CN116298935B - 一种基于对抗编码器网络的锂离子电池健康状态估计方法 - Google Patents
一种基于对抗编码器网络的锂离子电池健康状态估计方法 Download PDFInfo
- Publication number
- CN116298935B CN116298935B CN202310565004.3A CN202310565004A CN116298935B CN 116298935 B CN116298935 B CN 116298935B CN 202310565004 A CN202310565004 A CN 202310565004A CN 116298935 B CN116298935 B CN 116298935B
- Authority
- CN
- China
- Prior art keywords
- battery
- voltage
- challenge
- verification
- encoder network
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000036541 health Effects 0.000 title claims abstract description 25
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 23
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 23
- 238000009826 distribution Methods 0.000 claims abstract description 45
- 238000012795 verification Methods 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims description 49
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 7
- 230000001174 ascending effect Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 230000008485 antagonism Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 230000003042 antagnostic effect Effects 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 14
- 230000015556 catabolic process Effects 0.000 description 5
- 238000006731 degradation reaction Methods 0.000 description 5
- 230000007423 decrease Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
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)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提供一种基于对抗编码器网络的锂离子电池健康状态估计方法，包括以下步骤：搭建对抗验证编码器网络并输入数据集，所述对抗验证编码器网络包括输入模块、对抗验证模块和预测模块；获取数据集；通过数据集对所述对抗验证编码器网络进行训练；基于训练后的对抗验证编码器网络对锂离子的电池健康度进行估计。预先通过循环寿命测试获取每个锂离子电池充电曲线，取得关键健康状态因子作为模型输入，然后进一步使用对抗性特征选择策略，以适应多模态电池特征分布，提升数据分布的一致性，最大程度上解决“数据漂移”的问题，最后送入一个三头估计模块，从而准确地估算出电池的健康状态。
Description
技术领域
本发明涉及电池智能健康状态估计领域，具体涉及一种基于对抗编码器网络的锂离子电池健康状态估计方法。
背景技术
随着化石燃料消耗和碳排放日益受到关注，可再生能源系统已经成为学术界和工业界研究的热点。作为一种清洁的储能技术，锂离子电池（LIBs）已经成为电动汽车（EV）和储能系统（ESS）最有前途的选择之一。然而，连续充电/放电后，LIB性能会降低，导致容量衰减或功率衰减。健康状态（SoH）是表征电池电容的关键指标，代表电池退化程度，有助于电池的维护、评估和分析。为了保证汽车电池的安全可靠运行，需要对电池的SoH进行准确、实时的估算。从容量的角度来看，SoH在本发明中被定义为实际电池容量与其初始值的比率。当SoH降低到80%以下时，假定电池已耗尽其最大使用寿命，必须更换。近几十年来，已经开发了许多估算技术，对其进行了分类、表征和评估，并将其分为三类：基于模型的方法、数据驱动的方法以及基于模型和数据驱动的混合方法。
基于数据驱动的深度学习已经广泛应用于云计算和边缘计算的锂离子电池在线健康状态估算，提高估算的准确性、鲁棒性和实时性是当前的研究课题。然而，现有的数据驱动方法通常将电池数据的分布视为相似，根据锂离子电池的退化数据建立SOH估算模型。但是，一个叫做“数据漂移”的关键问题尚未解决。“数据漂移”的主要原因是电池数据的分布差异，即数据分布不一致：在电池系统的实际操作期间，各种充电/放电过程将导致各种电池的不同容量衰减速率；此外，由于电池类型或制造的个体差异，在相似充电/放电条件下电池的退化程度通常是不同的。理论上，只有使用大量工作场景和大量电池单体的退化数据，才能建立精确的估计模型，然而，获取这些数据是费力且耗时的。对于模型训练，实际上仅可获得来自某些充电/放电技术的有限电池退化数据。由于训练数据和测试数据具有不同的数据分布，所以在实时监控场景中，训练模型的性能可能会降低。
发明内容
针对现有技术中的不足，本发明提供一种基于对抗编码器网络的锂离子电池健康状态估计方法，目的在于使用源电池的数据分布与目标电池的数据分布，两者的聚集域相匹配的对抗验证准则来训练，以优化所提取的特征，能够克服“数据漂移”，传统方法所面临的准确性、鲁棒性和实时适用性不强的问题。
一种基于对抗编码器网络的锂离子电池健康状态估计方法，包括以下步骤：
步骤1：搭建对抗验证编码器网络并输入数据集，所述对抗验证编码器网络包括输入模块、对抗验证模块和预测模块；
步骤1.1：输入模块配置为从数据集中提取特征向量并将特征向量馈入到对抗验证模块；对抗验证模块包括两个同时进行并相互对抗的神经网络，所述神经网络包括编码器，所述编码器由Z表示，每个特征向量的序列长度为T，从特征向量中随机抽取一部分向量组成的编码向量并记为，记真实的数据分布形式p为/>，记与数据分布相似的编码分布为/>，通过/>用来度量数据分布和编码分布之间的相似程度，并训练出一个最优的随机采样率/>，使得数据分布和编码分布之间的相似程度最大；
步骤1.2：计算并比较两个神经网络的损失函数值，将损失函数值较小的神经网络输出的升维向量馈入到预测模块，所述预测模块进行最终全局预测；
步骤2：获取数据集，包括以下步骤：
步骤2.1：通过用于电池循环寿命试验的实验平台对锂离子电池进行两组循环寿命测试，并得到每块电池的电池充电曲线；
步骤2.2：从每个所述电池充电电压曲线中提取特征F1和F2，从每个所述电池的IC曲线中提取特征F3和F4；从而得到特征向量F1、F2、F3、F4；
步骤2.3：将与特征向量相对应的电池健康度作为标签向量，标签向量和特征向量组成所述数据集；
步骤3：将数据集中的标签向量和特征向量分别作为对抗验证编码器网络的输出和输入，并对所述对抗验证编码器网络进行训练；
步骤4：基于训练后的对抗验证编码器网络对锂离子的电池健康度进行估计。
本发明的有益效果：预先通过循环寿命测试获取每个锂离子电池充电曲线，取得关键健康状态因子作为模型输入，然后进一步使用对抗性特征选择策略，以适应多模态电池特征分布，提升数据分布的一致性，最大程度上解决“数据漂移”的问题，最后送入一个三头估计模块，从而准确地估算出电池的健康状态。
附图说明
图1为本发明的流程图；
图2为本发明中对抗编码器网络的结构框体。
具体实施方式
下面结合附图对本发明做详细说明。下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。本发明实例中的左、中、右、上、下等方位用语，仅是互为相对概念或是以产品的正常使用状态为参考的，而不应该认为是具有限制性的。
一种基于对抗编码器网络的锂离子电池健康状态估计方法，结合图1和图2所示，包括以下步骤：
步骤1：搭建对抗验证编码器网络并输入数据集，所述对抗验证编码器网络包括输入模块、对抗验证模块和预测模块；
步骤1.1：输入模块配置为从数据集中提取特征向量并将特征向量馈入到对抗验证模块；对抗验证模块包括两个同时进行并相互对抗的神经网络，所述神经网络包括编码器，所述编码器由Z表示，每个特征向量的序列长度为T，从特征向量中随机抽取一部分向量组成的编码向量并记为，记真实的数据分布形式p为/>，记与数据分布相似的编码分布为/>，通过/>用来度量数据分布和编码分布之间的相似程度，并训练出一个最优的随机采样率/>，使得数据分布和编码分布之间的相似程度最大；
步骤1.2：计算并比较两个神经网络的损失函数值，将损失函数值较小的神经网络输出的升维向量馈入到预测模块，所述预测模块进行最终全局预测；是数据分布和编码分布之间的适当距离度量，用来度量两个分布形式的相似程度，越相似，其值越小，通过训练找到一个最优的随机采样率/>，使得两个分布尽可能的相似，从而提升数据分布的一致性；两条神经网络彼此竞争，最终选择损失函数较小的网络，从而使得神经网络能够得到与真实分布及其相似的编码分布，可以最大程度上解决“数据漂移”的问题；
步骤2：获取数据集，包括以下步骤：
步骤2.1：通过用于电池循环寿命试验的实验平台对锂离子电池进行两组循环寿命测试，并得到每块电池的电池充电曲线；
步骤2.2：从每个所述电池充电电压曲线中提取特征F1和F2，从每个所述电池的IC曲线中提取特征F3和F4；从而得到特征向量F1、F2、F3、F4；
步骤2.3：将与特征向量相对应的电池健康度作为标签向量，标签向量和特征向量组成所述数据集；
步骤3：将数据集中的标签向量和特征向量分别作为对抗验证编码器网络的输出和输入，并对所述对抗验证编码器网络进行训练；
步骤4：基于训练后的对抗验证编码器网络对锂离子的电池健康度进行估计。
其中，所述电池循环寿命试验的实验平台包括由NewareBTS-5V12A充放电测试仪、可编程恒温恒湿箱（SANWOOD SMG-150-CC）和记录数据的计算机组成；两组循环寿命测试中的第一组循环寿命测试为：
从同一批次电池中选择6个18650功率电池（Prospower ICR18650P），电池的标称容量和电压分别为2Ah和3.6V；通过可编程恒温恒湿箱将温度控制在25 ℃，在一个循环期间，首先以1C的恒流模式对电池进行充电，直到电池电压达到4.2V；然后，搁置一分钟之后，再以恒流恒压（CC-CV）模式将电池完全充电，具体地，在其CC阶段的电流为0.5C，截止电流为0.05C，截止电压为4.2V；最后，搁置1小时后，将电池以0.5C的恒流模式进行放电，直到电池电压下降到2.7V；
所述两组循环寿命测试中第一组循环寿命测试为：
从同一批次电池中选择7个18650功率电池（INP18650），电池的标称容量和电压分别为2Ah和3.6V。通过温箱将温度控制在25 ℃；在一个循环期间，首先以6C的恒流模式对电池进行充电，直到电池电压达到4.2V；搁置一分钟之后，再以3C的恒流模式对电池进行充电，直到电池电压达到4.2V；然后，再搁置一分钟之后，以恒流恒压（CC-CV）模式以将电池完全充电，具体地，其CC阶段的电流为0.5C，截止电流为0.05C，截止电压为4.2V；最后，搁置1小时后，用CLTC-P测试工况（中国轻型汽车试验循环-乘用车）将电池重复循环放电6次，直到电池电压降至2.7V。
所述特征F1为电池充电时起始电压增加到最终电压/>的时间；特征F2为电池充电时起始电压/>增加到最终电压/>的电压曲线下围成的面积；特征F3为电池充电时起始电压/>增加到最终电压/>的电压差值；特征F4为IC曲线最大值对应的电压。所述神经网络包括第一MLP单元、第一LSTM单元（即编码器）、第二LSTM单元（即解码器）和第二MLP单元；每条神经网络的四个单元共同作用，寻找一个随机采样率/>，从而将编码分布匹配到真实的数据分布/>；输入数据X= [x F1,x F2,x F3,x F4]使用第一MLP单元进行降维，第一MLP单元即为所述编码器并引入以下递归：
其中，是非线性的嵌入函数ReLU，/>是嵌入权重，/>是编码权重；为捕获最佳网络参数，因此通过第二LSTM单元即解码器来进一步优化编码器，所述解码器引入一下公式：
其中，是具有非线性ReLU激活函数，/>是嵌入权重；编码器学习数据的编码分布特征，使得数据分布和编码分布尽可能相似，从而有效解决“数据漂移”的问题。最后神经网络可以学习到最优的随机采样率/>，同时网络也会同时学习得到最优得嵌入权重和编码权重，用来预测电池的SOH。
另外，所述神经网络的损失Lc分别为：
将损失函数Lc作为对模型的惩罚，尽可能最小化惩罚，使得模型更精确，从而可以学习到最佳的随机采样率，进而得到最佳的编码分布/>，以及得到最佳的权重参数，进而可以有效预测电池的SOH。
所述预测模块包括全连接层以及分别为三种缩放种类的三个1DCNN，通过这三个1DCNN将升维向量归一化并输出特征序列向量，再通过全连接层将特征序列向量进行最终全局预测。
将本发明记为AAM，在数据集1中选择B01电池、B02电池和B03电池用于训练，B04电池、B05电池和B06电池用于预测。对于数据集2，选择B10电池、B11电池、B12电池和B13电池用于训练，B07电池、B08电池和B09电池用来预测。在优化网络的初始权重时，选择均方误差（MSE）函数作为损失函数，初始步长和迭代次数分别设置为1和200，学习速率为5e-5。网络在训练阶段使用ReLU函数作为激活函数。所有偏差均初始化为0。这样的初始化可以在一定程度上防止神经网络陷入局部最优。然后，使用具有足够学习率的梯度下降法和Adam优化神经网络的损失函数。早期停止机制用于防止模型过拟合。具体地，如果所监视的确认丢失在k个时间点上没有减小，则终止训练过程。对提取的特征进行编码，然后将编码矢量提交给预测模块。为了验证预测模型的有效性，本发明将其与三个经典模型进行了比较，三个经典模型分别为随机森林（RF）、高斯过程回归（GPR）和深度学习模块（BiLSTM）。表1显示了三个经典模型以及本发明AAM四者的误差指标，并且可以观察到本发明的误差指标RMSE均低于0.01，MAXE几乎低于0.035。通过应用本发明，可以有效地抑制不同数据分布的影响，提高SOH预测的准确性。
表1.不同方法的MAPE, RMSE和MAXE
在实际应用中，传感器经常干扰数据采集，这使得评估预测模型的鲁棒性变得重要。因此，为了验证本发明的鲁棒性，在数据中加入高斯白色噪声（AWGN）。附加噪声的程度表示为信噪比（SNR），其定义为：
SNR
其中，P v 和P n 分别为无噪声电压和噪声平均功率。通过表2中的分析，包含噪声数据的预测结果，本发明方法的RMSE均低于0.01，并且MAXE几乎低于0.040。可见，本发明具有很高的鲁棒性。
表2.包含噪声数据的预测结果的MAPE, RMSE和MAXE
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (4)
1.一种基于对抗编码器网络的锂离子电池健康状态估计方法，其特征在于：包括以下步骤：
步骤1：搭建对抗验证编码器网络并输入数据集，所述对抗验证编码器网络包括输入模块、对抗验证模块和预测模块；
步骤1.1：输入模块配置为从数据集中提取特征向量并将特征向量馈入到对抗验证模块；对抗验证模块包括两个同时进行并相互对抗的神经网络，所述神经网络包括编码器，所述编码器由Z表示，每个特征向量的序列长度为T，从特征向量中随机抽取一部分向量组成的编码向量并记为，记真实的数据分布形式p为/>，记与数据分布相似的编码分布为/>，通过/>用来度量数据分布和编码分布之间的相似程度，并训练出一个最优的随机采样率/>，以使得数据分布和编码分布之间的相似程度最大；
步骤1.2：计算并比较两个神经网络的损失函数值，将损失函数值较小的神经网络输出的升维向量馈入到预测模块，所述预测模块进行最终全局预测；
步骤2：获取数据集，包括以下步骤：
步骤2.1：通过用于电池循环寿命试验的实验平台对锂离子电池进行两组循环寿命测试，并得到每块电池的电池充电电压曲线；
步骤2.2：从每个所述电池充电电压曲线中提取特征F1和F2，从每个所述电池的IC曲线中提取特征F3和F4；从而得到特征向量F1、F2、F3、F4；
步骤2.3：将与特征向量相对应的电池健康度作为标签向量，标签向量和特征向量组成所述数据集；
步骤3：将数据集中的标签向量和特征向量分别作为对抗验证编码器网络的输出和输入，并对所述对抗验证编码器网络进行训练；
步骤4：基于训练后的对抗验证编码器网络对锂离子的电池健康度进行估计；
所述特征F1为电池充电时起始电压增加到最终电压/>的时间；特征F2为电池充电时起始电压/>增加到最终电压/>的电压曲线下围成的面积；特征F3为电池充电时起始电压/>增加到最终电压/>的电压差值；特征F4为IC曲线最大值对应的电压；
所述神经网络包括第一MLP单元、第一LSTM单元、第二LSTM单元和第二MLP单元；
输入数据X = [x F1, x F2, x F3 , x F4]使用第一MLP单元进行降维，第一MLP单元即为所述编码器并引入以下递归：
；
其中，是非线性的嵌入函数ReLU，/>是嵌入权重，/>是编码权重；为捕获最佳网络参数，因此通过第二LSTM单元即解码器来进一步优化编码器，所述解码器引入一下公式：
；
其中，是具有非线性ReLU激活函数，/>是嵌入权重；
所述神经网络的损失Lc为：
。
2.根据权利要求1所述的一种基于对抗编码器网络的锂离子电池健康状态估计方法，其特征在于：所述电池循环寿命试验的实验平台包括由NewareBTS-5V12A充放电测试仪、可编程恒温恒湿箱和记录数据的计算机组成。
3.根据权利要求2所述的基于对抗编码器网络的锂离子电池健康状态估计方法，其特征在于：两组循环寿命测试中的第一组循环寿命测试为：
从同一批次电池中选择6个18650功率电池，电池的标称容量和电压分别为2Ah和3.6V；通过可编程恒温恒湿箱将温度控制在25 ℃，在一个循环期间，首先以1C的恒流模式对电池进行充电，直到电池电压达到4.2V；然后，搁置一分钟之后，再以恒流恒压模式将电池完全充电；最后，搁置1小时后，将电池以0.5C的恒流模式进行放电，直到电池电压下降到2.7V；
所述两组循环寿命测试中第二组循环寿命测试为：
从同一批次电池中选择7个18650功率电池，电池的标称容量和电压分别为2Ah和3.6V，通过温箱将温度控制在25 ℃；在一个循环期间，首先以6C的恒流模式对电池进行充电，直到电池电压达到4.2V；搁置一分钟之后，再以3C的恒流模式对电池进行充电，直到电池电压达到4.2V；然后，再搁置一分钟之后，以恒流恒压模式以将电池完全充电；最后，搁置1小时后，用CLTC-P测试工况将电池重复循环放电6次，直到电池电压降至2.7V。
4.根据权利要求1所述的基于对抗编码器网络的锂离子电池健康状态估计方法，其特征在于：所述预测模块包括全连接层以及分别为三种缩放种类的三个1DCNN，通过这三个1DCNN将升维向量归一化并输出特征序列向量，再通过全连接层将特征序列向量进行最终全局预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310565004.3A CN116298935B (zh) | 2023-05-19 | 2023-05-19 | 一种基于对抗编码器网络的锂离子电池健康状态估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310565004.3A CN116298935B (zh) | 2023-05-19 | 2023-05-19 | 一种基于对抗编码器网络的锂离子电池健康状态估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116298935A CN116298935A (zh) | 2023-06-23 |
| CN116298935B true CN116298935B (zh) | 2023-09-19 |
Family
ID=86794519
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310565004.3A Active CN116298935B (zh) | 2023-05-19 | 2023-05-19 | 一种基于对抗编码器网络的锂离子电池健康状态估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116298935B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117686937B (zh) * | 2024-02-02 | 2024-04-12 | 河南科技学院 | 一种用于电池系统内单体电池的健康状态估计方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210083487A (ko) * | 2019-12-26 | 2021-07-07 | 주식회사 나눔에너지 | 머신러닝을 이용한 태양광패널 설치용 지붕 가장자리 이미지 추출 시스템 |
| CN113419187A (zh) * | 2021-06-08 | 2021-09-21 | 上海交通大学 | 一种锂离子电池健康估计方法 |
| JP2022040679A (ja) * | 2020-08-31 | 2022-03-11 | プライムアースＥｖエナジー株式会社 | 二次電池の劣化推定方法、二次電池の劣化推定装置 |
| CN114301089A (zh) * | 2021-12-17 | 2022-04-08 | 国核电力规划设计研究院有限公司 | 一种风光联合发电系统储能容量配置优化方法 |
| CN114611597A (zh) * | 2022-03-07 | 2022-06-10 | 山东大学 | 基于rgan的锂离子电池健康状态估计方法及系统 |
| CN114881318A (zh) * | 2022-04-28 | 2022-08-09 | 西安邮电大学 | 基于生成对抗网络的锂电池健康状态预测方法及系统 |
| CN115291108A (zh) * | 2022-06-27 | 2022-11-04 | 东莞新能安科技有限公司 | 数据生成方法、装置、设备及计算机程序产品 |
| WO2023054431A1 (ja) * | 2021-09-28 | 2023-04-06 | 本田技研工業株式会社 | バッテリ特性推定装置、バッテリ特性推定方法、およびプログラム |
| CN116027198A (zh) * | 2022-12-05 | 2023-04-28 | 重庆邮电大学 | 基于联合加权域对抗网络的锂电池健康状态估计方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10440542B2 (en) * | 2015-11-24 | 2019-10-08 | NuGen Systems, Inc. | Wireless battery monitoring and control system for parachute deployment and auto load disengagement |
| US11113599B2 (en) * | 2017-06-22 | 2021-09-07 | Adobe Inc. | Image captioning utilizing semantic text modeling and adversarial learning |
-
2023
- 2023-05-19 CN CN202310565004.3A patent/CN116298935B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210083487A (ko) * | 2019-12-26 | 2021-07-07 | 주식회사 나눔에너지 | 머신러닝을 이용한 태양광패널 설치용 지붕 가장자리 이미지 추출 시스템 |
| JP2022040679A (ja) * | 2020-08-31 | 2022-03-11 | プライムアースＥｖエナジー株式会社 | 二次電池の劣化推定方法、二次電池の劣化推定装置 |
| CN113419187A (zh) * | 2021-06-08 | 2021-09-21 | 上海交通大学 | 一种锂离子电池健康估计方法 |
| WO2023054431A1 (ja) * | 2021-09-28 | 2023-04-06 | 本田技研工業株式会社 | バッテリ特性推定装置、バッテリ特性推定方法、およびプログラム |
| CN114301089A (zh) * | 2021-12-17 | 2022-04-08 | 国核电力规划设计研究院有限公司 | 一种风光联合发电系统储能容量配置优化方法 |
| CN114611597A (zh) * | 2022-03-07 | 2022-06-10 | 山东大学 | 基于rgan的锂离子电池健康状态估计方法及系统 |
| CN114881318A (zh) * | 2022-04-28 | 2022-08-09 | 西安邮电大学 | 基于生成对抗网络的锂电池健康状态预测方法及系统 |
| CN115291108A (zh) * | 2022-06-27 | 2022-11-04 | 东莞新能安科技有限公司 | 数据生成方法、装置、设备及计算机程序产品 |
| CN116027198A (zh) * | 2022-12-05 | 2023-04-28 | 重庆邮电大学 | 基于联合加权域对抗网络的锂电池健康状态估计方法 |
Non-Patent Citations (2)
| Title |
|---|
| Lab testing of battery charge management systems for electric and hybrid electric vehicle battery packs to evaluate cycle life improvement;R.E. MacDougall;《Fifteenth Annual Battery Conference on Applications and Advances (Cat. No.00TH8490)》;全文 * |
| 窗口玻璃裂纹对光伏器件响应特性的影响;杨涛 等;《光学与光电技术》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116298935A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | State of health estimation for lithium-ion batteries based on fusion of autoregressive moving average model and elman neural network | |
| Dai et al. | A novel estimation method for the state of health of lithium-ion battery using prior knowledge-based neural network and Markov chain | |
| Shu et al. | Stage of charge estimation of lithium-ion battery packs based on improved cubature Kalman filter with long short-term memory model | |
| Wei et al. | Remaining useful life prediction and state of health diagnosis for lithium-ion batteries using particle filter and support vector regression | |
| Li et al. | Lithium-ion battery state of health monitoring based on ensemble learning | |
| CN112241608A (zh) | 一种基于lstm网络和迁移学习的锂电池寿命预测方法 | |
| Cui et al. | A dynamic spatial-temporal attention-based GRU model with healthy features for state-of-health estimation of lithium-ion batteries | |
| Fan et al. | A remaining capacity estimation approach of lithium-ion batteries based on partial charging curve and health feature fusion | |
| WO2022198616A1 (zh) | 一种电池寿命预测方法、系统、电子装置及存储介质 | |
| CN116298935B (zh) | 一种基于对抗编码器网络的锂离子电池健康状态估计方法 | |
| CN112130086B (zh) | 一种动力电池剩余寿命预测方法及系统 | |
| CN116298934B (zh) | 一种用于锂电池健康状态估算的预测网络的建模方法 | |
| 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 | |
| CN114740388A (zh) | 一种基于改进tcn的锂电池剩余寿命状态评估方法 | |
| Wang et al. | Health diagnosis for lithium-ion battery by combining partial incremental capacity and deep belief network during insufficient discharge profile | |
| CN115598557B (zh) | 一种基于恒压充电电流的锂电池soh估计方法 | |
| CN113406503A (zh) | 基于深度神经网络的锂电池soh在线估算方法 | |
| CN115201686A (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 | |
| Cai et al. | Prediction of lithium-ion battery remaining useful life based on hybrid data-driven method with optimized parameter | |
| Vilsen et al. | Log-linear model for predicting the lithium-ion battery age based on resistance extraction from dynamic aging profiles | |
| CN114545275A (zh) | 一种锂离子电池剩余使用寿命间接预测方法 | |
| Fan et al. | A novel state-of-health estimation method for fast charging lithium-ion batteries based on an adversarial encoder network | |
| Wang et al. | Remaining useful life prediction of lithium-ion battery based on cycle-consistency learning | |
| Poh et al. | A Review of Machine Learning Applications for Li-Ion Battery State Estimation in Electric Vehicles | |
| Gao et al. | A novel indirect health indicator extraction based on charging data for lithium-ion batteries remaining useful life prognostics |
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 |