CN108896914B - 一种锂电池健康状况的梯度提升树建模与预测方法 - Google Patents
一种锂电池健康状况的梯度提升树建模与预测方法 Download PDFInfo
- Publication number
- CN108896914B CN108896914B CN201810445799.3A CN201810445799A CN108896914B CN 108896914 B CN108896914 B CN 108896914B CN 201810445799 A CN201810445799 A CN 201810445799A CN 108896914 B CN108896914 B CN 108896914B
- Authority
- CN
- China
- Prior art keywords
- model
- lithium battery
- establishing
- training
- formula
- 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
Links
Images
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]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
一种锂电池健康状况的梯度提升树建模与预测方法,包括以下步骤:1)监测锂电池充电和放电过程并提取特征:在锂电池的充电和放电过程中,通过传感器监测并记录电池的参数数据,并从数据中提取特征;2)对提取到的特征进行选择:采用GBT模型进行预训练,得到特征在建立模型过程中的特征重要性,根据特征重要性对特征进行排序并选择排名靠前的特征;3)建立梯度提升树模型进行训练并评估:利用经过选择的特征建立梯度提升树模型并进行训练,采用五折交叉验证和网格搜索方法对模型的超参数进行选择和调优,最后对模型的预测性能进行评估。本发明从锂电池充电与放电过程中提取相关特征,实现对SoH的准确预测。
Description
技术领域
本发明涉及锂电池健康状况的梯度提升树建模与预测方法,本发明属于锂电池的健康状况预测领域,涉及锂电池充放电过程的特征提取、特征选择和建模方法。
背景技术
电动汽车的主要动力来源来自于电池所储存的电能,锂离子电池依靠具有比能量高、工作电压高、温度范围宽、自放电率低、循环寿命长和安全性好等诸多优点,已成为电动汽车电能储存的首选。但是,锂电池在实际使用中随着充放电循环次数的增加,其内部容量会发生不可逆的衰减,导致电池逐渐老化,最终严重影响电池***的稳定性和可靠性。健康状况(State of Health,SoH)用来描述电池容量的退化程度,准确预测SoH是保证电池***稳定可靠运行的重要问题。
目前,预测SoH的主要方法包括:化学分析法、物理分析法和数据驱动建模方法。化学分析法估算准确,但其破坏了电池结构,导致电池不能再使用。电池本身容量衰减过程是复杂的化学变化,同时电动汽车经常运行在不同的环境中,电池在使用过程中会受到外界环境的影响,如变电流放电、机械振动和温度场变化。由于电池容量衰减的化学和物理过程复杂,电池的行为表现出非线性特性,仅靠物理分析法很难获得精确的物理模型。数据驱动建模方法通过利用电池监测参数和样本数据建立数据驱动模型就可以对SoH进行估计,无需了解复杂的过程机理,不必进行重复性实验分析,近年来越来越受到人们的关注。
分类和回归树是一种应用广泛的决策树模型,既可以用于分类也可以用于回归,具有可解释性强、训练需要的数据量小等优势,但存在容易过拟合的问题。提升方法是一种常用的统计学***方损失或指数损失函数时,每一步的优化都很容易,但对一般损失函数来说,往往每一步的优化并不容易。针对这一问题,Freidman基于最速下降法提出了梯度提升树模型(GBT)。GBT凭借其准确度高,训练速度快,可解释性强等优势受到越来越多的关注。
以往针对SoH的预测过程中,通常只利用了放电过程信息,并不能完整描述锂离子电池在一个充放电周期的容量变化。
发明内容
为了克服已有技术锂离子电池SoH预测研究的不足,本发明提供一种锂电池健康状况的极限梯度提升树建模与预测方法,从锂电池充电与放电过程中提取相关特征,实现对SoH的准确预测。
本发明解决其技术问题所采用的技术方案是:
一种锂电池健康状况的梯度提升树建模与预测方法,包括以下步骤:
1)监测锂电池充电和放电过程并提取特征
在锂电池的充电和放电过程中,通过传感器监测并记录电池的参数数据,并从数据中提取特征;
2)对提取到的特征进行选择
采用GBT模型进行预训练,得到特征在建立模型过程中的特征重要性,根据特征重要性对特征进行排序并选择排名靠前的特征;
3)建立梯度提升树模型进行训练并评估
利用经过选择的特征建立梯度提升树模型并进行训练,采用五折交叉验证和网格搜索方法对模型的超参数进行选择和调优,最后对模型的预测性能进行评估。
进一步,所述步骤1)中,监测锂电池充电和放电过程并提取特征的过程如下:
1.1:监测锂电池充电过程并提取等电压差充电时间序列特征
在锂电池充电过程中,通过传感器记录电池终端电压并记录数据采集时间,从数据中提取等电压差充电时间序列特征,做法是选取一组数值不等的电压:[V1,V2](V1<V2),获取电池电压从V1到V2的时间;
1.2:监测锂电池放电过程并提取等电压差放电时间序列特征
在锂电池放电过程中,通过传感器记录电池终端电压并记录数据采集时间,提取等电压差放电时间序列特征,做法是选取一组数值不等的电压:[V1,V2](V1>V2),获取电池电压从V1到V2的时间。
再进一步,所述步骤2)中,对提取到的特征进行选择的过程如下:
2.1:建立单个回归树模型
首先,定义X表示提取到的特征数据,即模型的输入;定义Y表示锂电池的SoH,即模型的输出,建模需要的样本数据表示如下:
D={(X,Y)}={(x1,y1),(x2,y2),…,(xN,yN)}
式中,N为样本总数;
假设将输入空间划分为M个单元:R1,R2,…,RM,并且在每个单元上有一个固定的输出值cm,单个回归树模型表示如下:
式中,I为指示函数,当x∈Rm为1,否则为0;当输入空间的划分确定时,用平方误差来表示模型对于训练数据的预测误差,平方误差的定义如下:
对输入空间进行划分时,采用启发式的方法选择第j个变量x(j)和它所取的值s分别作为切分变量和切分点,由此将特征空间划分为两个区域:R1(j,s)={x|x(j)≤s},R2(j,s)={x|x(j)>s},根据下式求解最优切分变量j和最优切分点s:
通过固定输入变量j可以找到最优切分点s,遍历所有输入变量,找到最优的切分变量j,从而可以找到使公式中最小的(j,s),以此将输入空间划分为两个区域并求出对应区域的输出值:
式中,m∈{1,2};Nm表示划分到两个不同空间区域的样本个数,继续对每个区域重复上式的划分过程,直到满足停止条件为止,生成了一个回归树模型;
2.2:采用加法模型对回归树模型进行组合形成提升树模型
通过组合一系列单一回归树模型形成提升树模型,公式如下所示:
式中,f(x;Θk)表示一个回归树模型,Θk为回归树参数;K为树的个数,假设初始提升树为T0(x)为0,则第k步的提升树模型表示为:
Tk(x)=Tk-1(x)+f(x;Θk)
式中,L是损失函数;
2.3:利用梯度提升方法训练提升树模型
对提升树使用梯度提升方法进行训练,损失函数的负梯度公式如下:
因此,学习第k个回归树拟合残差rki,得到第k个决策树模型f(x;Θk),公式如下:
2.4:利用GBT模型对特征进行选择
不同特征在模型建立过程中的作用是不一样的,定义特征重要性衡量特征在建立模型过程中的重要程度,定义如下:
式中,Bj表示在模型建立过程中选择特征j对特征空间进行划分的次数;B表示对特征空间划分的总次数;
根据特征重要性对特征进行排序,选择排序靠前的特征。
更进一步,所述步骤3)中,建立梯度提升树模型进行训练并评估的过程如下:
3.1:建立极限梯度提升树模型并训练
利用经过选择的特征建立梯度提升树模型并进行训练,并采用交叉验证和网格搜索方法对模型的超参数进行选择和调优;
3.2:评估训练后的模型
采用均方根误差RMSE对模型的预测性能进行评估,RMSE的计算公式如下:
本发明的有益效果主要表现在:提取锂电池充电过程与放电过程中的相关特征,并通过建立极限梯度提升树模型对特征进行选择,最后训练模型并进行评估,其结果可以应用到锂电池的健康状况预测中;实现对SoH的准确预测。
附图说明
图1是模型预测值与真实值的对比图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1,一种锂电池健康状况的梯度提升树建模与预测方法,包括以下步骤:
1)监测锂电池充电和放电过程并提取特征,过程如下:
1.1:监测锂电池充电过程并提取等电压差充电时间序列特征
在锂电池充电过程中,通过传感器记录电池终端电压并记录数据采集时间,从数据中提取等电压差充电时间序列特征。具体做法是选取一组数值不等的电压:[V1,V2](V1<V2),获取电池电压从V1到V2的时间;
1.2:监测锂电池放电过程并提取等电压差放电时间序列特征
在锂电池放电过程中,通过传感器记录电池终端电压并记录数据采集时间,提取等电压差放电时间序列特征,做法是选取一组数值不等的电压:[V1,V2](V1>V2),获取电池电压从V1到V2的时间;
2)对提取到的特征进行选择,过程如下:
2.1:建立单个回归树模型
首先,定义X表示提取到的特征数据,即模型的输入;定义Y表示锂电池的SoH,即模型的输出。建模需要的样本数据表示如下:
D={(X,Y)}={(x1,y1),(x2,y2),…,(xN,yN)}
式中,N为样本总数;
假设将输入空间划分为M个单元:R1,R2,…,RM,并且在每个单元上有一个固定的输出值cm,单个回归树模型表示如下:
式中,I为指示函数,当x∈Rm为1,否则为0;当输入空间的划分确定时,用平方误差来表示模型对于训练数据的预测误差,平方误差的定义如下:
对输入空间进行划分时,采用启发式的方法选择第j个变量x(j)和它所取的值s分别作为切分变量和切分点,由此将特征空间划分为两个区域:R1(j,s)={x|x(j)≤s},R2(j,s)={x|x(j)>s},根据下式求解最优切分变量j和最优切分点s:
通过固定输入变量j可以找到最优切分点s,遍历所有输入变量,找到最优的切分变量j,从而可以找到使公式中最小的(j,s),以此将输入空间划分为两个区域并求出对应区域的输出值:
式中,m∈{1,2};Nm表示划分到两个不同空间区域的样本个数。继续对每个区域重复上式的划分过程,直到满足停止条件为止,生成了一个回归树模型;
2.2:采用加法模型对回归树模型进行组合形成提升树模型
通过组合一系列单一回归树模型形成提升树模型,公式如下所示:
式中,f(x;Θk)表示一个回归树模型,Θk为回归树参数;K为树的个数。假设初始提升树为T0(x)为0,则第k步的提升树模型表示为:
Tk(x)=Tk-1(x)+f(x;Θk)
式中,L是损失函数;
2.3:利用梯度提升方法训练提升树模型
对提升树使用梯度提升方法进行训练,损失函数的负梯度公式如下:
因此,学习第k个回归树拟合残差rki,得到第k个决策树模型f(x;Θk),公式如下:
2.4:利用GBT模型对特征进行选择
不同特征在模型建立过程中的作用是不一样的,定义特征重要性衡量特征在建立模型过程中的重要程度,定义如下:
式中,Bj表示在模型建立过程中选择特征j对特征空间进行划分的次数;B表示对特征空间划分的总次数;
根据特征重要性对特征进行排序,选择排序靠前的特征;
3)建立梯度提升树模型进行训练并评估,过程如下:
3.1:建立极限梯度提升树模型并训练
利用经过选择的特征建立梯度提升树模型并进行训练,并采用交叉验证和网格搜索方法对模型的超参数进行选择和调优;
3.2:评估训练后的模型
采用均方根误差(RMSE)对模型的预测性能进行评估(该值越小表示模型越准确),RMSE的计算公式如下:
实例:一种锂电池健康状况的梯度提升树建模与预测方法,包括以下步骤:
1)进行锂电池充放电实验,获取相关监测参数数据并提取特征
在锂电池充电过程中监测相关参数数据,选取三组电压值:[初始电压,4.2V],[3.8V,3.9V]、[3.9V,4.0V]和[3.8V,3.9V],提取等电压差充电时间序列特征;在锂电池放电过程中监测相关参数数据,根据专业经验选取一组电压值[3.8V,3.45V],提取等电压差放电时间序列特征。
2)对从充电过程中提取到的特征进行选择
利用等电压差充电时间序列特征建立GBT模型并进行预训练,得到特征在建立模型过程中的特征重要性,如表1所示。其中,特征[初始电压,4.2V]具有最高的特征重要性,但该特征中初始电压值不确定导致特征的覆盖率低,在实际应用中很难得到,因此选取特征[4.0V,4.1V]用于模型的建立。
表1
3)建立梯度提升树模型进行训练并评估
选取锂电池等电压差充电时间序列特征[4.0V,4.1V]和等电压差放电时间序列特征[3.8V,3.45V]建立GBT模型并进行训练,采用RMSE评估模型性能。附图1是所发明方法的预测值与SoH真实值的对比图,表2是采用不同特征建立的GBT模型的性能评估,可以看出,引入充电过程信息建立的GBT模型性能要好于仅利用放电过程信息建立的模型。
表2。
Claims (4)
1.一种锂电池健康状况的梯度提升树建模与预测方法,其特征在于,所述方法包括以下步骤:
1)监测锂电池充电和放电过程并提取特征
在锂电池的充电和放电过程中,通过传感器监测并记录电池的参数数据,并从数据中提取特征;
2)对提取到的特征进行选择
采用GBT模型进行预训练,得到特征在建立模型过程中的特征重要性,根据特征重要性对特征进行排序并选择排名靠前的特征;
3)建立梯度提升树模型进行训练并评估
利用经过选择的特征建立梯度提升树模型并进行训练,采用五折交叉验证和网格搜索方法对模型的超参数进行选择和调优,最后对模型的预测性能进行评估。
2.如权利要求1所述的一种锂电池健康状况的梯度提升树建模与预测方法,其特征在于,所述步骤1)中,监测锂电池充电和放电过程并提取特征的过程如下:
1.1:监测锂电池充电过程并提取等电压差充电时间序列特征
在锂电池充电过程中,通过传感器记录电池终端电压并记录数据采集时间,从数据中提取等电压差充电时间序列特征,做法是选取一组数值不等的电压:[V1,V2](V1<V2),获取电池电压从V1到V2的时间;
1.2:监测锂电池放电过程并提取等电压差放电时间序列特征
在锂电池放电过程中,通过传感器记录电池终端电压并记录数据采集时间,提取等电压差放电时间序列特征,做法是选取一组数值不等的电压:[V1,V2](V1>V2),获取电池电压从V1到V2的时间。
3.如权利要求1或2所述的一种锂电池健康状况的梯度提升树建模与预测方法,其特征在于,所述步骤2)中,对提取到的特征进行选择的过程如下:
2.1:建立单个回归树模型
首先,定义X表示提取到的特征数据,即模型的输入;定义Y表示锂电池的SoH,即模型的输出,建模需要的样本数据表示如下:
D={(X,Y)}={(x1,y1),(x2,y2),…,(xN,yN)}
式中,N为样本总数;
假设将输入空间划分为M个单元:R1,R2,…,RM,并且在每个单元上有一个固定的输出值cm,单个回归树模型表示如下:
式中,I为指示函数,当x∈Rm为1,否则为0;当输入空间的划分确定时,用平方误差来表示模型对于训练数据的预测误差,平方误差的定义如下:
对输入空间进行划分时,采用启发式的方法选择第j个变量x(j)和它所取的值s分别作为切分变量和切分点,由此将特征空间划分为两个区域:R1(j,s)={x|x(j)≤s},R2(j,s)={x|x(j)>s},根据下式求解最优切分变量j和最优切分点s:
通过固定输入变量可以找到最优切分点s,遍历所有输入变量,找到最优切分变量j,从而可以找到使公式中最小的(j,s),以此将输入空间划分为两个区域并求出对应区域的输出值:
式中,m∈{1,2};Nm表示划分到两个不同空间区域的样本个数,继续对每个区域重复上式的划分过程,直到满足停止条件为止,生成了一个回归树模型;
2.2:采用加法模型对回归树模型进行组合形成提升树模型
通过组合一系列单一回归树模型形成提升树模型,公式如下所示:
式中,f(x;Θk)表示一个回归树模型,Θk为回归树参数;K为树的个数,假设初始提升树为T0(x)为0,则第k步的提升树模型表示为:
Tk(x)=Tk-1(x)+f(x;Θk)
式中,L是损失函数;
2.3:利用梯度提升方法训练提升树模型
对提升树使用梯度提升方法进行训练,损失函数的负梯度公式如下:
因此,学习第k个回归树拟合残差rki,得到第k个决策树模型f(x;Θk),公式如下:
2.4:利用GBT模型对特征进行选择
不同特征在模型建立过程中的作用是不一样的,定义特征重要性衡量特征在建立模型过程中的重要程度,定义如下:
式中,Bj表示在模型建立过程中第j个选择特征对特征空间进行划分的次数;B表示对特征空间划分的总次数;
根据特征重要性对特征进行排序,选择排序靠前的特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810445799.3A CN108896914B (zh) | 2018-05-11 | 2018-05-11 | 一种锂电池健康状况的梯度提升树建模与预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810445799.3A CN108896914B (zh) | 2018-05-11 | 2018-05-11 | 一种锂电池健康状况的梯度提升树建模与预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108896914A CN108896914A (zh) | 2018-11-27 |
CN108896914B true CN108896914B (zh) | 2020-08-04 |
Family
ID=64343743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810445799.3A Active CN108896914B (zh) | 2018-05-11 | 2018-05-11 | 一种锂电池健康状况的梯度提升树建模与预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108896914B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978229A (zh) * | 2019-02-12 | 2019-07-05 | 常伟 | 一种对动力电池组全电芯多点温度及连接点温度进行热失控预测的方法 |
CN110119540B (zh) * | 2019-04-19 | 2022-05-03 | 电子科技大学 | 一种用于生存风险分析的多输出梯度提升树建模方法 |
CN112943224B (zh) * | 2019-12-11 | 2023-02-07 | 中国石油化工股份有限公司 | 稠油井动液面的计算方法 |
CN111044928A (zh) * | 2019-12-31 | 2020-04-21 | 福州大学 | 一种锂电池健康状态估计方法 |
CN111190110A (zh) * | 2020-01-13 | 2020-05-22 | 南京邮电大学 | 综合考虑内外影响因素的锂离子电池soc在线估算方法 |
CN111354989B (zh) * | 2020-02-21 | 2021-07-23 | 中南大学 | 一种可重构电池组控制方法、***及存储介质 |
CN111381170A (zh) * | 2020-05-15 | 2020-07-07 | 上海工程技术大学 | 基于大数据的电动汽车电池包健康状态预测方法及*** |
CN112130086B (zh) * | 2020-05-29 | 2023-10-31 | 国家电网有限公司 | 一种动力电池剩余寿命预测方法及*** |
CN111999649A (zh) * | 2020-08-20 | 2020-11-27 | 浙江工业大学 | 一种基于XGBoost算法的锂电池剩余寿命预测方法 |
CN112485689B (zh) * | 2020-10-26 | 2024-02-06 | 沃太能源股份有限公司 | 一种基于Xgboost模型预测储能***中锂电池剩余循环寿命的方法 |
CN112288191B (zh) * | 2020-11-19 | 2022-05-06 | 国家海洋信息中心 | 一种基于多类机器学习方法的海洋浮标寿命预测方法 |
CN112564098B (zh) * | 2020-12-02 | 2022-08-30 | 国网浙江省电力有限公司电力科学研究院 | 基于时间卷积神经网络的高比例光伏配电网电压预测方法 |
CN113255746B (zh) * | 2021-05-14 | 2022-03-29 | 国网甘肃省电力公司经济技术研究院 | 基于决策树的新能源电动汽车退役动力电池等级筛选方法 |
CN113378908B (zh) * | 2021-06-04 | 2023-04-18 | 浙江大学 | 基于LightGBM算法和网格搜索算法的暖通空调***故障诊断方法 |
CN113095000A (zh) * | 2021-06-08 | 2021-07-09 | 蜂巢能源科技有限公司 | 获取电芯放电容量的方法、装置、存储介质及电子设备 |
CN113866642A (zh) * | 2021-09-22 | 2021-12-31 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于梯度提升树的锂离子电池故障诊断方法 |
CN113848480B (zh) * | 2021-09-23 | 2022-08-23 | 广东恒翼能科技有限公司 | 锂电池分容工艺的放电总容量预测方法 |
CN114325454B (zh) * | 2021-12-30 | 2023-07-04 | 东软睿驰汽车技术(沈阳)有限公司 | 一种多特征对电池健康度影响的确定方法、装置、设备及介质 |
CN116298906B (zh) * | 2023-01-19 | 2024-04-16 | 四川新能源汽车创新中心有限公司 | 电池容量的预测模型训练方法、预测方法、装置及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004177373A (ja) * | 2002-11-29 | 2004-06-24 | Shin Kobe Electric Mach Co Ltd | 電池状態推定方法及びエンジン始動判定方法 |
CN102156265A (zh) * | 2011-03-16 | 2011-08-17 | 深圳市派司德科技有限公司 | 一种电池健康状态测试装置及其方法 |
CN102445663A (zh) * | 2011-09-28 | 2012-05-09 | 哈尔滨工业大学 | 一种电动汽车电池健康状态估算的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8890480B2 (en) * | 2006-11-30 | 2014-11-18 | The Boeing Company | Health management of rechargeable batteries |
-
2018
- 2018-05-11 CN CN201810445799.3A patent/CN108896914B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004177373A (ja) * | 2002-11-29 | 2004-06-24 | Shin Kobe Electric Mach Co Ltd | 電池状態推定方法及びエンジン始動判定方法 |
CN102156265A (zh) * | 2011-03-16 | 2011-08-17 | 深圳市派司德科技有限公司 | 一种电池健康状态测试装置及其方法 |
CN102445663A (zh) * | 2011-09-28 | 2012-05-09 | 哈尔滨工业大学 | 一种电动汽车电池健康状态估算的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108896914A (zh) | 2018-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108896914B (zh) | 一种锂电池健康状况的梯度提升树建模与预测方法 | |
CN110568359B (zh) | 一种锂电池剩余寿命预测方法 | |
CN110146822B (zh) | 一种基于恒流充电过程的车用动力电池容量在线估计方法 | |
CN110058178A (zh) | 一种锂电池健康状态检测方法和*** | |
CN103954913A (zh) | 电动汽车动力电池寿命预测方法 | |
CN108846227B (zh) | 一种基于随机森林及容量自恢复效应分析的锂离子电池容量退化预测评估方法 | |
CN112067998A (zh) | 一种基于深度神经网络的锂离子电池荷电状态估计方法 | |
CN110443377B (zh) | 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 | |
CN111999649A (zh) | 一种基于XGBoost算法的锂电池剩余寿命预测方法 | |
CN113917334B (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
CN111832221B (zh) | 基于特征筛选的锂电池寿命预测方法 | |
CN111999648A (zh) | 一种基于长短期记忆网络的锂电池剩余寿命预测方法 | |
CN111812515A (zh) | 基于XGboost模型的锂离子电池荷电状态估算 | |
CN112287980B (zh) | 基于典型特征向量的动力电池筛选方法 | |
CN106372272B (zh) | 一种基于广义退化模型和多尺度分析的锂电池容量及寿命预测方法 | |
CN115994441A (zh) | 基于机理信息的大数据云平台在线电池寿命预测方法 | |
CN115308628A (zh) | 一种电池健康状态监测方法 | |
CN112305441A (zh) | 一种集成式聚类下的动力电池健康状态评估方法 | |
CN115684971A (zh) | 基于片段多充电特征融合的锂离子电池健康状态估计方法 | |
CN115586452A (zh) | 基于新型健康特征的锂离子电池健康状态估计方法 | |
CN116224085A (zh) | 一种基于数据驱动的锂电池健康状态评估方法 | |
CN117471320A (zh) | 基于充电片段的电池健康状态估计方法及*** | |
CN117289167A (zh) | 基于多重神经网络的电池剩余寿命预测方法、装置及介质 | |
CN116930769A (zh) | 一种基于双向生成式对抗神经网络的锂电池建模方法 | |
CN116736133A (zh) | 锂离子电池全寿命周期容量退化轨迹的早期预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |