CN108549036A - 基于miv和svm模型的磷酸铁锂电池寿命预测方法 - Google Patents
基于miv和svm模型的磷酸铁锂电池寿命预测方法 Download PDFInfo
- Publication number
- CN108549036A CN108549036A CN201810416011.6A CN201810416011A CN108549036A CN 108549036 A CN108549036 A CN 108549036A CN 201810416011 A CN201810416011 A CN 201810416011A CN 108549036 A CN108549036 A CN 108549036A
- Authority
- CN
- China
- Prior art keywords
- miv
- variable
- svm
- training
- lithium cell
- 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
Landscapes
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于MIV和SVM模型的磷酸铁锂电池剩余寿命预测方法,通过运用MIV算法得到输入变量对输出的影响重要度,然后筛选出最重要的变量作为输入变量,避免将不重要的自变量引入到预测模型的训练和测试过程中。在变量优选后得到只包含优选变量的新的训练集和测试集,利用优选训练集和SVM训练出预测模型,由于SVM采用结构风险最小化作为最优准则,能够获取全局最优解,结合经过优选的仅包含循环次数、电阻等变量的数据集训练得到的预测模型可以有效提高预测效率和精度。
Description
技术领域
本发明涉及磷酸铁锂电池寿命预测领域,尤其涉及一种基于MIV和SVM模型的磷酸铁锂电池寿命预测方法。
背景技术
磷酸铁锂电池因其有许多优势在许多场合中得到了广泛的应用,替代了传统的铅蓄、镍镉等电池,并应用在了农业、通讯行业、工业等众多领域,与人类的生活变得密不可分。但是磷酸铁锂电池也存在寿命问题的困扰。很多因素影响其充放电能力,比如电池内部材料的损耗、不合理的使用方式等。这些都会使得电池的健康状态(State of Health,SOH)逐渐退化,SOH是用来表示电池的存储能力的,是用来描述电池性能状态的参量。如果忽视其退化过程,会损坏相关的设备,严重的情况下会给人类的生命财产造成巨大损失。近几年,相关研究人员一方面开始开发更好的电池,另一方面也开始对电池的SOH展开研究。电池SOH的监测,不仅能够监测电池的退化状态,还能够防止故障灾难事故的发生。目前相关的研究人员已经从各个方面对电池的材料以及制作水平进行了改进,但实际中,此问题没有得到根本的解决,因此对电池的SOH做好评估和预测工作,可以从很大程度上保证电池长期、可靠的工作,防止事故的发生。Patil等人在算法的基础上利用分类和回归相结合的方法来实时估计锂离子电池的SOH,但是此方法有可能引入无关变量,导致降低模型的精度。本发明在SVM模型的基础上运用MIV算法对输入变量进行筛选,排除了无关变量的影响,提高了模型的精度。
发明内容
本发明的目的是提供一种能准确预测磷酸铁锂电池寿命的方法。
本发明提供了一种基于MIV和SVM模型的磷酸铁锂电池寿命预测方法,实现过程为:
步骤一:获取磷酸铁锂电池在不同变量下的容量数据,并将数据分成两组,一组为训练集,另一组为测试集;其中,所述不同变量至少包括磷酸铁锂电池的充电截止总电压、放电截止总电压、循环次数以及内阻;所述容量数据为磷酸铁锂电池的电池容量;
步骤二:对MIV算法中BP网络的训练参数进行设置,确定磷酸铁锂电池的容量数据中各个变量的MIV值,并按绝对值大小进行排序,设定MIV绝对值阈值,并将MIV绝对值小于MIV绝对值阈值的变量剔除,保留MIV绝对值大于MIV绝对值阈值的变量,实现对输入变量的筛选,并得到筛选后的训练集和测试集;
步骤三:对SVM的参数进行设置,将筛选后的训练集作为SVM的输入,训练得到预测模型;
步骤四:利用测试集进行测试,并验证预测模型的准确性。
其中,设置网络训练参数的步骤包括:
根据输入变量、输入层和隐含层间的连接权值ωij以及隐含层阈值a计算隐含层输出H,计算公式为:
f为隐含层激励函数,计算公式为:
式中l为隐含层的节点数;
根据隐含层输出H,连接权值ωjk和输出层阈值b计算BP神经网络的预测输出O,并将预测输出作为电池的可放电容量,计算公式为:
其中,设置网络训练参数的步骤之后,包括:
采用BP神经网络中的newff函数进行网络训练,隐含层的神经元个数设为18,输出层的神经元个数设为1,隐含层神经元的传输函数设为tansig,输出层的传输函数设为purelin,反向传播的训练函数设为traingdm,然后初始化BP网络,设置显示的间隔次数为50,学习率为0.0000001,动量因子为0.9,迭代次数为100,误差范围目标为0.00004;
完成BP神经网络训练后,将训练集中的每个变量分别加减10%,形成两个新的训练集,并将两个新的训练集利用已建成的网络进行仿真,得到两个仿真结果;
将两个仿真结果进行差值计算,所得值为该自变量对输出的影响值,并由数据集数求取影响值的平均数,就可得到该自变量对应的MIV值;
重复此步骤并计算各个自变量的MIV值,按绝对值大小进行排序,设定MIV绝对值阈值,并将MIV绝对值小于MIV绝对值阈值的变量剔除,保留MIV绝对值大于MIV绝对值阈值的变量,剩余的MIV绝对值大于MIV绝对值阈值的变量组成新的训练集和测试集。
其中,经过变量筛选后的训练集作为SVM模型的输入,还包括对训练集进行归一化处理的步骤。
其中,SVM模型用如下公式表示:
s.t.yi(ωTxi+b)≥1-ξi
ξi≥0,i=1,2,...,m. (4)
式中ω为法向量,决定超平面的方向;b为位移项;ξi为松弛变量;C为常数;(xi,yi)为训练样本。
其中,将筛选后的训练集作为SVM的输入,训练得到预测模型的步骤包括:
进行SVM算法参数c和g的粗略选择,选用SVMcgForRegress函数,cmin设为-8,cmax设为8,gmin为-8,gmax为8;
根据选择的结果图再进行精细选择,cmin设为-3,cmax设为3,gmin为-3,gmax为3,v为4,cstep为0.5,gstep为0.5,msestep为0.01;
根据选定的参数和归一化后的训练集进行SVM网络训练,得到SVM预测模型。
其中,对测试集归一化处理,利用得到的SVM预测模型进行预测,将预测结果与未使用MIV算法的结果进行对比,得出预测误差以及预测误差对比图,进行有效性和准确性的校验。
本发明运用平均影响值(MIV)算法对输入变量重要度进行排序,剔除了对电池寿命影响较小的变量属性,结合采用支持向量机训练得到的磷酸铁锂电池寿命预测模型,提高的预测效率和预测精度。
附图说明
图1为本发明提供的一种基于MIV的SVM模型的磷酸铁锂电池寿命预测方法的流程示意图。
图2为本发明提供的一种基于MIV的SVM模型的磷酸铁锂电池寿命预测方法中优化前的电池组可放电容量预测对比图。
图3为本发明提供的一种基于MIV的SVM模型的磷酸铁锂电池寿命预测方法中优化前的电池组可放电容量预测差值图。
图4为本发明提供的一种基于MIV的SVM模型的磷酸铁锂电池寿命预测方法中优化前的SVM预测误差图。
图5为本发明提供的一种基于MIV的SVM模型的磷酸铁锂电池寿命预测方法中优化后的电池组可放电容量预测对比图。
图6为本发明提供的一种基于MIV的SVM模型的磷酸铁锂电池寿命预测方法中优化后的电池组可放电容量预测差值图。
图7为本发明提供的一种基于MIV的SVM模型的磷酸铁锂电池寿命预测方法中优化后的SVM预测误差图。
具体实施方式
下面结合具体实施方式对本发明的技术方案作进一步更详细的描述。显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
本发明提供了一种基于MIV和SVM模型的磷酸铁锂电池剩余寿命预测方法,该方法的步骤包括:
步骤一:获取磷酸铁锂电池在不同变量下的容量数据,并将数据分成两组,一组为训练集,另一组为测试集;其中,所述不同变量至少包括磷酸铁锂电池的充电截止总电压、放电截止总电压、循环次数以及内阻;所述容量数据为磷酸铁锂电池的电池容量;
步骤二:对MIV算法中BP网络的训练参数进行设置,确定磷酸铁锂电池的容量数据中各个变量的MIV值,并按绝对值大小进行排序,设定MIV绝对值阈值,并将MIV绝对值小于MIV绝对值阈值的变量剔除,保留MIV绝对值大于MIV绝对值阈值的变量,实现对输入变量的筛选,并得到筛选后的训练集和测试集;
步骤三:对SVM的参数进行设置,将筛选后的训练集作为SVM的输入,训练得到预测模型;
步骤四:利用测试集进行测试,并验证预测模型的准确性。
其中,设置网络训练参数的步骤包括:
根据输入变量、输入层和隐含层间的连接权值ωij以及隐含层阈值a计算隐含层输出H,计算公式为:
f为隐含层激励函数,计算公式为:
式中l为隐含层的节点数;
根据隐含层输出H,连接权值ωjk和输出层阈值b计算BP神经网络的预测输出O,并将预测输出作为电池的可放电容量,计算公式为:
设置网络训练参数后,采用BP神经网络中的newff函数进行网络训练,隐含层的神经元个数设为18,输出层的神经元个数设为1,隐含层神经元的传输函数设为tansig,输出层的传输函数设为purelin,反向传播的训练函数设为traingdm,然后初始化BP网络,设置显示的间隔次数为50,学习率为0.0000001,动量因子为0.9,迭代次数为100,误差范围目标为0.00004。
完成BP神经网络训练后,将训练集中的每个变量分别加减10%,形成两个新的训练集,并将两个新的训练集利用已建成的网络进行仿真,得到两个仿真结果。
将两个仿真结果进行差值计算,所得值为该自变量对输出的影响值,并由数据集数求取影响值的平均数,就可得到该自变量对应的MIV值。
重复前述步骤并计算各个自变量的MIV值,按绝对值大小进行排序,设定MIV绝对值阈值,并将MIV绝对值小于MIV绝对值阈值的变量剔除,保留MIV绝对值大于MIV绝对值阈值的变量,剩余的MIV绝对值大于MIV绝对值阈值的变量组成新的训练集和测试集。
经过变量筛选后的训练集作为SVM模型的输入,还包括对训练集进行归一化处理的步骤。
SVM模型用如下公式表示:
s.t.yi(ωTxi+b)≥1-ξi
ξi≥0,i=1,2,...,m. (4)
式中ω为法向量,决定超平面的方向;b为位移项;ξi为松弛变量;C为常数;(xi,yi)为训练样本。
将筛选后的训练集作为SVM的输入,训练得到预测模型的步骤包括:
进行SVM算法参数c和g的粗略选择,选用SVMcgForRegress函数,cmin设为-8,cmax设为8,gmin为-8,gmax为8;
根据选择的结果图再进行精细选择,cmin设为-3,cmax设为3,gmin为-3,gmax为3,v为4,cstep为0.5,gstep为0.5,msestep为0.01;
根据选定的参数和归一化后的训练集进行SVM网络训练,得到SVM预测模型。
得到SVM预测模型后,对测试集归一化处理,利用得到的SVM预测模型进行预测,将预测结果与未使用MIV算法的结果进行对比,得出预测误差以及预测误差对比图,进行有效性和准确性的校验。
实施例1:
本实例所使用的实验数据来自于深圳市某电子有限公司。该实验型号的磷酸铁锂电池相关额定数据如下:额定单体容量120Ah,额定充电截止电压3.65V,额定放电截止电压2.5V,将电池串联组成电池组。输入参数为放电截止总电压、充电截止总电压、循环次数以及内阻,输出参数为电池组的可用容量。
在不使用MIV算法对四个变量进行优选时,采用完整的训练集训练出SVM预测模型,该模型对测试集的预测情况与实际情况对比结果如下:
图2为电池组可放电容量预测对比图,图3为电池组可放电容量预测差值图,图4为SVM预测误差图。
由图2、图3和图4可知,采用SVM网络基本能够达到预测电池可放电容量的目的。但是,预测之后的相对误差较大,最大可放电容量预测误差达到了2.2Ah,最大相对误差达到了2.7%左右。
经过研究,训练样本的数量以及自变量参数都会对训练出的SVM预测模型的性能表现有较大的影响。一般情况下,输入变量都是研究人员根据专业的知识和丰富的经验预先选择好的,但是在实际应用中,输入变量的选择预先难以确定,因此很容易将一些不重要的自变量引入到网络当中,降低了模型的预测性能,所以在训练预测模型过程中对输入的自变量参数进行优选具有重要意义。
MIV算法可以有效测定输入单元对输出单元的影响权重,通过该算法我们得到四个电池变量参数的MIV权重,如表1所示。
表1输入变量MIV权重结果
放电截止总电压/V | 充电截止总电压/V | 循环次数 | 内阻/mΩ |
0.0057 | -0.0025 | 0.2159 | 0.8612 |
由表1可知每个输入变量对结果的影响权重都不一样,筛选结果表明循环次数和内阻是影响电池寿命最重要的两个因素。
经过变量筛选后,我们只保留训练集和测试集中的循环次数和内阻两个变量,利用筛选后的训练集训练出SVM预测模型,并利用筛选后的测试集对模型进行预测性能分析。图5为进行变量优化筛选后的电池组可放电容量预测对比图,图6为优化后的电池组可放电容量预测差值图,图7为优化后训练出的SVM预测模型预测误差图。
表2优化前后预测误差对比
误差 | 优化前 | 优化后 |
均方根误差 | 0.2630 | 0.1620 |
平均误差 | 0.0016 | 0.0012 |
由图5、图6和图7可知,通过MIV算法对变量参数进行筛选以后,预测最大相对误差为1.4%,较之前有了很大的提升,真实值与预测值的拟合程度较高,表2为优化前后两次预测结果的均方根误差和平均相对误差对比,可看到优化后的模型预测精度有了较大的提升,证明了本文所提方法的有效性。
本发明针对磷酸铁锂电池的寿命预测问题,首先基于MIV算法对变量进行优化筛选,避免将不重要的变量引入到预测模型的训练和预测过程中,经过优化后训练出的预测模型具有优良性能,有利于解决电池寿命预测周期长、成本高以及精度不高等问题。
以上仅为本发明的实施方式,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种基于MIV和SVM模型的磷酸铁锂电池剩余寿命预测方法,其特征在于:
步骤一:获取磷酸铁锂电池在不同变量下的容量数据,并将数据分成两组,一组为训练集,另一组为测试集;其中,所述不同变量至少包括磷酸铁锂电池的充电截止总电压、放电截止总电压、循环次数以及内阻;所述容量数据为磷酸铁锂电池的电池容量;
步骤二:对MIV算法中BP网络的训练参数进行设置,确定磷酸铁锂电池的容量数据中各个变量的MIV值,并按绝对值大小进行排序,设定MIV绝对值阈值,并将MIV绝对值小于MIV绝对值阈值的变量剔除,保留MIV绝对值大于MIV绝对值阈值的变量,实现对输入变量的筛选,并得到筛选后的训练集和测试集;
步骤三:对SVM的参数进行设置,将筛选后的训练集作为SVM的输入,训练得到预测模型;
步骤四:利用测试集进行测试,并验证预测模型的准确性。
2.根据权利要求1所述的基于MIV和SVM模型的磷酸铁锂电池剩余寿命预测方法,其特征在于:
设置网络训练参数的步骤包括:
根据输入变量、输入层和隐含层间的连接权值ωij以及隐含层阈值a计算隐含层输出H,计算公式为:
f为隐含层激励函数,计算公式为:
式中l为隐含层的节点数;
根据隐含层输出H,连接权值ωjk和输出层阈值b计算BP神经网络的预测输出O,并将预测输出作为电池的可放电容量,计算公式为:
3.根据权利要求1所述的基于MIV和SVM模型的磷酸铁锂电池剩余寿命预测方法,其特征在于:
设置网络训练参数的步骤之后,包括:
采用BP神经网络中的newff函数进行网络训练,隐含层的神经元个数设为18,输出层的神经元个数设为1,隐含层神经元的传输函数设为tansig,输出层的传输函数设为purelin,反向传播的训练函数设为traingdm,然后初始化BP网络,设置显示的间隔次数为50,学习率为0.0000001,动量因子为0.9,迭代次数为100,误差范围目标为0.00004;
完成BP神经网络训练后,将训练集中的每个变量分别加减10%,形成两个新的训练集,并将两个新的训练集利用已建成的网络进行仿真,得到两个仿真结果;
将两个仿真结果进行差值计算,所得值为该自变量对输出的影响值,并由数据集数求取影响值的平均数,就可得到该自变量对应的MIV值;
重复此步骤并计算各个自变量的MIV值,按绝对值大小进行排序,设定MIV绝对值阈值,并将MIV绝对值小于MIV绝对值阈值的变量剔除,保留MIV绝对值大于MIV绝对值阈值的变量,剩余的MIV绝对值大于MIV绝对值阈值的变量组成新的训练集和测试集。
4.根据权利要求1所述的基于MIV和SVM模型的磷酸铁锂电池剩余寿命预测方法,其特征在于:
经过变量筛选后的训练集作为SVM模型的输入,还包括对训练集进行归一化处理的步骤。
5.根据权利要求1所述的基于MIV和SVM模型的磷酸铁锂电池剩余寿命预测方法,其特征在于:
SVM模型用如下公式表示:
式中ω为法向量,决定超平面的方向;b为位移项;ξi为松弛变量;C为常数;(xi,yi)为训练样本。
6.根据权利要求5所述的基于MIV和SVM模型的磷酸铁锂电池剩余寿命预测方法,其特征在于:
将筛选后的训练集作为SVM的输入,训练得到预测模型的步骤包括:
进行SVM算法参数c和g的粗略选择,选用SVMcgForRegress函数,cmin设为-8,cmax设为8,gmin为-8,gmax为8;
根据选择的结果图再进行精细选择,cmin设为-3,cmax设为3,gmin为-3,gmax为3,v为4,cstep为0.5,gstep为0.5,msestep为0.01;
根据选定的参数和归一化后的训练集进行SVM网络训练,得到SVM预测模型。
7.根据权利要求1所述的基于MIV和SVM模型的磷酸铁锂电池剩余寿命预测方法,其特征在于:
对测试集归一化处理,利用得到的SVM预测模型进行预测,将预测结果与未使用MIV算法的结果进行对比,得出预测误差以及预测误差对比图,进行有效性和准确性的校验。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810416011.6A CN108549036A (zh) | 2018-05-03 | 2018-05-03 | 基于miv和svm模型的磷酸铁锂电池寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810416011.6A CN108549036A (zh) | 2018-05-03 | 2018-05-03 | 基于miv和svm模型的磷酸铁锂电池寿命预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108549036A true CN108549036A (zh) | 2018-09-18 |
Family
ID=63513471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810416011.6A Pending CN108549036A (zh) | 2018-05-03 | 2018-05-03 | 基于miv和svm模型的磷酸铁锂电池寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108549036A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109031152A (zh) * | 2018-10-15 | 2018-12-18 | 重庆科技学院 | 基于神经网络透明化的铅酸蓄电池剩余容量软测量方法 |
CN109613440A (zh) * | 2019-01-17 | 2019-04-12 | 清华-伯克利深圳学院筹备办公室 | 电池的分级方法、装置、设备和存储介质 |
CN109740809A (zh) * | 2018-12-27 | 2019-05-10 | 北京五维星宇科技有限公司 | 基于单装寿命演化的装备集群剩余寿命预测方法及终端 |
CN110007660A (zh) * | 2019-04-10 | 2019-07-12 | 河北工业大学 | 一种火电厂汽轮机组瞬态等效热应力在线软测量方法 |
CN110443377A (zh) * | 2019-06-24 | 2019-11-12 | 南方电网调峰调频发电有限公司信息通信分公司 | 一种基于免疫算法优化的支持向量机蓄电池寿命预测方法 |
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 |
CN110568359A (zh) * | 2019-09-04 | 2019-12-13 | 太原理工大学 | 一种锂电池剩余寿命预测方法 |
CN110850315A (zh) * | 2019-11-29 | 2020-02-28 | 北京邮电大学 | 一种电池荷电状态的估算方法及装置 |
CN113094989A (zh) * | 2021-04-07 | 2021-07-09 | 贵州大学 | 一种基于随机配置网络的无人机电池寿命预测方法 |
CN113391209A (zh) * | 2021-05-26 | 2021-09-14 | 江苏小牛电动科技有限公司 | 电池健康状态的预测方法、装置、***和电池 |
CN113589175A (zh) * | 2021-08-23 | 2021-11-02 | 上海智能新能源汽车科创功能平台有限公司 | 一种燃料电池寿命预测方法和*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060212277A1 (en) * | 2005-03-16 | 2006-09-21 | Terry Hansen | Apparatus and method for estimating battery state of charge |
CN104156791A (zh) * | 2014-08-29 | 2014-11-19 | 哈尔滨工业大学 | 基于ls-svm的概率集成学习锂离子电池剩余寿命预测方法 |
CN105808914A (zh) * | 2014-12-31 | 2016-07-27 | 北京航天测控技术有限公司 | 一种卫星锂离子电池寿命的预测方法及装置 |
CN107765190A (zh) * | 2017-12-11 | 2018-03-06 | 太原理工大学 | 一种长寿命快充型磷酸铁锂电池的寿命预测方法 |
-
2018
- 2018-05-03 CN CN201810416011.6A patent/CN108549036A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060212277A1 (en) * | 2005-03-16 | 2006-09-21 | Terry Hansen | Apparatus and method for estimating battery state of charge |
CN104156791A (zh) * | 2014-08-29 | 2014-11-19 | 哈尔滨工业大学 | 基于ls-svm的概率集成学习锂离子电池剩余寿命预测方法 |
CN105808914A (zh) * | 2014-12-31 | 2016-07-27 | 北京航天测控技术有限公司 | 一种卫星锂离子电池寿命的预测方法及装置 |
CN107765190A (zh) * | 2017-12-11 | 2018-03-06 | 太原理工大学 | 一种长寿命快充型磷酸铁锂电池的寿命预测方法 |
Non-Patent Citations (4)
Title |
---|
于洋 等: "基于LS-SVM算法动力电池SOC估计方法的研究", 《电源技术研究与设计》 * |
张金国 等: "基于MIV的BP神经网络磷酸铁锂电池寿命预测", 《电源技术研究与设计》 * |
聂铭 等: "基于MIV-SVM的烤烟评吸质量预测模型", 《中国烟草学报》 * |
赵振江: "基于SMO-SVM算法的变压器故障诊断", 《煤矿机械》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109031152A (zh) * | 2018-10-15 | 2018-12-18 | 重庆科技学院 | 基于神经网络透明化的铅酸蓄电池剩余容量软测量方法 |
CN109740809A (zh) * | 2018-12-27 | 2019-05-10 | 北京五维星宇科技有限公司 | 基于单装寿命演化的装备集群剩余寿命预测方法及终端 |
CN109740809B (zh) * | 2018-12-27 | 2021-03-23 | 北京五维星宇科技有限公司 | 基于单装寿命演化的装备集群剩余寿命预测方法及终端 |
CN109613440A (zh) * | 2019-01-17 | 2019-04-12 | 清华-伯克利深圳学院筹备办公室 | 电池的分级方法、装置、设备和存储介质 |
CN109613440B (zh) * | 2019-01-17 | 2021-06-08 | 清华-伯克利深圳学院筹备办公室 | 电池的分级方法、装置、设备和存储介质 |
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 |
CN110007660B (zh) * | 2019-04-10 | 2020-06-16 | 河北工业大学 | 一种火电厂汽轮机组瞬态等效热应力在线软测量方法 |
CN110007660A (zh) * | 2019-04-10 | 2019-07-12 | 河北工业大学 | 一种火电厂汽轮机组瞬态等效热应力在线软测量方法 |
CN110443377A (zh) * | 2019-06-24 | 2019-11-12 | 南方电网调峰调频发电有限公司信息通信分公司 | 一种基于免疫算法优化的支持向量机蓄电池寿命预测方法 |
CN110443377B (zh) * | 2019-06-24 | 2022-11-01 | 南方电网调峰调频发电有限公司信息通信分公司 | 一种基于免疫算法优化的支持向量机蓄电池寿命预测方法 |
CN110568359A (zh) * | 2019-09-04 | 2019-12-13 | 太原理工大学 | 一种锂电池剩余寿命预测方法 |
CN110568359B (zh) * | 2019-09-04 | 2021-11-23 | 太原理工大学 | 一种锂电池剩余寿命预测方法 |
CN110850315A (zh) * | 2019-11-29 | 2020-02-28 | 北京邮电大学 | 一种电池荷电状态的估算方法及装置 |
CN113094989A (zh) * | 2021-04-07 | 2021-07-09 | 贵州大学 | 一种基于随机配置网络的无人机电池寿命预测方法 |
CN113391209A (zh) * | 2021-05-26 | 2021-09-14 | 江苏小牛电动科技有限公司 | 电池健康状态的预测方法、装置、***和电池 |
CN113589175A (zh) * | 2021-08-23 | 2021-11-02 | 上海智能新能源汽车科创功能平台有限公司 | 一种燃料电池寿命预测方法和*** |
CN113589175B (zh) * | 2021-08-23 | 2024-04-12 | 上海智能新能源汽车科创功能平台有限公司 | 一种燃料电池寿命预测方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108549036A (zh) | 基于miv和svm模型的磷酸铁锂电池寿命预测方法 | |
Guo et al. | Online estimation of SOH for lithium-ion battery based on SSA-Elman neural network | |
CN111584952B (zh) | 用于储能电站电化学电池在线评估的方法和*** | |
CN105277896B (zh) | 基于elm‑mukf的锂电池剩余寿命预测方法 | |
CN107290679B (zh) | 用于电动汽车共享充电桩的智能化电池健康状态检测方法 | |
CN111474490B (zh) | 一种梯次利用电池快速筛选方法 | |
CN108037463A (zh) | 一种锂离子电池寿命预测方法 | |
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 | |
CN107093775A (zh) | 一种串联结构电池组的一致性评价方法及装置 | |
CN107436411A (zh) | 基于分数阶神经网络和双容积卡尔曼的电池soh在线估计方法 | |
Zhang et al. | Intelligent state of charge estimation of battery pack based on particle swarm optimization algorithm improved radical basis function neural network | |
CN107330573B (zh) | 一种光伏***关键设备的状态评估方法及装置 | |
CN111027625A (zh) | 基于SAE和K-means聚类算法的电池筛选方法 | |
CN110909802A (zh) | 一种基于改进的pso优化pnn平滑因子的故障分类方法 | |
CN104332665A (zh) | 一种电池配组方法 | |
CN110888077A (zh) | 一种基于arima时间序列的锂离子电池寿命加速评估方法 | |
CN112036083B (zh) | 一种相似产品剩余寿命预测方法及*** | |
CN111639882B (zh) | 一种基于深度学习的用电风险的判定方法 | |
CN112791997A (zh) | 一种退役电池梯次利用筛选的方法 | |
CN111487532B (zh) | 一种基于层次分析法和熵值法的退役电池筛选方法及*** | |
CN116449218A (zh) | 一种锂电池健康状态的估计方法 | |
CN113917336A (zh) | 基于片段充电时间和gru的锂离子电池健康状态预测方法 | |
CN115586444A (zh) | 一种基于vmd与bp神经网络的锂电池剩余寿命预测方法 | |
Xu et al. | Safety warning analysis for power battery packs in electric vehicles with running data | |
CN117706399A (zh) | 一种考虑电池一致性的分布式储能运行健康状态分析方法 |
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: 20180918 |
|
RJ01 | Rejection of invention patent application after publication |