CN116381505A - 一种基于变分模态分解的动态工况条件的锂电池健康状态估计方法 - Google Patents
一种基于变分模态分解的动态工况条件的锂电池健康状态估计方法 Download PDFInfo
- Publication number
- CN116381505A CN116381505A CN202310368992.2A CN202310368992A CN116381505A CN 116381505 A CN116381505 A CN 116381505A CN 202310368992 A CN202310368992 A CN 202310368992A CN 116381505 A CN116381505 A CN 116381505A
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- data
- dynamic
- health
- voltage
- 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
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 118
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000036541 health Effects 0.000 title claims abstract description 58
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 230000015654 memory Effects 0.000 claims abstract description 12
- 230000032683 aging Effects 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 230000010354 integration Effects 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 19
- 238000007599 discharging Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims 2
- 125000004122 cyclic group Chemical group 0.000 abstract 1
- 230000009466 transformation Effects 0.000 abstract 1
- 230000015556 catabolic process Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000000489 vacuum metal deposition 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明涉及一种基于变分模态分解的动态工况条件的锂电池健康状态估计方法,开展锂电池老化试验,对参考锂电池进行动态工况循环和标准工况放电循环,采集电压、电流、运行时间和温度的时序数据;利用安时积分法计算参考锂电池的SOH序列数据和一阶差分SOH序列数据;对动态循环运行期间的电压、电流和温度时序数据进行变分模态分解,进一步对分解结果进行快速傅立叶变换,从频域数据中提取健康特征;进一步,构建并训练长短时记忆神经网络,实现对锂电池动态工况条件的健康状态估计。该方法使用场景更加贴合锂电池真实运行状态,并实现精确的锂电池健康状态估计。
Description
技术领域
本发明涉及电池健康监测技术领域,特别涉及一种基于模态分解的动态工况条件的锂电池健康状态估计方法。
背景技术
锂电池具有高能量密度、长寿命和环保等优点,被认为是新能源和可再生能源领域的重要储能和供能的首选技术。然而,锂电池在经历充放电循环工作后,其内部的材料和物理特性会随时间发生变化,从而导致性能和寿命不可逆的退化。与初始状态相比,老化电池的存储能量和输出功率会显著降低,难以满足任务需求,甚至可能导致安全事故。因此,要保持锂电池的高效安全运行,对其健康状态(State ofHealth,SOH)进行及时而准确的估计是至关重要的。
锂电池的老化过程展现出非线性的特点,尤其是在动态充放电工况条件下,锂电池的健康状态受到放电倍率、载荷条件、温度放电深度等诸多因素的耦合影响。现有的锂电池SOH估计方法主要针对恒定充放电的实验室理想工况条件,在面对更加贴近真实运行场景的动态工况条件时估计精度较差,难以满足实际需求。为此,本发明提出一种基于模态分解的动态工况条件的锂电池健康状态估计方法,从动态运行工况条件下测量的锂电池时序数据中提取健康特征,从而实现SOH估计。
发明内容
基于现有技术在面对动态工况条件下锂电池SOH估计不准确的问题,本发明提供一种基于模态分解的动态工况条件的锂电池健康状态估计方法,使用场景更加符合真实锂电池的运行状态。
为了实现上述目的,本发明采用了如下技术方案:
一种基于模态分解的动态工况条件的锂电池健康状态估计方法,包括以下步骤:
步骤1:开展老化试验,获取参考锂电池动态工况运行期间的电压、电流、运行时间和温度的时序数据;
步骤2:每当运行w次动态循环后,对参考锂电池开展一次标准工况放电循环,采集电压、电流、运行时间和温度的时序数据;
步骤3:利用安时积分法计算参考锂电池在标准工况放电循环下的可放电容量,得到参考锂电池的SOH序列数据和一阶差分SOH序列数据;
步骤4:将参考锂电池在w次动态循环过程中的电压、电流和温度的时序数据进行变分模态分解;
步骤5:对步骤4中的各阶模态分解结果进行时频分析,从频域结果中提取出最大幅值和对应频率值作为健康特征;
步骤6:构建初始化长短时记忆神经网络,基于步骤5中的健康特征数据集和步骤3中的一阶差分SOH序列数据集进行训练;
步骤7:利用步骤6中训练好的长短时记忆神经网络模型对运行在动态工况条件的待测锂电池进行健康状态估计。
进一步地,所述步骤1的具体方法为:
选取与待测锂电池规格及运行条件相似的参考锂电池作为对象开展老化试验,在动态工况条件下,规定参考锂电池从额定电压放电至终止电压时记作一次放电循环。反之,规定当电池由终止电压充电至额定电压,记作一次充电循环。同时,每经历一次放电循环和充电循环记作一次动态循环。
在参考锂电池的全寿命周期内,测量并记录其n次动态循环的电压数据[V1,V2,...,Vn]、电流数据[I1,I2,...,In]、运行时间数据[t1,t2,...,tn]和温度数据[T1,T2,...,Tn]。
以电压数据集为例,Vn表示第n次动态循环中参考锂电池的电压值序列,即其中mn代表第n次动态循环周期所采集的时序数据长度,与充放电时间相关。所述的电流数据、时间数据和温度数据中的样本及下标含义与电压数据相同。
进一步地,所述步骤2的具体方法为:
每当运行w次步骤1中的动态循环,对参考锂电池进行一次标准工况放电循环。其中,w取值依赖专家经验,其值越小则消耗的成本越高,通常推荐范围为:30~50次。
根据不同的行业标准,所述的锂电池标准工况放电循环的定义和要求有所区别,尚未形成统一的定义。本发明中规定:在锂电池进行恒流恒压充电后,静置1h,在23℃±2℃的环境温度下,以1C放电电流从电池的额定电压下降至终止电压的放电过程视为一次标准工况放电循环。
在参考电池的全寿命周期内,测量并记录k次标准工况放电循环的电压数据[V1,V2,...,Vk]、电流数据[I1,I2,...,Ik]、运行时间数据[t1,t2,...,tk]和温度数据[T1,T2,...,Tk]。在全寿命周期内,锂电池的动态循环次数满足n=w×k关系式。
以电压数据集为例,Vk表示第k次标准工况放电循环中参考锂电池的电压值序列,即其中ok代表第k次标准工况放电循环周期所采集的时序数据长度,与放电时间相关。所述的电流数据、时间数据和温度数据中的样本及下标含义与电压数据相同。
进一步地,所述步骤3的具体方法为:
锂电池的健康状态可以通过锂电池的容量表征,表示为当前老化状态下的可放电容量与初始额定容量之间的比值,其表达式如下:
其中,Cbatt表示锂电池当前老化状态下的可放电容量,Cinit表示锂电池的初始额定容量。
利用安时积分法,对参考锂电池在第k次标准工况放电循环过程中的可放电容量进行计算,其表达式如下:
Ck=∫0 tidτ
其中,i是标准工况循环的放电电流,t为标准工况放电时间,Ck为可放电容量值。
对于参考锂电池的k次标准工况放电循环过程,计算得到SOH序列数据为SOH=[SOH1,SOH2,...,SOHk]′。进一步,可计算参考锂电池的一阶差分SOH序列数据为ΔSOH=[ΔSOH1,ΔSOH2,...,ΔSOHk]′,其计算公式如下:
其中,ΔSOHi为第i个差分SOH结果,SOHi和SOHi-1分别为第i次和i-1次的参考锂电池健康状态值。
进一步地,所述步骤4的具体方法为:
将参考锂电池在w次动态循环过程中采集到的电压、电流和温度的时序数据拼接为一组数据集,可以得到k组时域数据集为:
针对k组时域数据集中的电压、电流和温度数据分别进行ω阶变分模态分解(Variational Mode Decomposition,VMD),得到对应的模态函数结果为:
其中,所述的VMD方法的阶数ω可以基于经验设置,综合考虑分解精度和计算复杂度,通常推荐范围为:4~6。
进一步地,所述步骤5的具体方法为:
采用快速傅里叶变换(Fast Fourier Transform,FFT)对步骤4中获得的各阶模态分解结果进行时频分析,将参考锂电池动态循环过程的电压、电流和温度时域信号变换到频域空间,得到对应的k组动态循环过程的频谱信息为:
进一步,分别提取出电压、电流和温度的ω阶频谱数据中的最大幅值及其对应的频率值作为健康特征,构成健康特征数据集为:
进一步地,所述步骤6的具体方法为:
初始化长短时记忆神经网络,以步骤5中的健康特征数据集作为输入数据,以步骤3中的一阶差分SOH序列数据集作为健康状态标签数据,定义长短时记忆(Long Short-TermMemory,LSTM)神经网络的损失函数为:
其中,Yo表示LSTM神经网络的训练输出值,SOH表示对应的真实标签值。
进一步,将参考锂电池的输入数据和标签数据划分为训练集和测试集,采用Adam算法进行梯度下降,最终得到训练后的LSTM神经网络模型。
进一步地,所述步骤7的具体方法为:
在待测锂电池动态工况运行期间,测量并记录每一次动态循环中的电压、电流和温度的时序数据进行ω阶变分模态分解。重复步骤5,将ω阶变分模态分解结果进行快速傅里叶变换,同时提取出最大幅值和对应频率值作为健康特征数据,输入到步骤6中训练好的LSTM神经网络模型中,计算一阶差分SOH结果,从而实现针对待测锂电池的健康状态估计。
本发明的优点在于:本发明考虑锂电池真实运行场景,针对动态工况循环条件下的锂电池健康状态进行估计,从动态工况运行期间采集到的数据中提取出健康特征,从而评估锂电池的容量退化状态,具有计算效率高、时序预测精度高的优点。
附图说明
图1为本发明的实施步骤流程示意图
图2为本发明实施例中参考锂电池的标准工况放电过程电压曲线图
图3为本发明实施例中参考锂电池的SOH退化曲线图
图4为本发明实施例中参考锂电池V1~V40时序数据VMD分解结果图
图5为本发明实施例中参考锂电池V1~V40时序数据FFT结果图
图6为本发明实施例中待测锂电池SOH估计结果图
图7为本发明实施例中待测锂电池SOH估计结果RMSE误差图
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式所涉及到的技术特征只要彼此之间未构成冲突就可以互相组合。
如图1所示是本发明实施例提供的一种基于模态分解的动态工况条件锂电池健康状态估计方法的流程示意图,在图1所示的方法中,包括以下步骤:
步骤1:开展老化试验,获取参考锂电池动态工况运行期间的电压、电流、运行时间和温度的时序数据;
在本发明实施例中,选择两个型号相同、同一批次的商用圆柱形18650锂电池,额定容量为2Ah。选择其中一个作为参考锂电池开展老化试验,放电循环过程中随即选择0.5A~4A之间的放电电流,每个放电周期持续5mins,放至截止电压3.2V;充电循环过程保持恒流2A充电至额定电压4.2V,切换到恒压模式直至电流降低到20mA。
将上述充电和放电过程记作一次动态循环,参考锂电池运行840次动态循环,测量获得电压数据[V1,V2,...,V840]、电流数据[I1,I2,...,I840]、运行时间数据[T1,T2,...,T840]和温度数据[T1,T2,...,T840]。
步骤2:每当运行w次动态循环后,对参考锂电池开展一次标准工况放电循环,采集电压、电流、运行时间和温度的时序数据;
每当运行w次步骤1中的动态循环,即进行一次标准工况放电循环。本发明中规定:在锂电池进行恒流恒压充电后,静置1h,在23℃±2℃的环境温度下,以1C放电电流从电池的额定电压下降至终止电压的放电过程视为一次标准工况放电循环。
在本发明实施例中,设定w=40,即每进行40次动态循环,开展一次标准工况放电循环。在参考锂电池的全寿命周期内,共计进行21次标准工况放电循环,电压曲线如图2所示。测量获得标准工况下的电压数据[V1,V2,...,V21]、电流数据[I1,I2,...,I21]、运行时间数据[t1,t2,...,t21]和温度数据[T1,T2,...,T21]。
步骤3:利用安时积分法计算参考锂电池在标准工况放电循环中的可放电容量,得到参考锂电池的SOH序列数据集和一阶差分SOH序列数据集;
锂电池的健康状态可以通过锂电池的容量表征,表示为当前老化状态下的可放电容量与初始额定容量之间的比值,其表达式如下:
其中,Cbatt表示锂电池当前老化状态下的可放电容量,Cinit表示锂电池的初始额定容量。
利用安时积分法,对参考锂电池在第k次标准工况放电循环过程中的可放电容量进行计算,其表达式如下:
C=∫0 tidτ
其中,i是标准工况循环的放电电流,t为标准工况放电时间,Ck为可放电容量值。
本发明实施例中,参考锂电池的21次标准工况放电循环计算得到健康状态SOH序列数据SOH=[1.94324,1.86394,1.79934,1.75317,...,1.06199]',其退化曲线如图3所示。进一步,求解一阶差分SOH序列数据集ΔSOH=[-0.06270,-0.07929,-0.06459,-0.04617,...,-0.03383]'。
步骤4:将参考锂电池在w次动态循环过程中获取的电压、电流和温度的时序数据进行变分模态分解;
本发明实施例中,针对参考锂电池的840次动态循环,每隔40次动态循环采集到的电压、电流和温度的时序数据拼接为一组数据集,可以得到21组时域数据集为:
基于所述的时域数据集,针对参考锂电池的电压、电流和温度时序数据进行5阶变分模态分解(Variational Mode Decomposition,VMD),得到对应的模态函数结果为:
以时序数据[V1,V2,...,V40]为例,其原始数据和通过变分模态分解分解得到的5阶VMD结果如图4所示。
步骤5:对步骤4中的各阶模态分解结果进行时频分析,从频域结果中提取出最大幅值和对应频率值作为健康特征;
本发明实施例中,将步骤4中参考锂电池动态循环过程的电压、电流和温度原始时域数据对应的5阶VMD分解结果变换到频域空间,分别得到21组动态循环过程的315组VMD的频域数据为:
以时序数据[V1,V2,...,V40]为例,将5阶VMD分解结果进行快速傅里叶变换(FastFourier Transform,FFT),得到频谱数据[fV11,fV12,...,fV15],结果如图5所示。
进一步,提取出电压、电流和温度的5阶频谱数据中的最大幅值及其对应的频率值,组成健康特征数据集为:
步骤6:构建初始化长短时记忆神经网络,基于步骤5中的健康特征数据集和步骤3中的一阶差分SOH序列数据集进行训练;
本实施例中,以步骤5中的健康特征数据集作为输入数据,以步骤3中的一阶差分SOH序列数据集作为输出数据,构建长短时记忆(Long Short-Term Memory,LSTM)神经网络的损失函数为:
其中,Yo表示LSTM神经网络的训练输出值,SOH表示对应的真实标签值。
进一步,将参考锂电池的输入数据和标签数据划分为训练集和测试集,采用Adam算法进行梯度下降,最终得到训练后的LSTM神经网络模型。
步骤7:利用步骤6中训练好的长短时记忆神经网络模型对待测锂电池进行健康状态估计。
在待测锂电池动态工况运行期间,针对每一次动态循环中获取的电压、电流和温度的时序数据进行5阶变分模态分解。重复步骤5,将每一次动态循环中的电压、电流和温度时域结果进行快速傅里叶变换,进行时频分析。
进一步,提取出最大幅值和对应频率值作为健康特征数据集,输入到步骤6中训练好的LSTM神经网络模型中,得到一阶差分SOH结果,实现对待测锂电池的健康状态估计。本实施例中,对待测锂电池的SOH进行估计的结果和RMSE误差分别如图6和图7所示。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (8)
1.一种基于变分模态分解的动态工况条件的锂电池健康状态估计方法,其特征在于:包括以下步骤:
步骤1:开展老化试验,获取参考锂电池动态工况运行期间的电压、电流、运行时间和温度的时序数据;
步骤2:每当运行w次动态循环后,对参考锂电池开展一次标准工况放电循环,采集电压、电流、运行时间和温度的时序数据;
步骤3:利用安时积分法计算参考锂电池在标准工况放电循环下的可放电容量,得到参考锂电池的SOH序列数据和一阶差分SOH序列数据;
步骤4:将参考锂电池在w次动态循环过程中的电压、电流和温度的时序数据进行变分模态分解;
步骤5:对步骤4中的各阶模态分解结果进行时频分析,从频域结果中提取出最大幅值和对应频率值作为健康特征;
步骤6:构建初始化长短时记忆神经网络,基于步骤5中的健康特征数据集和步骤3中的一阶差分SOH序列数据集进行训练;
步骤7:利用步骤6中训练好的长短时记忆神经网络模型对运行在动态工况条件的待测锂电池进行健康状态估计;
通过以上步骤,给出了一种基于变分模态分解的动态工况条件的锂电池健康状态估计方法。
3.根据权利要求1所述的一种基于变分模态分解的动态工况条件的锂电池健康状态估计方法,其特征在于:
所述步骤2中,每当运行w次步骤1中的动态循环,对参考锂电池进行一次标准工况放电循环,其中,w取值依赖专家经验,其值越小则消耗的成本越高,通常推荐范围为:30~50次;
在参考电池的全寿命周期内,测量并记录k次标准工况放电循环的电压数据[V1,V2,...,Vk]、电流数据[I1,I2,...,Ik]、运行时间数据[t1,t2,...,tk]和温度数据[T1,T2,...,Tk],在全寿命周期内,锂电池的动态循环次数满足n=w×k关系式;
8.根据权利要求1所述的一种基于变分模态分解的动态工况条件的锂电池健康状态估计方法,其特征在于:
所属步骤7中,在待测锂电池动态工况运行期间,测量并记录每一次动态循环中的电压、电流和温度的时序数据进行ω阶变分模态分解,重复步骤5,将ω阶变分模态分解结果进行快速傅里叶变换,同时提取出最大幅值和对应频率值作为健康特征数据,输入到步骤6中训练好的长段时记忆神经网络模型中,计算一阶差分SOH结果,从而实现针对待测锂电池的健康状态估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310368992.2A CN116381505A (zh) | 2023-04-10 | 2023-04-10 | 一种基于变分模态分解的动态工况条件的锂电池健康状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310368992.2A CN116381505A (zh) | 2023-04-10 | 2023-04-10 | 一种基于变分模态分解的动态工况条件的锂电池健康状态估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116381505A true CN116381505A (zh) | 2023-07-04 |
Family
ID=86970714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310368992.2A Pending CN116381505A (zh) | 2023-04-10 | 2023-04-10 | 一种基于变分模态分解的动态工况条件的锂电池健康状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116381505A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116609677A (zh) * | 2023-07-18 | 2023-08-18 | 江西五十铃汽车有限公司 | 一种电池状态估计方法 |
-
2023
- 2023-04-10 CN CN202310368992.2A patent/CN116381505A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116609677A (zh) * | 2023-07-18 | 2023-08-18 | 江西五十铃汽车有限公司 | 一种电池状态估计方法 |
CN116609677B (zh) * | 2023-07-18 | 2023-11-03 | 江西五十铃汽车有限公司 | 一种电池状态估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
CN113030744B (zh) | 基于健康因子提取的电池健康状况预测方法、系统及介质 | |
CN110146822B (zh) | 一种基于恒流充电过程的车用动力电池容量在线估计方法 | |
CN110031770B (zh) | 一种快速得到电池包中所有单体电池容量的方法 | |
Vasebi et al. | A novel combined battery model for state-of-charge estimation in lead-acid batteries based on extended Kalman filter for hybrid electric vehicle applications | |
CN113030764B (zh) | 一种电池组健康状态估计方法及系统 | |
CN110398697B (zh) | 一种基于充电过程的锂离子健康状态估计方法 | |
CN111142036A (zh) | 基于容量增量分析的锂离子电池在线快速容量估计方法 | |
CN113391213B (zh) | 一种基于电池组一致性演变的电池微故障诊断方法 | |
CN108896924A (zh) | 基于深度置信网络和卡尔曼滤波融合的锂离子电池荷电状态估计方法 | |
CN112986830A (zh) | 一种基于卷积时间记忆神经网络的锂电池容量估计方法 | |
CN111812515A (zh) | 基于XGboost模型的锂离子电池荷电状态估算 | |
Takyi-Aninakwa et al. | An optimized long short-term memory-weighted fading extended Kalman filtering model with wide temperature adaptation for the state of charge estimation of lithium-ion batteries | |
CN112684363A (zh) | 一种基于放电过程的锂离子电池健康状态估计方法 | |
CN113447828A (zh) | 一种基于贝叶斯神经网络的锂电池温度估计方法及系统 | |
CN114280479A (zh) | 一种基于电化学阻抗谱的退役电池快速分选方法 | |
Jiang et al. | An aging-aware soc estimation method for lithium-ion batteries using xgboost algorithm | |
CN116381505A (zh) | 一种基于变分模态分解的动态工况条件的锂电池健康状态估计方法 | |
CN115754724A (zh) | 一种适用于未来不确定性动态工况放电的动力电池健康状态估计方法 | |
CN111274539B (zh) | 一种基于交替最小二乘法的锂电池soh估计方法 | |
He et al. | Inconsistency modeling of lithium-ion battery pack based on variational auto-encoder considering multi-parameter correlation | |
CN113255215B (zh) | 一种基于电压片段的锂电池健康状态估计方法 | |
CN116736171A (zh) | 一种基于数据驱动的锂离子电池健康状态估算方法 | |
CN115980583A (zh) | 基于微分代数方程的锂电池等效电路模型参数辨识四步法 | |
CN113743664B (zh) | 一种基于随机片段数据的锂电池状态估计方法及系统 |
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 |