CN116047314A - 一种可充电电池健康状态预测方法 - Google Patents
一种可充电电池健康状态预测方法 Download PDFInfo
- Publication number
- CN116047314A CN116047314A CN202310331090.1A CN202310331090A CN116047314A CN 116047314 A CN116047314 A CN 116047314A CN 202310331090 A CN202310331090 A CN 202310331090A CN 116047314 A CN116047314 A CN 116047314A
- Authority
- CN
- China
- Prior art keywords
- battery
- graph
- neural network
- data
- state
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000036541 health Effects 0.000 title claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 claims abstract description 71
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 29
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims description 27
- 229910001416 lithium ion Inorganic materials 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000005259 measurement Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 16
- 238000007599 discharging Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000007600 charging Methods 0.000 claims description 11
- 230000000306 recurrent effect Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000010280 constant potential charging Methods 0.000 claims description 3
- 230000015654 memory Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000010277 constant-current charging Methods 0.000 claims 1
- 230000009467 reduction Effects 0.000 claims 1
- 238000013507 mapping Methods 0.000 abstract description 2
- 230000015556 catabolic process Effects 0.000 description 5
- 238000006731 degradation reaction Methods 0.000 description 5
- 238000005096 rolling process Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000003487 electrochemical reaction Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000032953 Device battery issue Diseases 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009831 deintercalation Methods 0.000 description 1
- 239000007772 electrode material Substances 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000009830 intercalation Methods 0.000 description 1
- 230000002687 intercalation Effects 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- 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
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
一种可充电电池健康状态预测方法，属于电池健康状态管理技术领域，通过获取对电池的充放电过程测量数据及健康状态，采用图神经网络和循环神经网络构建图卷积循环神经网络层，其中图神经网络模块处理提取出测量信号之间的物理关系特征，循环神经网络提取时间序列中的时间特征，建立数据与健康状态之间的映射关系，从而达到预测健康状态的目的。本公开能够对可充电电池的健康状态进行预测，实现对可充电电池的寿命预测和管理，为用电设备和用电系统的安全管理提供支撑。
Description
技术领域
本发明属于电池健康状态管理技术领域，具体涉及一种基于图神经网络的可充电电池健康估计方法。
背景技术
目前，可充电锂离子电池具有重量轻、能量密度高、性能好和寿命长的特点，成为了当今电池的支柱，被广泛应用于电子产品、动力和储能等领域。但是，随着锂离子电池的反复充放电使用，电池不可避免地老化导致性能下降。锂离子电池性能下降的主要原因是由于锂离子嵌入、脱出过程中产生的应力使电极变形和断裂，造成短路，使活性电极材料无法储存锂离子。一般来说，电池性能下降的主要后果包括容量衰减和阻抗增加，甚至导致电池故障，进而引发用电设备和用电系统的安全问题。因此，准确预测锂离子电池的健康状态对于电池的科学管理和安全具有重要的实际意义。
现有的典型对锂离子电池健康状态的评估方法分为三种:基于机理模型的方法、基于经验模型的方法和基于数据驱动的方法。其中，基于机理模型的方法从电池原理构建电池退化模型，构建的模型可分为电化学模型和等效电路模型。其优点是可解释性强、预测精确。但电化学模型但其建模过程中对于模型参数的精度较高、建模成本高昂且计算过程复杂。而等效电路模型有着获取实验数据的设备成本高昂，测试条件严格，参数辨识困难等问题，在应用上具有一定局限性。基于统计模型的方法使用统计学的方法来对电池容量衰减过程构造经验模型，模型收敛性好，但此方法构建的模型具有很多训练参数，迭代计算过程中需要不断更新训练参数，使得模型计算的复杂度陡增。基于数据驱动方法使用可用的电池测试数据来预测电池性能和退化，避免对锂离子电池内部复杂的电化学反应进行数学建模。通过提取直接或间接测量参数的特征值，结合数据挖掘算法，建立特征参数与健康状态之间的关系，但其无法解释电池容量退化的具体原因。
近年来，深度学习因其强大的非线性函数逼近能力而广泛地应用在众多工程领域中用以解决实际问题，并在处理时间序列数据方面显示出其优越性。循环神经网络（RNN）和长短期记忆神经网络（LSTM）已成功应用于锂离子电池的健康状态预测。图神经网络依靠节点之间的关系来捕获图中的信息，并优化图节点之间的消息传递机制以获得不同变量之间的依赖关系，可以处理时空特征数据的时间序列预测。空间特征通过深度挖掘图神经网络中特征节点之间的相互依赖关系来体现，时间特征也可以根据循环神经网络考虑历史数据。
因此，将图卷积循环神经网络应用在锂离子电池的健康状态预测中，具有较好的应用前景。
发明内容
为了更好地预测锂离子电池的健康状态,本公开提供了一种基于图卷积循环神经网络的锂离子电池健康状态的预测方法，利用图结构数据的独特特性来提取和建立锂离子电池信号中的关系，构造多个图卷积循环层处理锂离子电池放电数据构建的时序图数据，从而准确地预测电池的健康状态。
本公开提供的基于图卷积循环神经网络的锂离子电池健康状态预测方法，包括以下步骤：
步骤1：获取电池的充放电过程测量数据及健康状态。
在电池充放电周期中，为了充分测量电池的性能数据变化过程，往往会使用较多的传感器获取大量的电池测量数据，其中会存在与电池健康状态相关性较小的数据和无关的、重复的数据，同时还存在一些在测量过程中测量值不发生变化或者变化量很小的数据，这可能对可充电电池的健康状态预测造成干扰。因此根据预测任务的需要，选择与电池健康状态预测相关的测量信号数据进行预测，其中，主要包括测量电压、测量电流、电池温度、负载测量电流、负载测量电压、电池容量。
作为优选，通过恒温环境下对可充电电池依次进行恒定电流充电、恒压充电以及恒流放电的充放电实验，获取相关电池参数的测量数据。
更进一步的，对于锂离子电池，选择在条件为恒温24摄氏度的环境下进行充放电实验获取电池数据，以1.5A的恒定电流充电，工作电压升至最大截止电压2.4V时，切换为恒压充电，当电流降至20mA时充电停止，一次充电的过程作为一个充电周期。在放电时，以2A的电流进行恒流放电，当电池的工作电压低至最小截止电压时放电停止（如果一个电池组里有多个电池，各自的截止电压不同，则放电至各电池的工作电压低至各自的最小截止电压时停止），一次放电的过程作为一个放电周期。反复进行充放电过程直到电池的健康状态低于70%停止。定义锂离子电池健康状态SOH：
其中，为当前时刻以2A 恒流放电时电池的最大容量，为出厂状态的额定容量。
步骤2：对获取的电池充放电过程数据进行预处理，设定时间窗，以滑窗方式获取电池数据集时间序列；构建图数据，确定邻接矩阵A和特征向量X；将构建的图数据划分为训练集、验证集和测试集。
进一步的，构建图数据的过程包括：将电池数据进行归一化处理，分别计算数据的均值和标准差，归一化计算公式为：
其中，代表各个测量数据，代表数据均值；代表数据的标准差。以电池各个测量信号和健康状态为节点，以节点之间的连接关系为边，再以归一化的电池数据分别构建为各个节点对应的特征向量，其中，i代表第i个节点，将所有特征向量进行组合得到特征矩阵，构建节点之间的连接关系邻接矩阵，其中为图节点的数量，d为节点特征维度；对邻接矩阵进行归一化处理，获得归一化的邻接矩阵。将构建的图数据分为训练集，验证集和测试集。
步骤3：采用图神经网络和循环神经网络构建图卷积循环神经网络层，将电池物理量关系构建的邻接矩阵A和特征矩阵X输入到图卷积循环神经网络中进行训练。
所述图卷积循环神经网络层可分为两个模块：图神经网络模块和循环神经网络模块。其中，图神经网络模块可使用图卷积神经网络（GCN）或图注意力神经网络（GAT），循环神经网络模块可使用长短期记忆网络(LSTM)或门控循环单元（GRU）。模块中的网络可以任意选择。训练数据邻接矩阵A和特征矩阵X被图神经网络模块处理提取出测量信号之间的物理关系特征，循环神经网络模块再根据图神经网络模块中的更新的输出和上一时刻的隐状态计算出当前时刻的隐状态，提取的时间序列z中的时间特征。
步骤4：将测试数据集导入步骤3中训练完成的图卷积循环神经网络模型，实现对可充电电池健康状态的预测。
与现有技术相比，本公开具有以下有益效果：
1、从对电池数据使用图结构来进行分析，可以利用图形结构信息，使用图卷积层来提取节点之间的相关性，可以捕捉图数据的复杂关系，发现电池数据之中隐藏的特征关系，不需要建立复杂的电化学反应数学模型。
2、使用循环神经网络充分考虑了电池的过去的工作状态的数据，提取时间序列中的隐藏特征，使得能够建立数据与健康状态之间的映射关系，从而达到预测健康状态的目的。
3、现有的图神经网络方法进行建图的方法较为复杂，在空间和时间维度上应用图卷积神经网络对图状态进行推理预测。而本公开使用图神经网络对电池图数据的空间结构进行卷积计算，再嵌入于循环神经网络来进行时间特征的提取。
4、本公开能够对锂离子电池的健康状态进行预测，实现对锂离子电池设备的寿命预测和管理，为用电设备和用电系统的安全管理提供支撑。
附图说明
图1为基于图卷积循环神经网络的锂离子电池健康状态的预测方法流程示意图。
图2为本公开所构建的图数据示意图。
图3为图卷积循环神经网络层计算门控循环单元模型中的隐状态示意图。
具体实施方式
下面结合附图并举实施例，对本发明进行详细描述。
本公开提出了一种基于图卷积循环神经网络的可充电电池健康状态预测方法，结合附图详细说明如下。
根据本公开的锂离子电池健康状态预测方法流程如附图1所示。
步骤1：通过在条件为恒温环境下进行充放电实验获取锂离子电池数据。
在本实施例中，使用NASA公开锂电池数据集BatteryAgingARC-FY08Q4作为实验数据。
步骤2：对提取电池的数据进行预处理，设定固定长度滑动窗口，获取电池数据集的时间序列；构建邻接矩阵A和特征向量X，将构建的图数据划分为训练集、验证集和测试集。
具体包括：
将获得的数据集时间序列按照8：1：1的比例分别划分为训练集、验证集和测试集。
将电池数据进行归一化处理，分别计算数据的均值和标准差，归一化计算公式为：
其中，代表各个测量数据，代表数据均值；代表数据的标准差。
进一步的，以锂离子电池各个测量信号和健康状态为节点，以节点之间的连接关系为边，再以归一化的电池数据分别构建为各个节点对应的特征向量，其中，i代表第i个节点，将所有特征向量进行组合得到特征矩阵，构建节点之间的连接关系邻接矩阵，其中为图节点的数量，d为节点特征维度；对邻接矩阵进行归一化处理，获得归一化的邻接矩阵。图2为本公开所构建的图数据示意图。图中，左上角虚线框中为以电池测量数据构建的图数据结构，图中的V_M、I_M为测量电压和测量电流；V_L、I_L为负载测量电压和负载测量电流；T为电池的温度；SOH为步骤1中定义的锂离子电池健康状态；各个节点之间为完全连接；图右侧中的SOHx表示虚线框中所构建的含有电池健康状态的图数据经过图卷积神经网络的处理不断更新特征的过程。
最后得到图数据训练集，验证集和测试集。
上述过程可概括为：①先获取电池数据；②处理电池数据；③构建邻接矩阵描述每个节点所对应的电池信号；④电池信号的数据作为特征向量。实际上数据的分集操作在②或者④中处理都是一样效果。
步骤3：采用图神经网络和循环神经网络构建图卷积循环神经网络层，该层可分为两个模块：图神经网络模块和循环神经网络模块。其中，图神经网络模块可使用图卷积神经网络（GCN）或图注意力神经网络（GAT），循环神经网络模块可使用长短期记忆网络(LSTM)或门控循环单元（GRU）。模块中的网络可以任意选择。训练数据邻接矩阵A和特征矩阵X被图神经网络模块处理提取出测量信号之间的物理关系特征，循环神经网络模块再根据图神经网络模块中的更新的输出和上一时刻的隐状态计算出当前时刻的隐状态，提取的时间序列中的时间特征。
在本实施例中，选择使用图卷积网络(Graph Convolutional Networks,GCN)和门控循环单元(Gated Recurrent Units,GRU)分别作为图神经网络模块和循环神经网络模块。
首先，在图神经网络模块中，图卷积网络的学习方式遵循逐层学习，所有节点同步更新，图卷积网络的本质是在节点间传播信息来更新节点表示。首先，定义简单的图卷积网络层，表示如下：
其中，为归一化后的邻接矩阵；为权重矩阵，为新的特征维度，为激活函数。在图卷积网络模块中，使用两个图卷积层构成一个图卷积神经网络。
其次，对于循环神经网络模块，门控循环单元通过使用重置门和更新门来计算隐藏状态，其中携带着过去的电池时间序列的信息，以实现对时间序列数据以往观测值的利用。其中，使用图神经网络模块来计算当前隐状态，标记两个图神经网络模块，分别提取过去的时间序列信息和现在的时间序列信息以更新网络权重，计算过程如下：
计算门控循环单元在t时刻的重置门和更新门，利用图神经网络模块提取当前输入图数据与上一时刻的隐状态图数据中的空间特征。
其中，concat为拼接操作；split为分割操作；输出的结果经过split操作获得和,其中，是经过网络输出的特征矩阵，是经过网络提取了空间特征t-1时刻的隐状态；为t时刻的输入；为t-1时刻的隐状态；sigmoid函数，在神经网络中常作为激活函数；
其中，tanh是双曲正切函数，也是常作为激活函数；为t时刻的候选隐状态状态，它通过计算当前输入与保留多少上一时刻隐状态的时间序列信息相拼接获得。丢弃传递下来的中的之前时间序列中不相关的信息，并加入当前节点输入的相关的时间序列信息。至此，完成了一个图卷积循环层的构建。图3为图卷积循环神经网络层计算门控循环单元模型中的隐状态示意图。
在本发明实施例的训练过程中，定义3层图卷积循环层，固定长度滑动窗口为20，模型训练500轮，选用梯度下降算法，损失通过梯度下降进行反向传播，使用Adam优化器进行优化，学习率为0.001。
步骤4：将测试数据集导入步骤3中训练完成的图卷积循环神经网络模型，实现对锂离子电池的健康状态的预测。
Claims (8)
1.一种可充电电池健康状态预测方法，其特征在于，包括以下步骤：
S1：获取电池充放电过程中各项电池参数的测量数据，所述电池参数包括与电池健康状态相关的性能参数及其对应的电池健康状态；
S2：将总的可用数据通过定长滑窗方式分成若干组时间序列，基于一组时间序列构建一个图数据，其中，以各项电池参数作为图的各个节点，一个节点代表一项电池参数的一个时间序列，构建各节点之间的邻接矩阵和特征矩阵；
构建的图数据划分为训练集、验证集和测试集；
S3：采用图神经网络和循环神经网络构建图卷积循环神经网络层，将训练集中的图数据输入到所述图神经网络中进行训练，提取出各项电池参数之间的物理关系特征；再由所述循环神经网络进一步提取各组时间序列之间的时间特征；
S4：将测试集中的图数据导入步骤S3中训练完成的图卷积循环神经网络模型，实现对可充电电池健康状态的预测。
2.如权利要求1所述的方法，其特征在于，所述步骤S1中，通过恒温环境下对可充电电池依次进行恒定电流充电、恒压充电以及恒流放电的充放电实验，获取相关电池参数的测量数据。
3.如权利要求2所述的方法，其特征在于，在步骤S1中，所述充放电实验的具体方法包括：
在条件为恒温24摄氏度的环境下，以1.5A的恒定电流对锂离子电池充电；工作电压升至最大截止电压2.4V时，切换为恒压充电；当电流降至20mA时充电停止，一次充电的过程作为一个充电周期；
放电时，以2A的电流进行恒流放电，至电池的工作电压低至最小截止电压时放电停止，一次放电的过程作为一个放电周期；
反复进行充放电过程，直到电池的健康状态低于70%停止；
锂离子电池健康状态SOH的定义包括：
其中，为当前时刻以2A 恒流放电时电池的最大容量，为出厂状态的额定容量。
4.如权利要求1-3中任一所述的方法，其特征在于，所述步骤S1中，与电池健康状态相关的性能参数包括：测量电压、测量电流、电池温度、负载测量电流、负载测量电压、电池容量中的一种或多种。
5.如权利要求1所述的方法，其特征在于，所述步骤S2具体包括：
设定固定长度滑动窗口，从各项电池参数数据集中滑取若干个时间序列；
将电池参数数据进行归一化处理，分别计算数据的均值和标准差，归一化计算公式为：
其中，代表各个测量数据，代表数据均值；代表数据的标准差；
以可充电电池各项电池参数为节点，一个节点代表一项电池参数的一个时间序列，以节点之间的连接关系为边，构建节点之间的连接关系邻接矩阵，为图节点的数量；对邻接矩阵进行归一化处理，获得归一化的邻接矩阵；
以归一化的电池参数时间序列分别构建为各个节点对应的特征向量，其中，i代表第i个节点，d为节点特征维度，将所有特征向量进行组合得到特征矩阵；
得到的图数据分为训练集，验证集和测试集。
6.如权利要求5所述的方法，其特征在于，所述步骤S3中，所述图神经网络模块使用图卷积神经网络或图注意力神经网络，循环神经网络模块使用长短期记忆网络或门控循环单元。
7.如权利要求6所述的方法，其特征在于，所述步骤S3中，所述图神经网络模块采用图卷积神经网络；
图卷积网络层定义如下：
其中，为归一化后的邻接矩阵；为权重矩阵，为经过卷积降维后的节点特征维度，为激活函数；l代表图卷积神经网络的第l层，代表图卷积神经网络的第l层输入特征矩阵；
两个图卷积网络层构成一个图卷积神经网络。
8. 如权利要求7所述的方法，其特征在于，所述步骤S3中，所述循环神经网络模块使用门控循环单元，通过使用重置门和更新门计算隐藏状态，其中隐藏状态携带着过去的电池时间序列的信息，以实现对时间序列数据以往观测值的利用，其中，采用两个图神经网络模块，分别提取过去的时间序列信息和现在的时间序列信息以更新网络权重，计算过程如下：
利用图神经网络模块提取当前输入图数据与上一时刻的隐状态图数据中的空间特征，计算门控循环单元在t时刻的重置门和更新门，即
其中，concat为拼接操作；split为分割操作，输出的结果经过分割操作获得和，其中，是经过网络输出的特征矩阵，经过网络提取了空间特征t-1时刻的隐状态；为t时刻的输入；为t-1时刻的隐状态；
其中，为t时刻的候选隐状态，它通过计算当前输入与保留多少上一时刻隐状态的时间序列信息相拼接获得；是t时刻的隐状态；tanh为双曲正切函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310331090.1A CN116047314B (zh) | 2023-03-31 | 2023-03-31 | 一种可充电电池健康状态预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310331090.1A CN116047314B (zh) | 2023-03-31 | 2023-03-31 | 一种可充电电池健康状态预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116047314A true CN116047314A (zh) | 2023-05-02 |
| CN116047314B CN116047314B (zh) | 2023-08-18 |
Family
ID=86122195
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310331090.1A Active CN116047314B (zh) | 2023-03-31 | 2023-03-31 | 一种可充电电池健康状态预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116047314B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116298934A (zh) * | 2023-05-19 | 2023-06-23 | 河南科技学院 | 一种用于锂电池健康状态估算的预测网络的建模方法 |
| CN118011220A (zh) * | 2024-04-08 | 2024-05-10 | 太湖能谷(杭州)科技有限公司 | 一种电池组的荷电状态估计方法、系统和介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111426957A (zh) * | 2020-05-19 | 2020-07-17 | 华南理工大学 | 一种模拟车辆工况动力电池荷电状态soc估算优化方法 |
| CN113777496A (zh) * | 2021-09-06 | 2021-12-10 | 北京化工大学 | 基于时间卷积神经网络的锂离子电池剩余寿命预测方法 |
| CN113917336A (zh) * | 2021-10-13 | 2022-01-11 | 国网福建省电力有限公司 | 基于片段充电时间和gru的锂离子电池健康状态预测方法 |
| US20220114421A1 (en) * | 2020-01-08 | 2022-04-14 | Chongqing Unversity Of Posts And Telecommunications | Method for estimating the capacity of lithium battery based on convolution long-short-term memory neural network |
| CN114371409A (zh) * | 2022-03-07 | 2022-04-19 | 上海玫克生储能科技有限公司 | 电池状态预测模型的训练方法、电池状态预测方法及装置 |
| CN114675186A (zh) * | 2022-02-24 | 2022-06-28 | 华南理工大学 | 一种基于图神经网络的锂离子电池健康状态预测方法 |
| CN115856633A (zh) * | 2022-11-21 | 2023-03-28 | 智能多维数据分析研究中心有限公司 | 基于图神经网络的锂离子电池容量估计方法 |
-
2023
- 2023-03-31 CN CN202310331090.1A patent/CN116047314B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220114421A1 (en) * | 2020-01-08 | 2022-04-14 | Chongqing Unversity Of Posts And Telecommunications | Method for estimating the capacity of lithium battery based on convolution long-short-term memory neural network |
| CN111426957A (zh) * | 2020-05-19 | 2020-07-17 | 华南理工大学 | 一种模拟车辆工况动力电池荷电状态soc估算优化方法 |
| CN113777496A (zh) * | 2021-09-06 | 2021-12-10 | 北京化工大学 | 基于时间卷积神经网络的锂离子电池剩余寿命预测方法 |
| CN113917336A (zh) * | 2021-10-13 | 2022-01-11 | 国网福建省电力有限公司 | 基于片段充电时间和gru的锂离子电池健康状态预测方法 |
| CN114675186A (zh) * | 2022-02-24 | 2022-06-28 | 华南理工大学 | 一种基于图神经网络的锂离子电池健康状态预测方法 |
| CN114371409A (zh) * | 2022-03-07 | 2022-04-19 | 上海玫克生储能科技有限公司 | 电池状态预测模型的训练方法、电池状态预测方法及装置 |
| CN115856633A (zh) * | 2022-11-21 | 2023-03-28 | 智能多维数据分析研究中心有限公司 | 基于图神经网络的锂离子电池容量估计方法 |
Non-Patent Citations (1)
| Title |
|---|
| 郭忠义 等: "装备系统剩余使用寿命预测技术研究进展", 《南京航空航天大学学报》, vol. 54, no. 3, pages 341 - 364 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116298934A (zh) * | 2023-05-19 | 2023-06-23 | 河南科技学院 | 一种用于锂电池健康状态估算的预测网络的建模方法 |
| CN116298934B (zh) * | 2023-05-19 | 2023-08-04 | 河南科技学院 | 一种用于锂电池健康状态估算的预测网络的建模方法 |
| CN118011220A (zh) * | 2024-04-08 | 2024-05-10 | 太湖能谷(杭州)科技有限公司 | 一种电池组的荷电状态估计方法、系统和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116047314B (zh) | 2023-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113777496B (zh) | 基于时间卷积神经网络的锂离子电池剩余寿命预测方法 | |
| Park et al. | LSTM-based battery remaining useful life prediction with multi-channel charging profiles | |
| CN116047314B (zh) | 一种可充电电池健康状态预测方法 | |
| CN111443294B (zh) | 一种锂离子电池剩余寿命间接预测方法及装置 | |
| CN109991542B (zh) | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 | |
| Khalid et al. | Prediction of li-ion battery state of charge using multilayer perceptron and long short-term memory models | |
| CN110824364B (zh) | 一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法 | |
| Shi et al. | Battery health management using physics-informed machine learning: Online degradation modeling and remaining useful life prediction | |
| CN105277896B (zh) | 基于elm‑mukf的锂电池剩余寿命预测方法 | |
| Zhou et al. | Battery health prognosis using improved temporal convolutional network modeling | |
| CN111680848A (zh) | 基于预测模型融合的电池寿命预测方法及存储介质 | |
| CN114861527A (zh) | 一种基于时间序列特征的锂电池寿命预测方法 | |
| CN111948563B (zh) | 一种基于多神经网络耦合的电动叉车锂电池剩余寿命预测方法 | |
| CN111999648A (zh) | 一种基于长短期记忆网络的锂电池剩余寿命预测方法 | |
| Zhang et al. | Weight optimized unscented Kalman filter for degradation trend prediction of lithium-ion battery with error compensation strategy | |
| Cui et al. | State of health estimation for lithium-ion battery based on the coupling-loop nonlinear autoregressive with exogenous inputs neural network | |
| CN114035098A (zh) | 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法 | |
| CN114636932A (zh) | 一种电池剩余使用寿命预测方法及系统 | |
| CN110412470A (zh) | 电动汽车动力电池soc估计方法 | |
| CN115201686B (zh) | 一种不完备充放电数据下的锂离子电池健康状态评估方法 | |
| Feng et al. | A data-driven prediction model for the remaining useful life prediction of lithium-ion batteries | |
| CN112327169B (zh) | 一种锂电池剩余寿命预测方法 | |
| Nair et al. | AI-Driven Digital Twin Model for Reliable Lithium-Ion Battery Discharge Capacity Predictions | |
| Chen et al. | State of health estimation for lithium-ion battery based on particle swarm optimization algorithm and extreme learning machine | |
| Song et al. | Capacity estimation method of lithium-ion batteries based on deep convolution neural network |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |