CN116031453A - 一种质子交换膜燃料电池特征频率阻抗在线估计方法 - Google Patents
一种质子交换膜燃料电池特征频率阻抗在线估计方法 Download PDFInfo
- Publication number
- CN116031453A CN116031453A CN202211740608.9A CN202211740608A CN116031453A CN 116031453 A CN116031453 A CN 116031453A CN 202211740608 A CN202211740608 A CN 202211740608A CN 116031453 A CN116031453 A CN 116031453A
- Authority
- CN
- China
- Prior art keywords
- frequency impedance
- characteristic frequency
- fuel cell
- training
- exchange membrane
- 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
- 239000000446 fuel Substances 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000012528 membrane Substances 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000012360 testing method Methods 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000002474 experimental method Methods 0.000 claims abstract description 8
- 238000004519 manufacturing process Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 abstract description 9
- 230000008859 change Effects 0.000 abstract description 3
- 238000004904 shortening Methods 0.000 abstract 1
- 210000004027 cell Anatomy 0.000 description 35
- 239000010410 layer Substances 0.000 description 33
- 238000003745 diagnosis Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000001453 impedance spectrum Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 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
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000012792 core layer Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- Y02E60/30—Hydrogen technology
- Y02E60/50—Fuel cells
Landscapes
- Fuel Cell (AREA)
Abstract
本发明涉及一种质子交换膜燃料电池特征频率阻抗在线估计方法，包括：通过实验获取用于描述燃料电池特征频率阻抗的原始数据集；利用滑动窗口算法，对原始数据集进行处理，制作得到新数据集；将新数据集划分为训练集和测试集，并进行标准化处理，构建卷积残差神经网络，通过设置训练参数、使用训练集对模型进行训练；将测试集输入已训练完成的模型，对特征频率阻抗进行在线估计，并计算对应精度。与现有技术相比，本发明基于卷积神经网络，将整个时间序列作为网络输入，依靠神经网络算法进行在线的阻抗估计，不仅能够有效缩短在线估计阻抗用时，同时能够学习电池内部阻抗在不同工况下的变化，实时地进行高精度的估计。
Description
技术领域
本发明涉及燃料电池技术领域，尤其是涉及一种质子交换膜燃料电池特征频率阻抗在线估计方法。
背景技术
燃料电池汽车是以燃料电池系统作为单一动力源、或者是以燃料电池系统与可充电储能系统作为混合动力源的电动汽车。燃料电池是新能源革命的重要领域，将成为未来构建绿色、高效、安全新能源系统的关键支柱，也是汽车产业转型发展的重要方向，而其发展受限于电池的使用寿命。目前主要利用高频和低频阻抗，以进行燃料电池诊断：高频阻抗能够表征膜水含量，主要是用于反映膜干故障；低频阻抗表征电荷传递损失，主要是为了给解决缺气和水淹做基础。如果在燃料电池运行过程中能够实现在线燃料电池内部状态估计和反馈，以对电池进行合理控制，就能够防止其出现膜干、水淹、缺气等故障，进而提升其使用寿命、促进燃料电池的大规模商业化应用。
现有研究中，中国专利CN202110789795.9通过电化学阻抗谱特定频率所对应的实部虚部值以及燃料电池内阻模型，结合主成分分析和K-means聚类方法的方法，计算饥饿故障诊断的指标参数。但是该方法无法实现在线计算，依靠聚类中心位置的对比进行诊断，精度不高。
中国专利CN202210685329.0利用快速电化学阻抗谱方法得到不同工作状态下的质子交换膜燃料电池的阻抗谱，利用基于线性判别分析的分类模型选择阻抗谱的两个频率并记为特征频率，可是实现在线状态监测。但该方案在线监测时仍然采用硬件进行EIS测试，实时性不高。
此外，中国专利CN202210932056.5采用K-means聚类进行特征提取，利用神经网络的进行燃料电池各类故障状态进行诊断。但是燃料电池的故障是一个累计效应，仅仅通过当前传感器信息进行诊断，诊断结果不全面。
中国专利CN202210236433.1则通过分析质子交换膜燃料电池的内部机理，选定等效电路模型中4个变量作为水淹故障诊断的特征量，采用BP神经网络对故障进行分类。但是等效电路本身存在拟合精度的问题，模型输入较少，预测精度不高，且同样没有考虑时间累计效应。
综上所述，目前亟需一种准确性更好、实时性更高的燃料电池特征频率阻抗估计方法，以此对电池内部状态进行监测。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种质子交换膜燃料电池特征频率阻抗在线估计方法，能够高效、准确、实时地在线估计燃料电池特征频率阻抗。
本发明的目的可以通过以下技术方案来实现：一种质子交换膜燃料电池特征频率阻抗在线估计方法，包括以下步骤：
S1、通过实验获取用于描述燃料电池特征频率阻抗的原始数据集；
S2、利用滑动窗口算法，对原始数据集进行处理，制作得到新数据集；
S3、将新数据集划分为训练集和测试集，并进行标准化处理，构建卷积残差神经网络，通过设置训练参数、使用训练集对模型进行训练；
S4、将测试集输入已训练完成的模型，对特征频率阻抗进行在线估计，并计算对应精度。
进一步地，所述步骤S1具体是通过多次台架实验以获取原始数据集。
进一步地，所述步骤S1中原始数据集包括模型输入数据和模型输出数据，所述模型输入数据具体为车载燃料电池的输出电流、输出电压、电池温度、阳极露点温度、阴极露点温度、阴极空气计量比、阳极气压、阴极气压；
所述模型输出数据具体为2500Hz的高频阻抗实部和10Hz的低频阻抗实部。
进一步地，所述步骤S2具体是利用滑动窗口算法对原始数据集进行清洗处理，以除去不利于后期训练的边界数据。
进一步地，所述步骤S2具体包括以下步骤：
S21、设置窗口宽度；
S22、将窗口内的全部信号作为整体作为网络输入，该窗口最后一个时刻的特征频率阻抗作为输出，以此构成一条完整的数据；
S23、将窗口向后移动一个单位，重复步骤S22；
S24、将所有数据组合成为一个全新的数据集。
进一步地，所述步骤S3中标准化处理的具体过程为：首先对训练集进行标准化，再利用标准化参数对测试集标准化。
进一步地，所述步骤S3中标准化处理的计算公式具体为：
其中，xi是原始数据序列，i是第i个采样点，m是所有采样点的个数，μB是均值，σB是方差，
是标准化后的序列。
进一步地，所述步骤S3中构建的卷积残差神经网络包括卷积层、池化层、激活层、捷径、批量标准化层、dropout层和全连接层；
所述设置的训练参数包括但不限于学习率、训练次数、批次大小、梯度阈值。
进一步地，所述步骤S4具体是将测试集输入已训练完成的模型，对特征频率阻抗进行在线估计，分别得到高频阻抗和低频阻抗的序列，之后根据相对误差均方根误差、平均相对误差和相对误差三个评价指标，对在线估计结果的精度进行计算。
进一步地，所述相对误差均方根误差的计算公式为：
所述平均相对误差的计算公式为：
所述相对误差的计算公式为：
其中，yi是实际特征频率阻抗序列，
是估计的特征频率阻抗序列。
与现有技术相比，本发明提出一种基于卷积残差神经网络的质子交换膜燃料电池特征频率阻抗估计方法，首先通过实验获取用于描述燃料电池特征频率阻抗的原始数据集；其次，利用滑动窗口算法对原始数据集进行处理，制作新数据集；然后，划分训练集和测试集、标准化处理，构建卷积残差神经网络、设置训练参数，使用训练集对模型进行训练；最后将测试集输入已训练完成的模型，对特征频率阻抗进行在线估计，并计算其精度。本发明不需要建立复杂的或者经验的燃料电池阻抗机理模型，也不需要复杂硬件作为辅助，完全依靠神经网络算法实现在线的阻抗估计，在线估计阻抗用时短，能够学习电池内部阻抗在不同工况下的变化，并在线实时地进行高精度的估计。
本发明考虑到内部状态的变化与时间的累积效应相关，因此使用卷积神经网络将整个时间序列作为网络输入，由此确保状态估计的精度更高。
本发明在获取原始数据集时，选取的网络输入是现阶段车载燃料电池常用传感器可采集的数据，具有测量成本低的优点，便于在车载燃料电池系统中实现。
附图说明
图1为本发明的方法流程图；
图2a～2d为实施例中阻抗特征实验所用的两种不同电流模式示例；
图3为本发明滑动窗口算法流程图；
图4为本发明特征频率阻抗估计框架图；
图5为本发明卷积残差网络结构图；
图6为本发明卷积操作示意图；
图7为本发明捷径结构示意图；
图8为本发明全连接层示意图；
图9a和9b为实施例中高频阻抗估计结果图；
图10a和10b为实施例中低频阻抗估计结果图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1所示，一种质子交换膜燃料电池特征频率阻抗在线估计方法，包括以下步骤：
S1、通过实验获取用于描述燃料电池特征频率阻抗的原始数据集；
S2、利用滑动窗口算法对原始数据集进行处理，制作新数据集；
S3、划分训练集和测试集、标准化处理；构建卷积残差神经网络、设置训练参数，使用训练集对模型进行训练；
S4、将测试集输入已训练完成的模型，对特征频率阻抗进行在线估计，并计算其精度。
本实施例应用上述技术方案，主要包括：
一、通过实验获取用于描述燃料电池特征频率阻抗的数据集。
在此过程中，通过大量台架试验获取大量原始数据，对所有传感器数据进行分析，选择车载燃料电池最为常用、测量成本较低的信号作为模型输入，同时确定特征频率为2500Hz和10Hz，即以2500Hz的高频阻抗实部和10Hz的低频阻抗实部作为模型的输出，也就是作为内部状态辨识的指标。
本实施例中，以Yangtze Energy Technologies公司生产的商用膜电极的台架实验为例，四组电流输入，其中两组用于高频阻抗(2500Hz)估计，两组用于低频阻抗(10Hz)估计。每一种阻抗估计又分为两组电流类型：短序列阶梯增长电流、长序列电流，如图2a～2d所示。短序列阶梯增长电流的特点是数据量较多，电流随时间变化更快速；而长序列电流只有一组这样的数据，电流变化相对较慢，时间较长。此外，本实施例还选择了车载燃料电池最为常用、测量成本较低的8个信号作为卷积残差网络输入，分别是输出电流、输出电压、电池温度、阳极露点温度、阴极露点温度、阴极空气计量比、阳极气压、阴极气压，以此构成原始的数据集。
二、利用滑动窗口算法对原始数据集进行处理(除去一些不利于训练的边界数据)，制作新数据集。
首先对原始数据进行滑动窗口处理，就是将时间累计效应的思想加入网络估计，把需要估计的某一时刻前一段时间内的全部信号作为一个整体，使原本单一的信号的关系变为信号关于时间序列的集合，使得网络可以根据使历史信息对结果进行估计，使结果更加准确，算法具体操作如图3所示，具体步骤如下：
1)设置一个宽度为w的窗口。
2)将窗口内的全部信号作为整体作为网络输入，该窗口最后一个时刻的特征频率阻抗作为输出，以此构成一条完整的数据。
3)将窗口向后移动一个单位，重复2)的内容
4)将所有数据组合成为一个全新的数据集。
三、划分训练集和测试集，标准化处理，构建卷积残差神经网络，设置训练参数，使用训练集对模型进行训练，具体操作如图4所示，具体步骤如下：
1)对新的数据集随机划分为训练集和测试集，训练集用于训练网络，测试集用于对网络进行测试和评价。
2)对训练集进行标准化，以此提高网络的收敛速度和训练精度。由于测试集使先验未知的，但同样也需要进行标准化，因此使用训练集的标准化参数对其进行标准化。其中标准化的方法包含以下几个公式：
其中，xi是原始数据序列，i是第i个采样点，m是所有采样点的个数，μB是均值，σB是方差，
是标准化后的序列。
3)搭建残差神经网络，其中主要有卷积层、池化层、激活层、捷径、批量标准化层、dropout层和全连接层组成，卷积残差网络的结构如图5所示，并且设置每一层的参数。
4)设置网络的训练参数，包括学习率、训练次数、批次大小、梯度阈值等。采用均方误差作为损失函数，选择Adam算法对网络进行训练，不断优化迭代，保存最优网络。
至此，完成模型的训练过程。其中使用的卷积残差网络如图5所示，下面介绍搭建网络的每一层：
1)卷积层主要操作如图6所示。卷积层是构造卷积神经网络的核心层，它的功能是对包含多个卷积核的输入数据执行特征提取，对于一维卷积而言，如果卷积层的输入可以表示成：
x1:n＝[x1,x2,…,xn]′
则卷积层的输出为：
ci＝wxi:i+h-1+b
其中，w和b分别是卷积的权重和偏差。
2)池化层的本质是子采样。它被夹在连续卷积层之间，以压缩数据量和参数并减少过度拟合。
3)激活层的功能是非线性映射卷积层的输出以近似任何非线性模型。卷积神经网络使用的激活函数通常是下式中的校正线性单元(ReLU)，其特征在于快速收敛和简单的梯度计算。
其中，f(x)是输出，x是输入。
4)shortcut也就是捷径，是残差网络的核心，其结构如图7所示。与普通卷积神经网络相比，残差网络增加了捷径shortcut，其功能是将前一层直接添加到后一层，以避免前一层网络的数据在传输过程中丢失，提高网络的估计精度，公式如下所示：
xl+1＝xl+F(xl,Wl)
5)批量标准化层作用是在卷积层之间的每一批次的数据进行一次标准化，它不仅可以加快模型的收敛速度，而且在一定程度上缓解了深度网络中的“梯度分散”问题，从而使深度网络模型的训练更容易、更稳定。其公式如下所示：
其中，μB和
分别为平均值和方差值，ε是防止被零除的无穷小值，xi和yi输入和输出，γ和β是该层学习的参数，以恢复在某个前一层学习的特性，m是当前批次中的样本数。
6)dropout层的功能是在每次训练中随机丢弃一部分神经元，以此达到提升网络泛化能力的目的。
7)全连接层是两层之间的所有神经元都有权重和偏移连接，通常位于卷积神经网络的末端，如图8所示。
四、将测试集输入已训练完成的模型，对特征频率阻抗进行在线估计，评价其精度。
如图4所示，将测试集输入网络，对特征频率阻抗分别进行估计，分别得到高频阻抗和低频阻抗的序列。对其精度进行评价，主要的评价指标有相对误差均方根误差(RMSE)、平均相对误差(MAPE)和相对误差(error)。
其中，yi是实际特征频率阻抗序列，
是估计的特征频率阻抗序列。
为验证本发明方法的有效性，本实施例还采用不同算法对高频和低频阻抗进行估计，对比结果如图9a、9b、10a、10b和表1所示，其中BP是人工神经网络，SVR是支持向量机回归算法，1-CNN是一维卷积神经网络，2-CNN是二维卷积神经网络，LSTM表示长短期记忆网络，ResNet是本发明使用的卷积残差网络。可以看出，本发明使用的卷积残差网络(ResNet)的估计精度远远好于传统机器学习方法SVR和BP，相比1-CNN和2-CNN表现得也更为优秀，略高于深度学习中专门用于解决时序问题的LSTM网络。而且相比于LSTM，ResNet不管是离线训练用时，还是在线估计用时都要远远好于LSTM，因为网络结构较为简单，这表明本发明提出的方法非常适合在线应用，而且适用于未来大量商用车的数据样本。
表1 不同算法对特征频率阻抗的估计结果对比
Claims (10)
1.一种质子交换膜燃料电池特征频率阻抗在线估计方法，其特征在于，包括以下步骤：
S1、通过实验获取用于描述燃料电池特征频率阻抗的原始数据集；
S2、利用滑动窗口算法，对原始数据集进行处理，制作得到新数据集；
S3、将新数据集划分为训练集和测试集，并进行标准化处理，构建卷积残差神经网络，通过设置训练参数、使用训练集对模型进行训练；
S4、将测试集输入已训练完成的模型，对特征频率阻抗进行在线估计，并计算对应精度。
2.根据权利要求1所述的一种质子交换膜燃料电池特征频率阻抗在线估计方法，其特征在于，所述步骤S1具体是通过多次台架实验以获取原始数据集。
3.根据权利要求2所述的一种质子交换膜燃料电池特征频率阻抗在线估计方法，其特征在于，所述步骤S1中原始数据集包括模型输入数据和模型输出数据，所述模型输入数据具体为车载燃料电池的输出电流、输出电压、电池温度、阳极露点温度、阴极露点温度、阴极空气计量比、阳极气压、阴极气压；
所述模型输出数据具体为2500Hz的高频阻抗实部和10Hz的低频阻抗实部。
4.根据权利要求1所述的一种质子交换膜燃料电池特征频率阻抗在线估计方法，其特征在于，所述步骤S2具体是利用滑动窗口算法对原始数据集进行清洗处理，以除去不利于后期训练的边界数据。
5.根据权利要求4所述的一种质子交换膜燃料电池特征频率阻抗在线估计方法，其特征在于，所述步骤S2具体包括以下步骤：
S21、设置窗口宽度；
S22、将窗口内的全部信号作为整体作为网络输入，该窗口最后一个时刻的特征频率阻抗作为输出，以此构成一条完整的数据；
S23、将窗口向后移动一个单位，重复步骤S22；
S24、将所有数据组合成为一个全新的数据集。
6.根据权利要求1所述的一种质子交换膜燃料电池特征频率阻抗在线估计方法，其特征在于，所述步骤S3中标准化处理的具体过程为：首先对训练集进行标准化，再利用标准化参数对测试集标准化。
7.根据权利要求6所述的一种质子交换膜燃料电池特征频率阻抗在线估计方法，其特征在于，所述步骤S3中标准化处理的计算公式具体为：
其中，xi是原始数据序列，i是第i个采样点，m是所有采样点的个数，μB是均值，σB是方差，
是标准化后的序列。
8.根据权利要求1所述的一种质子交换膜燃料电池特征频率阻抗在线估计方法，其特征在于，所述步骤S3中构建的卷积残差神经网络包括卷积层、池化层、激活层、捷径、批量标准化层、dropout层和全连接层；
所述设置的训练参数包括但不限于学习率、训练次数、批次大小、梯度阈值。
9.根据权利要求1所述的一种质子交换膜燃料电池特征频率阻抗在线估计方法，其特征在于，所述步骤S4具体是将测试集输入已训练完成的模型，对特征频率阻抗进行在线估计，分别得到高频阻抗和低频阻抗的序列，之后根据相对误差均方根误差、平均相对误差和相对误差三个评价指标，对在线估计结果的精度进行计算。
10.根据权利要求9所述的一种质子交换膜燃料电池特征频率阻抗在线估计方法，其特征在于，所述相对误差均方根误差的计算公式为：
所述平均相对误差的计算公式为：
所述相对误差的计算公式为：
其中，yi是实际特征频率阻抗序列，
是估计的特征频率阻抗序列。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211740608.9A CN116031453A (zh) | 2022-12-30 | 2022-12-30 | 一种质子交换膜燃料电池特征频率阻抗在线估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211740608.9A CN116031453A (zh) | 2022-12-30 | 2022-12-30 | 一种质子交换膜燃料电池特征频率阻抗在线估计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116031453A true CN116031453A (zh) | 2023-04-28 |
Family
ID=86078871
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211740608.9A Pending CN116031453A (zh) | 2022-12-30 | 2022-12-30 | 一种质子交换膜燃料电池特征频率阻抗在线估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116031453A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117725393A (zh) * | 2024-02-07 | 2024-03-19 | 国网四川省电力公司电力科学研究院 | 一种低压电弧故障识别方法、装置、设备及存储介质 |
-
2022
- 2022-12-30 CN CN202211740608.9A patent/CN116031453A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117725393A (zh) * | 2024-02-07 | 2024-03-19 | 国网四川省电力公司电力科学研究院 | 一种低压电弧故障识别方法、装置、设备及存储介质 |
| CN117725393B (zh) * | 2024-02-07 | 2024-05-07 | 国网四川省电力公司电力科学研究院 | 一种低压电弧故障识别方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113009349B (zh) | 一种基于深度学习模型的锂离子电池健康状态诊断方法 | |
| CN111323719A (zh) | 一种电动汽车动力电池组健康状态在线确定方法和系统 | |
| CN111948560A (zh) | 基于多因子评估模型的锂电池健康状态估算方法 | |
| CN112904219B (zh) | 一种基于大数据的动力电池健康状态的预测方法 | |
| CN110703114B (zh) | 一种基于电-热-神经网络耦合模型的动力电池soc和sot联合状态估计方法 | |
| CN104396073A (zh) | 用于确定燃料电池组中的临界操作状态的方法 | |
| CN113740736A (zh) | 一种基于深度网络自适应的电动汽车锂电池soh估算方法 | |
| CN110941929A (zh) | 一种基于ARMA和Elman神经网络联合建模的电池健康状态评估方法 | |
| CN113484774B (zh) | 一种基于温度校准和神经网络的锂电池组容量估计方法 | |
| CN112051511A (zh) | 基于多通道技术的动力电池健康状态的估计方法及系统 | |
| CN109239602B (zh) | 一种动力电池的欧姆内阻的估算方法 | |
| CN111983459B (zh) | 一种基于车用锂离子电池的健康状态测试评估方法 | |
| CN112684363A (zh) | 一种基于放电过程的锂离子电池健康状态估计方法 | |
| CN116609676B (zh) | 一种基于大数据处理的混合储能电池状态监控方法及系统 | |
| CN116609686B (zh) | 一种基于云平台大数据的电芯一致性评估方法 | |
| CN114280490B (zh) | 一种锂离子电池荷电状态估计方法及系统 | |
| CN113359037A (zh) | 基于bp神经网络的燃料电池故障诊断方法 | |
| CN116699434A (zh) | 一种基于阻抗谱弛豫时间分布的燃料电池寿命预测方法 | |
| CN112069741A (zh) | 燃料电池电堆暂态老化预测方法、装置、设备及储存介质 | |
| CN116031453A (zh) | 一种质子交换膜燃料电池特征频率阻抗在线估计方法 | |
| CN116224085A (zh) | 一种基于数据驱动的锂电池健康状态评估方法 | |
| CN116359742A (zh) | 基于深度学习组合扩展卡尔曼滤波的储能电池荷电状态在线估计方法及系统 | |
| CN114325433A (zh) | 基于电化学阻抗谱测试的锂离子电池故障检测方法和系统 | |
| CN117457949A (zh) | 一种基于电化学阻抗谱的燃料电池水故障诊断方法及系统 | |
| CN115684941A (zh) | 一种锂离子电池组容量估计方法和系统 |
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 |