CN115356647A - 一种锂离子电池寿命早期预测方法 - Google Patents

一种锂离子电池寿命早期预测方法 Download PDF

Info

Publication number
CN115356647A
CN115356647A CN202211040458.0A CN202211040458A CN115356647A CN 115356647 A CN115356647 A CN 115356647A CN 202211040458 A CN202211040458 A CN 202211040458A CN 115356647 A CN115356647 A CN 115356647A
Authority
CN
China
Prior art keywords
battery
value
model
prediction
training
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
CN202211040458.0A
Other languages
English (en)
Inventor
熊巍
李玉梅
徐刚
李红丽
徐攀
袁静
王思琪
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.)
Hubei Engineering University
Original Assignee
Hubei Engineering 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 Hubei Engineering University filed Critical Hubei Engineering University
Priority to CN202211040458.0A priority Critical patent/CN115356647A/zh
Publication of CN115356647A publication Critical patent/CN115356647A/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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种锂离子电池寿命早期预测方法。该方法包括以下步骤：(1)模型训练数据的获取：获取容量和电压值；(2)计算该数值曲线f的标准差MSE(fn(V))；(3)寿命早期预测模型训练：采用基于座头鲸算法优化的支持向量机作为预测算法训练预测模型，训练时采用输入向量x作为模型的输入，采用输出向量y作为模型的输出，对模型进行训练得到预测模型；(4)电池寿命早期预测：通过预测模型预测电池循环寿命。本发明通过衰减曲线的计算和变换，再结合预测算法进行训练，可实现对锂离子电池寿命进行早期预测，并根据其预测寿命可实现对电池进行有效的分类或者分级。本发明可促进电池管理优化，提升电池组的一致性，提高电池组的输出性能和安全性。

Description

一种锂离子电池寿命早期预测方法
技术领域
本发明涉及锂离子电池技术领域，更具体地说，涉及一种锂离子电池寿命早期预测方法。
背景技术
随着能源危机和生态环境问题的日趋严重，新能源汽车已成为汽车产业的发展重点。然而，新能源汽车上的电池包的性能直接影响着新能源汽车的性能和运行情况。新能源汽车上用的电池包是由很多电池单体通过并联和串联而组成，这些电池单体的寿命如果相差较大，将会导致电池包使用一段时间后出现输出性能下降，甚至出现安全风险。因此，在电池单体成组前对单体寿命进行早期预测十分重要。
目前几乎所有锂离子电池负极材料都是采用的石墨，这些锂离子电池脱锂负极活性材料的损失，会导致放电电压发生变化，而容量并没有变化。这是因为脱锂负极材料的损失会改变锂离子的储存电位，而不会改变总容量。在脱锂负极活性物质损失的高比率下，负极容量最终将低于剩余的锂离子库存。此时，负极在充电过程中将没有足够的位点容纳锂离子，从而导致锂镀层。由于镀锂是不可逆的，所以容量损失会加速。
目前尚缺乏一种有效的锂离子电池寿命早期预测方法。
发明内容
本发明针对锂离子电池寿命早期预测问题，提出一种锂离子电池寿命早期预测方法，实现对电池寿命进行早期预测。由于锂离子电池早期充放电循环中，脱锂负极活性物质损失会在不影响容量衰减曲线的情况下改变电压曲线，因而，本发明利用这一特征可实现锂离子电池寿命早期预测。
本发明提供的技术方案如下：
一种锂离子电池寿命早期预测方法，包括以下步骤：
(1)模型训练数据的获取：对n颗锂离子电池单体进行编号(编号分布为1,2,3,···,n)，采用恒流恒压方式进行充电，恒流方式进行放电，进行充放电循环直至电池有效容量衰减至标称容量80％；记录第n颗电池每一次充放电循环放电过程中等电压间隔采集的容量Qn,i和电压Vn,i的数据集，其中i为充放电循环次数，每个电压值对应一个容量值；Qn,10为第n颗电池第10次放电过程中的容量数据，Qn,80为第n颗电池第80次放电过程中的容量数据，以相同电压下容量数据差值Qn,10-80＝Qn,10-Qn,80为因变量，放电电压V范围2.2V～3.6V为自变量，绘制函数图像，并通过多项式拟合获得函数公式Qn,10-80＝fn(V)；
(2)计算数值曲线的标准差MSE(fn(V))作为输入一维向量x，并将电池单体寿命终止时的充放循环次数作为输出一维向量y；
(3)寿命早期预测模型训练：采用基于座头鲸算法优化的支持向量机作为预测算法训练预测模型，训练时采用输入向量x作为模型的输入，采用输出向量y作为模型的输出，对模型进行训练得到预测模型；
(4)电池寿命早期预测：在30℃环境温度下，对要预测的电池单体采用拟应用场景下的充电电流值进行恒流恒压充电，充满后，采用拟应用场景下的放电电流值进行放电，提取放电过程中的MSE(fn(V))，作为输入值输入至步骤(3)所述的预测模型中，即可预测电池循环寿命。
进一步，所述步骤(1)中，n为200～500。优选的，n为300。
进一步，所述步骤(1)中，恒流充电阶段电流A设置为A＝4C-n/100C，放电采用3C恒流方式放电。
进一步，所述步骤(1)中，i为50～100。
进一步，所述步骤(2)中，MSE(fn)的计算公式如下：
Figure BDA0003820072170000021
其中，fn(V)为第n颗电池的容量数据差值拟合曲线函数，
Figure BDA0003820072170000022
为fn(V)的平均值，k为电压区间取值个数。
更进一步，所述步骤(2)中，k为100～800。
进一步，所述步骤(2)中，电池有效容量衰减至标称容量80％时，寿命终止。
进一步，所述采用基于座头鲸算法优化的支持向量机作为预测算法训练预测模型的训练方法包括以下步骤：
步骤①：读取数据：读取向量x，向量y；
步骤②：初始化支持向量机SVM：调用Matlab7.10.0函数库中的svmtrain函数进行支持向量机模型训练；
步骤③：初始化损失函数ε：损失函数ε决定了回归误差期望，其取值大小将会影响相应模型的支持向量数量以及泛化能力，ε取值越大，相应模型支持向量减小，预测精度越低，反之亦然；
步骤④：初始化惩罚因子参数C、核函数参数σ：
核函数参数σ通过座头鲸优化算法在1～300中获取：
A＝2a·rand1-a
S＝2·rand2
D＝|S·σq，t-σi，t|
D′＝|σq，t-σi，t|
Figure BDA0003820072170000031
式中：A和S为计算系数，D为当前鲸鱼个体与当前最优解之间的距离，D′为第i只鲸鱼到猎物之间的距离；σq，t为当前最优参数，优选的取150；σi，t为随机参数，取值范围内1～300；σi，t+1为优化后的参数；rand和rand2为[0，1]之间的随机数；a＝2-2t/T为收敛因子，随着迭代的进行从2线性下降到0，t为当前迭代次数，T为最大迭代次数，优选的T为300；p为随机取值的数，其值为0或1；l是一个介于-1和1之间的随机数；b为常数，取值5。
惩罚因子参数C主要用于平衡逼近误差以及模型复杂度，C的值越大，相应模型拟合误差则越小，对数据的拟合程度越高，但模型复杂程度亦越大，C一般取为(1～1000)；参数σ通过座头鲸优化算法在1～1000中获取：
A＝2a·rand1-a
S＝2·rand2
D＝|S·Cq，t-Ci，t|
D′＝|Cq，t-Ci，t|
Figure BDA0003820072170000032
式中：Cq，t为当前最优参数，优选的取500；Ci，t为随机参数，取值范围内1～1000；Ci，t+1为优化后的参数；rand和rand2为[0，1]之间的随机数；a＝2-2t/T为收敛因子，随着迭代的进行从2线性下降到0，t为当前迭代次数，T为最大迭代次数，优选的T为300；p为随机取值的数，其值为0或1；l是一个介于-1和1之间的随机数；b为常数，取值5；
步骤⑤：优化的WOA-SVM预测模型：将计算的预测寿命与实测的寿命值进行对比，不断修正核函数参数σ、惩罚因子参数C以优化支持向量机，进而得到预测模型。
进一步，所述训练方法步骤③中，ε为0.0001～0.01。优选的，ε取0.001。
进一步，所述训练方法步骤④中，核函数包括多项式核函数、径向基函数(RBF)核函数和Sigmoid核函数。优选的，核函数为径向基函数(RBF)核函数。
本发明的有益效果
(1)本发明通过衰减曲线的计算和变换，再结合预测算法进行训练，可实现对锂离子电池寿命进行早期预测，并根据其预测寿命可实现对电池进行有效的分类或者分级；
(2)本发明可实现电池寿命早期预测，为电池的研发和制造工艺的改进提供有效依据；
(3)本发明可实现对电池组寿命的有效管理，为电池组的维护更换提供依据；
(4)本发明可促进电池管理优化，提升电池组的一致性，提高电池组的输出性能和安全性。
附图说明
图1为电池寿命早期预测过程流程示意图；
图2为放电过程的放电曲线；图2(a)是循环寿命为534周的电池的三条放电曲线，右边的实线为该电池第10次放电的放电曲线，中间实线是第80次放电的放电曲线，左边虚线为第534次放电的放电曲线；图2(b)是循环寿命为788周的电池的三条放电曲线，右边的实线为该电池第10次放电的放电曲线，中间实线是第80次放电的放电曲线，左边虚线为第788次放电的放电曲线；图2(c)是循环寿命为1054周的电池的三条放电曲线，右边的实线为该电池第10次放电的放电曲线，中间实线是第80次放电的放电曲线，左边虚线为第1054次放电的放电曲线；
图3为放电电压V—容量差值Q10-80数值曲线；
图4为1号、2号、3号、4号电池循环寿命图。
具体实施方式
下面结合具体实施例对本发明进一步说明，本发明的内容完全不限于此。
实施例
图1示出了寿命预测流程图，步骤如下：
(1)模型训练数据获取：对300颗锂离子电池单体进行编号，编号n分别为1至300。在30℃环境温度下，对300颗电池单体采用恒流恒压方式进行充电，恒流充电阶段电流A设置为A＝4C-N/100C；放电采用3C恒流方式放电，直至达到电池放电截止电压停止放电。当电池有效容量衰减至标称容量80％时，代表寿命终止，该电池单体停止充放电试验。
记录第n颗电池每一次充放电循环放电过程中等电压间隔采集的容量Qn,i和电压Vn,i的数据集，其中i为充放电循环次数，每个电压值对应一个容量值；Qn,10为第n颗电池第10次放电过程中的容量数据，Qn,80为第n颗电池第80次放电过程中的容量数据，以相同电压下容量数据差值Qn,10-80＝Qn,10-Qn,80为因变量，放电电压V范围2.2V～3.6V为自变量，绘制函数图像，并通过多项式拟合获得函数公式Qn,10-80＝fn(V)。如图1所示，两条实线左边一条为第10次放电曲线，右边一条为第80次放电曲线，以放电2.5V电压做一条横线，以两条实线的交点的容量值的差值即为2.5V的容量数据差值。在放电电压V范围2.2V～3.6V的区间，每间隔0.01V获取实时的电压值和容量值。图2为放电容量差值-电压的曲线图。
以其中随机抽取4颗电池作为测试数据集，4颗电池分别编号为1号、2号、3号、4号电池，其余296颗电池作为预测模型训练数据集为例。
(2)计算数值曲线的标准差MSE(fn(V))作为输入一维向量x，并将电池单体寿命终止时的充放循环次数作为输出一维向量y；
MSE(fn)的计算公式如下：
Figure BDA0003820072170000051
其中，fn(V)为第n颗电池的容量数据差值拟合曲线函数，
Figure BDA0003820072170000052
为fn(V)的平均值，
Figure BDA0003820072170000053
为fn(V)的总和除以k。k为电压区间取值个数，为100～800，优选的，k为500。
(3)寿命早期预测模型训练：采用基于座头鲸算法优化的支持向量机作为预测算法训练预测模型，训练时采用随机选取的296颗电池，使用上述方法获取输入向量x作为模型的输入，输出向量y作为模型的输出，对模型进行训练得到预测模型。
利用训练样本训练支持向量机模型，步骤如下：
步骤①：读取数据：读取向量x,向量y；
步骤②：初始化支持向量机SVM：调用Matlab7.10.0函数库中的svmtrain函数进行支持向量机模型训练；
步骤③：初始化损失函数ε：损失函数ε决定了回归误差期望，其取值大小将会影响相应模型的支持向量数量以及泛化能力，ε取值越大，相应模型支持向量减小，预测精度越低，反之亦然，ε一般取为(0.0001～0.01)，优选的取0.001；
步骤④：初始化惩罚因子参数C、核函数参数σ：
支持向量机常用核函数包括多项式核函数、径向基函数(RBF)核函数、Sigmoid核函数。本实施例选用RBF函数，核函数参数σ通过座头鲸优化算法在1～300中获取：
A＝2a·rand1-a
S＝2·rand2
D＝|S·σq，t-σi，t|
D′＝|σq，t-σi，t|
Figure BDA0003820072170000061
式中：A和S为计算系数，D为当前鲸鱼个体与当前最优解之间的距离，D′为第i只鲸鱼到猎物之间的距离；σq，t为当前最优参数，优选的取150；σi，t为随机参数，取值范围内1～300；σi，t+1为优化后的参数；rand和rand2为[0，1]之间的随机数；a＝2-2t/T为收敛因子，随着迭代的进行从2线性下降到0，t为当前迭代次数，T为最大迭代次数，优选的T为300；p为随机取值的数，其值为0或1；l是一个介于-1和1之间的随机数；b为常数，取值5。
惩罚因子参数C主要用于平衡逼近误差以及模型复杂度，C的值越大，相应模型拟合误差则越小，对数据的拟合程度越高，但模型复杂程度亦越大，C一般取为(1～1000)；参数σ通过座头鲸优化算法在1～1000中获取：
A＝2a·rand1-a
S＝2·rand2
D＝|S·Cq，t-Ci，t|
D′＝|Cq，t-Ci，t|
Figure BDA0003820072170000062
式中：Cq，t为当前最优参数，优选的取500；Ci，t为随机参数，取值范围内1～1000；Ci，t+1为优化后的参数；rand和rand2为[0，1]之间的随机数；a＝2-2t/T为收敛因子，随着迭代的进行从2线性下降到0，t为当前迭代次数，T为最大迭代次数，优选的T为300；p为随机取值的数，其值为0或1；l是一个介于-1和1之间的随机数；b为常数，取值5；
步骤⑤：优化的WOA-SVM预测模型：将计算的预测寿命与实测的寿命值进行对比，不断修正核函数参数σ、惩罚因子参数C以优化支持向量机，进而得到预测模型。
(4)电池寿命早期预测：测试模型预测效果时采用剩余4颗电池，使用上述方法获取输入向量x作为模型的输入，模型的输出结果即为预测的4颗电池的循环寿命。提取的4颗电池的放电过程中容量变化值Q10-80如图3所示，循环寿命预测结果如图4所示，本发明的电池寿命早期预测结果与实验结果非常接近，4颗电池预测结果误差均小于9％，表明本发明可以使用电池前80周的早期充放电循环数据有效预测电池循环寿命。
对于相同材料配方的电池可实现有效预测：将待预测电池置于30℃环境温度下，对要预测的电池单体采用拟应用场景下的充电电流值进行恒流恒压充电，充满后，采用拟应用场景下的放电电流值进行放电，充放电循环80周后，停止实验。提取放电过程中的Q10、Q80，计算MSE(fn)作为输入值输入至预测模型中，并可得到由模型预测的电池循环寿命。
以上所述，仅为本发明较佳的具体实施方式，但本发明保护的范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内所做的任何修改，等同替换和改进等，均应包含在发明的保护范围之内。

Claims (10)

1.一种锂离子电池寿命早期预测方法，其特征在于，包括以下步骤：
(1)模型训练数据的获取：对n颗锂离子电池单体进行编号1,2,3,…,n，采用恒流恒压方式进行充电，恒流方式进行放电，进行充放电循环直至电池有效容量衰减至标称容量80％；记录第n颗电池每一次充放电循环放电过程中等电压间隔采集的容量Qn,i和电压Vn,i的数据集，其中i为充放电循环次数，每个电压值对应一个容量值；Qn,10为第n颗电池第10次放电过程中的容量数据，Qn,80为第n颗电池第80次放电过程中的容量数据，以相同电压下容量数据差值Qn,10-80＝Qn,10-Qn,80为因变量，放电电压V范围2.2V～3.6V为自变量，绘制函数图像，并通过多项式拟合获得函数公式Qn,10-80＝fn(V)；
(2)计算数值曲线的标准差MSE(fn(V))作为输入一维向量x，并将电池单体寿命终止时的充放循环次数作为输出向量y；
(3)寿命早期预测模型训练：采用基于座头鲸算法优化的支持向量机作为预测算法训练预测模型，训练时采用输入向量x作为模型的输入，采用输出向量y作为模型的输出，对模型进行训练得到预测模型；
(4)电池寿命早期预测：在30℃环境温度下，对要预测的电池单体采用拟应用场景下的充电电流值进行恒流恒压充电，充满后，采用拟应用场景下的放电电流值进行放电，提取放电过程中的MSE(fn(V))，作为输入值输入至步骤(3)所述的预测模型中，即可预测电池循环寿命。
2.根据权利要求1所述的方法，其特征在于：所述步骤(1)中，n为200～500。
3.根据权利要求1所述的方法，其特征在于：所述步骤(1)中，恒流充电阶段电流A设置为A＝4C-N/100C，放电采用3C恒流方式放电。
4.根据权利要求1所述的方法，其特征在于：所述步骤(1)中，i为50～100。
5.根据权利要求1所述的方法，其特征在于：所述步骤(2)中，MSE(fn)的计算公式如下：
Figure FDA0003820072160000011
其中，fn(V)为第n颗电池的容量数据差值拟合曲线函数，
Figure FDA0003820072160000012
为fn(V)的平均值，k为电压区间取值个数。
6.根据权利要求1所述的方法，其特征在于：所述步骤(2)中，k为100～800。
7.根据权利要求1所述的方法，其特征在于：所述步骤(2)中，电池有效容量衰减至标称容量80％时，寿命终止。
8.根据权利要求1所述的方法，其特征在于：所述采用基于座头鲸算法优化的支持向量机作为预测算法训练预测模型的训练方法包括以下步骤：
步骤①：读取数据：读取向量x，向量y；
步骤②：初始化支持向量机SVM：调用Matlab7.10.0函数库中的svmtrain函数进行支持向量机模型训练；
步骤③：初始化损失函数ε：损失函数ε决定了回归误差期望，其取值大小将会影响相应模型的支持向量数量以及泛化能力，ε取值越大，相应模型支持向量减小，预测精度越低，反之亦然；
步骤④：初始化惩罚因子参数C、核函数参数σ：
核函数参数σ通过座头鲸优化算法在1～300中获取：
A＝2a·rand1-a
S＝2·rand2
D＝|S·σq,t-σi,t|
D′＝|σq,t-σi,t|
Figure FDA0003820072160000021
式中:A和S为计算系数，D为当前鲸鱼个体与当前最优解之间的距离，D′为第i只鲸鱼到猎物之间的距离；σq,t为当前最优参数；σi,t为随机参数，取值范围内1～300；σi,t+1为优化后的参数；rand和rand2为[0，1]之间的随机数；a＝2-2t/T为收敛因子,随着迭代的进行从2线性下降到0，t为当前迭代次数，T为最大迭代次数；p为随机取值的数，其值为0或1；l是一个介于-1和1之间的随机数；b为常数，取值5；
惩罚因子参数C主要用于平衡逼近误差以及模型复杂度，C的值越大，相应模型拟合误差则越小，对数据的拟合程度越高，但模型复杂程度亦越大，C为1～1000；参数σ通过座头鲸优化算法在1～1000中获取：
A＝2a·rand1-a
S＝2·rand2
D＝|S·Cq,t-Ci,t|
D′＝|Cq,t-Ci,t|
Figure FDA0003820072160000031
式中:Cq,t为当前最优参数；Ci,t为随机参数，取值范围内1～1000；Ci,t+1为优化后的参数；rand和rand2为[0，1]之间的随机数；a＝2-2t/T为收敛因子,随着迭代的进行从2线性下降到0，t为当前迭代次数，T为最大迭代次数；p为随机取值的数，其值为0或1；l是一个介于-1和1之间的随机数；b为常数，取值5；
步骤⑤：优化的WOA-SVM预测模型：将计算的预测寿命与实测的寿命值进行对比，不断修正核函数参数σ、惩罚因子参数C以优化支持向量机，进而得到预测模型。
9.根据权利要求8所述的方法，其特征在于：所述训练方法步骤③中，ε为0.0001～0.01。
10.根据权利要求8所述的方法，其特征在于：所述训练方法步骤④中，核函数包括多项式核函数、径向基函数(RBF)核函数和Sigmoid核函数。
CN202211040458.0A 2022-08-29 2022-08-29 一种锂离子电池寿命早期预测方法 Pending CN115356647A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211040458.0A CN115356647A (zh) 2022-08-29 2022-08-29 一种锂离子电池寿命早期预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211040458.0A CN115356647A (zh) 2022-08-29 2022-08-29 一种锂离子电池寿命早期预测方法

Publications (1)

Publication Number Publication Date
CN115356647A true CN115356647A (zh) 2022-11-18

Family

ID=84004194

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211040458.0A Pending CN115356647A (zh) 2022-08-29 2022-08-29 一种锂离子电池寿命早期预测方法

Country Status (1)

Country Link
CN (1) CN115356647A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115856646A (zh) * 2023-03-03 2023-03-28 中山大学 一种基于三维电压特征的锂离子电池早期寿命预测方法
CN116736142A (zh) * 2023-08-14 2023-09-12 新誉集团有限公司 一种电池组健康状况预警的方法、系统及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115856646A (zh) * 2023-03-03 2023-03-28 中山大学 一种基于三维电压特征的锂离子电池早期寿命预测方法
CN116736142A (zh) * 2023-08-14 2023-09-12 新誉集团有限公司 一种电池组健康状况预警的方法、系统及装置
CN116736142B (zh) * 2023-08-14 2023-10-24 新誉集团有限公司 一种电池组健康状况预警的方法、系统及装置

Similar Documents

Publication Publication Date Title
CN110752410B (zh) 一种快速分选和重组退役锂电池的方法
Ma et al. A novel method for state of health estimation of lithium-ion batteries based on improved LSTM and health indicators extraction
Tian et al. Consistency evaluation and cluster analysis for lithium-ion battery pack in electric vehicles
Zhou et al. Remaining useful life estimation of lithium-ion cells based on k-nearest neighbor regression with differential evolution optimization
CN115356647A (zh) 一种锂离子电池寿命早期预测方法
CN107132490B (zh) 一种实现锂电池组荷电状态估计的方法
US20220373601A1 (en) Battery Performance Prediction
Pan et al. Transfer learning-based hybrid remaining useful life prediction for lithium-ion batteries under different stresses
CN112630662B (zh) 一种基于数据驱动及多参数融合的动力电池soh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
CN112734002B (zh) 一种基于数据层和模型层联合迁移学习的寿命预测方法
Peng et al. An improved PSO algorithm for battery parameters identification optimization based on Thevenin battery model
Zhang et al. State of health estimation of lithium-ion batteries based on modified flower pollination algorithm-temporal convolutional network
CN113554200B (zh) 动力电池电压不一致性预测方法、系统及设备
Zhao et al. Estimation of the SOC of energy-storage lithium batteries based on the voltage increment
CN113917336A (zh) 基于片段充电时间和gru的锂离子电池健康状态预测方法
CN115061058A (zh) 退役动力电池梯次利用剩余寿命测算方法及系统
CN111762059B (zh) 一种考虑电池充放电工况的多变量融合电池组的均衡方法
Zhu et al. A novel fast estimation and regroup method of retired lithium‐ion battery cells
CN113361692A (zh) 一种锂电池剩余寿命结合预测方法
Wang et al. A novel capacity estimation method for li-ion battery cell by applying ensemble learning to extremely sparse significant points
CN117110884A (zh) 基于多核相关向量机的锂电池剩余使用寿命预测方法
Tang et al. Model parameter identification for lithium-ion batteries using adaptive multi-context cooperatively co-evolutionary parallel differential evolution algorithm
Zhou et al. Bayesian hierarchical modelling for battery lifetime early prediction
CN116029183A (zh) 一种基于iPSO-LSTM模型的动力电池温度预测方法

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