CN116298936A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116298936A CN116298936A CN202310565007.7A CN202310565007A CN116298936A CN 116298936 A CN116298936 A CN 116298936A CN 202310565007 A CN202310565007 A CN 202310565007A CN 116298936 A CN116298936 A CN 116298936A
- Authority
- CN
- China
- Prior art keywords
- voltage
- lithium ion
- ion battery
- incomplete
- group
- 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
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 38
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 38
- 230000036541 health Effects 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000005070 sampling Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 239000004973 liquid crystal related substance Substances 0.000 claims description 10
- 238000002474 experimental method Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 8
- 230000001537 neural effect Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000007599 discharging Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 2
- 230000008569 process Effects 0.000 description 10
- 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
- 230000000052 comparative effect Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002123 temporal effect Effects 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
Abstract
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，包括以下步骤：搭建不完全电压范围的锂离子电池健康状况预测网络，对预测网络进行训练时，对锂离子电池进行循环寿命测试，每次的循环寿命测试中均包括若干个不同的充放电电压范围；从每个电池充电曲线中提取电压曲线特征，将电压曲线特征中每增加固定的电压采样间隔所需的充电时间记为相应的时间特征；基于预测网络对锂离子电池在不完全电压范围内的电池健康度进行预测。通过在不完全电压范围内对锂离子电池进行循环寿命测试，并通过电压曲线特征中的时间特征序列对预测网络进行训练，从而使得预测网络实现对不完全电压范围内的锂离子电池智能健康状态进行准确预测。
Description
技术领域
本发明涉及电池健康状态估计领域，具体涉及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。
背景技术
电池健康状况估算是BMS的重要技术之一，其准确性会协同影响到电池管理系统其它管理功能，锂离子电池因其高可靠性、高能量密度、长循环寿命和低自放电率等优越特性，已被广泛用作电池电动汽车（BEV）和混合动力电动汽车（HEV）的储能系统，然而，锂离子电池的性能在连续充电/放电过程中会下降，导致容量衰减或功率衰减。因此，健康诊断对于电动汽车制造商和车主来说至关重要，以确保锂离子电池的安全性和可靠性。电池管理系统（BMS）用于通过使用健康状况指标来实时估计电池运行状况，以跟踪锂离子电池的老化状况。锂离子电池作为一个机理复杂的综合体系，其内部状态及参数无法直接测量。由于制造工艺的与使用条件造成的个体差异，电池的健康状况无法简单地以查表的方式进行估算。
随着车联网和云计算的快速发展，基于大数据的深度学习在锂离子电池健康状况的在线预测中发挥着越来越重要的作用，其中提高准确性、鲁棒性和实时适用性是当前的研究挑战。值得注意的是，锂电池的实际使用过程中，充电期间的启动和停止，例如在完全放电前开始充电或在完全充电前停止充电，是比较常见的情况。然而，现有的电池健康状况预测模型通常采用固定的充电或放电过程，并不是从完全放电到完全充电的整个过程，可用数据段的不完整给特征提取带来了挑战。
发明内容
针对现有技术中的问题，本发明提供一种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，基于注意力机制的编码器-解码器框架的估计网络和一维卷积（Conv1D）层来预测锂离子电池健康状况，能够在不完全电压范围内进行预测，且性能较好、具有鲁棒性。
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，包括以下步骤：
步骤1：搭建不完全电压范围的锂离子电池健康状况预测网络，该预测网络包括：
用于捕获时间序列特征的一维卷积神经模块；
用于从一维卷积神经模块的输出中提取依赖特征的编码层；
用于通过分配关注权重来选择性地利用编码层的输出进行解码的解码层；
用于将解码层的输出进行线性变换并实现全局预测的全连接层；
步骤2：对预测网络进行训练，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循环寿命测试，并得到电池进行每次循环寿命测试的电池充电曲线，每次的循环寿命测试中均包括若干个不同的充放电电压范围；
步骤2.2：从每个所述电池充电曲线中提取电压曲线特征，将所述电压曲线特征中每增加固定的电压采样间隔所需的充电时间记为相应的时间特征，每个电压曲线特征中的时间特征组成相应的时间特征序列；
步骤3：将所述时间序列特征作为特征向量，将相应的电压曲线特征对应的电池健康度作为标签向量，特征向量和标签向量分别作为预测网络的输入值和输出值，将相应的特征向量和标签向量组成数据组，将所有数据组分成训练集和验证集，通过训练集对预测网络进行训练，再通过验证集对预测网络进行验证；
步骤4：基于所述预测网络对锂离子电池在不完全电压范围内的电池健康度进行预测。
本发明的有益效果：通过在不完全电压范围内对锂离子电池进行循环寿命测试，并通过电压曲线特征中的时间特征序列对预测网络进行训练，从而使得预测网络实现对不完全电压范围内的锂离子电池智能健康状态进行准确预测，且性能较好、具有鲁棒性。
附图说明
图1为本发明方法的流程图；
图2为本发明中预测网络的结构框体。
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。
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，如图1和图2所示，包括以下步骤：
步骤1：搭建不完全电压范围的锂离子电池健康状况预测网络，该预测网络包括：
用于捕获时间序列特征的一维卷积神经模块；
用于从一维卷积神经模块的输出中提取依赖特征的编码层；
用于通过分配关注权重来选择性地利用编码层的输出进行解码的解码层；
用于将解码层的输出进行线性变换并实现全局预测的全连接层；
步骤2：对预测网络进行训练，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循环寿命测试，并得到电池进行每次循环寿命测试的电池充电曲线，每次的循环寿命测试中均包括若干个不同的充放电电压范围；
步骤2.2：从每个所述电池充电曲线中提取电压曲线特征，将所述电压曲线特征中每增加固定的电压采样间隔所需的充电时间记为相应的时间特征，每个电压曲线特征中的时间特征组成相应的时间特征序列；
步骤3：将所述时间序列特征作为特征向量，将相应的电压曲线特征对应的电池健康度作为标签向量，特征向量和标签向量分别作为预测网络的输入值和输出值，将相应的特征向量和标签向量组成数据组，将所有数据组分成训练集和验证集，通过训练集对预测网络进行训练，再通过验证集对预测网络进行验证；
步骤4：基于所述预测网络对锂离子电池在不完全电压范围内的电池健康度进行预测。
每次循环寿命测试中均包括第一组电压范围、第二组电压范围和第三组电压范围，所述第一组电压范围的启动电压为固定值，其停止电压为大于其启动电压的随机值，具体的，所述第一组电压范围的启动电压为3.4V，其停止电压的随机值在3.88V~3.94V内随机选取；所述第二组电压范围的停止电压为固定值，其启动电压为小于其停止电压的随机值，具体的，所述第二组电压范围的停止电压为4.0V，其启动电压的随机值在3.70V~3.76V内随机选取；所述第三组电压范围的启动电压和停止电压均为随机值，其启动电压小于其停止电压，具体的，所述第三组电压范围的启动电压在3.70V~3.76V内随机选取，其停止电压在3.88V~3.94V内随机选取。
将数据集中充电过程的电压曲线按照时间划分为相等的间隔，将其作为特征变量。在特征提取之前，对原始数据采用最小-最大归一化方法，其数学表示如下：
上式中，所述
和
分别表示第i个单位的直接测量值和归一化值；
然后，选择3.4 V至4.0 V的电压范围作为总充电间隔，用Vtot表示。在此基础上，电池获得一定电压增加所需的时间Ti被用作特征。这种增加用ΔV表示，ΔV是每个特征的电压范围，称为电压采样间隔或电压分辨率，本实验中，将ΔV设置为60mV。电压间隔n被称为特征数，其在数学上表示如下：
n为向下舍入取整数，总电压间隔Vtot被等分为子间隔，其中一些子间隔可以为零。因此，特征可以如等式中所描述的来表示：
其中，
和
分别表示子间隔i的开始时间和结束时间。因此，电池的每个充电周期
由多特征变量表征。
设置滑动窗口来处理每个训练样本，该滑动窗口可以整合一段时间内不同参数之间的关系，而无需相邻数据相互独立。在正常运行中，电池状态参数是动态的，测量延迟时间难以计算。然而，通过调整滑动窗口w的大小，即使当延迟时间变化时，也可以获得时间序列中的所有相关信息。因此，滑动窗口的使用有利于时间序列数据的分析，并提供准确的预测结果。通常，滑动窗口的大小是固定值，并且利用窗口来构造用于模型训练的输入和目标。当为每个周期提取特征向量和标签向量时，将滑动窗口应用于时间特征以获得具有特征向量x和标签向量y的训练样本由下式给出：
其中，xc表示特征向量，yc表示第c个循环的标签向量，cf表示最后一个循环，特征向量和标签向量分别选取w个观测值，利用滑动窗口获得的输入层如下：
其中，Xc表示周期c的输入矩阵，yc表示周期c的预测对象矢量，此得到一系列多变量特征向量x和标签向量y序列对，基于序列长度组合序列对以建立训练批次的集合。
一维卷积神经模块包括若干个卷积滤波器，所述卷积滤波器为：
其中，Xin为特征向量，Xconv是卷积滤波器的输出，WConv是学习的权重矩阵，采用ReLU函数作为激活函数。
编码层包括自注意力模块以及若干第一GRU单元，自注意力模块为：
其中，
是一个缩放因子，其防止分数太大而无法实现稳定的梯度，Q、K和V分别
为具有相应维度的查询矩阵、键矩阵和值矩阵；将卷积滤波器的输出作为自注意力模块的
输入，将自注意力模块的输入分别与Q、K和V相乘得到自注意力模块的输出：
所述第一GRU单元为：
其中，rt和zt的范围为(0，1)且分别表示时间t的重置门和更新门，t为大于零的正
整数，rt和zt用于控制从先前状态到当前时刻被保留和遗忘的信息；σ为非线性Sigmoid激活
函数，Wr、Wz和Wn是权重矩阵，br、bz和bn是偏差向量，nt为候选隐藏层状态，
为自注意力模
块的输出，ht作为第一GRU单元的输出。
解码层包括注意力机制层和若干个第二GRU单元，注意力机制层为：
其中，每个隐藏层状态
的注意力得分记为权重
，权重
为
，其中，
；ct为注意力机制层的输出；W1和W2均为学习矩阵；
所述第二GRU单元为：
重置门
如下公式所示，其中，rt表示第t个隐藏层单元：
类似地，更新门
如下公式所示：
基于重置门计算的隐藏状态
如下公式所示：
基于更新门对隐藏的状态更新公式如公式（13）所示：
其中，
和
的范围为(0，1)，分别表示时间t的重置门和更新门，
为候选隐藏层
状态；
、
和
是权重矩阵，
、
和
是偏差向量，记s0为hT，si作为解码层的输出。
为了验证提出的预测模型的有效性，进行了一系列实验，具体的包括：
进行四个模型的对比实验，包括BiLSTM、Transformer、PANet和本发明提出的模型，分别用于预测测试电池的SOH。总共考虑了6个组数据，前四组数据用于训练，后两组数据用于测试。此外，将每个电池数据集分为训练集和验证集，随机选择80%的数据用于训练，其余数据用于验证。在训练过程中，均方误差（MSE）函数被用作损失函数。计算损失函数的梯度后，利用Adam优化算法更新权值，使损失最小。为了防止过拟合，在网络中使用了一种有效的正则化方法—dropout方法，dropout率为0.1。设置了一系列的学习速率和网格搜索的批量大小，然后在训练好的模型中选择最优模型。每个模型经过5次重复训练后得到平均预测结果和标准差。每个模型的性能指标如表1所示：
表1 不同方法的性能比较
具体而言，采用拟定方法获得的第五组数据的MaxE、RMSE、MAE和MAPE值分别为2.36%、0.85%、0.69%和0.78%，第六组数据的MaxE、RMSE、MAE和MAPE值分别为2.24%、0.77%、0.60%和0.66%，证明了其准确度和一致性。这些结果表明，所提出的方法始终优于其他模型。表2比较了不同模型生成预测所需的平均计算时间，结果表明，在基于云计算的实际BMS中，计算效率是可以容忍的。因此，可以认为该模型比其他模型更能准确地预测SOH。
表2不同模型的平均预测计算时间比较
在线预测结果会受到传感器噪声、网络不稳定等外部不确定因素的影响。因此，模型鲁棒性是SOH预测算法要考虑的另一个重要性能度量。本发明选择了两种情况：电压范围为3.40-4.00 V的完全过程和电压范围为（3.70，3.76）-（3.88，3.96）V的不完全过程，使用具有50 mV、100 mV和150 mV高斯白色噪声的测试数据集来验证所提出方法的鲁棒性。结果表明，随着噪声强度的增加，预测性能趋于下降。然而，即使在150mV高斯噪声下，所提出的方法仍然能够获得良好的预测，误差小于3.54%，这验证了本预测网络对整个充电过程具有较强的鲁棒性。针对第5组电池和第6组电池使用两种条件时的预测性能，结果表明，随着可用数据的减少，预测性能下降，表明测试数据的减少降低了算法的鲁棒性。然而，总的来说，与现有模型的方法相比，在（3.70，3.76）~（3.88，3.96）的电压范围内具有大约5%的平均估计误差和较少的可用数据，使用具有150 mV输入噪声的所提出的模型仍然实现了上级的结果；第5组电池和第6组电池预测数据的最大期望值分别为5.31%和4.43%，均方根误差分别为1.92%和1.44%，最大允许误差分别为1.47%和1.08%，最大允许误差分别为1.72%和1.22%。
本发明通过建立电池循环寿命试验的实验平台，获取电池健康状况数据集，提取时间特征；利用Conv1D层学习局部趋势特征，利用编码层和解码层获得准确的预测结果；为了验证提出的预测模型的有效性，并实现在不完全电压范围内锂离子电池智能健康状态的预测，与BiLSTM、Transformer、PANet三种模型进行了对比实验；最后，为了验证提出的预测模型的鲁棒性，进行了三种不同电压范围的对比实验，以及对于三种不同的高斯噪声的不完全电压过程进行验证。在不完全过程中，即使输入噪声为150 mV，所公开的模型仍能得到较好的鲁棒性结果，验证了该模型对噪声不敏感，接近实际应用。结果表明，该方法具有较好的精度和鲁棒性，适用于现有协同车辆基础设施系统中的电动汽车。同时，所提出的方法将进一步增强用于大规模动力电池系统、能量存储系统等。通过使用本发明，能够实时估计电池的健康状态。
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 (6)
1.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，包括以下步骤：
步骤1：搭建不完全电压范围的锂离子电池健康状况预测网络，该预测网络包括：
用于捕获时间序列特征的一维卷积神经模块；
用于从一维卷积神经模块的输出中提取依赖特征的编码层；
用于通过分配关注权重来选择性地利用编码层的输出进行解码的解码层；
用于将解码层的输出进行线性变换并实现全局预测的全连接层；
步骤2：对预测网络进行训练，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循环寿命测试，并得到电池进行每次循环寿命测试的电池充电曲线，每次的循环寿命测试中均包括若干个不同的充放电电压范围；
步骤2.2：从每个所述电池充电曲线中提取电压曲线特征，将所述电压曲线特征中每增加固定的电压采样间隔所需的充电时间记为相应的时间特征，每个电压曲线特征中的时间特征组成相应的时间特征序列；
步骤3：将所述时间序列特征作为特征向量，将相应的电压曲线特征对应的电池健康度作为标签向量，特征向量和标签向量分别作为预测网络的输入值和输出值，将相应的特征向量和标签向量组成数据组，将所有数据组分成训练集和验证集，通过训练集对预测网络进行训练，再通过验证集对预测网络进行验证；
步骤4：基于所述预测网络对锂离子电池在不完全电压范围内的电池健康度进行预测。
2.根据权利要求1所述的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，其特征在于：每次循环寿命测试中均包括第一组电压范围、第二组电压范围和第三组电压范围，所述第一组电压范围的启动电压为固定值，其停止电压为大于其启动电压的随机值；所述第二组电压范围的停止电压为固定值，其启动电压为小于其停止电压的随机值；所述第三组电压范围的启动电压和停止电压均为随机值，其启动电压小于其停止电压。
3.根据权利要求2所述的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，其特征在于：所述第一组电压范围的启动电压为3.4V，其停止电压的随机值在3.88V~3.94V内随机选取；所述第二组电压范围的停止电压为4.0V，其启动电压的随机值在3.70V~3.76V内随机选取；所述第三组电压范围的启动电压在3.70V~3.76V内随机选取，其停止电压在3.88V~3.94V内随机选取。
4.根据权利要求1所述的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，其特征在于：一维卷积神经模块包括若干个卷积滤波器，所述卷积滤波器为：
其中，Xin为特征向量，Xconv是卷积滤波器的输出，W Conv是学习的权重矩阵，采用ReLU函数作为激活函数。
5.根据权利要求4所述的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，其特征在于：编码层包括自注意力模块以及若干第一GRU单元，自注意力模块为：
其中，
是一个缩放因子，Q、K和V分别为具有相应维度的查询矩阵、键矩阵和值矩阵；将卷积滤波器的输出作为自注意力模块的输入，将自注意力模块的输入分别与Q、K和V相乘得到自注意力模块的输出：
所述第一GRU单元为：
其中，rt和zt的范围为(0，1)且分别表示时间t的重置门和更新门，t为大于零的正整数，rt和zt用于控制从先前状态到当前时刻被保留和遗忘的信息；σ为非线性Sigmoid激活函数，Wr、Wz和Wn是权重矩阵，br、bz和bn是偏差向量，nt为候选隐藏层状态，
为自注意力模块的输出，ht作为第一GRU单元的输出。
6.根据权利要求5所述的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，其特征在于：解码层包括注意力机制层和若干个第二GRU单元，注意力机制层为：
其中，每个隐藏层状态
的注意力得分记为权重/>
，权重/>
为/>
，其中，
；ct为注意力机制层的输出；W1和W2均为学习矩阵；
所述第二GRU单元为：
其中，
和/>
的范围为(0，1)，分别表示时间t的重置门和更新门，/>
为候选隐藏层状态；/>
、/>
和/>
是权重矩阵，/>
、/>
和/>
是偏差向量，记s0为hT，si作为解码层的输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310565007.7A CN116298936A (zh) | 2023-05-19 | 2023-05-19 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310565007.7A CN116298936A (zh) | 2023-05-19 | 2023-05-19 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116298936A true CN116298936A (zh) | 2023-06-23 |
Family
ID=86827300
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310565007.7A Pending CN116298936A (zh) | 2023-05-19 | 2023-05-19 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116298936A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117368777A (zh) * | 2023-10-17 | 2024-01-09 | 昆明理工大学 | 基于小样本学习算法的锂离子电池寿命预测方法和系统 |
| CN117686937A (zh) * | 2024-02-02 | 2024-03-12 | 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 (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111222513A (zh) * | 2019-12-31 | 2020-06-02 | 深圳云天励飞技术有限公司 | 车牌号码识别方法、装置、电子设备及存储介质 |
| CN111832220A (zh) * | 2020-06-16 | 2020-10-27 | 天津大学 | 一种基于编解码器模型的锂离子电池健康状态估算方法 |
| 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 |
| CN114219021A (zh) * | 2021-12-06 | 2022-03-22 | 中国电子科技集团公司第十五研究所 | 基于卷积自注意力机制的航迹时间序列分类算法 |
| CN114861527A (zh) * | 2022-04-15 | 2022-08-05 | 南京工业大学 | 一种基于时间序列特征的锂电池寿命预测方法 |
| CN115082774A (zh) * | 2022-07-20 | 2022-09-20 | 华南农业大学 | 基于双流自注意力神经网络的图像篡改定位方法及系统 |
| CN115308606A (zh) * | 2022-07-21 | 2022-11-08 | 北京工业大学 | 一种基于邻近特征的锂离子电池健康状态估计方法 |
| CN115980588A (zh) * | 2022-12-26 | 2023-04-18 | 中山大学·深圳 | 基于自编码器提取特征的锂离子电池健康状态估计方法 |
-
2023
- 2023-05-19 CN CN202310565007.7A patent/CN116298936A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111222513A (zh) * | 2019-12-31 | 2020-06-02 | 深圳云天励飞技术有限公司 | 车牌号码识别方法、装置、电子设备及存储介质 |
| CN111832220A (zh) * | 2020-06-16 | 2020-10-27 | 天津大学 | 一种基于编解码器模型的锂离子电池健康状态估算方法 |
| 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 |
| CN114219021A (zh) * | 2021-12-06 | 2022-03-22 | 中国电子科技集团公司第十五研究所 | 基于卷积自注意力机制的航迹时间序列分类算法 |
| CN114861527A (zh) * | 2022-04-15 | 2022-08-05 | 南京工业大学 | 一种基于时间序列特征的锂电池寿命预测方法 |
| CN115082774A (zh) * | 2022-07-20 | 2022-09-20 | 华南农业大学 | 基于双流自注意力神经网络的图像篡改定位方法及系统 |
| CN115308606A (zh) * | 2022-07-21 | 2022-11-08 | 北京工业大学 | 一种基于邻近特征的锂离子电池健康状态估计方法 |
| CN115980588A (zh) * | 2022-12-26 | 2023-04-18 | 中山大学·深圳 | 基于自编码器提取特征的锂离子电池健康状态估计方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117368777A (zh) * | 2023-10-17 | 2024-01-09 | 昆明理工大学 | 基于小样本学习算法的锂离子电池寿命预测方法和系统 |
| CN117368777B (zh) * | 2023-10-17 | 2024-03-22 | 昆明理工大学 | 基于小样本学习算法的锂离子电池寿命预测方法和系统 |
| CN117686937A (zh) * | 2024-02-02 | 2024-03-12 | 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 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Big data driven lithium-ion battery modeling method based on SDAE-ELM algorithm and data pre-processing technology | |
| Li et al. | Lithium-ion battery capacity estimation—A pruned convolutional neural network approach assisted with transfer learning | |
| Li et al. | Remaining useful life prediction for lithium-ion batteries based on a hybrid model combining the long short-term memory and Elman neural networks | |
| Deng et al. | Data-driven state of charge estimation for lithium-ion battery packs based on Gaussian process regression | |
| Xu et al. | Improving the state of charge estimation of reused lithium-ion batteries by abating hysteresis using machine learning technique | |
| Cui et al. | A dynamic spatial-temporal attention-based GRU model with healthy features for state-of-health estimation of lithium-ion batteries | |
| 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 | |
| Fan et al. | A remaining capacity estimation approach of lithium-ion batteries based on partial charging curve and health feature fusion | |
| CN113065283A (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 | |
| Yu et al. | State of health estimation method for lithium-ion batteries based on multiple dynamic operating conditions | |
| 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 | |
| Wang et al. | Health diagnosis for lithium-ion battery by combining partial incremental capacity and deep belief network during insufficient discharge profile | |
| Che et al. | Battery health prognostic with sensor-free differential temperature voltammetry reconstruction and capacity estimation based on multi-domain adaptation | |
| 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 | |
| Xia et al. | State of health and remaining useful life prediction of lithium-ion batteries based on a disturbance-free incremental capacity and differential voltage analysis method | |
| CN112098874A (zh) | 一种考虑老化情况下的锂离子电池电量预测方法 | |
| Tian et al. | State-of-charge estimation for lithium-ion batteries based on attentional sequence-to-sequence architecture | |
| Cai et al. | Prediction of lithium-ion battery remaining useful life based on hybrid data-driven method with optimized parameter | |
| Chen et al. | A novel battery health indicator and PSO-LSSVR for LiFePO4 battery SOH estimation during constant current charging | |
| WO2022144542A1 (en) | Method for predicting condition parameter degradation of a cell | |
| Schmitt et al. | State-of-health estimation by virtual experiments using recurrent decoder–encoder based lithium-ion digital battery twins trained on unstructured battery data | |
| CN117406100A (zh) | 锂离子电池剩余寿命预测方法和系统 | |
| CN116679213A (zh) | 基于集成深度学习的电动汽车动力电池soh估算方法 | |
| CN117074951A (zh) | 锂电池荷电状态的估计方法、装置、设备及可读存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230623 |