CN107069122A - 一种动力电池剩余使用寿命的预测方法 - Google Patents
一种动力电池剩余使用寿命的预测方法 Download PDFInfo
- Publication number
- CN107069122A CN107069122A CN201710214031.0A CN201710214031A CN107069122A CN 107069122 A CN107069122 A CN 107069122A CN 201710214031 A CN201710214031 A CN 201710214031A CN 107069122 A CN107069122 A CN 107069122A
- Authority
- CN
- China
- Prior art keywords
- electrokinetic cell
- remaining life
- neural network
- artificial
- input
- 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
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
-
- 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
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Electrochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及一种动力电池剩余使用寿命的预测方法,具体为首先获取电动汽车每次行车时的动力电池状态数据,建立人工神经网络模型,将所述动力电池状态数据作为人工神经网络模型的输入,训练人工神经网络模型的训练参数;获取待测电动汽车中的动力电池状态数据,作为具有训练参数的人工神经网络的输入,根据人工神经网络的输入输出映射关系,得到人工神经网络的输出,即动力电池剩余使用寿命的预测结果。本发明引入剩余使用寿命(RUL)的概念,采集影响动力锂电池剩余使用寿命的六大影响因素,建立动力锂电池剩余使用寿命的预测方法。通过具体的实验,测试结果显示了人工神经网络模型的可靠性。
Description
技术领域
本发明属于纯电动汽车电池管理领域,具体涉及一种动力电池剩余使用寿命的预测方法。
背景技术
目前,对于新能源汽车的电池管理***,我们主要是将工作的重点放在了对电池管***的监控作用上,做到了安全事故“早发现、早预防”,能够提高新能源汽车的安全性和可靠性。但是对于新能源汽车电池使用过程中的监测却鲜有提及。
现有技术存在对一个设备或***的剩余使用寿命(RUL,Remaining Useful Life)进行估计和预测,学术上称之为预测与健康管理技术(Prognostics and HealthManagement,PHM)。其中,预测是PHM中核心内容和技术挑战。剩余寿命预测对于***设备的维护是必不可少的重要信息,根据RUL预测结果的分析对***设备进行良好的管理,可以提高***或设备可用性和可靠性,同时降低或避免故障造成的重大损失。但目前对于新能源汽车中的动力锂电池却没有***的剩余寿命预测机制。
发明内容
针对现有技术中存在的不足,本发明把剩余使用寿命(RUL)的概念,引入动力锂电池领域,通过预测动力锂电池的剩余使用寿命,来预测动力锂电池的安全性故障,使电动汽车具有更高的可靠性和安全性。
本发明采用下面的技术方案:
一种动力电池剩余使用寿命的预测方法,获取电动汽车每次行车时的动力电池状态数据,建立人工神经网络模型,将所述动力电池状态数据作为人工神经网络模型的输入,训练人工神经网络模型的训练参数;获取待测电动汽车中的动力电池状态数据,作为具有训练参数的人工神经网络的输入,根据人工神经网络的输入输出映射关系,得到人工神经网络的输出,即动力电池剩余使用寿命的预测结果。
进一步的,所述动力电池状态数据包括动力电池总电压、动力电池的平均温度、动力电池充放电电流、单节动力电池的SOC、单节动力电池的电芯电压和单节动力电池的SOH。
进一步的,所述人工神经网络模型的建立具体采用:建立N层人工神经网络,其中只有一层隐含层,设置每层的节点数,根据传输函数和训练函数建立人工神经网络模型。
进一步的,所述N层人工神经网络具有输入层和输出层,输入层的节点数为6,输出层的节点数为1;隐含层的节点数根据下式确定:
式中:n为隐含层的节点数;ni输入节点数;n0为输出节点数;a为1—10之间的常数。
进一步的,所述动力电池剩余使用寿命的预测结果包括:根据所述具有训练参数的人工神经网络预测得到动力电池剩余容量达到失效时所对应的动力电池充放电次数,根据电池循环寿命原理,得到动力电池剩余使用寿命的预测结果。
进一步的,获取所述动力电池所有单节电池的SOC值,对其做平均化处理,采用最接***均SOC值的单体电池SOC值作为动力电池状态数据之一。
进一步的,获取所述动力电池所有单节电池的电芯电压,对其做平均化处理,采用最接***均电芯电压值的单体电池电芯电压值作为动力电池状态数据之一。
进一步的,获取所述动力电池所有单节电池的SOH值,对其做平均化处理,采用最接***均SOH值的单体电池SOH值作为动力电池状态数据之一。
进一步的,所述人工神经网络模型具有传输函数,用于层与层之间的数据转换与传输。
进一步的,所述人工神经网络模型具有训练函数,用于基于作为输入和输出的动力电池状态数据、动力电池剩余使用寿命,训练人工神经网络模型的参数。
本发明的有益效果:
本发明引入剩余使用寿命(RUL)的概念,采集影响动力锂电池剩余使用寿命的六大影响因素,建立动力锂电池剩余使用寿命的人工神经网络模型,采用上述六大影响因素进行参数训练,建立动力锂电池剩余使用寿命的预测方法。通过具体的实验,测试结果显示了人工神经网络模型的可靠性,其误差均在理想的范围之内,说明了本预测方法的先进性。
附图说明
图1为本发明的方法流程图;
图2为本发明的人工神经网络模型示意图;
图3为本发明人工神经网络的训练过程图a;
图4为本发明人工神经网络的训练过程图b;
图5为本发明人工神经网络的训练过程图c;
具体实施方式:
下面结合附图与实施例对本发明作进一步说明:
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明的一种典型实施例是一种动力电池剩余使用寿命的预测方法,如图1所示,本实施例选取三星18650电芯的电池包为研究对象,该电池包为51并95串的电芯,额定容量为112.2Ah。
动力锂电池剩余使用寿命的影响因素包括总电压、温度、充放电电流、单节电池SOC、单节电池电芯电压、单节电池SOH六大要素。
(1)总电压,表示为XV:总电压的范围在285V到389.5V之间,电池包为95串三元材料锂电池,总电压的高低代表着电池包充放电的深度;
(2)温度,表示为XT:温度范围在-30℃到70℃,对该电池包设置了有20个温度采集点,以设定距离均匀分布在这51并95串的电芯中,我们取选取电池包正中间的温度T11为代表;
(3)充放电电流,表示为XI:电流范围-0.2C到2C,充电为负值,放电为正值;
(4)电池包的SOC,表示为XS:选取能够代表大多数单节电芯的SOC,选取的是第20串的;
(5)电芯电压,表示为XC:选取能够代表大多数单节电芯的电芯电压,选取的是第20串的,与SOC选取的一致;
(6)电池的SOH,表示为XH:选取第20串,与SOC、电芯电压选取的一致,本发明选取的电池包为51并2.2Ah的电池,容量为112.2Ah。
动力锂电池剩余使用寿命,标识为YC,选取的电池循环使用寿命理论为800次循环,每次充放电减少一次,YC=(800-循环次数)/800。
下面通过实验来验证本实施例提出的这种方法:
采样数据为实车跑路数据,按照上述原则,通过后期筛选形成,部分数据见表1.
表1动力锂电池剩余使用寿命数据采集表
本实施例采用人工神经网络结构图如图2,人工神经网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。
人工神经网络的输入值Input:X={XV,XT,XI,XS,XC,XH};
人工神经网络的输出值Output:预测电池寿命与预测电池的剩余容量是等价的,电池剩余容量达到失效值时所对应的充放电次数即为电池的循环寿命,输出值记为YC。
人工神经网络建立的步骤:
1)网络层数:建立神经网络,首先要预先确定网络的层数,在不限制隐含层节点数的情况下,本实施采用两层(只有一层隐含层)的神经网络,即可以实现任意非线性映射。
2)确定输入层的节点数,本实施例中人工神经网络的输入为总电压、温度、充放电电流、SOC、电芯电压、SOH等六大要素,所以节点数为6。
3)确定输出层的节点数,本实施例中人工神经网络的输出为动力锂电池剩余使用寿命,节点数为1。
4)确定隐层的节点数:对于模式识别的神经网络,隐含层的节点数参照下面的公式进行设计:
式中:n为隐含层的节点数;ni输入节点数;n0为输出节点数;a为1~10之间的常数,选取的隐含层节点数为5。
5)传输函数:根据需要选用S(sigmoid)型函数、纯线性(Pureline)函数等函数。
6)训练函数:通过需要选用Bp神经网络选连函数,或其他的训练函数,优化数据,达到训练目的。
根据充放电循环采集到的输入值和对应的输出值,训练神经网络的参数,在达到设定的训练结束参数后,停止训练,得到训练参数。人工神经网络训练过程中的参数图,见图3至图5。
图3为人工神经网络的训练过程中的训练结束参数;图4为人工神经网络的训练过程中的训练状态;图5为人工神经网络的训练过程中的回归图。
通过实车跑路,再采集10组数据,利用新采集的10组数据,作为测试输入变量,进行验证,得到结果见表2。
由表2可以看出,根据动力电池总电压、动力电池的平均温度、动力电池充放电电流、单节动力电池的SOC、单节动力电池的电芯电压和单节动力电池的SOH这六大影响因素数据,得到测试结果,与采集到的数据比较,误差率基本上能控制在±3%以内,从而实现了通过采集总电压、温度、充放电电流、SOC、电芯电压、SOH等六大要素数据,预测动力锂电池剩余使用寿命的目的,为提高动力锂电池的安全性和可靠性提供了依据。
表2动力锂电池剩余使用寿命仿真验证表
本发明引入剩余使用寿命(RUL)的概念,采集影响动力锂电池剩余使用寿命的六大影响因素,建立动力锂电池剩余使用寿命的人工神经网络模型,采用上述六大影响因素进行参数训练,建立动力锂电池剩余使用寿命的预测方法。通过具体的实验,测试结果显示了人工神经网络模型的可靠性,其误差均在理想的范围之内,说明了本预测方法的先进性。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种动力电池剩余使用寿命的预测方法,其特征在于:获取电动汽车每次行车时的动力电池状态数据,建立人工神经网络模型,将所述动力电池状态数据作为人工神经网络模型的输入,训练人工神经网络模型的训练参数;获取待测电动汽车中的动力电池状态数据,作为具有训练参数的人工神经网络的输入,根据人工神经网络的输入输出映射关系,得到人工神经网络的输出,即动力电池剩余使用寿命的预测结果。
2.根据权利要求1所述的方法,其特征在于:所述动力电池状态数据包括动力电池总电压、动力电池的平均温度、动力电池充放电电流、单节动力电池的SOC、单节动力电池的电芯电压和单节动力电池的SOH。
3.根据权利要求1所述的方法,其特征在于:所述人工神经网络模型的建立具体采用:建立N层人工神经网络,其中只有一层隐含层,设置每层的节点数,根据传输函数和训练函数建立人工神经网络模型。
4.根据权利要求3所述的方法,其特征在于:所述N层人工神经网络具有输入层和输出层,输入层的节点数为6,输出层的节点数为1;隐含层的节点数根据下式确定:
<mrow>
<mi>n</mi>
<mo>=</mo>
<msqrt>
<mrow>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>n</mi>
<mn>0</mn>
</msub>
</mrow>
</msqrt>
<mo>+</mo>
<mi>a</mi>
</mrow>
式中:n为隐含层的节点数;ni输入节点数;n0为输出节点数;a为1—10之间的常数。
5.根据权利要求1所述的方法,其特征在于:所述动力电池剩余使用寿命的预测结果包括:根据所述具有训练参数的人工神经网络预测得到动力电池剩余容量达到失效时所对应的动力电池充放电次数,根据电池循环寿命原理,得到动力电池剩余使用寿命的预测结果。
6.根据权利要求1所述的方法,其特征在于:获取所述动力电池所有单节电池的SOC值,对其做平均化处理,采用最接***均SOC值的单体电池SOC值作为动力电池状态数据之一。
7.根据权利要求1所述的方法,其特征在于:获取所述动力电池所有单节电池的电芯电压,对其做平均化处理,采用最接***均电芯电压值的单体电池电芯电压值作为动力电池状态数据之一。
8.根据权利要求1所述的方法,其特征在于:获取所述动力电池所有单节电池的SOH值,对其做平均化处理,采用最接***均SOH值的单体电池SOH值作为动力电池状态数据之一。
9.根据权利要求1所述的方法,其特征在于:所述人工神经网络模型具有传输函数,用于层与层之间的数据转换与传输。
10.根据权利要求1所述的方法,其特征在于:所述人工神经网络模型具有训练函数,用于基于作为输入和输出的动力电池状态数据、动力电池剩余使用寿命,训练人工神经网络模型的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710214031.0A CN107069122A (zh) | 2017-04-01 | 2017-04-01 | 一种动力电池剩余使用寿命的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710214031.0A CN107069122A (zh) | 2017-04-01 | 2017-04-01 | 一种动力电池剩余使用寿命的预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107069122A true CN107069122A (zh) | 2017-08-18 |
Family
ID=59602089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710214031.0A Pending CN107069122A (zh) | 2017-04-01 | 2017-04-01 | 一种动力电池剩余使用寿命的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107069122A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108490365A (zh) * | 2018-04-18 | 2018-09-04 | 北京理工大学 | 一种估计电动汽车的动力电池的剩余寿命的方法 |
CN108680861A (zh) * | 2018-03-05 | 2018-10-19 | 北京航空航天大学 | 锂电池剩余循环寿命预测模型的构建方法及装置 |
CN108961460A (zh) * | 2018-07-18 | 2018-12-07 | 清华大学 | 基于稀疏esgp与多目标优化的故障预测方法及装置 |
CN110555226A (zh) * | 2019-04-03 | 2019-12-10 | 太原理工大学 | 基于emd和mlp的磷酸铁锂电池剩余寿命预测方法 |
CN111142026A (zh) * | 2019-12-31 | 2020-05-12 | 联想(北京)有限公司 | 一种数据处理方法、装置及电子设备 |
CN112327170A (zh) * | 2020-11-13 | 2021-02-05 | 中汽研(天津)汽车工程研究院有限公司 | 基于神经网络的动力电池全周期剩余寿命估算方法 |
CN113173104A (zh) * | 2021-04-29 | 2021-07-27 | 浙江吉利控股集团有限公司 | 一种新能源车辆动力电池预警方法及*** |
CN113466706A (zh) * | 2021-07-26 | 2021-10-01 | 上海伟翔众翼新能源科技有限公司 | 基于卷积神经网络的锂电池梯次利用剩余寿命预测方法 |
CN113614554A (zh) * | 2021-06-17 | 2021-11-05 | 香港应用科技研究院有限公司 | 退役锂离子电池和电池模块的健康状态评估 |
CN113619447A (zh) * | 2021-07-16 | 2021-11-09 | 张立佳 | 电动汽车电池荷电状态的预测方法 |
CN114019380A (zh) * | 2021-10-29 | 2022-02-08 | 天津市捷威动力工业有限公司 | 一种电芯的日历寿命扩展预测方法 |
CN114089206A (zh) * | 2021-10-24 | 2022-02-25 | 郑州云海信息技术有限公司 | 一种电池冗余模块的寿命预测方法、***、介质及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101067644A (zh) * | 2007-04-20 | 2007-11-07 | 杭州高特电子设备有限公司 | 蓄电池性能分析专家诊断方法 |
CN101809456A (zh) * | 2007-08-23 | 2010-08-18 | 株式会社Lg化学 | 用于估计电池的长期特性的***和方法 |
CN105789716A (zh) * | 2016-03-03 | 2016-07-20 | 北京交通大学 | 一种广义电池管理*** |
CN106526494A (zh) * | 2016-11-18 | 2017-03-22 | 普天新能源车辆技术有限公司 | 动力电池使用寿命的预测方法与装置 |
-
2017
- 2017-04-01 CN CN201710214031.0A patent/CN107069122A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101067644A (zh) * | 2007-04-20 | 2007-11-07 | 杭州高特电子设备有限公司 | 蓄电池性能分析专家诊断方法 |
CN101809456A (zh) * | 2007-08-23 | 2010-08-18 | 株式会社Lg化学 | 用于估计电池的长期特性的***和方法 |
CN105789716A (zh) * | 2016-03-03 | 2016-07-20 | 北京交通大学 | 一种广义电池管理*** |
CN106526494A (zh) * | 2016-11-18 | 2017-03-22 | 普天新能源车辆技术有限公司 | 动力电池使用寿命的预测方法与装置 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108680861A (zh) * | 2018-03-05 | 2018-10-19 | 北京航空航天大学 | 锂电池剩余循环寿命预测模型的构建方法及装置 |
CN108490365A (zh) * | 2018-04-18 | 2018-09-04 | 北京理工大学 | 一种估计电动汽车的动力电池的剩余寿命的方法 |
CN108961460A (zh) * | 2018-07-18 | 2018-12-07 | 清华大学 | 基于稀疏esgp与多目标优化的故障预测方法及装置 |
CN108961460B (zh) * | 2018-07-18 | 2020-05-08 | 清华大学 | 基于稀疏esgp与多目标优化的故障预测方法及装置 |
CN110555226A (zh) * | 2019-04-03 | 2019-12-10 | 太原理工大学 | 基于emd和mlp的磷酸铁锂电池剩余寿命预测方法 |
CN111142026A (zh) * | 2019-12-31 | 2020-05-12 | 联想(北京)有限公司 | 一种数据处理方法、装置及电子设备 |
CN112327170A (zh) * | 2020-11-13 | 2021-02-05 | 中汽研(天津)汽车工程研究院有限公司 | 基于神经网络的动力电池全周期剩余寿命估算方法 |
CN113173104A (zh) * | 2021-04-29 | 2021-07-27 | 浙江吉利控股集团有限公司 | 一种新能源车辆动力电池预警方法及*** |
CN113614554A (zh) * | 2021-06-17 | 2021-11-05 | 香港应用科技研究院有限公司 | 退役锂离子电池和电池模块的健康状态评估 |
CN113619447A (zh) * | 2021-07-16 | 2021-11-09 | 张立佳 | 电动汽车电池荷电状态的预测方法 |
CN113466706A (zh) * | 2021-07-26 | 2021-10-01 | 上海伟翔众翼新能源科技有限公司 | 基于卷积神经网络的锂电池梯次利用剩余寿命预测方法 |
CN113466706B (zh) * | 2021-07-26 | 2022-07-29 | 上海伟翔众翼新能源科技有限公司 | 基于卷积神经网络的锂电池梯次利用剩余寿命预测方法 |
CN114089206A (zh) * | 2021-10-24 | 2022-02-25 | 郑州云海信息技术有限公司 | 一种电池冗余模块的寿命预测方法、***、介质及设备 |
CN114019380A (zh) * | 2021-10-29 | 2022-02-08 | 天津市捷威动力工业有限公司 | 一种电芯的日历寿命扩展预测方法 |
CN114019380B (zh) * | 2021-10-29 | 2024-05-17 | 天津市捷威动力工业有限公司 | 一种电芯的日历寿命扩展预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107069122A (zh) | 一种动力电池剩余使用寿命的预测方法 | |
CN104538999B (zh) | 一种光伏发电储能***及其能量调度方法 | |
Jiaqiang et al. | Effects analysis on active equalization control of lithium-ion batteries based on intelligent estimation of the state-of-charge | |
CN105789716B (zh) | 一种广义电池管理*** | |
Wang et al. | A LiFePO4 battery pack capacity estimation approach considering in-parallel cell safety in electric vehicles | |
CN104332666B (zh) | 一种退役动力锂电池可用性评价方法 | |
Shen et al. | A new battery available capacity indicator for electric vehicles using neural network | |
CN107870306A (zh) | 一种基于深度神经网络下的锂电池荷电状态预测算法 | |
CN105277896B (zh) | 基于elm‑mukf的锂电池剩余寿命预测方法 | |
CN104485681B (zh) | 一种风电场储能***的监控方法 | |
CN103675707A (zh) | 锂离子电池峰值功率在线评估方法 | |
CN108872869B (zh) | 一种基于bp神经网络的锂离子电池劣化分类方法 | |
CN107015158B (zh) | 基于恒流放电片段的锂电池剩余寿命在线快速检测法 | |
CN111680848A (zh) | 基于预测模型融合的电池寿命预测方法及存储介质 | |
CN111366848A (zh) | 一种基于pso-elm算法的电池健康状态预测方法 | |
CN106154165A (zh) | 一种大容量电池储能***性能的评估方法和评估*** | |
CN106383316A (zh) | 一种梯次利用锂电池性能评价方法 | |
CN102324582A (zh) | 一种多功能铅酸蓄电池智能维护装置及容量预测方法 | |
Zhang et al. | An adaptive battery capacity estimation method suitable for random charging voltage range in electric vehicles | |
CN106526493A (zh) | 基于bp神经网络的动力电池外部短路故障诊断及温升预测方法和*** | |
CN103941191A (zh) | 一种储能装置综合管理的方法及储能装置 | |
Zhang et al. | Prior-knowledge-independent equalization to improve battery uniformity with energy efficiency and time efficiency for lithium-ion battery | |
CN105183994A (zh) | 一种基于改进的i-elm的动力电池soc预测方法及装置 | |
CN106777786A (zh) | 一种锂离子电池soc估算方法 | |
CN110658459A (zh) | 基于双向循环神经网络的锂离子电池荷电状态估计方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170818 |
|
RJ01 | Rejection of invention patent application after publication |