CN116754949A - 一种锂离子电池智能健康状态预测方法 - Google Patents
一种锂离子电池智能健康状态预测方法 Download PDFInfo
- Publication number
- CN116754949A CN116754949A CN202310494879.9A CN202310494879A CN116754949A CN 116754949 A CN116754949 A CN 116754949A CN 202310494879 A CN202310494879 A CN 202310494879A CN 116754949 A CN116754949 A CN 116754949A
- Authority
- CN
- China
- Prior art keywords
- battery
- sliding window
- long
- short
- lithium ion
- 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
- 238000000034 method Methods 0.000 title claims abstract description 77
- 230000036541 health Effects 0.000 title claims abstract description 54
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 46
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 44
- 238000005259 measurement Methods 0.000 claims abstract description 123
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000012360 testing method Methods 0.000 claims abstract description 26
- 230000001131 transforming effect Effects 0.000 claims abstract description 4
- 230000015654 memory Effects 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 230000007246 mechanism Effects 0.000 claims description 12
- 230000032683 aging Effects 0.000 claims description 11
- 230000006403 short-term memory Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000007787 long-term memory Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000003862 health status Effects 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 230000017105 transposition Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 230000007774 longterm Effects 0.000 description 5
- 239000000243 solution Substances 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000032677 cell aging Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- 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
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种锂离子电池智能健康状态预测方法,方法包括:获取获得电池健康状况数据集,并基于电池的循环寿命测试,确定电池充电曲线;基于电池充电曲线,提取直接测量特征和二阶测量特征;通过滑动窗口分别处理直接测量特征和二阶测量特征,获得滑动窗口处理后的直接测量特征和二阶测量特征;利用长短期协同注意力网络对滑动窗口处理后的直接测量特征和二阶测量特征进行分析,得到目标编码与目标加权和;对目标编码和目标加权和进行连接处理,得到目标数据;通过多层感知机对目标数据进行线性变换,得到全局预测数据。本发明克服了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,可广泛应用于电池数据处理技术领域。
Description
技术领域
本发明涉及电池数据处理技术领域,尤其是一种锂离子电池智能健康状态预测方法。
背景技术
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。
数据驱动方法可以实现基于历史数据样本的健康状态评估。然而,存在两个主要缺陷,有待进一步改进。1)由于电池老化机理的复杂性和老化原因的多样性,反映电池内部电化学特性的可测信号随电池老化呈现复杂的非线性变化趋势,为了跟踪这种复杂的变化,需要提取和分析多个特征。2)不同的特征对最终结果有不同的影响:现有电池健康状况(SOH)预测网络模型多为单分支模型,即采用同一模型处理不同特征,限制了电池各方面数据的提取性能,并且,假设输入特征对预测结果做出相等贡献是不合理的。
为了解决以上存在的问题,需要寻求一种理想的技术解决方案。
发明内容
有鉴于此,本发明实施例提供一种锂离子电池智能健康状态预测方法,能够高效准确进行锂离子电池智能健康状态预测。
一方面,本发明的实施例提供了一种锂离子电池智能健康状态预测方法,包括:
获得电池健康状况数据集,并基于电池的循环寿命测试,确定电池充电曲线;
基于电池充电曲线,提取直接测量特征和二阶测量特征;其中,直接测量特征包括电池充电过程的端电压和端电流;二阶测量特征包括基于预设区间确定的多尺度的电化学特性特征;
通过滑动窗口分别处理直接测量特征和二阶测量特征,获得滑动窗口处理后的直接测量特征和二阶测量特征;
利用长短期协同注意力网络对滑动窗口处理后的直接测量特征和二阶测量特征进行分析,得到目标编码与目标加权和;
其中,长短期协同注意力网络基于电池健康状况数据集训练生成的;长短期协同注意力网络包括深度长短期记忆单元和注意力单元;深度长短期记忆单元用于对滑动窗口处理后的直接测量特征进行编码处理,注意力单元用于对滑动窗口处理后的二阶测量特征进行加权求和;
对目标编码和目标加权和进行连接处理,得到目标数据;
通过多层感知机对目标数据进行线性变换,得到全局预测数据。
可选地,获得电池健康状况数据集,包括:
从电池循环寿命试验的实验平台获取电池的历史运行数据;
其中,历史运行数据包括电压、电流和温度;实验平台包括充放电测试仪、可编程恒温恒湿箱和记录数据的计算机;
基于历史运行数据,确定电池健康状况数据集。
可选地,基于电池的循环寿命测试,确定电池充电曲线,包括:
基于电池的预处理循环、老化循环和容量校准循环,确定电池充电曲线。
可选地,方法还包括:
对确定的电池充电曲线进行归一化处理,获得处理后的电池充电曲线。
可选地,方法还包括:
基于电池充电曲线,将电池充电过程的端电压和端电流作为直接测量特征;其中,电池充电曲线包括电压曲线;
根据电压变化,基于预设区间阈值将电压曲线分为若干区间,将电压曲线的初始值、电压分别达到各区间之间临界值的多个充电时间以及各区间中电压相对充电时间的多个积分作为二阶测量特征。
可选地,方法还包括:
根据电池健康状况数据集,通过安时积分的方式获得最大可用容量集;
基于最大可用容量集,结合额定容量获得SOH监督学习数据集;
根据SOH监督学习数据集确定训练集和测试集,通过训练集对长短期协同注意力网络进行训练,并基于训练结果,对长短期协同注意力网络进行调整,获得训练完成的长短期协同注意力网络。
可选地,方法还包括:
基于预设评价标准对训练完成的长短期协同注意力网络的预测精度进行性能度量,并根据性能度量的结果对长短期协同注意力网络的网络参数进行优化调整;
其中,预设评价标准包括均方根误差、平均绝对百分比误差和最大误差。
可选地,深度长短期记忆单元包括多层感知机和长短期记忆网络,对滑动窗口处理后的直接测量特征进行编码处理,包括:
通过多层感知机和长短期记忆网络,将滑动窗口处理后的直接测量特征编码成向量,得到目标编码;
其中,多层感知机用于将滑动窗口处理后的直接测量特征投影到预设维度;长短期记忆网络用于对投影后特征的隐藏状态信息进行更新,基于更新后的隐藏状态信息组成目标编码。
可选地,对滑动窗口处理后的二阶测量特征进行加权求和,包括:
通过注意力单元,利用注意力机制对滑动窗口处理后的二阶测量特征进行权重分配,基于权重分配的结果进行加权求和,得到目标加权和。
可选地,利用注意力机制对滑动窗口处理后的二阶测量特征进行权重分配,包括:
通过对比模型和softmax函数对滑动窗口处理后的二阶测量特征进行权重分配;
其中,对比模型的表达式为:
et=vT(WeSt)
式中,et表示对比模型;v和We表示待学习的网络参数,上标T表示矩阵转置;下标t表示时间,st表示t时刻注意力单元输入的二阶测量特征。
另一方面,本发明的实施例提供了一种锂离子电池智能健康状态预测装置,包括处理器以及存储器;
存储器用于存储程序;
处理器执行程序实现如前面的方法。
另一方面,本发明的实施例提供了一种计算机可读存储介质,存储介质存储有程序,程序被处理器执行实现如前面的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行前面的方法。
本发明实施例首先获取获得电池健康状况数据集,并基于电池的循环寿命测试,确定电池充电曲线;基于电池充电曲线,提取直接测量特征和二阶测量特征;其中,直接测量特征包括电池充电过程的端电压和端电流;二阶测量特征包括基于预设区间确定的多尺度的电化学特性特征;通过滑动窗口分别处理直接测量特征和二阶测量特征,获得滑动窗口处理后的直接测量特征和二阶测量特征;利用长短期协同注意力网络对滑动窗口处理后的直接测量特征和二阶测量特征进行分析,得到目标编码与目标加权和;其中,长短期协同注意力网络基于电池健康状况数据集训练生成的;长短期协同注意力网络包括深度长短期记忆单元和注意力单元;深度长短期记忆单元用于对滑动窗口处理后的直接测量特征进行编码处理,注意力单元用于对滑动窗口处理后的二阶测量特征进行加权求和;对目标编码和目标加权和进行连接处理,得到目标数据;通过多层感知机对目标数据进行线性变换,得到全局预测数据。本发明实施例预先进行循环寿命测试并通过包括深度长短期记忆单元和注意力单元的长短期协同注意力网络作为电池状态估算模型,通过获取每个锂离子电池充电曲线,取得两组关键健康状况特征,作为分支网络模型输入,从而得到估计电池的健康状况,克服了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。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种锂离子电池智能健康状态预测方法的流程示意图;
图2为本发明实施例提供的长短期协同注意力网络的结构框架示意图;
图3为本发明实施例提供的深度长短期记忆单元和注意力单元的结构示意图
图4为本发明实施例提供的基于长短期协同注意力网络的锂离子电池健康状态预测方法的步骤流程示意图;
图5为本发明实施例提供的使用不同模型的三组电池的SOH预测结果和误差示意图;
图6为本发明实施例提供的具有不同强度的噪声输入的情况下模型的SOH预测结果和误差示意图。
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。
一方面,参照图1,本发明的实施例提供了一种锂离子电池智能健康状态预测方法,包括:
S100、获得电池健康状况数据集,并基于电池的循环寿命测试,确定电池充电曲线;
需要说明的是,一些实施例中,获得电池健康状况数据集,包括:从电池循环寿命试验的实验平台获取电池的历史运行数据;基于历史运行数据,确定电池健康状况数据集。
具体地,一些具体实施例,通过建立的电池循环寿命试验的实验平台,获取电池健康状况数据集,其具体包括:建立了电池循环寿命试验的实验平台,收集电池的历史运行数据,具体包括电压、电流和温度,以建立电池健康状况数据集。通过在放电循环持续时间上积分放电电流作为基准值来计算实际容量。具体地,该平台由NewareBTS-5V12A充放电测试仪、可编程恒温恒湿箱(SANWOOD SMG-150CC)和记录数据的计算机组成。从同一批次的锂离子电池中选择5个2Ah、18650功率电池(Prospower ICR18650P)在25℃的恒温箱中重复充电和放电,循环曲线包括电池预处理循环、老化循环和容量校准循环。
其中,一些实施例中,基于电池的循环寿命测试,确定电池充电曲线,包括:基于电池的预处理循环、老化循环和容量校准循环,确定电池充电曲线。
具体地,一些具体实施例,对锂离子电池进行循环寿命测试,得到健康特征数据确定电池充电曲线,其具体包括:
首先是电池预处理周期:
(a)使用0.5C的CC模式对锂离子电池充电,直到电压达到4.2V。
(b)使用CV模式对锂离子电池进行充电,直到电流降至0.1C。
(c)保持锂离子电池静置120分钟。
(d)使用0.5C的CC模式对锂离子电池放电,至截止电压2.5V。
(e)保持锂离子电池静置120分钟。
重复预处理步骤5次。
然后是老化周期:
(a)使用1C的CC模式对锂离子电池充电,直到电压达到4.2V。
(b)使用CV模式对锂离子电池进行充电,直到电流降至0.02C。
(c)保持锂离子电池静置30分钟。
(d)使用3C的CC模式对锂离子电池放电,至截止电压2.5V。
(e)保持锂离子电池静置60分钟。
重复老化循环步骤50次。
最后是容量校准周期:
(a)使用1C的CC模式对锂离子电池充电,直到电压达到4.2V。
(b)使用CV模式对锂离子电池进行充电,直到电流降至0.02C。
(c)保持锂离子电池静置30分钟。
(d)使用1C的CC模式对锂离子电池放电,至截止电压2.5V。
(e)保持锂离子电池静置10分钟。
(f)使用0.05C的CC模式对锂离子电池放电,至截止电压2.5V。
(g)保持锂离子电池静置5分钟。
重复老化循环和容量校准步骤20次。
循环已完成。
其中,一些实施例中,方法还包括:对确定的电池充电曲线进行归一化处理,获得处理后的电池充电曲线。
具体地,一些具体实施例,在特征提取之前,对原始数据(原始数据意指直接测量得到、未经处理的数据,此处具体包括电池健康状况数据集中的电压和电流数据,上述“电池充电曲线”即为原始数据)采用最小-最大归一化方法,其数学表示如下:
上式中,xi和分别表示第i个单位的直接测量值和归一化值,max{}和min{}为最大值和最小值函数。
S200、基于电池充电曲线,提取直接测量特征和二阶测量特征;
需要说明的是,直接测量特征包括电池充电过程的端电压和端电流;二阶测量特征包括基于预设区间确定的多尺度的电化学特性特征;一些实施例中,包括步骤:基于电池充电曲线,将电池充电过程的端电压和端电流作为直接测量特征;其中,电池充电曲线包括电压曲线;根据电压变化,基于预设区间阈值将电压曲线分为若干区间,将电压曲线的初始值、电压分别达到各区间之间临界值的多个充电时间以及各区间中电压相对充电时间的多个积分作为二阶测量特征。
具体地,一些具体实施例,从电池充电曲线中选取能够描述不同尺度下电池老化特性的直接测量特征和二阶测量特征,其具体包括:
将电池充电过程中测量的端电压和端电流作为直接测量特征。
将电池充电过程中测量的电压曲线提取出9个特征作为二阶测量特征,具体地,由于充电电压曲线能反映电池内部的电化学特性,根据电压变化将其分为四个区间:规定3.85V为充电时的最大启动电压,第一区间为从实际启动电压到3.85V;规定4.2V为充电截止电压,第二、三、四区间分布于3.85V至4.2V之间,考虑到前面部分的曲线斜率变化较大,根据电压值将生成的曲线分割为2:3:5。
因此,这九个特征定义如下。第一特征F1是电压曲线的初始值。第二至第五特征是当测量电压达到3.850V、3.920V、4.025V和4.200V时的充电时间。这四个特征表示为F2、F3、F4和F5。剩余的四个特征是在四个区间中电压相对于时间的积分,表示为F6、F7、F8和F9。这9个特征的数学公式如下:
S300、通过滑动窗口分别处理直接测量特征和二阶测量特征,获得滑动窗口处理后的直接测量特征和二阶测量特征;
具体地,一些具体实施例,使用一个滑动窗口来处理每个输入变量,具体包括:为了捕捉时间序列中固有的时间信息,设计了一个滑动窗口来处理每个输入变量。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。通过调整滑动窗口w的大小,即使测量延迟时间动态变化,也可以从时间序列中获得所有相关信息。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。本发明将滑动窗口的值设置为32。
S400、利用长短期协同注意力网络对滑动窗口处理后的直接测量特征和二阶测量特征进行分析,得到目标编码与目标加权和;
需要说明的是,长短期协同注意力网络基于电池健康状况数据集训练生成的;长短期协同注意力网络包括深度长短期记忆单元和注意力单元;深度长短期记忆单元用于对滑动窗口处理后的直接测量特征进行编码处理,注意力单元用于对滑动窗口处理后的二阶测量特征进行加权求和;
具体地,一些具体实施例,将滑动窗口处理后得到的特征向量送入考虑长短期记忆的协同注意力网络框架LST-CANet(即长短期协同注意力网络),如图2所示,所提出的LST-CANet包含两个单元,即:深度长短期记忆单元(deep-LSTM)和注意力单元。在获得从在线测量中提取的电池信息之后,计算两种类型的电池健康状况特征。直接测量特征被馈送到deep-LSTM单元,而二阶测量特征被馈送到注意力单元。
所提出的LST-CANet包含两个单元,即:深度长短期记忆单元(deep-LSTM)和注意力单元。其结构示意图如图2所示。在获得从在线测量中提取的电池信息之后,计算两种类型的电池健康状况特征。直接测量特征被馈送到deep-LSTM单元,而二阶测量特征被馈送到注意力单元。
其中,一些实施例中,方法还包括:根据电池健康状况数据集,通过安时积分的方式获得最大可用容量集;基于最大可用容量集,结合额定容量获得SOH监督学习数据集;
根据SOH监督学习数据集确定训练集和测试集,通过训练集对长短期协同注意力网络进行训练,并基于训练结果,对长短期协同注意力网络进行调整,获得训练完成的长短期协同注意力网络。
具体地,一些具体实施例,将容量衰减程度作为SOH指标。SOH被定义为电池组的当前最大可用容量与额定容量,计算公式如下:
其中Cc表示当前最大可用容量,CR表示额定容量或标称容量。优选的,当电池容量衰减到标称值的20%或30%时,电池的性能将呈指数下降,此时认为电池是不可靠的电源,应该予以更换。
进而,由原始数据中的电流曲线做安时积分得到当前最大可用容量Cc,按照上式方式计算SoH,获得SOH监督学习数据集,其具体包括:本发明实施例选择2组电池数据作为训练集,3组电池数据作为测试集。为了训练网络,选择均方误差(MSE)函数作为损失函数。然后,利用梯度下降法对网络进行优化,并保证足够的Adam学习率。为了防止模型过拟合,采用了提前终止机制。具体地,如果所监视的测试误差在连续k个时间点上均没有减小,则终止训练过程。
此外,一些实施例中,方法还包括:基于预设评价标准对训练完成的长短期协同注意力网络的预测精度进行性能度量,并根据性能度量的结果对长短期协同注意力网络的网络参数进行优化调整;其中,预设评价标准包括均方根误差、平均绝对百分比误差和最大误差。
具体地,一些具体实施例,为了表明预测精度,本发明使用三个性能度量作为评价标准,分别为均方根误差(RMSE)、平均绝对百分比误差(MAPE)和最大误差(MaxE),公式如下。MAPE和RMSE突出显示模型估计值的平均精度。MaxE突出显示模型估计值的一致性。这三个分数表示值越低,性能越好。
其中和/>分别为第j个样本的测量值和估计值,n为样本量。
一些实施例中,深度长短期记忆单元包括多层感知机和长短期记忆网络,对滑动窗口处理后的直接测量特征进行编码处理,包括:通过多层感知机和长短期记忆网络,将滑动窗口处理后的直接测量特征编码成向量,得到目标编码;其中,多层感知机用于将滑动窗口处理后的直接测量特征投影到预设维度;长短期记忆网络用于对投影后特征的隐藏状态信息进行更新,基于更新后的隐藏状态信息组成目标编码。
具体地,一些具体实施例,deep-LSTM(深度长短期记忆)单元包含两种类型的操作,即MLP(多层感知机)和LSTM(长短期记忆网络):首先使用以ReLU作为激活函数的MLP层将输入投影到256维空间中,然后,将其馈入LSTM网络。deep-LSTM单元的输入是直接测量特征,可表示为D=[V1,V2,...,Vt;A1,A2,...,At]T,下标t表示时间,T表示转置矩阵,Vt、At分别表示t时刻的电压和电流。此单元从序列数据中提取特征,并将它们编码成向量,从而产生用于直接测量特征的编码H,H为LSTM网络的最终输出。
H=LSTM(MLP(D))
其中,LSTM架构如图3左侧所示,具有三个门结构,以增加或消除单元状态信息Ct,单元状态信息是时间序列的主要特征。具有长短时记忆能力、可增加或消除单元状态信息是LSTM类网络架构的特点。单元状态信息Ct为LSTM单元的中间量,直接测量特征的编码H为LSTM单元的输出。在LSTM的每个推理步骤中,输入门、遗忘门、输出门和状态中间变量被更新为:
it=σ(Wi·[ht-1,xt]+bi)
ft=σ(Wf·[ht-1,xt]+bf)
ot=σ(Wo·[ht-1,xt]+bo)
其中,下标t表示时间,it、ft、ot分别为t时刻输入门、遗忘门、输出门的输出,为单元状态信息的中间变量;σ是非线性激活函数Sigmoid,表示为σ(x)=1/(1+e-x);xt是t时刻的输入,ht-1是上一时刻的隐藏状态;Wi、Wf、Wo、WC和bi、bf、bo、bC分别是输入门、遗忘门、输出门、状态更新的网络权重和偏置,通过学习获得。然后,当前单元状态信息和隐藏状态信息ht被更新为:
ht=ot*tanh(Ct)
其中*是向量的逐元素乘法运算符;上述直接测量特征的编码H为ht组成的向量
一些实施例中,对滑动窗口处理后的二阶测量特征进行加权求和,包括:通过注意力单元,利用注意力机制对滑动窗口处理后的二阶测量特征进行权重分配,基于权重分配的结果进行加权求和,得到目标加权和。
其中,一些实施例中,利用注意力机制对滑动窗口处理后的二阶测量特征进行权重分配,包括:通过对比模型和softmax函数对滑动窗口处理后的二阶测量特征进行权重分配;其中,对比模型的表达式为:
et=vT(WeSt)
式中,et表示对比模型;v和We表示待学习的网络参数,上标T表示矩阵转置;下标t表示时间,St表示t时刻注意力单元输入的二阶测量特征;
softmax函数的表达式为:
式中,表示softmax函数,上标i表示特征的索引,上标n表示特征的维度,j表示第j维度,下标t表示时间,exp()表示指数函数。
具体地,一些具体实施例,注意力单元的输入可表示为S=[F11,F12,…,F1t;F21,F22,...,F2t;...;F91,F92,...,F9t]T,其中第一个下标表示特征的索引,第二个下标表示时间。该单元所包含注意力机制基于电池特征的重要性调整权重并提取长期依赖性。该机制可以描述为将查询和一组键-值对映射到输出,其中查询、键和值是从原始输入变换的向量。注意力单元结构示意图如图3右侧所示。
注意力机制为输入序列分配不同的权重以选择最相关的信息特征。其数学表达式如下:
et=vT(WeSt)
其中:v和We是待学习的网络参数,上标T表示矩阵转置,下标t表示时间,St为t时刻注意力单元输入的二阶测量特征向量,et是比对模型,表征查询和对应键的兼容性;为softmax函数,此处上标i为特征的索引,上标n为特征的维度,其输出为注意力分布/>输出Yt为时间t处二阶测量特征的加权和,此处下标i为特征的索引,其中分配给每个值的权重通过计算/>获得。
S500、对目标编码和目标加权和进行连接处理,得到目标数据;
具体地,一些具体实施例,将长短期协同注意力网络两个单元的输出数据连接在一起,共同用于后续步骤处理。
S600、通过多层感知机对目标数据进行线性变换,得到全局预测数据;
具体地,一些具体实施例,将连接得到的数据馈入多层感知器(MLP)来实现一个线性变换,实现最终的全局预测。
下面结合具体实施例对本发明技术方案作进一步地解释说明,需要说明的是,下述为本发明技术方案的解释,不能看作对本发明的限制。
如图4所示,一些具体实施例,通过如下步骤实现本发明的方法:
S1、建立电池循环寿命试验的实验平台,对电池进行循环寿命测试,得到电池健康状况特征,并生成电池健康状况数据集。
具体地,该平台由NewareBTS-5V12A充放电测试仪、可编程恒温恒湿箱(SANWOODSMG-150CC)和记录数据的计算机组成。从同一批次的锂离子电池中选择5个2Ah、18650功率电池(Prospower ICR18650P)在25℃的恒温箱中重复充电和放电,循环曲线包括电池预处理循环、老化循环和容量校准循环。将能量作为SOH指标。SOH被定义为电池组的当前最大可用容量与额定容量,计算公式如下:
其中Cc表示当前最大可用容量,CR表示额定容量。
S2、从电池充电曲线中选取能够描述不同尺度下电池老化特性的直接测量特征和二阶测量特征。
具体地,首先,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:
其中xi和分别表示第i个单位的直接测量值和归一化值;
然后,将电池充电过程中测量的端电压和端电流作为直接测量特征;
其次,将电池充电过程中测量的电压曲线提取出9个特征作为二阶测量特征:第一特征F1是曲线的初始值;第二至第五特征是当测量电压达到3.850V、3.920V、4.025V和4.200V时的充电时间;这四个特征表示为F2、F3、F4和F5;剩余的四个特征是在四个间隔中电压对时间的积分,这四个特征表示为F6、F7、F8和F9。
S3、使用一个滑动窗口来处理每个输入变量;
具体地,利用滑动窗口来构造用于模型训练的输入和目标。当为每个周期提取多特征数据和SOH标签时,将滑动窗口应用于时间序列以获得具有特征和标签的训练样本,特征和标签分别是前w个和后k个观测值。本发明将滑动窗口的大小设置为32。
S4、将得到的特征向量送入考虑长短期记忆的协同注意力网络框架(长短期协同注意力网络);
S401、将得到的直接测量特征向量馈入深度长短时记忆(Deep-LSTM)单元;
具体地,Deep-LSTM单元包含两种类型的操作,即:MLP和LSTM。此单元的输入是直接测量特征,可表示为D=[V1,V2,…,Vt;A1,A2,…,At]T,并且t表示时间。deep-LSTM单元从跨时间步长的序列数据中提取特征,并将它们编码成向量,从而产生用于直接测量特征的编码。首先使用以ReLU作为激活函数的MLP层将输入投影到256维空间中。通过学习低维输入和密集嵌入向量之间的映射关系,可以开发模型处理不可见特征的能力。然后,嵌入向量被馈送到LSTM单元中,因为LSTM适于处理顺序数据并且可以降低噪声敏感度以帮助实现鲁棒的估计性能。
S402、将得到的二阶测量特征向量送入注意力单元;
具体地,二阶测量特征被馈送到注意力单元。此单元的输入可表示为S=[F11,F12,…,F1t;F21,F22,…,F2t;…;F91,F92,…,F9t]T,其中第一个下标表示特征的索引,第二个下标表示时间。该单元包含注意力机制,该机制基于电池特征的重要性调整权重并提取长期依赖性。
S5、将从步骤401步骤402输出的数据连接在一起;
S6、将得到的数据馈入多层感知器(MLP)来实现一个线性变换,实现最终的全局预测。
为了验证所公开的SOH估计方法的有效性,将所提出的LST-CANet的性能与某些公开方法和经典机器学习方法Bi-LSTM、FNN、DCNN和随机森林(RF)回归的性能进行比较。所有模型都使用相同的数据集(电池1和电池2用作训练,而其余三组电池用作测试)。表1列出了Bi-LSTM、FNN、DCNN和RF方法在RMSE、MAPE和MaxE方面获得的SOH估计结果。图5显示了三组电池的SOH估计结果和不同方法产生的误差,可以看到所提出的模型精确地跟踪SOH。本文提出的模型估计了三个电池的SOH,RMSE分别为0.94、0.87和0.94%,MAPE分别为0.85、0.81和0.85%,MaxE分别为2.77、2.62和2.61%。从单个试验的RMSE、MAPE和MaxE来看,LST-CANet的性能优于Bi-LSTM、FNN、DCNN和RF方法。因此,可以得出结论,与现有技术方法相比,本发明所公开的方法模型能够做出更准确的SOH预测。
表1
在实际应用中,传感器经常干扰数据采集,评估模型的鲁棒性至关重要。本发明将高斯白噪声应用于端电压,以模拟实际电池信号测量中的测量噪声。添加噪声的程度表示为信噪比(SNR),定义为:
其中Pv和Pn分别是无噪声电压和噪声的平均功率。
表2显示了不同SNR测量噪声注入条件下估计性能的平均值和标准差,图6显示了所预测SOH和预测误差的曲线图。没有添加噪声的估计结果最准确。随着噪声水平的升高,误差水平也升高。即使如此,当噪声为50dB时,RMSE仍然在1.3%以内,可以实现较好的估计结果。在整个运行过程中,三个测试电池的SOH估计误差在边界的3.5%以内。这证明了当噪声具有高斯分布时所公开的方法的鲁棒性和可靠性。
表2
/>
综上所述,本发明通过长短期协同注意力网络(long short-term collaborationattention network,LST-CANet)来提取健康特征与健康状况之间的映射关系,能够克服传统方法所面临的准确性、鲁棒性和实时适用性不强问题的锂离子电池健康状况在线预测方法。相较于现有技术,本发明至少包括如下有益效果:预先通过循环寿命测试并构建电池状态估算模型,通过获取每个锂离子电池充电曲线,取得两种关键健康状况因子,作为分支模型输入,从而得到估计电池的健康状况。
本发明实施例的另一方面还提供了一种锂离子电池智能健康状态预测装置,包括处理器以及存储器;
存储器用于存储程序;
处理器执行程序实现如前面的方法。
本发明方法实施例的内容均适用于本装置实施例,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法达到的有益效果也相同。
本发明实施例的另一方面还提供了一种计算机可读存储介质,存储介质存储有程序,程序被处理器执行实现如前面的方法。
本发明方法实施例的内容均适用于本计算机可读存储介质实施例,本计算机可读存储介质实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法达到的有益效果也相同。
本发明实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行前面的方法。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本发明,但应当理解的是,除非另有相反说明,的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本发明的范围,本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行装置、装置或设备(如基于计算机的装置、包括处理器的装置或其他可以从指令执行装置、装置或设备取指令并执行指令的装置)使用,或结合这些指令执行装置、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行装置、装置或设备或结合这些指令执行装置、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行装置执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换,这些等同的变形或替换均包含在本发明权利要求所限定的范围内。
Claims (10)
1.一种锂离子电池智能健康状态预测方法,其特征在于,包括:
获得电池健康状况数据集,并基于电池的循环寿命测试,确定电池充电曲线;
基于所述电池充电曲线,提取直接测量特征和二阶测量特征;其中,所述直接测量特征包括电池充电过程的端电压和端电流;所述二阶测量特征包括基于预设区间确定的多尺度的电化学特性特征;
通过滑动窗口分别处理所述直接测量特征和所述二阶测量特征,获得滑动窗口处理后的直接测量特征和二阶测量特征;
利用长短期协同注意力网络对所述滑动窗口处理后的直接测量特征和二阶测量特征进行分析,得到目标编码与目标加权和;
其中,所述长短期协同注意力网络基于所述电池健康状况数据集训练生成的;所述长短期协同注意力网络包括深度长短期记忆单元和注意力单元;所述深度长短期记忆单元用于对所述滑动窗口处理后的直接测量特征进行编码处理,所述注意力单元用于对所述滑动窗口处理后的二阶测量特征进行加权求和;
对所述目标编码和所述目标加权和进行连接处理,得到目标数据;
通过多层感知机对所述目标数据进行线性变换,得到全局预测数据。
2.根据权利要求1所述的一种锂离子电池智能健康状态预测方法,其特征在于,所述获得电池健康状况数据集,包括:
从电池循环寿命试验的实验平台获取电池的历史运行数据;
基于所述历史运行数据,确定电池健康状况数据集。
3.根据权利要求2所述的一种锂离子电池智能健康状态预测方法,其特征在于,所述基于电池的循环寿命测试,确定电池充电曲线,包括:
基于电池的预处理循环、老化循环和容量校准循环,确定电池充电曲线。
4.根据权利要求1所述的一种锂离子电池智能健康状态预测方法,其特征在于,所述方法还包括:
对确定的所述电池充电曲线进行归一化处理,获得处理后的电池充电曲线。
5.根据权利要求1所述的一种锂离子电池智能健康状态预测方法,其特征在于,所述基于所述电池充电曲线,提取直接测量特征和二阶测量特征,包括:
基于所述电池充电曲线,将电池充电过程的端电压和端电流作为直接测量特征;其中,所述电池充电曲线包括电压曲线;
根据电压变化,基于预设区间阈值将所述电压曲线分为若干区间,将所述电压曲线的初始值、电压分别达到各所述区间之间临界值的多个充电时间以及各所述区间中电压相对所述充电时间的多个积分作为二阶测量特征。
6.根据权利要求1所述的一种锂离子电池智能健康状态预测方法,其特征在于,所述方法还包括:
根据所述电池健康状况数据集,通过安时积分的方式获得最大可用容量集;
基于所述最大可用容量集,结合额定容量获得SOH监督学习数据集;
根据所述SOH监督学习数据集确定训练集和测试集,通过所述训练集对所述长短期协同注意力网络进行训练,并基于训练结果,对所述长短期协同注意力网络进行调整,获得训练完成的长短期协同注意力网络。
7.根据权利要求6所述的一种锂离子电池智能健康状态预测方法,其特征在于,所述方法还包括:
基于预设评价标准对训练完成的所述长短期协同注意力网络的预测精度进行性能度量,并根据所述性能度量的结果对所述长短期协同注意力网络的网络参数进行优化调整;
其中,所述预设评价标准包括均方根误差、平均绝对百分比误差和最大误差。
8.根据权利要求1所述的一种锂离子电池智能健康状态预测方法,其特征在于,所述深度长短期记忆单元包括多层感知机和长短期记忆网络,所述对所述滑动窗口处理后的直接测量特征进行编码处理,包括:
通过所述多层感知机和所述长短期记忆网络,将所述滑动窗口处理后的直接测量特征编码成向量,得到目标编码;
其中,所述多层感知机用于将所述滑动窗口处理后的直接测量特征投影到预设维度;所述长短期记忆网络用于对所述投影后特征的隐藏状态信息进行更新,基于更新后的隐藏状态信息组成目标编码。
9.根据权利要求1所述的一种锂离子电池智能健康状态预测方法,其特征在于,所述对所述滑动窗口处理后的二阶测量特征进行加权求和,包括:
通过所述注意力单元,利用注意力机制对所述滑动窗口处理后的二阶测量特征进行权重分配,基于所述权重分配的结果进行加权求和,得到目标加权和。
10.根据权利要求1所述的一种锂离子电池智能健康状态预测方法,其特征在于,所述利用注意力机制对所述滑动窗口处理后的二阶测量特征进行权重分配,包括:
通过对比模型和softmax函数对所述滑动窗口处理后的二阶测量特征进行权重分配;
其中,所述对比模型的表达式为:
et=vT(WeSt)
式中,et表示对比模型;v和We表示待学习的网络参数,上标T表示矩阵转置;下标t表示时间,St表示t时刻注意力单元输入的二阶测量特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310494879.9A CN116754949A (zh) | 2023-05-04 | 2023-05-04 | 一种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 |
---|---|---|---|
CN202310494879.9A CN116754949A (zh) | 2023-05-04 | 2023-05-04 | 一种锂离子电池智能健康状态预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116754949A true CN116754949A (zh) | 2023-09-15 |
Family
ID=87948513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310494879.9A Pending CN116754949A (zh) | 2023-05-04 | 2023-05-04 | 一种锂离子电池智能健康状态预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116754949A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2023
- 2023-05-04 CN CN202310494879.9A patent/CN116754949A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
---|---|---|
Lucu et al. | A critical review on self-adaptive Li-ion battery ageing models | |
CN111443294B (zh) | 一种锂离子电池剩余寿命间接预测方法及装置 | |
Lucu et al. | Data-driven nonparametric Li-ion battery ageing model aiming at learning from real operation data-Part B: Cycling operation | |
Li et al. | Lithium battery state-of-health estimation and remaining useful lifetime prediction based on non-parametric aging model and particle filter algorithm | |
CN112036084B (zh) | 一种相似产品寿命迁移筛选方法和系统 | |
CN103954913B (zh) | 电动汽车动力电池寿命预测方法 | |
Strange et al. | Prediction of future capacity and internal resistance of Li-ion cells from one cycle of input data | |
CN111832220A (zh) | 一种基于编解码器模型的锂离子电池健康状态估算方法 | |
CN113065283A (zh) | 一种电池寿命预测方法、系统、电子装置及存储介质 | |
Huang et al. | A comprehensively optimized lithium-ion battery state-of-health estimator based on Local Coulomb Counting Curve | |
Che et al. | Battery health prognostic with sensor-free differential temperature voltammetry reconstruction and capacity estimation based on multi-domain adaptation | |
CN115236519A (zh) | 基于隐马尔可夫模型的锂电池健康状态预测方法及装置 | |
CN116754949A (zh) | 一种锂离子电池智能健康状态预测方法 | |
CN113917334A (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
CN112098873B (zh) | 基于充电电压曲线几何特征的锂电池健康状态估计方法 | |
CN114441984A (zh) | 一种锂电池健康状态估计方法 | |
Duan et al. | Battery SOH estimation and RUL prediction framework based on variable forgetting factor online sequential extreme learning machine and particle filter | |
Biggio et al. | Dynaformer: A deep learning model for ageing-aware battery discharge prediction | |
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 | |
CN114397577A (zh) | 一种基于astukf-gra-lstm模型的新能源汽车锂电池健康状态评估方法 | |
CN115994441A (zh) | 基于机理信息的大数据云平台在线电池寿命预测方法 | |
CN116930609A (zh) | 一种基于ResNet-LSTM模型的电能计量误差分析方法 | |
CN114660497A (zh) | 一种针对容量再生现象的锂离子电池寿命预测方法 | |
Tan et al. | Intelligent online health estimation for lithium-ion batteries based on a parallel attention network combining multivariate time series | |
Li et al. | A hybrid framework for predicting the remaining useful life of battery using Gaussian process regression |
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 |