关系，同时样本数据值正常；若拟合度超过阈值范围，剔除样本数据。本发明中，在调出历史时刻的样本数据后，对样本数据进行无量纲化处理，随后建立关于两个样本数据的映射关系以及包含该映射关系的模型，并调取出最接近的映射关系，调取出的映射关系为某一时间段内的映射关系，把某一时段内采集得到的样本数据进行线条拟合，后与调取出的映射关系进行比对，其中，调取出的映射关系为模型自动拟合，本发明中，两者的拟合度取5％，拟合度决定是否剔除锂离子浓度数据和相应的开路电压数据。
作为优选，所述步骤S2具体为：SPM中包含若干个电池参数，电池参数通过参数手册或者实验获取，利用SPM参数的电池参数构建模型，利用SPM通过开路电压经验公式推导出对应的锂离子浓度，推导出的锂离子浓度与检测得到的锂离子浓度进行误差校验，校验成功即可进行下一步骤。本发明中，输入SPM的多个参数，最后求出锂离子浓度，该锂离子浓度能够与采样得到的锂离子浓度进行比对。
作为优选，所述步骤S3具体为：以推导出的锂离子浓度作为输入，采集得到的开路电压作为输出，建立GBDT模型，GBDT模型表示为：
其中，x为输入样本，ω为模型参数，h代表决策树，α为每棵树的权重，对于给定训练集T＝{(x1,y1),(x2,y2),...,(xN,yN)}，有输入空间X满足
输出空间Y满足
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GBDT模型还包括以下步骤：
S31，初始化第一棵决策树模型，表示为：
其中，L(yi,c)为损失函数，c为估计使损失函数极小化的常数值；
S32，建立M棵决策树，当m＝1,2,...,M，计算出每个样本的负梯度rim以及建立新决策树，并更新模型得到：
其中，I为控制负梯度的参数；
S33，最后输出强学习机，表示为：
作为优选，所述步骤S32包括以下步骤：
S321，计算每个样本的负梯度rim，表示为：
S322，建立新决策树，将获得的残差作为样本的新值，并将数据(xi,rim)作为下一棵树的训练数据，以获得新的回归决策树fm(X)，其对应的叶节点区域为Rjm，其中j＝1,2,...,Jm，且Jm为第m棵回归树叶子节点个数，其叶面积cjm的最佳拟合值为：
作为优选，所述步骤S4具体为将SPM中的开路电压经验公式替换成映射模型。本发明中，GBDT模型能够减少大量的运算量。
本发明的有益效果是：本发明的基于历史数据校验的改进单粒子电化学模型建模方法，首先采集样本数据并筛选后，完成历史数据校验，经过校验后的数据再由SPM验证后用以建立映射模型，最终替换SPM建立模型，本发明的方法能够减少运算量，大大提升了模型准确性。
附图说明
图1是本发明基于历史数据校验的改进单粒子电化学模型建模方法的流程图；
图2是本发明基于历史数据校验的改进单粒子电化学模型建模方法的基于GBDT建立映射模型的流程图。
具体实施方式
实施例：
本实施例提出一种基于历史数据校验的改进单粒子电化学模型建模方法，参考图1，主要包括以下多个步骤，步骤S1，采集样本数据，对样本数据进行历史数据校验；具体的本步骤包括多个子步骤，步骤S11，设定在不同的温度条件之下，把电池放电或充电至某一特定SOC，在静置一段时间之后，分别采集得到锂离子浓度数据和开路电压数据，具体的，采样频率设置为60Hz。在本步骤中，采集需在静置一段时间之后进行，对于样本数据的采集，通过检测设备直接检测得到，对于锂离子浓度数据，使用专门的锂离子浓度数据装置，锂离子浓度数据和开路电压数据的采样频率相同且数据一一对应。
步骤S12，通过阈值判断采集得到的开路电压数据是否处于规范工作区间内，规范工作区间为本发明为筛选数据而特意设置，剔除在规范工作区间之外的开路电压数据和其对应的锂离子浓度数据。具体的，开路电压数据需要在一定的范围内，即在规范工作区间内，利用阈值判断其是否处于该区间内，若不在区间内则直接剔除，对于剔除留下的空位，可选择利用历史数据进行补位。
步骤S13，对采集得到的锂离子浓度数据进行巡检，建创建关于历史锂离子浓度数据以及开路电压的数据模型，筛选出明显异常值，剔除样本数据。对于锂离子浓度数据的筛选，由于锂离子浓度数据装置检测并非完全准确，需要根据历史样本数据进行再次筛选；本步骤的过程能够保证样本数据的准确性。
具体的，步骤S13还包括以下三个子步骤，首先进行步骤S131，调出历史时刻的锂离子浓度数据和对应的开路电压数据，对数据无量纲化处理后，以历史时刻的正常锂离子浓度数据为输入，历史时刻的正常开路电压数据为输出，建立若干对映射关系，建立包含有该映射关系的历史数据模型；本发明中，历史数据模型中，映射关系对数越多，历史数据模型越准确。
步骤S132，遍历采集得到的锂离子浓度数据，由锂离子浓度数据选取历史数据模型中最接近的多个正常锂离子浓度数据，随后调出多个正常锂离子浓度数据对应的映射关系；本实施例中，每隔一段时间进行遍历，调出的正常锂离子浓度数据对应的映射关系在十个以内，此外，最接近的标准为锂离子浓度数据以及相应的开路电压均较为接近。
步骤S133，把某一时段内采集得到的锂离子浓度数据作为横坐标，正常开路电压数据作为纵坐标，进行线条拟合操作，将拟合的线条与调取出的映射关系进行比对，如果拟合度在阈值范围内，则选取最佳映射关系，同时样本数据值判定为正常；如果拟合度超过阈值范围，则需要剔除样本数据。
对于步骤S13，更详细的，在调出历史时刻的样本数据后，对样本数据进行无量纲化处理，随后建立关于两个样本数据的映射关系以及包含该映射关系的模型，并调取出最接近的映射关系，调取出的映射关系为某一时间段内的映射关系，把某一时段内采集得到的样本数据进行线条拟合，后与调取出的映射关系进行比对，其中，调取出的映射关系为模型自动拟合，本发明中，两者的拟合度取5％，拟合度决定是否剔除锂离子浓度数据和相应的开路电压数据。
随后进行步骤S2，设置SPM参数，并进行数据预处理，更详细的，本步骤中，SPM包含多个电池参数，电池参数的获取方式为参数手册或者实验，由SPM参数的电池参数构建模型，由SPM通过开路电压经验公式推导出对应的锂离子浓度，推导出的锂离子浓度与检测得到的锂离子浓度进行误差校验，若校验成功，则进行下一步骤。本发明中，输入SPM的多个参数，最后求出锂离子浓度，该锂离子浓度能够与采样得到的锂离子浓度进行比对；此外，本发明中，SPM为现有的模型。
步骤S3，参考图2，基于GBDT建立映射模型；具体的，本步骤以推导出的锂离子浓度作为输入，采集得到的开路电压作为输出，建立GBDT模型，具体如下：
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，对于给定训练集
有输入空间X满足
输出空间Y满足
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。当残差缩小到一定范围时，将所有弱学习器进行组合就可以得到最终的强学习器。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。其主要流程图图2所示。
步骤S3还包括三个子步骤，步骤S31，首先，初始化第一棵决策树模型，公式为：
上式中，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。
随后进行步骤S32，该步骤中，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，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：
其中，I为控制负梯度的参数。由上述的公式可以得到GBDT所建立的映射函数。
步骤S4，映射模型替换SPM以建立完整的模型，具体的，步骤S4具体为把SPM中的开路电压经验公式替换成映射模型。对于SPM的开路电压经验公式，为现有技术，在此不再赘述。
本发明中，在采集得到样本数据之后，提取历史数据，对采集的样本数据进行核验，选取符合标准的样本数据继续和SPM进行验证，验证确认无误后，将处理过的样本数据放入至映射模型进行训练，得到基于GBDT的映射模型，最后将该基于GBDT的映射模型替换SPM，得到最终的模型，本发明的模型准确性高。
此外，本发明中的SPM为单粒子模型的缩写，GBDT为梯度增强决策树(GradientBoosting Decision Tree)的缩写。
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)
1.一种基于历史数据校验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，采集样本数据并对样本数据进行历史数据校验；
S2，设置SPM参数并进行数据预处理；
S3，基于GBDT建立映射模型；
S4，映射模型替换SPM以建立完整的模型。
2.根据权利要求1所述的基于历史数据校验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，在不同的温度条件下，将电池放电或充电至某一特定SOC，静置一段时间，采集得到锂离子浓度数据和开路电压数据，采样频率设置为60Hz；
S12，设置有规范工作区间，通过阈值判断采集得到的开路电压数据是否处于规范工作区间内，剔除未在规范工作区间的开路电压数据以及其对应的锂离子浓度数据；
S13，对采集得到的锂离子浓度数据进行巡检，建立历史锂离子浓度数据和开路电压数据模型，筛选出明显异常值，剔除相应的样本数据。
3.根据权利要求1或2所述的基于历史数据校验的改进单粒子电化学模型建模方法，其特征在于，所述步骤S13包括以下步骤：
S131，调取历史时刻的锂离子浓度数据以及对应的开路电压数据，对数据进行无量纲化处理，以历史时刻的正常锂离子浓度数据为输入，历史时刻的正常开路电压数据为输出，建立多对映射关系，建立包含有该映射关系的历史数据模型；
S132，遍历采集得到的锂离子浓度数据，由锂离子浓度数据选取历史数据模型中最接近的若干个正常锂离子浓度数据，并调取出若干个正常锂离子浓度数据对应的映射关系；
S133，将时段内采集得到的锂离子浓度数据作为横坐标，正常开路电压数据作为纵坐标进行线条拟合，将拟合的线条与调取出的映射关系进行比对，若拟合度在阈值范围内，选取最佳映射关系，同时样本数据值正常；若拟合度超过阈值范围，剔除样本数据。
4.根据权利要求1所述的基于历史数据校验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具体为：SPM中包含若干个电池参数，电池参数通过参数手册或者实验获取，利用SPM参数的电池参数构建模型，利用SPM通过开路电压经验公式推导出对应的锂离子浓度，推导出的锂离子浓度与检测得到的锂离子浓度进行误差校验，校验成功即可进行下一步骤。
5.根据权利要求4所述的基于历史数据校验的改进单粒子电化学模型建模方法，其特征在于，所述步骤S3具体为：以推导出的锂离子浓度作为输入，采集得到的开路电压作为输出，建立GBDT模型，GBDT模型表示为：
其中，x为输入样本，ω为模型参数，h代表决策树，α为每棵树的权重，对于给定训练集T＝{(x1,y1),(x2,y2),...,(xN,yN)}，有输入空间X满足
输出空间Y满足
6.根据权利要求5所述的基于历史数据校验的改进单粒子电化学模型建模方法，其特征在于，所述GBDT模型还包括以下步骤：
S31，初始化第一棵决策树模型，表示为：
其中，L(yi,c)为损失函数，c为估计使损失函数极小化的常数值；
S32，建立M棵决策树，当m＝1,2,...,M，计算出每个样本的负梯度rim以及建立新决策树，并更新模型得到：
其中，I为控制负梯度的参数；
S33，最后输出强学习机，表示为：
7.根据权利要求6所述的基于历史数据校验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，计算每个样本的负梯度rim，表示为：
S322，建立新决策树，将获得的残差作为样本的新值，并将数据(xi,rim)作为下一棵树的训练数据，以获得新的回归决策树fm(X)，其对应的叶节点区域为Rjm，其中j＝1,2,...,Jm，且Jm为第m棵回归树叶子节点个数，其叶面积cjm的最佳拟合值为：
8.根据权利要求1所述的基于历史数据校验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具体为将SPM中的开路电压经验公式替换成映射模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210713062.1A CN115331745A (zh) | 2022-06-22 | 2022-06-22 | 基于历史数据校验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 |
|---|---|---|---|
| CN202210713062.1A CN115331745A (zh) | 2022-06-22 | 2022-06-22 | 基于历史数据校验的改进单粒子电化学模型建模方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115331745A true CN115331745A (zh) | 2022-11-11 |
Family
ID=83915937
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210713062.1A Pending CN115331745A (zh) | 2022-06-22 | 2022-06-22 | 基于历史数据校验的改进单粒子电化学模型建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115331745A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116667325A (zh) * | 2023-05-29 | 2023-08-29 | 江苏师范大学 | 一种基于改进布谷鸟算法的微电网并网运行优化调度方法 |
-
2022
- 2022-06-22 CN CN202210713062.1A patent/CN115331745A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116667325A (zh) * | 2023-05-29 | 2023-08-29 | 江苏师范大学 | 一种基于改进布谷鸟算法的微电网并网运行优化调度方法 |
| CN116667325B (zh) * | 2023-05-29 | 2024-05-24 | 江苏师范大学 | 一种基于改进布谷鸟算法的微电网并网运行优化调度方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
| CN110568361B (zh) | 一种动力电池健康状态的预测方法 | |
| CN106383316B (zh) | 一种梯次利用锂电池性能评价方法 | |
| CN107785624B (zh) | 一种评估锂电池性能的方法 | |
| CN110850298B (zh) | 基于数据驱动的锂电池soh估计方法及系统 | |
| CN110045298A (zh) | 一种动力电池组参数不一致性的诊断方法 | |
| CN112098876B (zh) | 蓄电池内单体电池的异常检测方法 | |
| CN113805064B (zh) | 基于深度学习的锂离子电池组健康状态预测方法 | |
| CN111581904A (zh) | 考虑循环次数影响的锂电池soc及soh协同估算方法 | |
| CN106055775B (zh) | 一种粒子滤波与机理模型相结合的二次电池寿命预测方法 | |
| CN114280479B (zh) | 一种基于电化学阻抗谱的退役电池快速分选方法 | |
| CN113848480A (zh) | 锂电池分容工艺的放电总容量预测方法 | |
| CN113447823B (zh) | 蓄电池组健康预测的方法 | |
| CN111983464B (zh) | 一种基于纯电动车用锂电池析锂测试方法 | |
| CN106777786A (zh) | 一种锂离子电池soc估算方法 | |
| CN113392507A (zh) | 一种锂离子动力电池剩余寿命预测方法 | |
| CN116224085A (zh) | 一种基于数据驱动的锂电池健康状态评估方法 | |
| 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 | |
| CN115453399A (zh) | 一种考虑不一致性的电池组soh估计方法 | |
| CN116047308A (zh) | 一种基于pid控制与dekf的锂电池soc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 | |
| 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 | |
| Jia et al. | An adaptive spherical square‐root double unscented Kalman filtering algorithm for estimating state‐of‐charge of lithium‐ion batteries | |
| Zahid et al. | Performance analysis of particle filter for SOC estimation of LiFeP0 4 battery pack for electric vehicles | |
| CN118156549A (zh) | 基于人工神经网络的全钒液流电池soc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 | ||
| CB02 | Change of applicant information | ||
| 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. |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240109 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. |