CN117250425A - 一种直流避雷器氧化锌电阻片老化试验方法 - Google Patents
一种直流避雷器氧化锌电阻片老化试验方法 Download PDFInfo
- Publication number
- CN117250425A CN117250425A CN202311220039.XA CN202311220039A CN117250425A CN 117250425 A CN117250425 A CN 117250425A CN 202311220039 A CN202311220039 A CN 202311220039A CN 117250425 A CN117250425 A CN 117250425A
- Authority
- CN
- China
- Prior art keywords
- zinc oxide
- aging
- oxide resistor
- prediction model
- aging time
- 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
- XLOMVQKBTHCTTD-UHFFFAOYSA-N Zinc monoxide Chemical compound [Zn]=O XLOMVQKBTHCTTD-UHFFFAOYSA-N 0.000 title claims abstract description 162
- 230000032683 aging Effects 0.000 title claims abstract description 149
- 239000011787 zinc oxide Substances 0.000 title claims abstract description 81
- 238000010998 test method Methods 0.000 title claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 57
- 230000015654 memory Effects 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 16
- 238000000034 method Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 239000011810 insulating material Substances 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000010183 spectrum analysis Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 3
- 230000001133 acceleration Effects 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 description 8
- WSUTUEIGSOWBJO-UHFFFAOYSA-N dizinc oxygen(2-) Chemical compound [O-2].[O-2].[Zn+2].[Zn+2] WSUTUEIGSOWBJO-UHFFFAOYSA-N 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000002431 foraging effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005036 potential barrier Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000010792 warming 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
- G01R31/003—Environmental or reliability tests
Landscapes
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明属于避雷器老化试验技术领域，具体涉及一种直流避雷器氧化锌电阻片老化试验方法。针对现有避雷器氧化锌电阻片的老化试验方法老化试验条件基本固定，老化试验后，一些氧化锌电阻片可能仍未完成老化试验的不足，本发明采用如下技术方案：一种直流避雷器氧化锌电阻片老化试验方法，所述直流避雷器氧化锌电阻片老化试验方法包括：构建老化时间预测模型，老化时间预测模型的输入为氧化锌电阻片的相关特征值，输出为预测老化时间；获取需要预测的氧化锌电阻片的相关特征值，输入老化时间预测模型；根据老化时间预测模型得到的预测老化时间，调整试验条件。本发明的有益效果是：及时调整试验条件，调整老化加速率，从而提高效率、节约成本。
Description
技术领域
本发明属于避雷器老化试验技术领域，具体涉及一种直流避雷器氧化锌电阻片老化试验方法。
背景技术
氧化锌氧化锌电阻片是避雷器核心部件，其性能直接决定避雷器性能好坏。氧化锌电阻片加速老化试验作为验证避雷器长期运行稳定性及寿命评估的重要手段，是一项重要的型式试验内容。
对于直流避雷器氧化锌电阻片，当施加长时间的直流偏置电压后会导致氧化锌电阻片晶界势垒不对称，使得氧化锌电阻片正反向直流参考电压和残压出现不同程度的升高或者降低，使得氧化锌电阻片正反向伏安特性不对称，并且，当荷电率较高时这种不对称情况愈加明显。
针对直流避雷器氧化锌电阻片，评判其是否通过直流老化试验的流程为：首先，老化前，在室温下分别测试避雷器氧化锌电阻片正反向的参考电压和残压，判断避雷器的伏安特性是否对称；然后，选取荷电率，按照IEC6099-9中的规定对避雷器进行老化，老化时长为1000h，老化至1000h后，判断氧化锌电阻片功率损耗是否满足要求；最后，如果功耗满足要求，测试氧化锌电阻片正反两个方向的参考电压和残压，判断参考电压和残压是否小于规定值。如果以上试验均通过，则认为避雷器通过老化试验，否则未通过老化试验。
现有避雷器氧化锌电阻片的老化试验方法存在以下缺点：不同氧化锌氧化锌电阻片的老化时间差异较大(制造商或生产批次不同造成的工艺差异或者质量控制要求的不同都会导致氧化锌氧化锌电阻片老化时间的差异)，而老化试验条件基本固定，老化试验后，一些氧化锌电阻片可能仍未完成老化试验(仍然没有老化，性能未失效)。此外，加速老化试验箱空间有限，无法同批次研究较多样本，而1000h的试验周期又过长，时间成本高，研究效率较低。
发明内容
本发明针对现有避雷器氧化锌电阻片的老化试验方法老化试验条件基本固定，老化试验后，一些氧化锌电阻片可能仍未完成老化试验的不足，提供一种直流避雷器氧化锌电阻片老化试验方法，对避雷器氧化锌氧化锌电阻片老化时间进行预测，根据预测的老化时间，及时调整氧化锌电阻片老化试验的试验条件，节约试验时间和成本。
为实现上述目的，本发明采用如下技术方案：一种直流避雷器氧化锌电阻片老化试验方法，所述直流避雷器氧化锌电阻片老化试验方法包括：
构建老化时间预测模型，老化时间预测模型的输入为氧化锌电阻片的相关特征值，输出为预测老化时间；
获取需要预测的氧化锌电阻片的相关特征值，输入老化时间预测模型；
根据老化时间预测模型得到的预测老化时间，调整试验条件。
本发明的直流避雷器氧化锌电阻片老化试验方法，通过构建老化时间预测模型，老化时间预测模型的输入为氧化锌电阻片的相关特征值，输出为预测老化时间，对于需要预测即待老化的氧化锌电阻片，将需要预测的氧化锌电阻片的相关特征值，输入老化时间预测模型，老化时间预测模型能够得到预测老化时间，根据该预测老化时间，调整试验条件，从而提高效率、节约成本。
作为改进，所述直流避雷器氧化锌电阻片老化试验方法包括：
步骤S1、采集参考氧化锌电阻片老化前的U1mA及75％U1mA下的泄漏电流；
步骤S2、采集老化试验过程中参考氧化锌电阻片的电气参数，对初始时间段T的时序数据进行特征提取；
步骤S3、构建样本集，样本集包含若干输入值和一个输出值，输入值包含氧化锌电阻片老化前U1mA及75％U1mA下的泄漏电流、特征提取获得的特征，输出值为实测老化时间；
步骤S4、将样本集按照比例划分为训练集与验证集，放入老化时间预测模型中进行训练，通过调节训练样本特征及老化时间预测模型参数获得最优老化时间预测模型结构；
步骤S5、对需要预测的氧化锌电阻片进行时间段T预试验，重复步骤S1、步骤S2，提取如步骤S3的输入值特征集，作为老化时间预测模型的输入，对需要预测的氧化锌电阻片在当前条件下的试验老化时间进行预测；
步骤S6、根据老化时间预测模型得到的预测老化时间，调整试验条件。
作为改进，步骤S2包括：
步骤S21、根据时序数据建立功耗曲线，进行样条平滑处理，去除噪声和异常值，提取时域曲线特征及统计特征值；
步骤S22、对初始时间段T的功耗曲线进行频谱分析，提取频域特征频率。
作为改进，步骤S2中，初始时间段T为24小时。
作为改进，步骤S3中，特征提取获得的特征包括功耗曲线平滑后的功耗初始值、时域的第一个峰值及其时间、初始时间段T的功耗曲线的频域峰值及其频率、实测功耗初始值以及初始时间段T的功耗曲线的统计特征中的至少一个。
作为改进，老化时间预测模型采用长短期记忆网络模型。
作为改进，长短期记忆网络模型的关键是细胞状态，表示为Ct，用来保存当前长短期记忆网络的状态信息并传递到下一时刻的长短期记忆网络中，当前的长短期记忆网络接收来自上一个时刻的细胞状态Ct-1，并与当前长短期记忆网络接收的输入信号xt共同作用产生当前长短期记忆网络的细胞状态Ct。
作为改进，长短期记忆网络模型采用专门设计的“门”来引入或者去除细胞状态Ct中的信息，长短期记忆网络模型包括三个不同的门结构：遗忘门、记忆门和输出门。
作为改进，遗忘门由一个sigmoid神经网络层和一个按位乘操作构成；记忆门由输入门与tanh神经网络层和一个按位乘操作构成；输出门与tanh函数以及按位乘操作共同作用将细胞状态和输入信号xt传递到输出端。
作为改进，步骤S6中，由阿伦尼乌斯(Arrhenius)公式推导出，当温度上升10℃，绝缘材料的理论寿命缩短1/2.5倍，根据该规律可以对老化时间过长的电阻片进行升温，加速老化。
本发明的直流避雷器氧化锌电阻片老化试验方法的有益效果是：通过构建老化时间预测模型，老化时间预测模型的输入为氧化锌电阻片的相关特征值，输出为预测老化时间，对于需要预测即待老化的氧化锌电阻片，将需要预测的氧化锌电阻片的相关特征值，输入老化时间预测模型，老化时间预测模型能够得到预测老化时间，根据该预测老化时间，及时调整试验条件，调整老化加速率，从而提高效率、节约成本。
附图说明
图1是本发明实施例一的直流避雷器氧化锌电阻片老化试验方法的流程图。
图2是本发明实施例一的直流避雷器氧化锌电阻片老化试验方法的更细致的流程图。
图3是本发明实施例一的直流避雷器氧化锌电阻片老化试验方法的老化时间预测模型的预测结果图(横坐标为样本编号，纵坐标为预测老化时间，单位为小时)。
具体实施方式
下面对本发明创造实施例的技术方案进行解释和说明，但下述实施例仅为本发明创造的优选实施例，并非全部。基于实施方式中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的其他实施例，都属于本发明创造的保护范围。
参见图1至图3，本发明实施例的一种直流避雷器氧化锌电阻片老化试验方法，所述直流避雷器氧化锌电阻片老化试验方法包括：
构建老化时间预测模型，老化时间预测模型的输入为氧化锌电阻片的相关特征值，输出为预测老化时间；
获取需要预测的氧化锌电阻片的相关特征值，输入老化时间预测模型；
根据老化时间预测模型得到的预测老化时间，调整试验条件。
本发明的直流避雷器氧化锌电阻片老化试验方法，通过构建老化时间预测模型，老化时间预测模型的输入为氧化锌电阻片的相关特征值，输出为预测老化时间，对于需要预测即待老化的氧化锌电阻片，将需要预测的氧化锌电阻片的相关特征值，输入老化时间预测模型，老化时间预测模型能够得到预测老化时间，根据该预测老化时间，调整试验条件，从而提高效率、节约成本。
实施例一
参见图1和图2，本发明实施例一的一种直流避雷器氧化锌电阻片老化试验方法，所述直流避雷器氧化锌电阻片老化试验方法包括：
步骤S1、采集氧化锌氧化锌电阻片老化前的U1mA及75％U1mA下的泄漏电流；
步骤S2、采集实验中氧化锌电阻片的电气参数，对初始24h的时序数据进行特征提取，包括：首先，根据时序数据建立功耗曲线，进行样条平滑处理，去除噪声和异常值，提取时域曲线特征及统计特征值，随后，对初始24h功耗曲线进行频谱分析，提取频域特征频率；
步骤S3、构建样本集，样本集包含若干输入值和一个输出值，输入值包含氧化锌氧化锌电阻片老化前U1mA及75％U1mA下的泄漏电流、功耗曲线平滑后的功耗初始值、时域的第一个峰值及其时间、初始24h功耗曲线的频域峰值及其频率、实测功耗初始值以及初始24h功耗曲线的统计特征，输出值为实测老化时间；
步骤S4、将样本集按照比例划分为训练集与验证集，放入长短期记忆网络模型中进行训练，通过调节训练样本特征及模型参数获得最优模型结构；
步骤S5、对需要预测的氧化锌氧化锌电阻片进行24h预试验，重复步骤一、步骤二，提取如步骤三所述的输入特征集，作为模型的输入，对目标氧化锌氧化锌电阻片在当前条件下的试验老化时间进行预测；
步骤S6、根据预测的试验老化时间，调整试验条件。
本实施例中，步骤S1至步骤S4为如何构建老化时间预测模型的具体步骤。步骤S5为如何获取需要预测的氧化锌电阻片的相关特征值，输入老化时间预测模型的具体步骤。
本实施例中，长短期记忆网络(Long Short Term Memory Network,LSTM)是一种特殊的RNN(循环神经网络，Recurrent Neural Network)模型，其特殊的结构设计使得它可以避免长期依赖问题，记住很早时刻的信息是LSTM的默认行为，而不需要专门为此付出很大代价。
本实施例中，长短期记忆网络模型的关键是细胞状态，表示为Ct，用来保存当前长短期记忆网络的状态信息并传递到下一时刻的长短期记忆网络中，当前的长短期记忆网络接收来自上一个时刻的细胞状态Ct-1，并与当前长短期记忆网络接收的输入信号xt共同作用产生当前长短期记忆网络的细胞状态Ct。
本实施例中，长短期记忆网络模型采用专门设计的“门”来引入或者去除细胞状态Ct中的信息，长短期记忆网络模型包括三个不同的门结构：遗忘门、记忆门和输出门。
本实施例中，遗忘门由一个sigmoid神经网络层和一个按位乘操作构成；记忆门由输入门与tanh神经网络层和一个按位乘操作构成；输出门与tanh函数以及按位乘操作共同作用将细胞状态和输入信号xt传递到输出端。
本实施例中，步骤S6中，由阿伦尼乌斯(Arrhenius)公式推导出，当温度上升10℃，绝缘材料的理论寿命缩短1/2.5倍，根据该规律对老化时间过长的电阻片进行升温，加速老化。通常，通过对试验箱升温实现。
参见图3，在温度为135℃的试验箱环境下对规格为D72的氧化锌电阻进行数据采集，对数据进行预处理后，将数据集按照7：2的比例划分为训练集和测试集，输入长短期记忆网络模型进行训练和测试。训练和测试结果见图3。
为了评价长短期记忆网络模型预测结果的精度，选择均方根误差(RMSE)、拟合优度R2、平均绝对误差(MAE)和平均偏差(MBE)这4个指标对模型进行评价。评价指标见表1。
表1相关评价指标
| RMSE | R2 | MAE | MBE | |
| 训练集 | 3.3506 | 0.99519 | 2.3173 | 0.20461 |
| 测试集 | 7.6186 | 0.97592 | 6.3636 | 0.44826 |
从预测结果和表1的评价指标结果来看，长短期记忆网络模型对于氧化锌电阻片的老化时间具有很好的预测精度。
根据图3测试集结果发现，同一试验箱中的4、10、11、12号氧化锌电阻片的预测老化时间均超过150h，可以对该试验箱进行升温处理，将该试验箱温度上升至145℃，理论上可以将老化时间缩减至70h左右。
以上所述，仅为本发明创造的具体实施方式，但本发明创造的保护范围并不局限于此，熟悉该本领域的技术人员应该明白本发明创造包括但不限于上面具体实施方式中描述的内容。任何不偏离本发明创造的功能和结构原理的修改都将包括在权利要求书的范围中。
Claims (10)
1.一种直流避雷器氧化锌电阻片老化试验方法，其特征在于：所述直流避雷器氧化锌电阻片老化试验方法包括：
构建老化时间预测模型，老化时间预测模型的输入为氧化锌电阻片的相关特征值，输出为预测老化时间；
获取需要预测的氧化锌电阻片的相关特征值，输入老化时间预测模型；
根据老化时间预测模型得到的预测老化时间，调整试验条件。
2.根据权利要求1所述的一种直流避雷器氧化锌电阻片老化试验方法，其特征在于：构建老化时间预测模型包括：
步骤S1、采集参考氧化锌电阻片老化前的U1mA及75％U1mA下的泄漏电流；
步骤S2、采集老化试验过程中参考氧化锌电阻片的电气参数，对初始时间段T的时序数据进行特征提取；
步骤S3、构建样本集，样本集包含若干输入值和一个输出值，输入值包含氧化锌电阻片老化前U1mA及75％U1mA下的泄漏电流、特征提取获得的特征，输出值为实测老化时间；
步骤S4、将样本集按照比例划分为训练集与验证集，放入老化时间预测模型中进行训练，通过调节训练样本特征及老化时间预测模型参数获得最优老化时间预测模型结构。
3.根据权利要求2所述的一种直流避雷器氧化锌电阻片老化试验方法，其特征在于：步骤S2包括：
步骤S21、根据时序数据建立功耗曲线，进行样条平滑处理，去除噪声和异常值，提取时域曲线特征及统计特征值；
步骤S22、对初始时间段T的功耗曲线进行频谱分析，提取频域特征频率。
4.根据权利要求3所述的一种直流避雷器氧化锌电阻片老化试验方法，其特征在于：步骤S2中，初始时间段T为24小时。
5.根据权利要求2所述的一种直流避雷器氧化锌电阻片老化试验方法，其特征在于：步骤S3中，特征提取获得的特征包括功耗曲线平滑后的功耗初始值、时域的第一个峰值及其时间、初始时间段T的功耗曲线的频域峰值及其频率、实测功耗初始值以及初始时间段T的功耗曲线的统计特征中的至少一个。
6.根据权利要求2所述的一种直流避雷器氧化锌电阻片老化试验方法，其特征在于：获取需要预测的氧化锌电阻片的相关特征值，输入老化时间预测模型具体为：
步骤S5、对需要预测的氧化锌电阻片进行时间段T预试验，重复步骤S1、步骤S2，提取如步骤S3的输入值特征集，作为老化时间预测模型的输入，对需要预测的氧化锌电阻片在当前条件下的试验老化时间进行预测。
7.根据权利要求1所述的一种直流避雷器氧化锌电阻片老化试验方法，其特征在于：老化时间预测模型采用长短期记忆网络模型。
8.根据权利要求7所述的一种直流避雷器氧化锌电阻片老化试验方法，其特征在于：长短期记忆网络模型的关键是细胞状态，表示为Ct，用来保存当前长短期记忆网络的状态信息并传递到下一时刻的长短期记忆网络中，当前的长短期记忆网络接收来自上一个时刻的细胞状态Ct-1，并与当前长短期记忆网络接收的输入信号xt共同作用产生当前长短期记忆网络的细胞状态Ct。
9.根据权利要求8所述的一种直流避雷器氧化锌电阻片老化试验方法，其特征在于：长短期记忆网络模型采用专门设计的“门”来引入或者去除细胞状态Ct中的信息，长短期记忆网络模型包括三个不同的门结构：遗忘门、记忆门和输出门；遗忘门由一个sigmoid神经网络层和一个按位乘操作构成；记忆门由输入门与tanh神经网络层和一个按位乘操作构成；输出门与tanh函数以及按位乘操作共同作用将细胞状态和输入信号xt传递到输出端。
10.根据权利要求1所述的一种直流避雷器氧化锌电阻片老化试验方法，其特征在于：调整试验条件具体为：由阿伦尼乌斯公式推导出，当温度上升10℃，绝缘材料的理论寿命缩短1/2.5倍，根据该规律对老化时间过长的电阻片进行升温，加速老化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311220039.XA CN117250425A (zh) | 2023-09-20 | 2023-09-20 | 一种直流避雷器氧化锌电阻片老化试验方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311220039.XA CN117250425A (zh) | 2023-09-20 | 2023-09-20 | 一种直流避雷器氧化锌电阻片老化试验方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117250425A true CN117250425A (zh) | 2023-12-19 |
Family
ID=89134433
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311220039.XA Pending CN117250425A (zh) | 2023-09-20 | 2023-09-20 | 一种直流避雷器氧化锌电阻片老化试验方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117250425A (zh) |
-
2023
- 2023-09-20 CN CN202311220039.XA patent/CN117250425A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11226374B2 (en) | Data-driven model for lithium-ion battery capacity fade and lifetime prediction | |
| CN108896914B (zh) | 一种锂电池健康状况的梯度提升树建模与预测方法 | |
| CN114114049B (zh) | 一种基于样本迁移的锂离子电池寿命预测方法 | |
| CN112834945A (zh) | 评估模型建立方法、电池健康状态评估方法及相关产品 | |
| CN112014735B (zh) | 一种基于全寿命周期的电芯老化寿命预测方法及装置 | |
| CN111832221B (zh) | 基于特征筛选的锂电池寿命预测方法 | |
| CN116298906B (zh) | 电池容量的预测模型训练方法、预测方法、装置及介质 | |
| CN109800446B (zh) | 一种锂离子电池放电过程电压不一致性估计方法及装置 | |
| CN106950507A (zh) | 一种智能时钟电池用高可靠性寿命评估方法 | |
| CN116482541A (zh) | 预测电池循环寿命的方法、装置及计算机可读存储介质 | |
| CN114580496A (zh) | 一种锂离子电池单体故障自检测方法 | |
| CN114720899A (zh) | 退役电池梯次利用分选方法及系统、电子设备、存储介质 | |
| Tian et al. | A new nonlinear double-capacitor model for rechargeable batteries | |
| CN114114051B (zh) | 一种电池老化值的确定方法、装置及电子设备 | |
| CN109921462B (zh) | 一种基于lstm的新能源消纳能力评估方法及系统 | |
| CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
| CN115267585A (zh) | 基于梯度增强决策树的改进单粒子电化学模型建模方法 | |
| CN117554844A (zh) | 一种储能系统的电池单体故障检测方法及装置 | |
| CN117825970A (zh) | 电池退化分析方法、装置、设备及存储介质 | |
| CN117250425A (zh) | 一种直流避雷器氧化锌电阻片老化试验方法 | |
| CN113884900B (zh) | 一种三元锂离子电池容量突变点预测方法 | |
| CN114019380A (zh) | 一种电芯的日历寿命扩展预测方法 | |
| CN110133534B (zh) | 蓄电池老化趋势的评估方法 | |
| Li et al. | Battery state of health estimation with incremental capacity analysis technique | |
| CN113848493A (zh) | 基于机器学习的三元锂离子电池早期加速老化诊断方法 |
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 |