CN115754733A - 一种锂离子健康特征状态估计方法、系统、设备及介质 - Google Patents
一种锂离子健康特征状态估计方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN115754733A CN115754733A CN202211301076.9A CN202211301076A CN115754733A CN 115754733 A CN115754733 A CN 115754733A CN 202211301076 A CN202211301076 A CN 202211301076A CN 115754733 A CN115754733 A CN 115754733A
- Authority
- CN
- China
- Prior art keywords
- lithium ion
- voltage
- ion battery
- health
- interval
- 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
Images
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种锂离子电池健康特征状态估计方法,包括确定实车运行的锂离子电池,获得其离线测试时的放电容量,以及恒流充电状态的电压采样间隔时间和随循环老化的电压测试数据;根据离线测试充电电压平台选择不同电压区间宽度、不同电压起始位置的备选电压区间,并离线获得各自区间范围内的健康特征;将获得的健康特征输入到高斯过程回归模型中训练模型并获得预测误差,结合备选区间的大致预测时间选择合适的电压区间;电池实车运行时,将所选择的电压区间内测得的健康特征的值输入到高斯过程回归模型中进行在线测试并完成SOH在线预测。本发明容易提取健康特征,并且难度和计算量较低,能够保证在线SOH预测的精确性。
Description
技术领域
本发明涉及锂离子电池健康状态估计领域,特别是一种锂离子健康特征状态估计方法、系统、设备及介质。
背景技术
锂离子电池(LiB)由于其能量密度高、能效高、自放电率低、寿命长等优点现阶段被广泛应用。在电动汽车管理系统中,实时监控锂离子电池的健康状态(state-of-health,SOH)能准确反映出电池当前的容量,可及时做好维护或者更换工作,有效避免不安全行为。因此,对锂离子电池健康状态(SOH)的精确预测具有十分重要的意义。随着电池循环和日历老化,电池可用容量不断衰减,如下示意图所示,当锂离子动力电池循环老化至SOH≤80%时,默认电池处于生命终止(EOL)阶段,电池管理系统(BMS)会提醒用户应该更换电池。
关于健康特征的提取方法,先前的研究人员有很多实践。比如有在锂离子电池的放电过程中提取健康特征,但是由于实车运行过程中放电电压受负载变化影响较大,所以通常在充电过程中提取健康特征。而充电过程中提取的常见的健康特征中,等时间的电压间隔需要对离散的电压曲线进行拟合,容量增量(IC)曲线需要对进行平滑去噪处理。不难发现,许多健康特征的提取都依赖于复杂的数据预处理技术。这些技术无疑都大大增加了BMS系统的计算量。
综合而言,现有的健康特征提取实现SOH预测的局限性主要体现在以下几方面:1)SOH估计中,与实际SOH相关性较高的健康特征难以提取;2)健康特征的提取过于复杂,考虑到BMS系统的参数测量频率和精度的局限,无法应用到工程中;3)SOH估计算法对计算成本、技术条件要求太高,难以在工程中在线应用。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述和/或现有的健康特征提取实现SOH预测中存在的问题,提出了本发明。
因此,本发明所要解决的问题在于健康特征难以提取。
为解决上述技术问题,本发明提供如下技术方案:
第一方面,本发明实施例提供了一种锂离子电池健康特征状态估计方法,其包括,
确定实车运行的锂离子电池,获得其离线测试时的放电容量,以及恒流充电状态的电压采样间隔时间和随循环老化的电压测试数据;
根据离线测试充电电压平台选择不同电压区间宽度、不同电压起始位置的备选电压区间,并获得各自区间范围内的健康特征;
将获得的健康特征输入到高斯过程回归模型中训练模型并获得预测误差,结合健康特征间接反映出的区间预测时间选择最合适的电压区间;
将离线选择的电压区间输入到高斯过程回归模型中进行在线测试,电池实车运用测得健康特征的值并完成SOH在线预测。
其中,δ2为输出参数信号方差,l为特征长度尺度,输入的r表示xp、xq,可以是任意位置,具体表达式可以转换为:
其中,k(xp,xq)可以反映出模型输入的目标函数的距离远近。
作为本发明所述锂离子电池健康特征状态估计方法的一种优选方案,其中:所述高斯过程回归模型在观测值中引入高斯噪声ε,ε~N(0,σn 2)独立同分布,因此观测值为y=f(x)+ε,联合高斯分布下的噪声函数引入n维单位矩阵In的主对角线元素上,引入噪声后的协方差函数变为:
cov(y)=k(X,X)+σn 2In。
作为本发明所述锂离子电池健康特征状态估计方法的一种优选方案,其中:所述高斯过程回归模型通过训练历史数据将先验分布转换为后验模型,且过程中的任一随机变量的有限维子集都服从联合正态分布,因此训练集X、Y和测试集X*以及其对应的观测值Y*的联合先验分布为:
从先验分布得到的后验模型为:
协方差cov(Y*)=k(X*,X*)-k(X*,X)[k(X,X)+σn 2In]-1k(X,X*)。
作为本发明所述锂离子电池健康特征状态估计方法的一种优选方案,其中:所述高斯过程回归模型的输入采用交叉训练和预测。
作为本发明所述锂离子电池健康特征状态估计方法的一种优选方案,其中:所述高斯过程回归模型内部含有超参数,所有数据集输入下的模型协方差函数超参数都在0~5.0之间寻优,循环遍历的步长为0.1,最终模型的输出结果Y*为协方差函数超参数寻优结果中预测误差最小情况的。
作为本发明所述锂离子电池健康特征状态估计方法的一种优选方案,其中:所述完成SOH在线预测包括,
采用均方根误差(RMSE)作为衡量SOH预测误差大小的指标,具体定义式为:
第二方面,本发明实施例提供了一种锂离子电池健康特征状态估计系统,其包括:
检测模块,用于确定实车运行的锂离子电池,获得其离线测试时的放电容量,以及恒流充电状态的电压采样间隔时间和随循环老化的电压测试数据;
分析模块,用于均衡离线测试的SOH预测精度和电压区间的预测所需时间,确定该种电池合适的采样电压区间宽度和电压起始终止值;
建模模块,用于将离线选择的电压区间输入高斯过程回归(GPR)模型进行训练和在线测试,得到锂离子电池的SOH预测值。
第三方面,本发明实施例提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其中:所述处理器执行所述计算机程序时实现上述方法的任一步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其中:所述计算机程序被处理器执行时实现上述方法的任一步骤。
本发明有益效果为:
1.从锂离子电池恒流充电的过程中提取合适电压区间内的电压采样点,这对于电池管理系统的工作难度不大,明显地减小了BMS的工作量,具有方便简单的优势;
2.将合适电压区间内的电压采样点数目输入到高斯过程回归模型进行SOH在线预测,验证结果证明,这种健康特征具有良好的预测精度,对锂离子电池在合适的区间内提取的健康特征能够达到平均RMSE小于1%;
3.电池管理系统在恒流充电过程中的电压采样时间间隔容易调整,基于这一特征,除了健康特征容易提取之外,在对应电压区间内的预测时间也容易从采样点数目得到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为锂离子电池健康特征状态估计方法的流程图。
图2为等电压区间采样数健康特征的获取示意图。
图3~4为NASA数据集B0005、B0006和B0007电池的SOH在线预测结果。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1,为本发明第一个实施例,该实施例提供了一种锂离子电池健康特征状态估计方法,包括:
S100:确定实车运行的锂离子电池,获得其离线测试时的放电容量,以及恒流充电状态的电压采样间隔时间和随循环老化的电压测试数据。
S200:根据离线测试充电电压平台选择不同电压区间宽度、不同电压起始位置的备选电压区间,并获得各自区间范围内的健康特征。
S300:将获得的健康特征输入到高斯过程回归(GPR)模型中训练模型并获得预测误差,结合健康特征间接反映出的区间预测时间选择最合适的电压区间。
S400:将离线选择的电压区间输入到高斯过程回归模型中进行在线测试,电池实车运用测得健康特征的值并完成SOH在线预测。
应说明的是,GPR是典型的非参数模型,模型内部含有超参数,而超参数直接影响模型的性能优劣。对SE核函数协方差函数中的超参数进行寻优,常见的方法是通过最小化负对数似然(Negative Log Marginal Likelihood,NLML)函数来求解。由于输入GPR模型的是不同数据集下的锂离子电池健康特征和对应的容量,所以直接利用遍历寻优的方法。所有数据集输入下的模型协方差函数超参数都在0~5.0之间寻优,循环遍历的步长为0.1,最终模型的输出结果Y*也是协方差函数超参数寻优结果中预测误差最小情况的。本发明采用GPML的工具箱实现该算法。
应说明的是,GPR的非参数性对超参数寻优提供空间,而GPR的另一特点是它是基于贝叶斯框架下的模型,能够实现对数据的预测并给出预测值的置信区间,本发明给出对应预测值95%置信区间值,帮助分析预测准确性和可行性。
应说明的是,高斯过程(GP)是一种有监督学习过程,用于学习历史数据寻找输入与输出的映射关系,高斯过程就是服从联合高斯分布的随机变量的集合,函数可以表示为:
f~GP(m,k)
其中,f是高斯分布函数,其均值为m,协方差为k。
进一步的,高斯过程回归(GPR)属于高斯过程(GP)的回归问题,是一种基于贝叶斯框架下的非线性预测方法,它可以通过训练历史数据将先验分布转换为后验模型。该模型在工程中广泛应用于过程控制、风力光伏出力预测、时间序列预测等领域。GPR依赖于核函数的选择代替非线性映射的内积,将非线性模型转换为线性模型。此外,GPR作为非参数概率模型,预测结果中还包含了预测值的置信区间,获得具有不确定性表达的预测结果。
假设输入的向量为x,则在贝叶斯框架下,对应的输入目标向量为:
f(x)~GP(m(x),k(x,x′))
其中
m(x)=E[(f(x)]
k(x,x′)=E[(f(x)-m(x))(f(x′)-m(x′))T]
本实施例中的GPR核函数选择平方指数协方差函数(SE),其协方差函数为:
式中,δ2为输出参数信号方差,l为特征长度尺度。而高斯过程函数的均值一般预处理为0。对于上面的无穷可微协方差函数,输入的r表示xp、xq,它们可以是任意位置,具体表达式可以转换为:
其中,k(xp,xq)可以反映出模型输入的目标函数的距离远近。k(xp,xq)越大,表示两个函数越来越接近;k(xp,xq)越趋近于0,表示两个函数越来越远。
但是,实际模型会受到系统噪声等影响,因此在观测值中引入高斯噪声ε,ε~N(0,σn 2)独立同分布。所以观测值为y=f(x)+ε,联合高斯分布下的噪声函数引入n维单位矩阵In的主对角线元素上,所以引入噪声后的协方差函数变为:
cov(y)=k(X,X)
+σn 2In
高斯过程是一个随机过程,其中任一随机变量的有限维子集都服从联合正态分布,所以训练集X、Y和测试集X*以及其对应的观测值Y*的联合先验分布为:
从先验分布得到的后验模型为:
其中,
协方差cov(Y*)=k(X*,X*)-k(X*,X)[k(X,X)+σn 2In]-1k(X,X*)
应说明的是,GPR是针对同一种类电池不同型号见的交叉测试。交叉验证过程强调数据样本的兼容性,同一种电池有相同的测试环境,其电池容量衰退和充放电过程理论上保持一致,但是由于电池的不一致性也存在于电池内部和外部测试的细微差别,所以同一数据集下的电池仍然有容量衰减和测试数据的不一致之处。
进一步的,采用均方根误差(RMSE)作为衡量SOH预测误差大小的指标,以下是三个衡量指标的定义式:
进一步的,本实施例还提供一种锂离子电池健康特征状态估计系统,包括:
检测模块,用于确定实车运行的锂离子电池,获得其离线测试时的放电容量,以及恒流充电状态的电压采样间隔时间和随循环老化的电压测试数据;
分析模块,用于均衡离线测试的SOH预测精度和电压区间的预测所需时间,确定该种电池合适的采样电压区间宽度和电压起始终止值;
建模模块,用于将离线选择的电压区间输入高斯过程回归(GPR)模型进行训练和在线测试,得到锂离子电池的SOH预测值。
本实施例还提供一种计算机设备,适用于锂离子电池健康特征状态估计方法的情况,包括:
存储器和处理器;存储器用于存储计算机可执行指令,处理器用于执行计算机可执行指令,实现如上述实施例提出的电力台区户变关系识别方法。
该计算机设备可以是终端,该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本实施例还提供一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例提出的实现锂离子电池健康特征状态估计方法。
本实施例提出的存储介质与上述实施例提出的数据存储方法属于同一发明构思,未在本实施例中详尽描述的技术细节可参见上述实施例,并且本实施例与上述实施例具有相同的有益效果。
实施例2
参照图2~4,为本发明第二个实施例,该实施例提供了一种锂离子电池健康特征状态估计方法,为了验证本发明的有益效果,通过NASA Ames卓越预测中心(PCoE)公布的锂离子电池数据集对本发明提出的方法进行了验证。
本实施例中选取的电池有:NASA(B0005、B0006、B0007)。每个数据集电池的放电容量测试值、恒流充电过程中的端电压测试值。
其中,S200中的备选电压区间的选取结果如下:
NASA数据集的备选电压区间宽度为:0.01V、0.02V、0.05V、0.10V。
备选的电压区间为:
表1 NASA数据集备选电压区间
进一步的,NASA数据集的离线电压选择和在线SOH预测结果如下:
从NASA数据集SOH预测的RMSE雷达图(图3a)可以离线初步选择不同电压宽度最佳的电压区间分别为:3.98-3.99V、3.96-3.98V、3.90-3.95V、3.90-4.00V。
NASA数据集循环数共提取了165次。其中预测精度最高的是3.90-4.00V对应的EVRSCN,其带有置信区间的SOH预测效果如图(3b)。可以看出,NASA数据集利用EVRSCN进行GPR交叉训练测试的SOH结果中,各电池RMSE预测均值都<2%,所有的实际SOH都在预测SOH的95%置信区间范围内,因此具有较高的预测精度。
具体估计精度效果可以参见图3~4。
从预测结果可以看出,选择符合实际运行工况的合适电压采样区间对锂离子电池在线健康状态估计具有正面意义。所采用的GPR交叉测试也是为了充分考虑电池不同型号之间的不一致性,而超参数遍历寻优也能够最大程度上保证GPR模型预测的准确性。由此可以看出,健康特征的提取和SOH的估计,实现难度和计算量较低、能够保证在线SOH预测的精确性,并且具有广泛的适应性。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种锂离子电池健康特征状态估计方法,其特征在于:包括,
确定实车运行的锂离子电池,获得其离线测试时的放电容量,以及恒流充电状态的电压采样间隔时间和随循环老化的电压测试数据;
根据离线测试充电电压平台选择不同电压区间宽度、不同电压起始位置的备选电压区间,并离线获得各自区间范围内的健康特征;
将获得的健康特征输入到高斯过程回归模型中训练模型并获得预测误差,结合备选区间的大致预测时间选择合适的电压区间;
电池实车运行时,将所选择的电压区间内测得的健康特征的值输入到高斯过程回归模型中进行在线测试并完成SOH在线预测。
3.如权利要求2所述的锂离子电池健康特征状态估计方法,其特征在于:所述高斯过程回归模型在观测值中引入高斯噪声ε,ε~N(0,σn 2)独立同分布,因此观测值为y=f(x)+ε,联合高斯分布下的噪声函数引入n维单位矩阵In的主对角线元素上,引入噪声后的协方差函数变为:
cov(y)=k(X,X)+σn 2In
其中X表示训练集向量。
5.如权利要求4所述的锂离子电池健康特征状态估计方法,其特征在于:所述高斯过程回归模型的输入采用交叉训练和估计。
6.如权利要求5所述的锂离子电池健康特征状态估计方法,其特征在于:所述高斯过程回归模型内部含有超参数,所有数据集输入下的模型协方差函数超参数都在0~5.0之间寻优,循环遍历的步长为0.1,最终模型的输出结果Y*为协方差函数超参数寻优结果中预测误差最小的情况。
8.一种锂离子电池健康特征状态估计系统,基于权利要求1~7所述的锂离子电池健康特征状态估计方法,其特征在于:包括,
检测模块,用于确定实车运行的锂离子电池,获得其离线测试时的放电容量,以及恒流充电状态的电压采样间隔时间和随循环老化的电压测试数据;
分析模块,用于均衡离线测试的SOH预测精度和电压区间的预测所需时间,确定该种电池合适的采样电压区间宽度和电压起始终止值;
建模模块,用于将离线选择的电压区间输入高斯过程回归(GPR)模型进行训练和在线测试,得到锂离子电池的SOH估计值。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于:所述处理器执行所述计算机程序时实现权利要求1~7任一所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现权利要求1~7任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211301076.9A CN115754733A (zh) | 2022-10-24 | 2022-10-24 | 一种锂离子健康特征状态估计方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211301076.9A CN115754733A (zh) | 2022-10-24 | 2022-10-24 | 一种锂离子健康特征状态估计方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115754733A true CN115754733A (zh) | 2023-03-07 |
Family
ID=85352787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211301076.9A Pending CN115754733A (zh) | 2022-10-24 | 2022-10-24 | 一种锂离子健康特征状态估计方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115754733A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116626526A (zh) * | 2023-07-24 | 2023-08-22 | 宁德时代新能源科技股份有限公司 | 电池健康状态的检测方法、装置、终端及存储介质 |
-
2022
- 2022-10-24 CN CN202211301076.9A patent/CN115754733A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116626526A (zh) * | 2023-07-24 | 2023-08-22 | 宁德时代新能源科技股份有限公司 | 电池健康状态的检测方法、装置、终端及存储介质 |
CN116626526B (zh) * | 2023-07-24 | 2023-12-22 | 宁德时代新能源科技股份有限公司 | 电池健康状态的检测方法、装置、终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Improved anti-noise adaptive long short-term memory neural network modeling for the robust remaining useful life prediction of lithium-ion batteries | |
Che et al. | State of health prognostics for series battery packs: A universal deep learning method | |
Wei et al. | Remaining useful life prediction and state of health diagnosis for lithium-ion batteries using particle filter and support vector regression | |
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 | |
Shi et al. | Battery health management using physics-informed machine learning: Online degradation modeling and remaining useful life prediction | |
CN113805064B (zh) | 基于深度学习的锂离子电池组健康状态预测方法 | |
CN107870306A (zh) | 一种基于深度神经网络下的锂电池荷电状态预测算法 | |
CN103389471B (zh) | 一种基于gpr带有不确定区间的锂离子电池循环寿命间接预测方法 | |
Su et al. | Fast capacity estimation for lithium-ion battery based on online identification of low-frequency electrochemical impedance spectroscopy and Gaussian process regression | |
Sun et al. | A sequential capacity estimation for the lithium-ion batteries combining incremental capacity curve and discrete Arrhenius fading model | |
Wang et al. | Multiple indicators-based health diagnostics and prognostics for energy storage technologies using fuzzy comprehensive evaluation and improved multivariate grey model | |
Guo et al. | State-of-health estimation for lithium-ion batteries based on historical dependency of charging data and ensemble SVR | |
US20220099743A1 (en) | Method and Apparatus for Operating a System for Providing Predicted States of Health of Electrical Energy Stores for a Device Using Machine Learning Methods | |
CN104569844A (zh) | 阀控密封式铅酸蓄电池健康状态监测方法 | |
Anton et al. | A new predictive model for the state-of-charge of a high-power lithium-ion cell based on a PSO-optimized multivariate adaptive regression spline approach | |
CN103424712A (zh) | 基于粒子群优化的电池剩余容量在线测量方法 | |
CN114545262A (zh) | 一种针对损失数据的锂离子电池参数辨识及soc估计方法 | |
Wu et al. | Cloud-to-edge based state of health estimation method for Lithium-ion battery in distributed energy storage system | |
CN115754733A (zh) | 一种锂离子健康特征状态估计方法、系统、设备及介质 | |
Li et al. | A hybrid framework for predicting the remaining useful life of battery using Gaussian process regression | |
CN116381494A (zh) | 电池最大可用容量预测方法、装置、电子设备及存储介质 | |
Zhang et al. | Lithium-ion battery calendar aging mechanism analysis and impedance-based State-of-Health estimation method | |
CN114280490B (zh) | 一种锂离子电池荷电状态估计方法及系统 | |
Meng et al. | A power model considering initial battery state for remaining useful life prediction of lithium-ion batteries | |
CN113312807B (zh) | 一种基于锂电池性能模拟环境的电解液配方推荐方法 |
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 |