CN117250523B - 基于ai技术的增强型汽车动力电池预测方法及系统 - Google Patents

基于ai技术的增强型汽车动力电池预测方法及系统 Download PDF

Info

Publication number
CN117250523B
CN117250523B CN202311541599.5A CN202311541599A CN117250523B CN 117250523 B CN117250523 B CN 117250523B CN 202311541599 A CN202311541599 A CN 202311541599A CN 117250523 B CN117250523 B CN 117250523B
Authority
CN
China
Prior art keywords
battery
model
power battery
data
node
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
Application number
CN202311541599.5A
Other languages
English (en)
Other versions
CN117250523A (zh
Inventor
魏良峰
魏文斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujian Kexing Thai Data Technology Co ltd
Original Assignee
Fujian Kexing Thai Data Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fujian Kexing Thai Data Technology Co ltd filed Critical Fujian Kexing Thai Data Technology Co ltd
Priority to CN202311541599.5A priority Critical patent/CN117250523B/zh
Publication of CN117250523A publication Critical patent/CN117250523A/zh
Application granted granted Critical
Publication of CN117250523B publication Critical patent/CN117250523B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/12—Recording operating variables ; Monitoring of operating variables
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/16—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to battery ageing, e.g. to the number of charging cycles or the state of health [SoH]
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/048—Activation functions
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/50—Control modes by future state prediction
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Power Engineering (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Secondary Cells (AREA)

Abstract

本发明涉及一种基于AI技术的增强型汽车动力电池预测方法及系统，包括以下步骤：步骤S1:获取不同驾驶模式下的历史数据，包括运动模式、正常模式和经济模式；步骤S2:根据基于历史数据分别进行特征工程，构建特征数据集；步骤S3:针对不同的驾驶模式分别构建动力电池预测模型，并基于特征数据集训练；步骤S4:基于损失最小化学习法优化；步骤S5:BMS系统获取车辆驾驶数据，并基于决策树分析，判断驾驶模式；步骤S6:基于步骤S5得到的驾驶模式，调用BMS系统中相应的预测模型，预测动力电池的电池容量衰减、SOC估计和剩余寿命。本发明考虑不同驾驶习惯对动力电池的损耗不同，分别构建相应的预测模型进行预测，可以更准确地预测电池的状态和性能。

Description

基于AI技术的增强型汽车动力电池预测方法及系统
技术领域
本发明涉及电动汽车的动力电池管理系统技术领域，尤其涉及一种基于AI技术的增强型汽车动力电池预测方法及系统。
背景技术
随着电动汽车市场的快速发展，动力电池是纯电动汽车三电系统的核心技术之一，其主要功能是为汽车行驶提供足够的能量。近年来国内外纯电动汽车安全事故频发，其中相当一部分是动力电池衰退老化引发的汽车安全事故。
电动汽车中的电池模组的 SOC 类似于汽车中的油箱剩余油量，但是电动汽车的SOC 并不能如油箱油量一样直接进行测量，SOC估计必须借助其他可测量的值。SOC 估计必须具有快速、可靠和准确才能保证等特点才能保证 BMS 的功能，由于电池的内部电化学反应的复杂性使得电池 SOC 精确估计一直是学界和工业界的热门话题。
而传统的预测模型未考虑实际驾驶工况中，不同的驾驶习惯对电池的损耗，会导致在实际预测中出现较大的误差，精度较差。
发明内容
为了解决上述问题，本发明的目的在于提供一种基于AI技术的增强型汽车动力电池预测方法，考虑不同驾驶习惯对动力电池的损耗不同，分别构建相应的预测模型进行预测，可以更准确地预测电池的状态和性能。
为实现上述目的，本发明采用以下技术方案：
一种基于AI技术的增强型汽车动力电池预测方法，包括以下步骤：
步骤S1:获取不同驾驶模式下的历史数据，包括运动模式、正常模式和经济模式；
步骤S2: 根据基于历史数据分别进行特征工程，构建特征数据集；
步骤S3:针对不同的驾驶模式分别构建动力电池预测模型，并基于特征数据集训练，包括基于LSTM构建运动模式的动力电池预测模型，基于统计分析构建的正常模式的动力电池预测模型以及基于电化学模型构建的经济模式的动力电池预测模型；
步骤S4:将训练后的基于LSTM构建运动模式的动力电池预测模型，基于统计分析构建的正常模式的动力电池预测模型以及基于电化学模型构建的经济模式的动力电池预测模型，基于损失最小化学习法优化，得到最终预测模型，并加载至车辆的BMS系统中；
步骤S5:BMS系统获取车辆驾驶数据，并基于决策树分析，判断驾驶模式；
步骤S6:基于步骤S5得到的驾驶模式，调用BMS系统中相应的预测模型，预测动力电池的电池容量衰减、SOC估计和剩余寿命。
进一步的，基于LSTM构建运动模式的动力电池预测模型，具体如下：
将历史数据的特征构建成一个图结构，其中每个特征点看作是图中的一个节点，节点之间的连接关系根据特征之间的相关性来确定；
将图结构输入到GNN的图卷积层，用于学习节点之间的特征表示；
对于每个节点 i，计算其邻居节点的加权平均特征表示：
其中，sigma 表示激活函数；hi：表示节点 i 的特征表示，是一个向量；N(i)：表示节点 i 的邻居节点的集合；di表示节点 i 的度，即与节点 i 相连的边的数量；dj：表示节点 j 的度，即与节点 j 相连的边的数量；hj表示节点 j 的特征表示，是一个向量；表示归一化处理，用于平衡不同节点之间的度差异；cdot hj表示节点j的隐藏状态向量；/>表示节点j对节点i的影响；cdot W为权重矩阵；
将经过图卷积层得到的节点特征输入到LSTM层中，学习序列数据的时间依赖关系；
将LSTM层的隐藏状态作为输入，通过全连接层或其他适当的层来预测电池容量衰减、SOC估计和剩余寿命。
进一步的，将经过图卷积层得到的节点特征输入到LSTM层中，学习序列数据的时间依赖关系，具体如下：
输入门（i_t）：通过将图卷积层的输出特征（h_i）与当前时间步的输入特征（x_t）进行线性变换和激活函数处理来计算输入门，公式如下：
i_t = sigmoid(W_i * x_t + U_i * h_i + b_i)
遗忘门（f_t）：通过将图卷积层的输出特征（h_i）与上一个时间步的隐藏状态（h_{t-1}）进行线性变换和激活函数处理来计算遗忘门，公式如下：
f_t = sigmoid(W_f * x_t + U_f * h_i + b_f)
更新状态（C_t）：通过将图卷积层的输出特征（h_i）与上一个时间步的隐藏状态（h_{t-1}）进行线性变换和激活函数处理来计算更新状态，公式如下：
C_t = f_t * C_{t-1} + i_t * tanh(W_C * x_t + U_C * h_i + b_C)
输出门（o_t）：通过将图卷积层的输出特征（h_i）与当前时间步的输入特征（x_t）进行线性变换和激活函数处理来计算输出门公式如下：
o_t = sigmoid(W_o * x_t + U_o * h_i + b_o)
隐藏状态（h_t）：通过将更新状态（C_t）与输出门（o_t）进行元素级乘法和激活函数处理来计算隐藏状态，公式如下：
h_t = o_t * tanh(C_t)
其中 W_i, U_i, b_i分别为输入门的权重矩阵、输入门的邻接矩阵和输入门的偏置项； W_f, U_f, b_f分别为遗忘门的权重矩阵、遗忘门的邻接矩阵和遗忘门的偏置项；W_C, U_C, b_C分别为更新状态的权重矩阵、更新状态的邻接矩阵和更新状态的偏置项；W_o,U_o, b_o分别为输出门的权重矩阵、输出门的邻接矩阵和输出门的偏置项；x_t 是当前时间步的输入特征，h_i 是图卷积层的输出特征，C_{t-1} 是上一个时间步的更新状态，C_t是当前时间步的更新状态，h_{t-1} 是上一个时间步的隐藏状态，h_t 是当前时间步的隐藏状态，sigmoid 和 tanh 是激活函数，分别用于控制门的开关和隐藏状态的范围。
进一步的，基于统计分析构建的正常模式的动力电池预测模型，具体的：
对历史数据进行预处理，得到时间序列数据；
并对动力电池的时间序列数据进行平稳性检验，如果数据不平稳，可以进行差分操作，直到数据平稳；
根据平稳的时间序列数据，确定ARIMA模型的阶数(p, d, q）
其中，y(t)是时间序列数据的观测值，c是常数，是自回归系数，θ(1), ..., θ(q)是移动平均系数，e(t)是白噪声误差项；
使用特征数据集，拟合ARIMA模型，得到模型参数，得到正常模式的动力电池预测模型。
进一步的，基于电化学模型构建的经济模式的动力电池预测模型，具体如下：
基于电池的容量衰减模型，通过考虑电池的化学反应和材料衰减因素来预测容量衰减：
a.收集电池的循环测试数据，包括循环次数和容量衰减程度；
b.基于电池材料的电化学模型，建立容量衰减模型；
c.根据循环次数和容量衰减模型，预测电池的容量衰减程度；
d.根据预测结果，评估电池的剩余容量；
基于电池的电流-电压特性曲线，通过测量电流和电压来估计电池的SOC：
a.收集电池的电流和电压数据；
b.基于电池材料的电化学模型，建立电流-电压特性曲线模型；根据电流和电压数据，通过特性曲线模型估计电池的SOC；
c.根据估计结果，评估电池的剩余电量;
基于电池的循环寿命模型，通过考虑电池的循环次数、温度和充放电速率等因素来预测剩余寿命：
a.收集电池的循环测试数据，包括循环次数和寿命；
b.基于电池材料的电化学模型，建立循环寿命模型；
c.根据循环次数和循环寿命模型，预测电池的剩余寿命；
d.根据预测结果，评估电池的剩余寿命。
进一步的，所述基于损失最小化学习法优化预测模型，具体如下:
使用HUBER损失函数作为优化目标：
L(y_pred, y_true) = 0.5 * (y_pred - y_true)^2, if |y_pred - y_true|<= δ
L(y_pred, y_true) = δ * |y_pred - y_true| - 0.5 * δ^2, if |y_pred -y_true| > δ
其中，y_pred 是预测结果，y_true 是真实值，δ 是一个超参数，用于控制平方损失和绝对损失之间的切换点;
在损失函数中添加L1正则化项限制模型参数的绝对值之和;
将损失函数和L1正则化项相加，得到优化目标：
Total_loss = L(y_pred, y_true) + L1_loss
其中，L1_loss为L1正则化项、L(y_pred, y_true)为损失函数；
使用随机梯度下降法，找到使优化目标最小化的模型参数。
在每次迭代中，计算损失函数关于模型参数的梯度，并根据梯度的方向和大小来更新参数值。
进一步的，所述决策树构建，具体如下：
收集并整理驾驶过程中的参数数据并预处理，包括加速度、车速、转向角度、制动压力和转速；
基于预处理后的参数数据，进行特征提取，得到训练集；
使用决策树算法对训练集进行模型训练，具体的：
计算划分前的数据集的熵： Entropy(S) = - Σ (p(x) * log2(p(x)))
对每个特征计算信息增益：
对于每个特征A，计算其信息增益Gain(S, A)：
Gain(S, A) = Entropy(S) - Σ (|Sv| / |S|) * Entropy(Sv)
其中，S表示划分前的数据集，A表示特征，Sv表示特征A的某个取值，|Sv|表示属于特征A取值为Sv的样本数，|S|表示总样本数；
选择信息增益最大的特征作为决策树的节点，将数据集按照该特征的不同取值划分为子集；
对于每个子集，重复上述步骤，选择信息增益最大的特征作为划分特征，继续构建子树；
当所有样本属于同一类别时，停止划分，将该节点标记为叶子节点，当没有更多特征可供划分时，停止划分，将该节点标记为叶子节点，得到最终的决策树。
一种基于AI技术的增强型汽车动力电池预测系统，包括处理器、存储器以及存储在所述存储器上的计算机程序，所述处理器执行所述计算机程序时，具体执行如上所述的一种基于AI技术的增强型汽车动力电池预测方法中的步骤。
本发明具有如下有益效果：
本发明考虑不同驾驶习惯对动力电池的损耗不同，以及不同的驾驶模式的特点，分别构建相应的预测模型进行预测，可以更准确地预测电池的状态和性能；
本发明考虑正常车辆使用过程，存在旁人使用的情况，会存在异常数据，对预测精度影响较大，故基于损失最小化学习法优化预测模型，降低异常数据的影响，提高预测模型的鲁棒性。
附图说明
图1为本发明方法流程图；
图2为本发明一实施例中动力电池的最大可用容量曲线；
图3为本发明一实施例中电池容量衰退曲线；
图4为本发明一实施例中电流和电压曲线。
具体实施方式
以下结合附图和具体实施例对本发明做进一步详细说明：
参考图1，在本实施例中一种基于AI技术的增强型汽车动力电池预测方法，其特征在于，包括以下步骤：
步骤S1:获取不同驾驶模式包括运动模式、正常模式和经济模式，的历史数据包括电池容量、SOC、电压、电流、温度；
步骤S2: 根据基于历史数据分别进行特征工程，构建特征数据集；
步骤S3:针对不同的驾驶模式分别构建动力电池预测模型，并基于特征数据集训练，包括基于LSTM构建运动模式的动力电池预测模型，基于统计分析构建的正常模式的动力电池预测模型以及基于电化学模型构建的经济模式的动力电池预测模型；
步骤S4:将训练后的基于LSTM构建运动模式的动力电池预测模型，基于统计分析构建的正常模式的动力电池预测模型以及基于电化学模型构建的经济模式的动力电池预测模型，基于损失最小化学习法优化，得到最终预测模型，并加载至车辆的BMS系统中；
步骤S5:BMS系统获取车辆驾驶数据，并基于决策树分析，判断驾驶模式；
步骤S6:基于步骤S5得到的驾驶模式，调用BMS系统中相应的预测模型，预测动力电池的电池容量衰减、SOC估计和剩余寿命。
在本实施例中，在运动模式下，驾驶者通常会进行高速行驶、急加速和急刹车等操作，这会对动力电池的性能产生较大的影响，故基于LSTM构建运动模式的动力电池预测模型，具体如下：
将历史数据的特征构建成一个图结构，其中每个特征点看作是图中的一个节点，节点之间的连接关系根据特征之间的相关性来确定；
将图结构输入到GNN的图卷积层，用于学习节点之间的特征表示；
对于每个节点 i，计算其邻居节点的加权平均特征表示：
其中，sigma 表示激活函数；hi：表示节点 i 的特征表示，是一个向量；N(i)：表示节点 i 的邻居节点的集合；di表示节点 i 的度，即与节点 i 相连的边的数量；dj：表示节点 j 的度，即与节点 j 相连的边的数量；hj表示节点 j 的特征表示，是一个向量；表示归一化处理，用于平衡不同节点之间的度差异；cdot hj表示节点j的隐藏状态向量；/>表示节点j对节点i的影响；cdot W为权重矩阵；
将经过图卷积层得到的节点特征输入到LSTM层中，学习序列数据的时间依赖关系；
将LSTM层的隐藏状态作为输入，通过全连接层或其他适当的层来预测电池容量衰减、SOC估计和剩余寿命。
在本实施例中，所述将经过图卷积层得到的节点特征输入到LSTM层中，学习序列数据的时间依赖关系，具体如下：
输入门（i_t）：通过将图卷积层的输出特征（h_i）与当前时间步的输入特征（x_t）进行线性变换和激活函数处理来计算输入门，公式如下：
i_t = sigmoid(W_i * x_t + U_i * h_i + b_i)
遗忘门（f_t）：通过将图卷积层的输出特征（h_i）与上一个时间步的隐藏状态（h_{t-1}）进行线性变换和激活函数处理来计算遗忘门，公式如下：
f_t = sigmoid(W_f * x_t + U_f * h_i + b_f)
更新状态（C_t）：通过将图卷积层的输出特征（h_i）与上一个时间步的隐藏状态（h_{t-1}）进行线性变换和激活函数处理来计算更新状态，公式如下：
C_t = f_t * C_{t-1} + i_t * tanh(W_C * x_t + U_C * h_i + b_C)
输出门（o_t）：通过将图卷积层的输出特征（h_i）与当前时间步的输入特征（x_t）进行线性变换和激活函数处理来计算输出门公式如下：
o_t = sigmoid(W_o * x_t + U_o * h_i + b_o)
隐藏状态（h_t）：通过将更新状态（C_t）与输出门（o_t）进行元素级乘法和激活函数处理来计算隐藏状态，公式如下：
h_t = o_t * tanh(C_t)
其中 W_i, U_i, b_i分别为输入门的权重矩阵、输入门的邻接矩阵和输入门的偏置项； W_f, U_f, b_f分别为遗忘门的权重矩阵、遗忘门的邻接矩阵和遗忘门的偏置项；W_C, U_C, b_C分别为更新状态的权重矩阵、更新状态的邻接矩阵和更新状态的偏置项；W_o,U_o, b_o分别为输出门的权重矩阵、输出门的邻接矩阵和输出门的偏置项；x_t 是当前时间步的输入特征，h_i 是图卷积层的输出特征，C_{t-1} 是上一个时间步的更新状态，C_t是当前时间步的更新状态，h_{t-1} 是上一个时间步的隐藏状态，h_t 是当前时间步的隐藏状态，sigmoid 和 tanh 是激活函数，分别用于控制门的开关和隐藏状态的范围。
在本实施例中，在正常模式下，驾驶者通常会进行一般的驾驶操作，包括匀速行驶、缓慢加速和刹车，故基于统计分析构建的正常模式的动力电池预测模型，具体的：
对历史数据进行预处理，得到时间序列数据；
并对动力电池的时间序列数据进行平稳性检验，如果数据不平稳，可以进行差分操作，直到数据平稳；
根据平稳的时间序列数据，确定ARIMA模型的阶数(p, d, q）
其中，y(t)是时间序列数据的观测值，c是常数，是自回归系数，θ(1), ..., θ(q)是移动平均系数，e(t)是白噪声误差项；
使用特征数据集，拟合ARIMA模型，得到模型参数，得到正常模式的动力电池预测模型。
在本实施例中，基于电化学模型构建的经济模式的动力电池预测模型，具体如下：
基于电池的容量衰减模型，通过考虑电池的化学反应和材料衰减因素来预测容量衰减：
a.收集电池的循环测试数据，包括循环次数和容量衰减程度；
b.基于电池材料的电化学模型，建立容量衰减模型；
c.根据循环次数和容量衰减模型，预测电池的容量衰减程度；
d.根据预测结果，评估电池的剩余容量；
基于电池的电流-电压特性曲线，通过测量电流和电压来估计电池的SOC：
a.收集电池的电流和电压数据；
b.基于电池材料的电化学模型，建立电流-电压特性曲线模型；根据电流和电压数据，通过特性曲线模型估计电池的SOC；
c.根据估计结果，评估电池的剩余电量;
基于电池的循环寿命模型，通过考虑电池的循环次数、温度和充放电速率等因素来预测剩余寿命：
a.收集电池的循环测试数据，包括循环次数和寿命；
b.基于电池材料的电化学模型，建立循环寿命模型；
c.根据循环次数和循环寿命模型，预测电池的剩余寿命；
d.根据预测结果，评估电池的剩余寿命。
在本实施例中，以锂电池为例，其电化学模型，具体如下：
设正负极由均匀半径相同的粒子组成多孔电极，固相扩散描述锂离子在粒子半径内扩散，液相扩散描述锂离子在电池厚度方向上的扩散，电极反应动力学描述固相界面和液相界面的电化学反应，并且在电池的每个部分都保持质量守恒和电荷守恒；
（1）电荷守恒方程
锂离子固相欧姆定律和边界条件：
锂离子液相欧姆定律和边界条件：
其中i表示电流密度，表示电势，J表示锂离子扩散速率，/>表示有效电阻率，/>表示锂离子扩散常数，F表示法拉第常数；
（2）质量守恒方程
锂离子固相扩散方程和边界条件：
锂离子液相扩散方程和边界条件：
边界条件：
其中，C表示锂离子浓度，D表示扩散系统，Rs表示粒子半径，表示孔隙率，/>表示有效液相扩散系数；
（3）电极反应动力学
其中，i表示交换电流密度，a表示正负极电流反应速率系数，ks表示电化学反应常数；Cs,max表示锂离子最大可嵌入锂离子浓度；表示球形颗粒表面过电势；
基于锂电池材料的电化学模型，建立以下模型：
使用电极反应动力学表示电化学反应的动力学过程，通过考虑电池内部的电化学反应速率、电荷传输和质量传递等因素，建立电流-电压特性曲线模型，预测电池的电压输出；
基于电池材料的衰减机制，包括锂离子电池中的锂金属堆积、电解液分解和电极材料的结构破坏因素，建立循环寿命模型，通过考虑循环次数、充放电速率和温度等因素，可以预测电池的循环寿命；
基于电池内部的化学反应、电极材料的活性损失和电解液的电化学稳定性因素，建立容量衰减模型，通过考虑循环次数、使用时间、充放电速率和温度等因素，可以预测电池的容量衰减趋势。
在本实施例中，所述基于损失最小化学习法优化预测模型，具体如下:
使用HUBER损失函数作为优化目标：
L(y_pred, y_true) = 0.5 * (y_pred - y_true)^2, if |y_pred - y_true|<= δ
L(y_pred, y_true) = δ * |y_pred - y_true| - 0.5 * δ^2, if |y_pred -y_true| > δ
其中，y_pred 是预测结果，y_true 是真实值，δ 是一个超参数，用于控制平方损失和绝对损失之间的切换点;
在损失函数中添加L1正则化项限制模型参数的绝对值之和;
将损失函数和L1正则化项相加，得到优化目标：
Total_loss = L(y_pred, y_true) + L1_loss
其中，L1_loss为L1正则化项、L(y_pred, y_true)为损失函数；
使用随机梯度下降法，找到使优化目标最小化的模型参数。
在每次迭代中，计算损失函数关于模型参数的梯度，并根据梯度的方向和大小来更新参数值。
在本实施例中，决策树构建，具体如下：
收集并整理驾驶过程中的参数数据并预处理，包括加速度、车速、转向角度、制动压力和转速；
基于预处理后的参数数据，进行特征提取，得到训练集；
使用决策树算法对训练集进行模型训练，具体的：
计算划分前的数据集的熵： Entropy(S) = - Σ (p(x) * log2(p(x)))
其中p(x)：表示数据集S中属于类别x的样本所占的比例；
对每个特征计算信息增益：
对于每个特征A，计算其信息增益Gain(S, A)：
Gain(S, A) = Entropy(S) - Σ (|Sv| / |S|) * Entropy(Sv)
其中，S表示划分前的数据集，A表示特征，Sv表示特征A的某个取值，|Sv|表示属于特征A取值为Sv的样本数，|S|表示总样本数；
选择信息增益最大的特征作为决策树的节点，将数据集按照该特征的不同取值划分为子集；
对于每个子集，重复上述步骤，选择信息增益最大的特征作为划分特征，继续构建子树；
当所有样本属于同一类别时，停止划分，将该节点标记为叶子节点，当没有更多特征可供划分时，停止划分，将该节点标记为叶子节点，得到最终的决策树。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (7)

1.一种基于AI技术的增强型汽车动力电池预测方法，其特征在于，包括以下步骤：
步骤S1:获取不同驾驶模式下的历史数据，包括运动模式、正常模式和经济模式；
步骤S2: 根据基于历史数据分别进行特征工程，构建特征数据集；
步骤S3:针对不同的驾驶模式分别构建动力电池预测模型，并基于特征数据集训练，包括基于LSTM构建运动模式的动力电池预测模型，基于统计分析构建的正常模式的动力电池预测模型以及基于电化学模型构建的经济模式的动力电池预测模型；
步骤S4:将训练后的基于LSTM构建运动模式的动力电池预测模型，基于统计分析构建的正常模式的动力电池预测模型以及基于电化学模型构建的经济模式的动力电池预测模型，基于损失最小化学习法优化，得到最终预测模型，并加载至车辆的BMS系统中；
步骤S5:BMS系统获取车辆驾驶数据，并基于决策树分析，判断驾驶模式；
步骤S6:基于步骤S5得到的驾驶模式，调用BMS系统中相应的预测模型，预测动力电池的电池容量衰减、SOC估计和剩余寿命；
所述基于LSTM构建运动模式的动力电池预测模型，具体如下：
将历史数据的特征构建成一个图结构，其中每个特征点看作是图中的一个节点，节点之间的连接关系根据特征之间的相关性来确定；
将图结构输入到GNN的图卷积层，用于学习节点之间的特征表示；
对于每个节点 i，计算其邻居节点的加权平均特征表示：
其中，sigma 表示激活函数；hi：表示节点 i 的特征表示，是一个向量；N(i)：表示节点 i 的邻居节点的集合；di表示节点 i 的度，即与节点 i 相连的边的数量；dj：表示节点 j 的度，即与节点 j 相连的边的数量；hj表示节点 j 的特征表示，是一个向量；/>表示归一化处理，用于平衡不同节点之间的度差异；cdot hj表示节点j的隐藏状态向量；/>表示节点j对节点i的影响；cdot W为权重矩阵；
将经过图卷积层得到的节点特征输入到LSTM层中，学习序列数据的时间依赖关系；
将LSTM层的隐藏状态作为输入，通过全连接层或其他适当的层来预测电池容量衰减、SOC估计和剩余寿命。
2.根据权利要求1所述的基于AI技术的增强型汽车动力电池预测方法，其特征在于，所述将经过图卷积层得到的节点特征输入到LSTM层中，学习序列数据的时间依赖关系，具体如下：
输入门（i_t）：通过将图卷积层的输出特征（h_i）与当前时间步的输入特征（x_t）进行线性变换和激活函数处理来计算输入门，公式如下：
i_t = sigmoid(W_i * x_t + U_i * h_i + b_i)
遗忘门（f_t）：通过将图卷积层的输出特征（h_i）与上一个时间步的隐藏状态（h_{t-1}）进行线性变换和激活函数处理来计算遗忘门，公式如下：
f_t = sigmoid(W_f * x_t + U_f * h_i + b_f)
更新状态（C_t）：通过将图卷积层的输出特征（h_i）与上一个时间步的隐藏状态（h_{t-1}）进行线性变换和激活函数处理来计算更新状态，公式如下：
C_t = f_t * C_{t-1} + i_t * tanh(W_C * x_t + U_C * h_i + b_C)
输出门（o_t）：通过将图卷积层的输出特征（h_i）与当前时间步的输入特征（x_t）进行线性变换和激活函数处理来计算输出门公式如下：
o_t = sigmoid(W_o * x_t + U_o * h_i + b_o)
隐藏状态（h_t）：通过将更新状态（C_t）与输出门（o_t）进行元素级乘法和激活函数处理来计算隐藏状态，公式如下：
h_t = o_t * tanh(C_t)
其中 W_i, U_i, b_i分别为输入门的权重矩阵、输入门的邻接矩阵和输入门的偏置项； W_f, U_f, b_f分别为遗忘门的权重矩阵、遗忘门的邻接矩阵和遗忘门的偏置项；W_C,U_C, b_C分别为更新状态的权重矩阵、更新状态的邻接矩阵和更新状态的偏置项；W_o, U_o, b_o分别为输出门的权重矩阵、输出门的邻接矩阵和输出门的偏置项；x_t 是当前时间步的输入特征，h_i 是图卷积层的输出特征，C_{t-1} 是上一个时间步的更新状态，C_t 是当前时间步的更新状态，h_{t-1} 是上一个时间步的隐藏状态，h_t 是当前时间步的隐藏状态，sigmoid 和 tanh 是激活函数，分别用于控制门的开关和隐藏状态的范围。
3.根据权利要求1所述的基于AI技术的增强型汽车动力电池预测方法，其特征在于，所述基于统计分析构建的正常模式的动力电池预测模型，具体的：
对历史数据进行预处理，得到时间序列数据；
并对动力电池的时间序列数据进行平稳性检验，如果数据不平稳，可以进行差分操作，直到数据平稳；
根据平稳的时间序列数据，确定ARIMA模型的阶数(p, d, q）其中，y(t)是时间序列数据的观测值，c是常数，/>是自回归系数，θ(1), ..., θ(q)是移动平均系数，e(t)是白噪声误差项；
使用特征数据集，拟合ARIMA模型，得到模型参数，得到正常模式的动力电池预测模型。
4.根据权利要求1所述的基于AI技术的增强型汽车动力电池预测方法，其特征在于，所述基于电化学模型构建的经济模式的动力电池预测模型，具体如下：
基于电池的容量衰减模型，通过考虑电池的化学反应和材料衰减因素来预测容量衰减：
a.收集电池的循环测试数据，包括循环次数和容量衰减程度；
b.基于电池材料的电化学模型，建立容量衰减模型；
c.根据循环次数和容量衰减模型，预测电池的容量衰减程度；
d.根据预测结果，评估电池的剩余容量；
基于电池的电流-电压特性曲线，通过测量电流和电压来估计电池的SOC：
a.收集电池的电流和电压数据；
b.基于电池材料的电化学模型，建立电流-电压特性曲线模型；根据电流和电压数据，通过特性曲线模型估计电池的SOC；
c.根据估计结果，评估电池的剩余电量;
基于电池的循环寿命模型，通过考虑电池的循环次数、温度和充放电速率等因素来预测剩余寿命：
a.收集电池的循环测试数据，包括循环次数和寿命；
b.基于电池材料的电化学模型，建立循环寿命模型；
c.根据循环次数和循环寿命模型，预测电池的剩余寿命；
d.根据预测结果，评估电池的剩余寿命。
5.根据权利要求1-4任一所述的基于AI技术的增强型汽车动力电池预测方法，其特征在于，所述基于损失最小化学习法优化预测模型，具体如下:
使用HUBER损失函数作为优化目标：
L(y_pred, y_true) = 0.5 * (y_pred - y_true)^2, if |y_pred - y_true| <= δ
L(y_pred, y_true) = δ * |y_pred - y_true| - 0.5 * δ^2, if |y_pred - y_true| > δ
其中，y_pred 是预测结果，y_true 是真实值，δ 是一个超参数，用于控制平方损失和绝对损失之间的切换点;
在损失函数中添加L1正则化项限制模型参数的绝对值之和;
将损失函数和L1正则化项相加，得到优化目标：
Total_loss = L(y_pred, y_true) + L1_loss
其中，L1_loss为L1正则化项、L(y_pred, y_true)为损失函数；
使用随机梯度下降法，找到使优化目标最小化的模型参数；
在每次迭代中，计算损失函数关于模型参数的梯度，并根据梯度的方向和大小来更新参数值。
6.根据权利要求1所述的基于AI技术的增强型汽车动力电池预测方法，其特征在于，所述决策树构建，具体如下：
收集并整理驾驶过程中的参数数据并预处理，包括加速度、车速、转向角度、制动压力和转速；
基于预处理后的参数数据，进行特征提取，得到训练集；
使用决策树算法对训练集进行模型训练，具体的：
计算划分前的数据集的熵： Entropy(S) = - Σ (p(x) * log2(p(x)))
其中p(x)：表示数据集S中属于类别x的样本所占的比例；
对每个特征计算信息增益：
对于每个特征A，计算其信息增益Gain(S, A)：
Gain(S, A) = Entropy(S) - Σ (|Sv| / |S|) * Entropy(Sv)
其中，S表示划分前的数据集，A表示特征，Sv表示特征A的某个取值，|Sv|表示属于特征A取值为Sv的样本数，|S|表示总样本数；
选择信息增益最大的特征作为决策树的节点，将数据集按照该特征的不同取值划分为子集；
对于每个子集，重复上述步骤，选择信息增益最大的特征作为划分特征，继续构建子树；
当所有样本属于同一类别时，停止划分，将该节点标记为叶子节点，当没有更多特征可供划分时，停止划分，将该节点标记为叶子节点，得到最终的决策树。
7.一种基于AI技术的增强型汽车动力电池预测系统，其特征在于，包括处理器、存储器以及存储在所述存储器上的计算机程序，所述处理器执行所述计算机程序时，具体执行如权利要求1-6任一项所述的一种基于AI技术的增强型汽车动力电池预测方法中的步骤。
CN202311541599.5A 2023-11-20 2023-11-20 基于ai技术的增强型汽车动力电池预测方法及系统 Active CN117250523B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311541599.5A CN117250523B (zh) 2023-11-20 2023-11-20 基于ai技术的增强型汽车动力电池预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311541599.5A CN117250523B (zh) 2023-11-20 2023-11-20 基于ai技术的增强型汽车动力电池预测方法及系统

Publications (2)

Publication Number Publication Date
CN117250523A CN117250523A (zh) 2023-12-19
CN117250523B true CN117250523B (zh) 2024-02-27

Family

ID=89135447

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311541599.5A Active CN117250523B (zh) 2023-11-20 2023-11-20 基于ai技术的增强型汽车动力电池预测方法及系统

Country Status (1)

Country Link
CN (1) CN117250523B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10969436B1 (en) * 2019-10-25 2021-04-06 The Florida International University Board Of Trustees Systems and methods for forecasting battery state of charge
WO2022198616A1 (zh) * 2021-03-26 2022-09-29 深圳技术大学 一种电池寿命预测方法、系统、电子装置及存储介质
CN115792631A (zh) * 2022-11-30 2023-03-14 电子科技大学 一种结合小波变换和卷积神经网络的锂电池soh预测方法
KR20230147435A (ko) * 2022-04-14 2023-10-23 조선대학교산학협력단 차량 가용도 예측 방법 및 장치

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11637331B2 (en) * 2017-11-20 2023-04-25 The Trustees Of Columbia University In The City Of New York Neural-network state-of-charge and state of health estimation
US11131713B2 (en) * 2018-02-21 2021-09-28 Nec Corporation Deep learning approach for battery aging model
US20220262023A1 (en) * 2019-07-22 2022-08-18 Toyota Motor Europe Depth maps prediction system and training method for such a system
US11921163B2 (en) * 2021-12-16 2024-03-05 Volkswagen Aktiengesellschaft Modular machine learning structure for electric vehicle battery state of health estimation

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10969436B1 (en) * 2019-10-25 2021-04-06 The Florida International University Board Of Trustees Systems and methods for forecasting battery state of charge
WO2022198616A1 (zh) * 2021-03-26 2022-09-29 深圳技术大学 一种电池寿命预测方法、系统、电子装置及存储介质
KR20230147435A (ko) * 2022-04-14 2023-10-23 조선대학교산학협력단 차량 가용도 예측 방법 및 장치
CN115792631A (zh) * 2022-11-30 2023-03-14 电子科技大学 一种结合小波变换和卷积神经网络的锂电池soh预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Segmented Prediction Model of Lithium-ion Battery Remaining Useful Life Based on LSTM and SVR";Yingzhou Wang et al.;《2023 6th International Conference on Intelligent Robotics and Control Engineering (IRCE)》;20230925;第177-182页 *
"基于LSTM神经网络的动力电池SOC估算研究";郑永飞等;《计算机应用与软件》;20200312;第37卷(第3期);第78-81, 88页 *

Also Published As

Publication number Publication date
CN117250523A (zh) 2023-12-19

Similar Documents

Publication Publication Date Title
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
CN109993270B (zh) 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法
CN112666464B (zh) 电池健康状态预测方法、装置、电子设备和可读存储介质
Vasanthkumar et al. Improved wild horse optimizer with deep learning enabled battery management system for internet of things based hybrid electric vehicles
Meng et al. An automatic weak learner formulation for lithium-ion battery state of health estimation
CN112241608A (zh) 一种基于lstm网络和迁移学习的锂电池寿命预测方法
CN111398832A (zh) 一种基于anfis模型的公交车电池soc预测方法
Mamo et al. Long short-term memory with attention mechanism for state of charge estimation of lithium-ion batteries
CN112001113B (zh) 一种基于粒子群优化长短时记忆网络的电池寿命预测方法
Wu et al. SOC prediction method based on battery pack aging and consistency deviation of thermoelectric characteristics
Cui et al. State of health diagnosis and remaining useful life prediction for lithium-ion battery based on data model fusion method
US20220099743A1 (en) Method and Apparatus for Operating a System for Providing Predicted States of Health of Electrical Energy Stores for a Device Using Machine Learning Methods
CN112215434A (zh) 一种lstm模型的生成方法、充电时长预测方法及介质
CN115219906A (zh) 基于ga-pso优化的多模型融合电池荷电状态预测方法及系统
Zhang et al. Interpretable battery cycle life range prediction using early cell degradation data
CN114384435A (zh) 一种基于wsa-lstm算法的新能源汽车动力电池剩余使用寿命自适应预测方法
CN112798961A (zh) 一种电动汽车动力电池剩余使用寿命预测方法
Harippriya et al. Battery management system to estimate battery aging using deep learning and machine learning algorithms
CN114487890A (zh) 一种改进长短期记忆神经网络的锂电池健康状态估计方法
Ouyang et al. Prognostics and health management of lithium-ion batteries based on modeling techniques and Bayesian approaches: A review
Wen et al. Lithium battery health state assessment based on vehicle-to-grid (V2G) real-world data and natural gradient boosting model
Cao et al. A flexible battery capacity estimation method based on partial voltage curves and polynomial fitting
Xu et al. State-of-charge estimation and health prognosis for lithium-ion batteries based on temperature-compensated Bi-LSTM network and integrated attention mechanism
Wu et al. State of health estimation for lithium-ion batteries in real-world electric vehicles
Chen et al. State of health estimation of lithium-ion batteries based on equivalent circuit model and data-driven method

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