CN116186484A - 一种基于深度学习的电池容量衰减趋势预测方法及系统 - Google Patents
一种基于深度学习的电池容量衰减趋势预测方法及系统 Download PDFInfo
- Publication number
- CN116186484A CN116186484A CN202211639533.5A CN202211639533A CN116186484A CN 116186484 A CN116186484 A CN 116186484A CN 202211639533 A CN202211639533 A CN 202211639533A CN 116186484 A CN116186484 A CN 116186484A
- Authority
- CN
- China
- Prior art keywords
- charge
- battery capacity
- discharge data
- discharge
- data
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了电池检测技术领域的一种基于深度学习的电池容量衰减趋势预测方法及系统,方法包括如下步骤:步骤S10、获取大量的电池的充放电数据,并对所述充放电数据进行预处理;步骤S20、利用卷积神经网络对预处理后的所述充放电数据的时序进行特征提取,得到第一特征;步骤S30、利用长短期记忆网络对提取的所述第一特征进行回归预测,得到电池容量的预测值;步骤S40、基于各所述预测值进行电池容量衰减曲线的拟合,利用拟合后的所述电池容量衰减曲线进行电池容量衰减趋势预测。本发明的优点在于:极大的提升了电池容量衰减趋势预测的鲁棒性、准确率、直观性。
Description
技术领域
本发明涉及电池检测技术领域,特别指一种基于深度学习的电池容量衰减趋势预测方法及系统。
背景技术
随着电池成本的持续下降,电动汽车和储能系统的销量也显著提升,对电池各方面的要求也越来越高,其中便包括预测电池容量衰减趋势,进而对电池性能进行直观的提示和预警。
预测电池容量衰减趋势即估算电池剩余使用寿命(RUL,remai n i ng usefu l life),传统上存在如下两种方法:
1、基于模型的预测方法:对电池进行电化学测试,从电池本质电化学机理的角度分析电池的性能变化规律,再利用电池性能参数与剩余使用寿命之间的内在联系来预测电池剩余使用寿命,或者基于电路元件描述电池特性的等效电路模型,通过ECM模型辨识内阻变化并建立经验方程,从而以外推的方式预测电池RUL。但是,该方法存在如下缺点:该方法所使用的模型的复杂度高,鲁棒性和适应性较差,实际应用困难。
2、基于数据驱动的预测方法:使用机器学习或深度学习对电池进行大数据分析,以提取特征进行电池容量衰减趋势预测,主要存在如下三种方法:其一是仅使用单一变量(电池容量)数据,利用多个历史时刻的电池容量来预测下一时刻的电池容量,并通过循环迭代的方式预测未来容量变化,该迭代方法可以预测出电池容量整体衰减趋势,但是由于仅依赖单一变量而忽略了影响电池寿命的其他因素,因此准确率较差;其二是直接预测,通过计算电池容量衰退至特定阈值(如20%容量衰减)所经历的循环数(时间)来计算电池RUL,该方法虽然能提示用户该电池还能进行多少个充放电循环,但是无法提供容量衰减趋势,并不直观;其三是预测电池容量衰减曲线的拐点和EOL截止点,从而拟合整体衰减曲线以预测电池RUL,但难点在于拐点识别的准确性、可靠性以及曲线拟合的合理性。
因此,如何提供一种基于深度学习的电池容量衰减趋势预测方法及系统,实现提升电池容量衰减趋势预测的鲁棒性、准确率、直观性,成为一个亟待解决的技术问题。
发明内容
本发明要解决的技术问题,在于提供一种基于深度学习的电池容量衰减趋势预测方法及系统,实现提升电池容量衰减趋势预测的鲁棒性、准确率、直观性。
第一方面,本发明提供了一种基于深度学习的电池容量衰减趋势预测方法,包括如下步骤:
步骤S10、获取大量的电池的充放电数据,并对所述充放电数据进行预处理;
步骤S20、利用卷积神经网络对预处理后的所述充放电数据的时序进行特征提取,得到第一特征;
步骤S30、利用长短期记忆网络对提取的所述第一特征进行回归预测,得到电池容量的预测值;
步骤S40、基于各所述预测值进行电池容量衰减曲线的拟合,利用拟合后的所述电池容量衰减曲线进行电池容量衰减趋势预测。
进一步地,所述步骤S10中,所述充放电数据为不同循环次数下,各时刻的电压、电流、功率、电阻以及温度;
所述对充放电数据进行预处理具体为:
通过截取或者数据补0的方式将各所述充放电数据调整为统一长度后,对所述充放电数据进行归一化处理,并对所述充放电数据进行N、C、H、W的标注;
其中,N表示一次训练所选取的样本数;C表示特征维度数;H表示充放电循环次数;W表示每个充放电循环下每个特征的时序序列长度;特征为电压、电流、功率、电阻或者温度。
进一步地,所述步骤S20中,所述卷积神经网络采用conv2d卷积核,公式如下:
其中,Woutput表示数据输出的尺寸;Winput表示数据输入的尺寸;Kfilter表示卷积核的大小;Padding表示填充大小;Stride表示卷积核步长。
进一步地,所述步骤S30中,所述长短期记忆网络用于对所述充放电数据的时序间的相关性进行特征提取,得到第二特征,并各对所述第一特征和第二特征进行全连接处理,以输出电池容量的预测值。
进一步地,所述步骤S30中,所述预测值为预设容量衰减率对应的充放电循环次数。
第二方面,本发明提供了一种基于深度学习的电池容量衰减趋势预测系统,包括如下模块:
充放电数据预处理模块,用于获取大量的电池的充放电数据,并对所述充放电数据进行预处理;
特征提取模块,用于利用卷积神经网络对预处理后的所述充放电数据的时序进行特征提取,得到第一特征;
回归预测模块,用于利用长短期记忆网络对提取的所述第一特征进行回归预测,得到电池容量的预测值;
容量衰减趋势预测模块,用于基于各所述预测值进行电池容量衰减曲线的拟合,利用拟合后的所述电池容量衰减曲线进行电池容量衰减趋势预测。
进一步地,所述充放电数据预处理模块中,所述充放电数据为不同循环次数下,各时刻的电压、电流、功率、电阻以及温度;
所述对充放电数据进行预处理具体为:
通过截取或者数据补0的方式将各所述充放电数据调整为统一长度后,对所述充放电数据进行归一化处理,并对所述充放电数据进行N、C、H、W的标注;
其中,N表示一次训练所选取的样本数;C表示特征维度数;H表示充放电循环次数;W表示每个充放电循环下每个特征的时序序列长度;特征为电压、电流、功率、电阻或者温度。
进一步地,所述特征提取模块中,所述卷积神经网络采用conv2d卷积核,公式如下:
其中,Woutput表示数据输出的尺寸;Winput表示数据输入的尺寸;Kfilter表示卷积核的大小;Padding表示填充大小;Stride表示卷积核步长。
进一步地,所述回归预测模块中,所述长短期记忆网络用于对所述充放电数据的时序间的相关性进行特征提取,得到第二特征,并各对所述第一特征和第二特征进行全连接处理,以输出电池容量的预测值。
进一步地,所述回归预测模块中,所述预测值为预设容量衰减率对应的充放电循环次数。
本发明的优点在于:
通过卷积神经网络(CNN)对充放电数据包括电压、电流、功率、电阻以及温度的特征进行提取,通过长短期记忆网络(LSTM)对提取的特征进行回归预测,即预测当前容量衰减到预设容量衰减率对应的充放电循环次数,以此来拟合电池容量衰减曲线,用户可以直观查看电池剩余寿命的衰减趋势(衰减轨迹),由于充分考虑了电池的多维特征,且采用了结构简单的卷积神经网络和长短期记忆网络,最终极大的提升了电池容量衰减趋势预测的鲁棒性、准确率、直观性。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1是本发明一种基于深度学习的电池容量衰减趋势预测方法的流程图。
图2是本发明一种基于深度学习的电池容量衰减趋势预测系统的结构示意图。
图3是本发明的流程示意图。
图4是本发明长短期记忆网络的结构示意图。
图5是电池A通过本发明进行预测的性能对比示意图。
图6是电池A通过单一变量进行迭代容量衰减预测的性能对比示意图。
图7是电池B通过本发明进行预测的性能对比示意图。
图8是电池B通过单一变量进行迭代容量衰减预测的性能对比示意图。
具体实施方式
本申请实施例中的技术方案,总体思路如下:通过结构简单的CNN+LSTM网络进行多维特征提取和回归预测,以此来拟合电池容量衰减曲线,用户可以直观查看电池剩余寿命的衰减趋势,以提升电池容量衰减趋势预测的鲁棒性、准确率、直观性。
请参照图1至图8所示,本发明一种基于深度学习的电池容量衰减趋势预测方法的较佳实施例,包括如下步骤:
步骤S10、获取大量的电池的充放电数据,并对所述充放电数据进行预处理;
步骤S20、利用卷积神经网络对预处理后的所述充放电数据的时序进行特征提取,得到第一特征;
步骤S30、利用长短期记忆网络对提取的所述第一特征进行回归预测,得到电池容量的预测值;
步骤S40、基于各所述预测值进行电池容量衰减曲线的拟合,利用拟合后的所述电池容量衰减曲线进行电池容量衰减趋势预测。所述电池容量衰减曲线在特定故障阈值(一般为20%)下对应的充放电循环次数(cyc l e数)为EOL(end-of-l i sfe),EOL减去当前输入对应的cyc l e数为电池的RUL。
所述步骤S10中,所述充放电数据为不同循环次数下,各时刻的电压、电流、功率、电阻以及温度;
所述对充放电数据进行预处理具体为:
通过截取或者数据补0的方式将各所述充放电数据调整为统一长度后,对所述充放电数据进行归一化处理,并对所述充放电数据进行N、C、H、W的标注;由于不同循环的所述充放电数据的时序长度不同,而所述卷积神经网络和长短期记忆网络仅能处理固定长度的输入,因此需要调整为统一长度;
其中,N表示一次训练所选取的样本数(batch_s i ze);C表示特征维度数,例如包括电压、电流、功率、电阻以及温度的特征,则C的取值为5;H表示充放电循环次数(cyc le);W表示每个充放电循环下每个特征的时序序列长度;特征为电压、电流、功率、电阻或者温度。即输入所述卷积神经网络和长短期记忆网络的数据维度为N×C×H×W。
所述步骤S20中,所述卷积神经网络采用conv2d卷积核,公式如下:
其中,Woutput表示数据输出的尺寸;Winput表示数据输入的尺寸;Kfilter表示卷积核的大小;Padding表示填充大小;Stride表示卷积核步长。
所述步骤S30中,所述长短期记忆网络用于对所述充放电数据的时序间的相关性进行特征提取,得到第二特征,并各对所述第一特征和第二特征进行全连接处理,以输出电池容量的预测值。
ft=σ(Wf·[ht-1,xt]+bf);
it=σ(Wt·[ht-1,xt]+bt);
ot=σ(Wo·[ht-1,xt]+bo);
其中,ft表示遗忘门,用于控制上一神经元状态(ce l l state)哪些需要遗忘;表示状态更新门;it表示输入门,用于控制/>的哪些特征用于更新Ct;ot表示输出门;σ()表示激活函数;Wf、Wc、Wi、Wo均表示weight;bf、bc、bt、bo均表示bias;tanh()表示激活函数;
输出由四个状态计算得到,包含隐含层:
所述步骤S30中,所述预测值为预设容量衰减率对应的充放电循环次数,例如输入的是第一个充放电循环,当前对应的电池容量衰减为0,预测结果为当前电池容量衰减率增加2%、4%、6%、8%、10%、12%、14%、16%、18%、20%情况下所对应的充放电循环次数。
本发明一种基于深度学习的电池容量衰减趋势预测系统的较佳实施例,包括如下模块:
充放电数据预处理模块,用于获取大量的电池的充放电数据,并对所述充放电数据进行预处理;
特征提取模块,用于利用卷积神经网络对预处理后的所述充放电数据的时序进行特征提取,得到第一特征;
回归预测模块,用于利用长短期记忆网络对提取的所述第一特征进行回归预测,得到电池容量的预测值;
容量衰减趋势预测模块,用于基于各所述预测值进行电池容量衰减曲线的拟合,利用拟合后的所述电池容量衰减曲线进行电池容量衰减趋势预测。所述电池容量衰减曲线在特定故障阈值(一般为20%)下对应的充放电循环次数(cyc l e数)为EOL(end-of-l isfe),EOL减去当前输入对应的cyc l e数为电池的RUL。
所述充放电数据预处理模块中,所述充放电数据为不同循环次数下,各时刻的电压、电流、功率、电阻以及温度;
所述对充放电数据进行预处理具体为:
通过截取或者数据补0的方式将各所述充放电数据调整为统一长度后,对所述充放电数据进行归一化处理,并对所述充放电数据进行N、C、H、W的标注;由于不同循环的所述充放电数据的时序长度不同,而所述卷积神经网络和长短期记忆网络仅能处理固定长度的输入,因此需要调整为统一长度;
其中,N表示一次训练所选取的样本数(batch_s i ze);C表示特征维度数,例如包括电压、电流、功率、电阻以及温度的特征,则C的取值为5;H表示充放电循环次数(cyc le);W表示每个充放电循环下每个特征的时序序列长度;特征为电压、电流、功率、电阻或者温度。即输入所述卷积神经网络和长短期记忆网络的数据维度为N×C×H×W。
所述特征提取模块中,所述卷积神经网络采用conv2d卷积核,公式如下:
其中,Woutput表示数据输出的尺寸;Winput表示数据输入的尺寸;Kfilter表示卷积核的大小;Padding表示填充大小;Stride表示卷积核步长。
所述回归预测模块中,所述长短期记忆网络用于对所述充放电数据的时序间的相关性进行特征提取,得到第二特征,并各对所述第一特征和第二特征进行全连接处理,以输出电池容量的预测值。
ft=σ(Wf·[ht-1,xt]+bf);
it=σ(Wt·[ht-1,xt]+bt);
ot=σ(Wo·[ht-1,xt]+bo);
其中,ft表示遗忘门,用于控制上一神经元状态(ce l l state)哪些需要遗忘;表示状态更新门;it表示输入门,用于控制/>的哪些特征用于更新Ct;ot表示输出门;σ()表示激活函数;Wf、Wc、Wi、Wo均表示weight;bf、bc、bt、bo均表示bias;tanh()表示激活函数;
输出由四个状态计算得到,包含隐含层:
所述回归预测模块中,所述预测值为预设容量衰减率对应的充放电循环次数,例如输入的是第一个充放电循环,当前对应的电池容量衰减为0,预测结果为当前电池容量衰减率增加2%、4%、6%、8%、10%、12%、14%、16%、18%、20%情况下所对应的充放电循环次数。
实验验证:
参考图5至图8,使用相同的训练集和验证集对本发明和基于单容量变量模型进行训练和测试,测试指标为MAPE:
电池A使用本发明和基于单容量变量模型的MAPE分别为0.43%和1.56%;电池B使用本发明和基于单容量变量模型的MAPE分别为0.38%和2.3%。
对比以上两种方法,从最终量化结果来看,本发明在最终指标上有明显的优势,说明本发明较单变量预测模型可以有效的学习到电池衰减的规律;
本发明使用深度学习的方法提取1个或多个充放电循环的完整或部分数据,可以用很小的测试代价就获得后续电池容量衰减情况;此外,随着输入的循环数越多,可以通过滑动平均的方式平滑预测结果,获得更好的预测效果。
综上所述,本发明的优点在于:
通过卷积神经网络(CNN)对充放电数据包括电压、电流、功率、电阻以及温度的特征进行提取,通过长短期记忆网络(LSTM)对提取的特征进行回归预测,即预测当前容量衰减到预设容量衰减率对应的充放电循环次数,以此来拟合电池容量衰减曲线,用户可以直观查看电池剩余寿命的衰减趋势(衰减轨迹),由于充分考虑了电池的多维特征,且采用了结构简单的卷积神经网络和长短期记忆网络,最终极大的提升了电池容量衰减趋势预测的鲁棒性、准确率、直观性。
虽然以上描述了本发明的具体实施方式,但是熟悉本技术领域的技术人员应当理解,我们所描述的具体的实施例只是说明性的,而不是用于对本发明的范围的限定,熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化,都应当涵盖在本发明的权利要求所保护的范围内。
Claims (10)
1.一种基于深度学习的电池容量衰减趋势预测方法,其特征在于:包括如下步骤:
步骤S10、获取大量的电池的充放电数据,并对所述充放电数据进行预处理;
步骤S20、利用卷积神经网络对预处理后的所述充放电数据的时序进行特征提取,得到第一特征;
步骤S30、利用长短期记忆网络对提取的所述第一特征进行回归预测,得到电池容量的预测值;
步骤S40、基于各所述预测值进行电池容量衰减曲线的拟合,利用拟合后的所述电池容量衰减曲线进行电池容量衰减趋势预测。
2.如权利要求1所述的一种基于深度学习的电池容量衰减趋势预测方法,其特征在于:所述步骤S10中,所述充放电数据为不同循环次数下,各时刻的电压、电流、功率、电阻以及温度;
所述对充放电数据进行预处理具体为:
通过截取或者数据补0的方式将各所述充放电数据调整为统一长度后,对所述充放电数据进行归一化处理,并对所述充放电数据进行N、C、H、W的标注;
其中,N表示一次训练所选取的样本数;C表示特征维度数;H表示充放电循环次数;W表示每个充放电循环下每个特征的时序序列长度;特征为电压、电流、功率、电阻或者温度。
4.如权利要求1所述的一种基于深度学习的电池容量衰减趋势预测方法,其特征在于:所述步骤S30中,所述长短期记忆网络用于对所述充放电数据的时序间的相关性进行特征提取,得到第二特征,并各对所述第一特征和第二特征进行全连接处理,以输出电池容量的预测值。
5.如权利要求1所述的一种基于深度学习的电池容量衰减趋势预测方法,其特征在于:所述步骤S30中,所述预测值为预设容量衰减率对应的充放电循环次数。
6.一种基于深度学习的电池容量衰减趋势预测系统,其特征在于:包括如下模块:
充放电数据预处理模块,用于获取大量的电池的充放电数据,并对所述充放电数据进行预处理;
特征提取模块,用于利用卷积神经网络对预处理后的所述充放电数据的时序进行特征提取,得到第一特征;
回归预测模块,用于利用长短期记忆网络对提取的所述第一特征进行回归预测,得到电池容量的预测值;
容量衰减趋势预测模块,用于基于各所述预测值进行电池容量衰减曲线的拟合,利用拟合后的所述电池容量衰减曲线进行电池容量衰减趋势预测。
7.如权利要求6所述的一种基于深度学习的电池容量衰减趋势预测系统,其特征在于:所述充放电数据预处理模块中,所述充放电数据为不同循环次数下,各时刻的电压、电流、功率、电阻以及温度;
所述对充放电数据进行预处理具体为:
通过截取或者数据补0的方式将各所述充放电数据调整为统一长度后,对所述充放电数据进行归一化处理,并对所述充放电数据进行N、C、H、W的标注;
其中,N表示一次训练所选取的样本数;C表示特征维度数;H表示充放电循环次数;W表示每个充放电循环下每个特征的时序序列长度;特征为电压、电流、功率、电阻或者温度。
9.如权利要求6所述的一种基于深度学习的电池容量衰减趋势预测系统,其特征在于:所述回归预测模块中,所述长短期记忆网络用于对所述充放电数据的时序间的相关性进行特征提取,得到第二特征,并各对所述第一特征和第二特征进行全连接处理,以输出电池容量的预测值。
10.如权利要求6所述的一种基于深度学习的电池容量衰减趋势预测系统,其特征在于:所述回归预测模块中,所述预测值为预设容量衰减率对应的充放电循环次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211639533.5A CN116186484A (zh) | 2022-12-20 | 2022-12-20 | 一种基于深度学习的电池容量衰减趋势预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211639533.5A CN116186484A (zh) | 2022-12-20 | 2022-12-20 | 一种基于深度学习的电池容量衰减趋势预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116186484A true CN116186484A (zh) | 2023-05-30 |
Family
ID=86439367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211639533.5A Pending CN116186484A (zh) | 2022-12-20 | 2022-12-20 | 一种基于深度学习的电池容量衰减趋势预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116186484A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118501721A (zh) * | 2024-07-17 | 2024-08-16 | 南通理工学院 | 基于多维度数据分析的电池检测方法 |
-
2022
- 2022-12-20 CN CN202211639533.5A patent/CN116186484A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118501721A (zh) * | 2024-07-17 | 2024-08-16 | 南通理工学院 | 基于多维度数据分析的电池检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Battery health prognosis using improved temporal convolutional network modeling | |
CN111856287B (zh) | 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法 | |
CN112379269A (zh) | 电池异常检测模型训练及其检测方法、装置 | |
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 | |
KR102615145B1 (ko) | 딥러닝 기반의 배터리 유효 충전 데이터 식별 방법, 장비 및 매체 | |
CN114740388A (zh) | 一种基于改进tcn的锂电池剩余寿命状态评估方法 | |
CN114580262B (zh) | 一种锂离子电池健康状态估计方法 | |
CN116186484A (zh) | 一种基于深度学习的电池容量衰减趋势预测方法及系统 | |
CN117154263A (zh) | 锂电池梯次利用充放电系统及控制方法 | |
CN115891741A (zh) | 一种适用于电动汽车充电过程的远程故障预警方法及装置 | |
CN116298902A (zh) | 一种基于多任务学习的锂电池老化预测方法及系统 | |
CN116125279A (zh) | 一种电池健康状态的确定方法、装置、设备及存储介质 | |
CN115718263A (zh) | 基于注意力的锂离子电池日历老化预测模型和方法 | |
CN116298936A (zh) | 在不完全电压范围内的锂离子电池智能健康状态预测方法 | |
CN114994547A (zh) | 基于深度学习和一致性检测的电池包安全状态评估方法 | |
Zhou et al. | A light-weight feature extractor for lithium-ion battery health prognosis | |
CN117744856A (zh) | 锂电池剩余寿命预测方法、系统、计算机设备和存储介质 | |
Li et al. | State of health estimation and prediction of electric vehicle power battery based on operational vehicle data | |
CN116679208A (zh) | 一种锂电池剩余寿命估算方法 | |
CN115656824A (zh) | 基于cnn-lstm模型的锂电池核电状态预测方法 | |
CN115372827A (zh) | 一种基于长短时记忆网络的电池soc预测方法 | |
CN114487850A (zh) | 一种基于实车数据的动力电池容量预测方法 | |
CN115389947B (zh) | 锂电池健康状态的预测方法、装置、电子设备及存储介质 | |
CN118011220B (zh) | 一种电池组的荷电状态估计方法、系统和介质 | |
CN118054111B (zh) | 锂电池组安全管理方法、装置、存储介质及电子设备 |
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 |