CN115656857A - 一种锂离子电池剩余使用寿命的多尺度融合预测方法 - Google Patents
一种锂离子电池剩余使用寿命的多尺度融合预测方法 Download PDFInfo
- Publication number
- CN115656857A CN115656857A CN202211119986.5A CN202211119986A CN115656857A CN 115656857 A CN115656857 A CN 115656857A CN 202211119986 A CN202211119986 A CN 202211119986A CN 115656857 A CN115656857 A CN 115656857A
- Authority
- CN
- China
- Prior art keywords
- battery
- capacity
- data
- lithium ion
- resistance
- 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 34
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 27
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 27
- 230000004927 fusion Effects 0.000 title claims abstract description 24
- 238000013507 mapping Methods 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims abstract description 19
- 230000032683 aging Effects 0.000 claims abstract description 18
- 238000011176 pooling Methods 0.000 claims abstract description 12
- 230000007774 longterm Effects 0.000 claims abstract description 7
- 238000005562 fading Methods 0.000 claims abstract 3
- 230000008569 process Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 101100314144 Mus musculus Tnip1 gene Proteins 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000010439 graphite Substances 0.000 description 1
- 229910002804 graphite Inorganic materials 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 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
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Secondary Cells (AREA)
Abstract
本发明涉及电池容量检测技术领域,公开了一种锂离子电池剩余使用寿命的多尺度融合预测方法,其包括如下步骤:采集每个电池失效前的充电电流、电压、温度、电阻和历史容量数据;分别采集每个电池寿命预测起点前的充电电流、电压、温度、电阻和历史容量数据,将历史电阻、容量数据排列成一维矩阵向量;采用3层膨胀卷积网络对原始的V、I、T矩阵分别进行二维卷积;将所得特征映射输入全局平均池化层,对特征映射进行降维;通过LSTM捕捉V、I、T紧凑特征与原始的电阻数据随着循环圈数的变化规律,建模它们之间的长期依赖关系,量化电池的老化行为;输入多层感知器中对电池寿命预测起点后的容量衰减趋势进行预测。
Description
技术领域
本发明涉及电池容量检测技术领域,具体为一种锂离子电池剩余使用寿命的多尺度融合预测方法。
背景技术
锂离子电池由于低污染、高能量密度、高功率密度和长寿命等特点,得到了广泛的应用。在电池使用期间,其电化学性能会随着电池的剩余使用寿命而变化。当性能下降超过一定阈值时,锂离子电池可能会出现性能急剧下降现象,从而导致潜在的安全性甚至是灾难性的严重故障。因此,准确的预测电池寿命对于推进电池产业的安全绿色发展、对更科学的电池管理系统至关重要。不仅如此,在电池的开发过程中,不可避免地要对电池的循环寿命进行全面、反复的评估,而现有的寿命试验需要耗费大量的人力物力和测试资源。长寿命电池的寿命反馈通常要耗用几个月甚至几年的测试时间,时间成本大。机器学习的迅猛发展,使得本发明可以从大量的历史测试数据中寻找潜在的关联,为电池的寿命提供了精准的预测结果。
当前的大部分关于锂电池寿命预测的研究对衡量电池容量老化的健康指标考量不足,只针对单个或少数几个测量变量进行建模,而没有综合地考虑多种健康指标。没有充足的特征和匮乏的数据集限制了数据驱动模型的预测性能和泛化性能。不仅如此,当前的大多研究都基于“输入-模型-输出”的建模基线,对于复杂的模型,输入到输出要经过多个神经网络层,导致重要的特征有可能会被遗忘,而非关键的变量信息则可能会被提取,对模型的预测结果造成干扰。
综上所述,当前的锂离子电池剩余使用寿命预测模型存在着较少综合考虑多个健康指标、选取的特征与数据集较少、原始的数据输入与模型输出之间路径过长、关键信息的继承和保留较难等关键挑战,导致了电池剩余使用寿命的容量趋势预测精度不高、鲁棒性弱、模型的泛化性能较差等关键问题,为此本发明提出了一种锂离子电池剩余使用寿命的多尺度融合预测方法。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供一种锂离子电池剩余使用寿命的多尺度融合预测方法,综合选取电池充电过程中的电压(V)、电流(I)、温度(T)、电阻和历史容量数据为HI,V、I和T数据易于采集与在线监测,以解决上述的技术问题。
(二)技术方案
为实现上述所述目的,本发明提供如下技术方案:
一种锂离子电池剩余使用寿命的多尺度融合预测方法,包括以下步骤:
第一步:从多个电池容量老化数据集中采集每个电池失效前的充电电流、电压、温度、电阻和历史容量数据;
第二步:分别采集每个电池寿命预测起点前的充电电流、电压、温度、电阻和历史容量数据作为衡量电池容量老化的HI,将电流、电压和温度通过矩阵堆叠形成三维矩阵以满足膨胀卷积层的计算需求,将历史电阻、容量数据排列成一维矩阵向量;
第三步:采用3层膨胀卷积网络对原始的V、I、T矩阵分别进行二维卷积;
第四步:将所得特征映射输入全局平均池化层,对特征映射进行降维;
第五步:将上一步所得的特征序列与电池的电阻数据通过矩阵连接堆叠在一起,作为LSTM的输入,通过LSTM捕捉V、I、T紧凑特征与原始的电阻数据随着循环圈数的变化规律,建模它们之间的长期依赖关系,量化电池的老化行为;
第六步:将上一步所得的特征映射与历史容量数据一起输入多层感知器中对电池寿命预测起点后的容量衰减趋势进行预测。
优选的,电池寿命预测起点为电池容量衰减至额定容量的90%。
优选的,第二步包括将每个循环下的V、I和T数据通过补全缺失值、Akima插值法进行插值。
优选的,第三步的具体内容为:
设第nth个膨胀卷积层的输出特征映射为On,其中n=1,2,…,L,代表膨胀卷积层的数目;
输入膨胀卷积层的VIT矩阵的形状为Mn×Nn,卷积核的形状为Pn×Qn,其中卷积核的权重矩阵和偏置分别为Wn和bk,膨胀率为(dh,n,dw,n);
感受野(Rh,n+1×Rw,n+1)大小的计算如下:
优选的,第四步的具体步骤如下:
将经过膨胀卷积层处理后的特征映射记为Dn,形状均为(w×h)其中n=1,2,...,C,代表电池的循环序号,则全局平均池化的过程表示为:
dn则为输出的紧凑特征序列中的第nth个元素。
优选的,第五步的具体步骤如下:
将预测起点前所有循环下的电阻数据与全局平均池化后的紧凑特征进行整合,一并作为LSTM网络的输入,如下所示:
ft=σ(Wf⊙[ht-1,xt]+bf);
it=σ(Wi⊙[ht-1,xt]+bi);
gt=tanh(Wg⊙[ht-1,xt]+bg);
Ct=ft⊙Ct-1+it⊙gt;
ot=σ(WXo⊙[ht-1,xt]+bo);
ht=ot⊙tanh(Ct)。
优选的,第六步的具体步骤如下:
其中L(·)为线性激活函数,f(·)代表Sigmoid函数,如下:
(三)有益效果
与现有技术相比,本发明提供的锂离子电池剩余使用寿命的多尺度融合预测方法,具备以下有益效果:
1、该锂离子电池剩余使用寿命的多尺度融合预测方法,综合选取了电压、电流、温度、电阻和历史容量数据作为量化电池老化的HI,丰富的特征数据和大量的公开数据集提高了模型的预测精度和泛化性能。
2、该锂离子电池剩余使用寿命的多尺度融合预测方法,采用膨胀卷积对相同循环状态下的V、I和T数据进行多特征提取,随网络层数而增加的感受野能在多尺度上对三种变量进行特征融合,使所得的特征映射更具代表性。
3、该锂离子电池剩余使用寿命的多尺度融合预测方法,通过LSTM和滞后性的多头输入,一方面通过LSTM的“门”结构决定较长处理路径上原始信息的继承和摒弃,另一方面,滞后性的输入直接缩短了关键特征与输出之间的处理路径,更好地保留了关键的特征信息,克服了长序列数据预测的长期依赖和梯度爆炸问题,提供了高准确度的容量老化趋势预测。
附图说明
图1为本发明实施例锂离子电池剩余使用寿命的多尺度融合预测方法的流程示意图;
图2为本发明实施例所用的124个电池数据集的容量衰减曲线图;
图3为本发明实施例V、I和T在不同循环下的规律性差异。
图4为本发明实施例不同电池寿命电池的内阻与容量变化的趋势图;
图5为本发明实施例LSTM的网络结构示意图;
图6为本发明实施例公开方法在预测起点后的容量老化趋势预测性能。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例
请参阅图1-6,本发明实施例提供的锂离子电池剩余使用寿命的多尺度融合预测方法,包括以下步骤:
步骤1,从124个电池容量老化数据集中采集每个电池失效前的充电电流、电压、温度、电阻和历史容量数据。
步骤1具体按照以下步骤实施:
步骤1.1,实验数据集由包含124块商业磷酸铁锂/石墨电池组成,额定容量为1.1Ah,额定电压为3.3V。这些电池在48通道的Abin充放电柜和30℃的恒温箱中,在72种充电策略和固定的放电倍率下循环至失效。该数据集包括96700个循环周期数据,最长寿命的电池拥有2338圈循环寿命。电池循环只容量降低至额定容量的80%被定义为失效,取90%的额定容量预测起点。
图2给出了124个电池数据集的容量衰减曲线图。
步骤2,分别采集每个电池寿命预测起点前的充电电流、电压、温度、电阻和历史容量数据作为衡量电池容量老化的HI。将电流、电压和温度通过矩阵堆叠形成三维矩阵以满足膨胀卷积层的计算需求。将历史电阻、容量数据排列成一维矩阵向量以供后续计算。
步骤2具体按照以下步骤实施:
步骤2.1,提取每个电池单体电池寿命预测起点前的HI数据,通过补全缺失值和-Akima插值法将每个循环的HI数据规范为1024的数据长度。数据集按照8:2的比例被随机划分为训练集与测试集,这意味着将有99个累计拥有52种充电策略和25个拥有20种充电策略的电池数据,分别用于RUL的估计和模型泛化性能的验证。
步骤2.2,电池的V、I、T数据随着循环的进行表现出了不同程度的偏移。而且不同寿命的电池,在电池初始状态的循环中已经表现出明显的差异,这些规律性差异与电池的寿命呈强相关性。
图3给出了V、I和T在不同循环下的规律性差异。由图3可以看出,不同寿命的电池在相同循环状态的电压、电流和温度呈现规律性分布,剩余使用寿命越短,这些HI与容量的衰减呈强相关性。
图4给出了不同电池寿命电池(取其中4个为例)的内阻与容量变化的趋势图,可以看出随着循环数的增加,电阻与容量老化的趋势呈现强负相关。
步骤2.3,规定一段特殊的独热编码作为识别模型接受开始和完成数据接收的标记,该独热编码会出现在特征输入前起始和终点,即第0个循环和预测起点处,以及训练集目标数据中的起始和终点,即预测起点时的容量和失效时的容量处。模型在预测时将会自行决定输出序列的长度(即剩余使用寿命),模型的序列输出和结束处同样会输出该独热编码。
步骤3,采用3层膨胀卷积网络对原始的V、I、T矩阵分别进行二维卷积,提高卷积计算过程的信息感受野,在保持原输入特征图的形状同时,大大减少了计算量。
步骤3具体按照以下步骤实施:
步骤3.1,为了方便表示,设第nth个膨胀卷积层的输出特征映射为On,其中n=1,2,…,L,代表膨胀卷积层的数目。输入膨胀卷积层的VIT矩阵的形状为Mn×Nn,卷积核的形状为Pn×Qn,其中卷积核的权重矩阵和偏置分别为Wn和bk,膨胀率为(dh,n,dw,n)。此时,第nth膨胀卷积层的第kth个输出特征映射可以表示为:
其中,代表中的第(i,j)位置上的元素;为第(n-1)th膨胀卷积层的感受野R中的第rth个输入特征映射中第(i+a,j+b)位置的元素;为第(p,q)位置上的元素,对应第nth层第kth个卷积核的权重。该层的感受野(Rh,n+1×Rw,n+1)大小的计算如下:
膨胀卷积层的感受野随着层数的增加呈指数级增长,相比传统的卷积而言大大降低了计算量。同时,膨胀卷积层能克服传统卷积在边缘数据上的考察不足的缺点,增大的感受野能对相同循环状态下的电压、电流和温度数据进行多尺度的融合,所提取的紧凑特征涵盖了三种输入变量的贡献。
步骤4,将所得特征映射输入全局平均池化层,对特征映射进行降维,此时的特征映射具有全局感受野。
步骤4具体按照以下步骤实施:
步骤4.1,为了方便表示,将经过膨胀卷积层处理后的特征映射记为Dn,形状均为(w×h)其中n=1,2,...,C,代表电池的循环序号。则全局平均池化的过程可以表示为:
其中,dn则为输出的紧凑特征序列中的第nth个元素。
步骤5,将上一步所得的特征序列与电池的电阻数据通过矩阵连接堆叠在一起,作为LSTM的输入。通过LSTM捕捉V、I、T紧凑特征与原始的电阻数据随着循环圈数的变化规律,建模它们之间的长期依赖关系,量化电池的老化行为。
步骤5具体按照以下步骤实施:
步骤5.1,首先将预测起点前所有循环下的电阻数据与全局平均池化后的紧凑特征进行整合,一并作为LSTM网络的输入。LSTM网络层采用哈达玛积运算,如下所示:
ft=σ(Wf⊙[ht-1,xt]+bf) (5)
it=σ(Wi⊙[ht-1,xt]+bi) (6)
gt=tanh(Wg⊙[ht-1,xt]+bg) (6)
Ct=ft⊙Ct-1+it⊙gt (7)
ot=σ(WXo⊙[ht-1,xt]+bo) (8)
ht=ot⊙tanh(Ct) (9)
图5给出了LSTM的网络结构示意图。
步骤6,将上一步所得的特征映射与历史容量数据一起输入多层感知器中对电池寿命预测起点后的容量衰减趋势进行预测。
步骤6具体按照以下步骤实施:
其中L(·)为线性激活函数。f(·)代表Sigmoid函数,如下:
图6给出了本发明公开方法在预测起点后的容量老化趋势预测性能(举例其中4个电池)。
本发明上述实施例提供的方法,核心要点是取电池容量衰减至额定容量的90%作为电池剩余使用寿命的预测起点,将预测起点前的电池充电电压(V)、电流(I)、温度(T)、电阻和历史容量数据作为HI;首先通过膨胀卷积提取VIT矩阵中的隐藏特征,相比普通卷积具有更大尺度的信息感受野;通过全局平均池化对高维的特征映射进行降维,再通过多层感知器生成紧凑的一维特征向量;将紧凑特征与电阻数据输入LSTM网络中以捕捉两者在时序上的长期依赖关系;最后将上述的特征映射与历史容量数据一起输入多层感知器中。
本发明提供的锂离子电池剩余使用寿命的多尺度融合预测方法,综合选取了电池充电过程中的电压(V)、电流(I)、温度(T)、电阻和历史容量数据为HI,V、I和T数据易于采集与在线监测,而电阻和历史容量数据与预测起点后的容量衰减趋势具有强相关性。采用膨胀卷积对相同循环状态下的V、I和T数据进行特征提取,其随网络层数呈指数级增长的感受野能对三种特征进行多尺度融合。与传统模型的“输入-模型-输出”基线不同,所提出的方法采用了多头数据输入,分别将电阻和历史容量数据进行滞后输入,极大缩短了关键特征与输出之间的处理路径,保证了关键信息的继承。将全局平均池化后的特征映射与电阻数据进行整合并输入LSTM进一步提取时序特征,此时的关键特征的继承和无用信息的摒弃通过LSTM来完成。将历史容量数据与LSTM的输出进行整合,并通过两层感知器对预测起点后的容量老化趋势进行预测。此时的历史容量数据距离模型输出的路径非常短,能在原有的容量数据基础上对容量老化进行预测。LSTM和滞后性的多头输入克服了长序列数据预测的长期依赖和梯度爆炸问题,贡献了精准的预测结果。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种锂离子电池剩余使用寿命的多尺度融合预测方法,其特征在于,包括以下步骤:
第一步:从多个电池容量老化数据集中采集每个电池失效前的充电电流、电压、温度、电阻和历史容量数据;
第二步:分别采集每个电池寿命预测起点前的充电电流、电压、温度、电阻和历史容量数据作为衡量电池容量老化的HI,将V、I、T通过矩阵堆叠形成三维矩阵以满足膨胀卷积层的计算需求,将历史电阻、容量数据排列成一维矩阵向量;
第三步:采用3层膨胀卷积网络对原始的V、I、T矩阵分别进行二维卷积;
第四步:将所得特征映射输入全局平均池化层,对特征映射进行降维;
第五步:将上一步所得的特征序列与电池的电阻数据通过矩阵连接堆叠在一起,作为LSTM的输入,通过LSTM捕捉V、I、T紧凑特征与原始的电阻数据随着循环圈数的变化规律,建模它们之间的长期依赖关系,量化电池的老化行为;
第六步:将上一步所得的特征映射与历史容量数据一起输入多层感知器中对电池寿命预测起点后的容量衰减趋势进行预测。
2.根据权利要求1所述的锂离子电池剩余使用寿命的多尺度融合预测方法,其特征在于:电池寿命预测起点为电池容量衰减至额定容量的90%。
3.根据权利要求1所述的锂离子电池剩余使用寿命的多尺度融合预测方法,其特征在于:第二步包括将每个循环下的V、I和T数据通过补全缺失值、Akima插值法进行插值。
4.根据权利要求1所述的锂离子电池剩余使用寿命的多尺度融合预测方法,其特征在于:第三步的具体内容为:
设第nth个膨胀卷积层的输出特征映射为On,其中n=1,2,…,L,代表膨胀卷积层的数目;
输入膨胀卷积层的VIT矩阵的形状为Mn×Nn,卷积核的形状为Pn×Qn,其中卷积核的权重矩阵和偏置分别为Wn和bk,膨胀率为(dh,n,dw,n);
感受野(Rh,n+1×Rw,n+1)大小的计算如下:
6.根据权利要求1所述的锂离子电池剩余使用寿命的多尺度融合预测方法,其特征在于:第五步的具体步骤如下:
将预测起点前所有循环下的电阻数据与全局平均池化后的紧凑特征进行整合,一并作为LSTM网络的输入,如下所示:
ft=σ(Wf⊙[ht-1,xt]+bf);
it=σ(Wi⊙[ht-1,xt]+bi);
gt=tanh(Wg⊙[ht-1,xt]+bg);
Ct=ft⊙Ct-1+it⊙gt;
ot=σ(Wxo⊙[ht-1,xt]+bo);
ht=ot⊙tanh(Ct)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211119986.5A CN115656857A (zh) | 2022-09-15 | 2022-09-15 | 一种锂离子电池剩余使用寿命的多尺度融合预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211119986.5A CN115656857A (zh) | 2022-09-15 | 2022-09-15 | 一种锂离子电池剩余使用寿命的多尺度融合预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115656857A true CN115656857A (zh) | 2023-01-31 |
Family
ID=84984179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211119986.5A Pending CN115656857A (zh) | 2022-09-15 | 2022-09-15 | 一种锂离子电池剩余使用寿命的多尺度融合预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115656857A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116430244A (zh) * | 2023-06-14 | 2023-07-14 | 聊城大学 | 一种基于电压电流特征的动力电池健康状态估计方法 |
CN116540108A (zh) * | 2023-07-06 | 2023-08-04 | 广汽埃安新能源汽车股份有限公司 | 一种电芯容量衰减预警方法、装置、存储介质及设备 |
CN116660759A (zh) * | 2023-07-28 | 2023-08-29 | 深圳凌奈智控有限公司 | 基于bms电池管理系统的电池寿命预测方法及装置 |
CN116859258A (zh) * | 2023-07-21 | 2023-10-10 | 深圳市聚亚科技有限公司 | 基于物联网的共享动力电池数据采集方法 |
CN117031307A (zh) * | 2023-08-17 | 2023-11-10 | 广州汽车集团股份有限公司 | 一种蓄电池寿命预测方法及其装置、存储介质 |
CN117930028A (zh) * | 2024-03-21 | 2024-04-26 | 成都赛力斯科技有限公司 | 新能源车辆电池热失效的预测方法、系统、设备及介质 |
-
2022
- 2022-09-15 CN CN202211119986.5A patent/CN115656857A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116430244A (zh) * | 2023-06-14 | 2023-07-14 | 聊城大学 | 一种基于电压电流特征的动力电池健康状态估计方法 |
CN116430244B (zh) * | 2023-06-14 | 2023-08-15 | 聊城大学 | 一种基于电压电流特征的动力电池健康状态估计方法 |
CN116540108A (zh) * | 2023-07-06 | 2023-08-04 | 广汽埃安新能源汽车股份有限公司 | 一种电芯容量衰减预警方法、装置、存储介质及设备 |
CN116540108B (zh) * | 2023-07-06 | 2023-12-15 | 广汽埃安新能源汽车股份有限公司 | 一种电芯容量衰减预警方法、装置、存储介质及设备 |
CN116859258A (zh) * | 2023-07-21 | 2023-10-10 | 深圳市聚亚科技有限公司 | 基于物联网的共享动力电池数据采集方法 |
CN116660759A (zh) * | 2023-07-28 | 2023-08-29 | 深圳凌奈智控有限公司 | 基于bms电池管理系统的电池寿命预测方法及装置 |
CN116660759B (zh) * | 2023-07-28 | 2023-09-26 | 深圳凌奈智控有限公司 | 基于bms电池管理系统的电池寿命预测方法及装置 |
CN117031307A (zh) * | 2023-08-17 | 2023-11-10 | 广州汽车集团股份有限公司 | 一种蓄电池寿命预测方法及其装置、存储介质 |
CN117031307B (zh) * | 2023-08-17 | 2024-08-02 | 广州汽车集团股份有限公司 | 一种蓄电池寿命预测方法及其装置、存储介质 |
CN117930028A (zh) * | 2024-03-21 | 2024-04-26 | 成都赛力斯科技有限公司 | 新能源车辆电池热失效的预测方法、系统、设备及介质 |
CN117930028B (zh) * | 2024-03-21 | 2024-05-17 | 成都赛力斯科技有限公司 | 新能源车辆电池热失效的预测方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115656857A (zh) | 一种锂离子电池剩余使用寿命的多尺度融合预测方法 | |
CN113343633B (zh) | 动力锂电池热失控故障分类及风险预测方法、系统 | |
Khan et al. | Batteries state of health estimation via efficient neural networks with multiple channel charging profiles | |
Gao et al. | Machine learning toward advanced energy storage devices and systems | |
CN107797067B (zh) | 一种基于深度学习的锂离子电池寿命迁移预测方法 | |
CN113109715B (zh) | 基于特征选择和支持向量回归的电池健康状况预测方法 | |
Fernández-Serantes et al. | Hybrid intelligent model to predict the SOC of a LFP power cell type | |
CN114545274A (zh) | 一种锂电池剩余寿命预测方法 | |
CN116068399A (zh) | 基于特征选择和时序注意力的锂电池健康状态估计方法 | |
CN112834927A (zh) | 锂电池剩余寿命预测方法、系统、设备及介质 | |
CN115508711B (zh) | 一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法 | |
CN116774086B (zh) | 一种基于多传感器数据融合的锂电池健康状态估计方法 | |
CN115409263A (zh) | 一种基于门控和注意力机制的锂电池剩余寿命预测方法 | |
CN114384435A (zh) | 一种基于wsa-lstm算法的新能源汽车动力电池剩余使用寿命自适应预测方法 | |
Liu et al. | State of health estimation of lithium-ion batteries based on multi-feature extraction and temporal convolutional network | |
CN117148197A (zh) | 一种基于集成Transformer模型的锂离子电池寿命预测方法 | |
CN115980584A (zh) | 基于多特征融合lstm网络的锂电池rul估计方法 | |
CN117494037A (zh) | 一种基于变权vae与双通道特征融合的变压器故障诊断方法 | |
CN115730525A (zh) | 一种轨道交通ups蓄电池健康状态预测方法 | |
Zhang et al. | Remaining useful life prediction of lithium-ion batteries based on TCN-DCN fusion model combined with IRRS filtering | |
Zhao et al. | State of Health Estimation of Electric Vehicle Batteries Using Transformer-Based Neural Network | |
CN117347866A (zh) | 一种基于Transformer组合模型的电池RUL预测方法 | |
CN115032544B (zh) | 数据不完备场景下的动力锂电池剩余寿命预测方法 | |
CN115808627A (zh) | 一种锂电池soh预测方法及装置 | |
Cui et al. | An Online State of Health Estimation Method for Lithium-Ion Battery Based on ICA and TPA-LSTM |
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 |