CN117272783A - 一种基于云边协同多模型融合的动力电池寿命预测方法 - Google Patents
一种基于云边协同多模型融合的动力电池寿命预测方法 Download PDFInfo
- Publication number
- CN117272783A CN117272783A CN202311002320.6A CN202311002320A CN117272783A CN 117272783 A CN117272783 A CN 117272783A CN 202311002320 A CN202311002320 A CN 202311002320A CN 117272783 A CN117272783 A CN 117272783A
- Authority
- CN
- China
- Prior art keywords
- data
- characteristic
- model
- bicycle
- power battery
- 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 46
- 230000004927 fusion Effects 0.000 title claims abstract description 16
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 41
- 230000008569 process Effects 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 10
- 238000007599 discharging Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 239000012634 fragment Substances 0.000 claims description 8
- 230000003068 static effect Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 230000006855 networking Effects 0.000 claims description 5
- 238000011084 recovery Methods 0.000 claims description 2
- 230000036541 health Effects 0.000 abstract description 9
- 238000013508 migration Methods 0.000 abstract description 3
- 230000005012 migration Effects 0.000 abstract description 3
- 238000007500 overflow downdraw method Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013499 data model Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及电池寿命预测技术领域,尤其涉及一种基于云边协同多模型融合的动力电池寿命预测方法;基于汽车网联大数据平台收集的全量电动乘用车运行数据,从车型数据特性角度、单车全生命周期数据角度与单车电芯数据角度三个层面分别建立云端预测模型和边缘端预测模型,通过多模型多层次融合方法逐层深入具体地实现动力电池寿命的预测,同时对现实环境中样本数据缺少标签等问题,针对性地提出了采用半监督学习技术获取车辆动力电池RUL;为了更进一步地研究电芯的RUL情况,提出充分利用实验室的研究数据,采用迁移深度学习方法在较短时间内计算出电芯RUL,为电芯健康的预测利用提供方法。
Description
技术领域
本发明涉及电池寿命预测技术领域,尤其涉及一种基于云边协同多模型融合的动力电池寿命预测方法。
背景技术
近年来,汽车产业开始逐步走向电动化、网联化与智能化,车辆运行数据采集与利用成为重要的科技发展方向。通过大数据分析挖掘与人工智能技术,车辆开始具有越来越多的智能化功能,例如车辆的半自动驾驶等技术,与此同时智能车辆的动力电池健康管理与RUL评估系统也在逐步发展中。精确的动力电池健康评估有助于提高动力电池的管理水平与利用价值。
现有的学术研究往往主要针对实验室采集得到的数据,较少有利用车辆真实数据进行动力电池健康评估的方法。工业中往往通过BMS技术对车辆当前状态进行估计,而现有BMS系统往往难以记录海量数据,记录历史数据信息难度较大。基于此种情况,本发明提出了一种基于云边协同多模型融合的动力电池寿命预测方法,该方法从车型数据、车辆使用生命周期数据与动力电池电芯数据三个层面分别建立模型,能够充分利用云端车辆行驶与充电过程中的数据,通过数据预处理与特征工程等处理,结合机器学习技术,并且通过多融合的模型,可以更加全面精细地刻画出动力电池的健康特性。
发明内容
基于此,有必要针对上述技术问题,提供一种基于云边协同多模型融合的动力电池寿命预测方法。
为了实现上述目的,本发明的技术方案如下:
一种基于云边协同多模型融合的动力电池寿命预测方法,包括:
基于智能汽车网联大数据平台采集的汽车行驶与充电数据,清洗、过滤和筛选相关特征数据,并对数据进行归一化处理,得到归一化训练集;
根据车型维度,选取动力电池静态参数数据特征和动力电池动态参数数据特征作为样本训练数据,建立车型RUL云端预测模型,将车型测试工况数据特征输入到车型RUL云端预测模型中训练学习,得到车型工况寿命范围;
根据单车vin维度,选取单车全生命周期动态参数特征和车型工况寿命范围作为样本训练数据,基于半监督学习技术建立单车RUL云端预测模型,将单车vin测试工况数据生命周期特征输入到单车RUL云端预测模型中训练学习,得到单车全生命周期数据;
根据单车vin的电芯维度,选取单车vin的电芯实验室数据特征和单车vin电芯真实数据特征作为样本训练数据,建立电芯RUL设备端预测模型,将单车vin电芯实验室数据特征输入到电芯RUL设备端预测模型中训练学习,得到单车vin电芯当前寿命SOH。
具体的,所述清洗、过滤和筛选相关特征数据的具体过程,包括:过滤掉持续时间过长片段下的各维度样本数据,筛选出连续充电放电片段下的各维度样本数据。
具体的,所述动力电池静态参数数据特征包括汽车质量特征、最大输出功率特征、车辆理论续航特征、最大允许充电功率特征、动力电池容量特征和PACK能量密度特征。
具体的,所述动力电池动态参数数据特征包括历史运行时长特征、历史行驶距离特征、环境温度特征、起始SOC特征、结束SOC特征、SOC区间特征、片段充电倍率特征、片段放电倍率特征和循环次数占比特征。
具体的,所述单车全生命周期动态参数特征包括历史运行时长特征、历史行驶距离特征、环境温度特征、起始SOC特征、结束SOC特征、SOC区间特征、片段充电倍率特征、片段放电倍率特征、充电时容量增益IC特征、放电时欧姆内阻特征、循环次数占比特征、静置熄火时长特征、能量回收电量特征、放/充电容量特征和当前总容量特征。
本发明的优点及有益效果在于:
本发明提供的一种基于云边协同多模型融合的动力电池寿命预测方法,基于汽车网联大数据云端平台收集的全量电动乘用车运行数据,从车型数据特性角度、单车全生命周期数据角度与边缘端单车电芯数据角度三个层面分别建立云端预测模型和边缘端预测模型,通过多模型多层次融合方法逐层深入具体地实现动力电池寿命的预测,同时对现实环境中样本数据缺少标签等问题,针对性地提出了采用半监督学习技术获取车辆动力电池RUL;为了更进一步地研究电芯的RUL情况,提出充分利用实验室的研究数据,采用迁移深度学习方法在较短时间内计算出电芯RUL,为电芯健康的预测利用提供方法。
附图说明
图1为本发明实施例中一种基于云边协同多模型融合的动力电池寿命预测方法的流程图;
图2为本发明实施例中云端模型和边缘端的关系图;
图3为本发明实施例中车型RUL云端预测模型预测放/充电容量的流程图;
图4为本发明实施例中基于半监督学习技术建立单车RUL云端预测模型的流程图;
图5为本发明实施例中2通道1维CNN神经网络模型训练的流程图;
图6为本发明实施例中基于2通道1维CNN迁移学习建立电芯RUL设备端预测模型的流程图。
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,下面通过具体实施方式结合附图对本发明做进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明为了对动力电池寿命进行精确预测,主要从车型数据、车辆使用生命周期数据以及动力电池电芯数据三个层面分别建立云端预测模型和边缘端预测模型,通过多模型多层次融合方法逐层深入具体地实现动力电池寿命的预测,多模型方法不仅采集了各种车型在各种实际工况中运行的数据,还更进一步地将每辆车使用生命周期运行数据进行了特征指标加工与建模,通过多模型的融合在减少大规模计算的同时更精确地刻画出每辆车在不同使用工况、不同生命周期条件下的动力电池RUL。同时考虑到动力电池的梯次利用场景,在车型与车辆的模型基础上发明了动力电池电芯寿命预测方法,通过短时间的检测数据即可以更为精确地计算出电芯的RUL。
另外,参考附图2,本发明涉及的云端模型主要包括车型RUL云端预测模型和单车RUL云端预测模型,边缘端主要包括电芯RUL设备端预测模型(即电芯寿命检测设备),云端模型预测的结果为边缘端设备的预测模型提供预测结果的检验与修正。
进一步的,参考附图1,本发明提供的一种基于云边协同多模型融合的动力电池寿命预测方法,具体包括以下步骤:
步骤1:基于智能汽车网联大数据平台采集的汽车行驶与充电数据,清洗、过滤和筛选相关特征数据,并对数据进行归一化处理,得到归一化训练集。
在本实施例中,智能电动汽车动力电池寿命预测主要相关特征有:历史运行时长Ti(h)、历史行驶距离Di(km)、起始SOCsi、结束SOCei、电流Ci、电压Vi、电池SOCSi、环境温度Tei等,这些信号采样周期为10ms,首先需要对采集到的车联网数据进行清洗过滤筛选,选择出数据质量高的样本数据,并对各维度数据做归一化处理。
其中,清洗、过滤和筛选相关特征数据的具体过程,包括:过滤掉持续时间过长片段下的各维度样本数据,筛选出连续充电放电片段下的各维度样本数据。
步骤2:根据车型维度,选取动力电池静态参数数据特征和动力电池动态参数数据特征作为样本训练数据,建立车型RUL云端预测模型,车型测试工况数据特征输入到车型RUL云端预测模型中训练学习,得到车型工况寿命范围。
在本实施例中,本发明针对车型维度,以车型为统计单位,选取对应车型在不同温度区间下,不同SOC区间下获取到的样本数据,例如:某种条件下可以获得该车型的新旧车型在各种行驶里程和使用时长工况条件下的使用数据;将各个车型在各个环境温度条件Tei、各个SOC状态区间SOCSi条件下车型使用情况作为样本训练数据,具体使用情况指标如下表1所示。
表1动力电池静态参数数据
另外,除了上述车型的动力电池静态参数数据特征作为基础数据外,还需要相应车型在各个使用工况中积累的使用数据(即动力电池动态参数数据如下表2所示),如环境温度,SOC使用区间偏好等动态信息来描述该车型的动力电池在使用中的特征。将每次的使用充放电数据作为动态输入数据。
表2动力电池动态参数数据
名称 | 符号 |
历史运行时长 | Ti(h) |
历史行驶距离 | Di(km) |
环境温度 | Tempi(℃) |
起始SOC | SOCsi |
结束SOC | SOCei |
SOC区间 | ΔSOCi |
片段充电倍率 | Cci |
片段放电倍率 | CDi |
循环次数占比 | Rci |
放/充电容量(预测目标值) | ΔVi(A·h) |
其中,表2中的循环次数占比表示为:(厂商给定循环次数-当前循环次数)/厂商给定循环寿命总次数;同时,放/充电容量为预测的车型工况寿命范围。
在本实施例中,参考附图3,对数据特征进行标准化,数据准备完备后将动力电池静态参数数据与动力电池动态参数数据作为模型特征,输入到采用XGBoost回归模型算法中进行训练,得到预测的放/充电容量,通过机器训练学习获得车型RUL云端预测模型。
在本实施例中,本发明涉及的XGBoost回归模型主要选择集成了Apache Spark的版本,这样可以提高训练测试的样本数据量规模,其可选的模型参数包括并不限于学习器的数量、树深度、学习率等参数。
步骤3:根据单车vin维度,选取单车全生命周期动态参数特征和车型工况寿命范围作为样本训练数据,基于半监督学习技术建立单车RUL云端预测模型,将单车vin测试工况数据生命周期特征输入到单车RUL云端预测模型中训练学习,得到单车全生命周期数据。
在本实施例中,在评估单车vin的RUL时,由于缺少这个车辆更详细的使用工况数据,所以需要在车型寿命估计的基础上进行针对该车使用特性的微调,以次来获取更精确的车辆寿命;同时,采集到的工况数据往往缺少数据标签,即缺少完整的从SOC在[0,100]区间里的按特定条件(如静置一段时间后)充放电检测出来的动力电池容量数据,这也导致难以采用监督学习的方法去训练模型,为此,相比车型RUL云端预测模型而言,本发明在选取样本训练数据时,单车RUL云端预测模型引入了更细粒度的特征指标,如欧姆内阻、容量增量(IC)等特征,这些特征与车辆行驶里程、充/放电循环次数之间具有强相关关系,可以为精确预测车辆SOH提供依据,具体使用情况指标如下表3所示。
表3单车动态参数
需要注意的是:在选择车辆样本时尽量选择数据记录从使用开始到接近退役的覆盖电池生命周期的较为完整的样本数据,车辆样本数量可以偏少但一定要覆盖样本车辆的使用生命周期,且充放电容量数据记录详细准确。
同时,需要注意的是:将车辆在放电起始SOC大于95%到放电结束SOC小于10%的连续行驶放电片段筛选出来,将该条件下放出的电量作为当前可用容量,并记录车辆从刚开始使用到当前时刻的各个循环条件下的温度条件参数,将这部分样本数据视作为带标签的样本集。带标签的样本集可以通过这样的方式人工制作,其它不满足条件的样本数据作为无标签数据。
进一步的,参考附图4,本发明举例说明其中两种特征的计算处理步骤。
针对充电时容量增益IC特征的计算处理步骤:
由于车辆在充电过程中具有多种充电策略,既有快充充电又有慢充充电,不同充电模式对电池健康影响程度不同,所以需要对将不同充电倍率下的容量(增量IC)分类计算;由于容量增量(IC)特征与车辆充电循环及车辆行驶里程具有负相关关系,故可以提取该特征作为模型特征输入,其中容量增量IC可以使用dQ/dV,vk表示电池终在特定条件下的端电压(不同车型的特定条件不同,主要选取IC峰值电压区间),dv表示电压区间,一般可以取为0.1V,Tvk+du表示电压达到(vk+du)的时间,Tvk-du表示电压达到(vk-du)的时间,计算公式为:
针对放电时欧姆内阻特征的计算处理步骤:
计算车辆在连续恒流放电过程中计算得到的欧姆内阻Ri(Ω),采用等效电路模型,即戴维宁等效电路模型构建动力电池欧姆内阻、极化内阻与电压电流之间的关系。取恒流稳定放电过程中的电压电流数据,计算公式为:
在对数据进行预处理之后,可以分别建立使用行驶过程中欧姆内阻为主要特征的基于XGBoost回归模型的训练、使用充电过程中容量增量(IC)为主要特征的基于随机森林回归模型的训练;在样本制作中需要将行驶和充电状态的数据同循环次数或行驶里程在时间序列上关联组合,即时间相近的行驶和充电片段作为一个训练组合。
同时,在模型训练第一步时需要制作的带标签的数据集,当模型训练到满足精度要求的条件后进入第二步,将采集到的无标签样本数据进行特征工程预处理后,分别将欧姆内阻特征、容量增益(IC)特征输入到XGBoost模型和随机森林回归模型中进行半监督训练,直到模型精度不再提升,最后将这辆车在同一组合下两个模型中训练得到的生命周期RUL预测数据输入到高斯过程(GPR)回归模型中;将行驶、充电两种模式下计算得到的ROH值通过高斯过程(GPR)回归模型的拟合,得到最终较为精确的车辆动力电池当前SOH值。
在本实施例中,本发明涉及的基于XGBoost的回归模型与随机森林回归模型主要选择集成了Apache Spark的版本,这样可以提高训练测试的样本数据量规模,其中,XGBoost模型可选的模型参数包括并不限于学习器的数量、树深度、学习率等参数。随机森林回归模型主要可选的参数包括弱学习器个数、最大特征数、决策树最大深度、叶子节点最少样本数、最大叶子节点数等参数。其中高斯过程(GPR)回归模型的输入为行驶和充电数据模型各自预测的结果,这两部分的预测结果通过GPR模型的拟合训练后得到充分考虑了行驶和充电状态的单车RUL云端预测模型。
步骤4:根据单车vin的电芯维度,选取单车vin的电芯实验室数据特征和单车vin电芯真实数据特征作为样本训练数据,建立电芯RUL设备端预测模型,将单车vin电芯实验室数据特征输入到电芯RUL设备端预测模型中训练学习,得到单车vin电芯当前寿命SOH。
在本市实施例中,按照相关标准的规定,动力电池在500次循环之后,不得低于初始容量的90%,1000次循环之后,SOH还要维持80%。当动力电池一致性差且SOH<80%时,应当将该动力电池投入到退役回收与利用流程中,对电池拆解后,对每个电芯进行快速测试评估。在获得车辆动力电池寿命的条件下更进一步地计算动力电池中各个电芯的RUL。
在本市实施例中,在处理前需要将电池的电芯编号与温度编号排布顺序按正确顺序排列。计算每个电芯的使用寿命较为复杂,由于动力电池电路会对电池进行主动均衡技术下的再平衡,故采集的电芯电压可能不能反映出电芯真实的健康状况。为了建立起基于动力电池电芯级的RUL模型,需要在动力电池退役后将动力电池拆解,然后对各个电芯进行评估。为了节省评估电芯寿命的时间,本发明采用基于深度迁移神经网络的模型。
在本市实施例中,将该型号电芯的实验室数据作为源域训练数据,从这些有标签的数据中选取出10min中内的30个电芯电压数据点和温度数据点输入到2通道1维CNN神经网络中进行训练学习(参考附图5),对车辆真实数据采用微调(fine-tune)的方法进行迭代训练,直到模型误差RMSE在可接受的误差范围内再结束训练。
其中,2通道1维CNN神经网络的参数可以描述为:
参考附图6,在模型训练好后需要对真实电池开展充电实验,通过充电实验采集到的10分钟以内的电压、温度数据,采用300mV的滑动窗口对输入数据进行处理,随后将这部分数据加载到经过fine-tune的双通道1维网络模型中进行训练,通过多次迭代训练学习,直到计算达到要求的精度,这样便完成了模型的训练,可以通过该模型预测出的充电曲线,利用充电曲线计算容量微分特征在较短时间内评估出电芯的SOH情况。
另外,还需要定期训练更新模型,主要是因为模型分辨能力的高低取决于数据样本的多样,从数据平台积累更多样本有助于模型学习到更多的特征输入,从而提高预测的精准度。
显然,本领域的技术人员应该明白,上述本发明的各步骤实施方式可以以不同于本发明的方式执行,模拟方法及实验设备包括但不限于上述说明。上述本发明的各步骤在某些情况下可以以不同于此处的顺序执行,上述所示或描述的步骤,可将它们分开执行。所以,本发明不限制于任何特定的硬件和软件结合。
以上内容是结合具体的实施方式对本发明所做的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (5)
1.一种基于云边协同多模型融合的动力电池寿命预测方法,其特征在于,包括:
基于智能汽车网联大数据平台采集的汽车行驶与充电数据,清洗、过滤和筛选相关特征数据,并对数据进行归一化处理,得到归一化训练集;
根据车型维度,选取动力电池静态参数数据特征和动力电池动态参数数据特征作为样本训练数据,建立车型RUL云端预测模型,将车型测试工况数据特征输入到车型RUL云端预测模型中训练学习,得到车型工况寿命范围;
根据单车vin维度,选取单车全生命周期动态参数特征和车型工况寿命范围作为样本训练数据,基于半监督学习技术建立单车RUL云端预测模型,将单车vin测试工况数据生命周期特征输入到单车RUL云端预测模型中训练学习,得到单车全生命周期数据;
根据单车vin的电芯维度,选取单车vin的电芯实验室数据特征和单车vin电芯真实数据特征作为样本训练数据,建立电芯RUL设备端预测模型,将单车vin电芯实验室数据特征输入到电芯RUL设备端预测模型中训练学习,得到单车vin电芯当前寿命SOH。
2.根据权利要求1所述的一种基于云边协同多模型融合的动力电池寿命预测方法,其特征在于,所述清洗、过滤和筛选相关特征数据的具体过程,包括:过滤掉持续时间过长片段下的各维度样本数据,筛选出连续充电放电片段下的各维度样本数据。
3.根据权利要求1所述的一种基于云边协同多模型融合的动力电池寿命预测方法,其特征在于,所述动力电池静态参数数据特征包括汽车质量特征、最大输出功率特征、车辆理论续航特征、最大允许充电功率特征、动力电池容量特征和PACK能量密度特征。
4.根据权利要求1所述的一种基于云边协同多模型融合的动力电池寿命预测方法,其特征在于,所述动力电池动态参数数据特征包括历史运行时长特征、历史行驶距离特征、环境温度特征、起始SOC特征、结束SOC特征、SOC区间特征、片段充电倍率特征、片段放电倍率特征和循环次数占比特征。
5.根据权利要求1所述的一种基于云边协同多模型融合的动力电池寿命预测方法,其特征在于,所述单车全生命周期动态参数特征包括历史运行时长特征、历史行驶距离特征、环境温度特征、起始SOC特征、结束SOC特征、SOC区间特征、片段充电倍率特征、片段放电倍率特征、充电时容量增益IC特征、放电时欧姆内阻特征、循环次数占比特征、静置熄火时长特征、能量回收电量特征、放/充电容量特征和当前总容量特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311002320.6A CN117272783A (zh) | 2023-08-09 | 2023-08-09 | 一种基于云边协同多模型融合的动力电池寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311002320.6A CN117272783A (zh) | 2023-08-09 | 2023-08-09 | 一种基于云边协同多模型融合的动力电池寿命预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117272783A true CN117272783A (zh) | 2023-12-22 |
Family
ID=89201599
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311002320.6A Pending CN117272783A (zh) | 2023-08-09 | 2023-08-09 | 一种基于云边协同多模型融合的动力电池寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117272783A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117723999A (zh) * | 2024-02-07 | 2024-03-19 | 深圳市东田通利电业制品有限公司 | 电池使用寿命预测方法、装置、设备及存储介质 |
CN117723999B (zh) * | 2024-02-07 | 2024-06-25 | 深圳市东田通利电业制品有限公司 | 电池使用寿命预测方法、装置、设备及存储介质 |
-
2023
- 2023-08-09 CN CN202311002320.6A patent/CN117272783A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117723999A (zh) * | 2024-02-07 | 2024-03-19 | 深圳市东田通利电业制品有限公司 | 电池使用寿命预测方法、装置、设备及存储介质 |
CN117723999B (zh) * | 2024-02-07 | 2024-06-25 | 深圳市东田通利电业制品有限公司 | 电池使用寿命预测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
You et al. | Real-time state-of-health estimation for electric vehicle batteries: A data-driven approach | |
Li et al. | State of health estimation for Li-Ion battery using incremental capacity analysis and Gaussian process regression | |
Song et al. | Combined CNN-LSTM network for state-of-charge estimation of lithium-ion batteries | |
Heinrich et al. | Virtual experiments for battery state of health estimation based on neural networks and in-vehicle data | |
Mamo et al. | Long short-term memory with attention mechanism for state of charge estimation of lithium-ion batteries | |
von Bülow et al. | A review on methods for state of health forecasting of lithium-ion batteries applicable in real-world operational conditions | |
Chen et al. | A convolutional neural network for estimation of lithium-ion battery state-of-health during constant current operation | |
Deng et al. | Prognostics of battery capacity based on charging data and data-driven methods for on-road vehicles | |
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 | |
Chen et al. | Capacity prediction and validation of lithium-ion batteries based on long short-term memory recurrent neural network | |
CN110850298A (zh) | 基于数据驱动的锂电池soh估计方法及系统 | |
CN111191824B (zh) | 一种动力电池容量衰减预测方法及系统 | |
Zhu et al. | The SOH estimation of LiFePO4 battery based on internal resistance with Grey Markov Chain | |
Zhao et al. | State-of-health estimation with anomalous aging indicator detection of lithium-ion batteries using regression generative adversarial network | |
CN114280479A (zh) | 一种基于电化学阻抗谱的退役电池快速分选方法 | |
CN112686380A (zh) | 基于神经网络的梯次动力电芯一致性评估方法和系统 | |
Chen et al. | State of health estimation for lithium-ion battery based on long short term memory networks | |
Jafari et al. | Hierarchical Bayesian model for probabilistic analysis of electric vehicle battery degradation | |
Bak et al. | Accurate estimation of battery SOH and RUL based on a progressive lstm with a time compensated entropy index | |
Deng et al. | Rapid health estimation of in-service battery packs based on limited labels and domain adaptation | |
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 | |
Chen et al. | A novel battery health indicator and PSO-LSSVR for LiFePO4 battery SOH estimation during constant current charging | |
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 | |
Xu et al. | State‐of‐health estimation for lithium‐ion batteries based on partial charging segment and stacking model fusion | |
Li et al. | State of health estimation of lithium-ion batteries using EIS measurement and transfer learning |
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 |