CN110555226A - 基于emd和mlp的磷酸铁锂电池剩余寿命预测方法 - Google Patents
基于emd和mlp的磷酸铁锂电池剩余寿命预测方法 Download PDFInfo
- Publication number
- CN110555226A CN110555226A CN201910266767.1A CN201910266767A CN110555226A CN 110555226 A CN110555226 A CN 110555226A CN 201910266767 A CN201910266767 A CN 201910266767A CN 110555226 A CN110555226 A CN 110555226A
- Authority
- CN
- China
- Prior art keywords
- iron phosphate
- lithium iron
- hidden layer
- phosphate battery
- neural network
- 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
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013528 artificial neural network Methods 0.000 claims description 37
- 238000000354 decomposition reaction Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 18
- 210000002569 neuron Anatomy 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 6
- 230000005284 excitation Effects 0.000 claims description 6
- 230000008929 regeneration Effects 0.000 claims 1
- 238000011069 regeneration method Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000007423 decrease Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- OJIJEKBXJYRIBZ-UHFFFAOYSA-N cadmium nickel Chemical compound [Ni].[Cd] OJIJEKBXJYRIBZ-UHFFFAOYSA-N 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Landscapes
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于EMD和MLP的磷酸铁锂电池剩余寿命预测方法，运用经验模态分解先对可放电容量进行多尺度分解，然后将分解后的信息作为深度学习算法的输入，训练出模型，最后对电池的寿命进行预测。通过本发明，能够有效的预测电池SOH，有较好预测效率和预测精度，有效的判断其未来的工作能力，及时发现问题，避免不必要的麻烦和损失。
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 EMD和MLP的磷酸铁锂电池寿命预测方法。
背景技术
磷酸铁锂电池是一种新型的能源，因其有工作电压高、比能量大、充放电效率高、自放电率低、无记忆效应、循环寿命长等优点替代了传统的铅蓄、镍镉等电池，并应用在了手机、电脑、电动汽车等众多领域。但是磷酸铁锂电池在长期使用的过程当中，因其内部发生的一系列物理化学变化使得磷酸铁锂电池的放电能力逐渐下降，即电池的健康状态(State of Health,SOH)逐渐下降，会损坏相关的设备，严重的情况下会导致整个***的奔溃，甚至造成财产损失和人员伤亡。近几年，相关研究人员一方面着手开发更好的电池，另一方面也对电池的寿命预测进行了大量的研究。目前电池的材料以及制作水平都有了很大的提高，但是，SOH下降问题没有得到根本的解决。
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EMD和MLP的磷酸铁锂电池寿命预测方法，实现过程为：
步骤一：提取磷酸铁锂电池的电池容量数据，将数据分成两组，一组为训练集，另一组为测试集；
步骤二：对磷酸铁锂电池的电池容量数据进行经验模态分解，分解为一系列本征模函数，作为磷酸铁锂电池容量数据在不同尺度下的特征；
步骤三：对深度神经网络的参数进行设置，将分解后的磷酸铁锂电池容量数据在不同尺度下的特征作为深度神经网络的输入，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，对磷酸铁锂电池的电池容量数据进行经验模态分解的步骤包括：
第一步：找出序列x(t)的所有极值点；
第二步：用插值法对极小值点形成下包络xl(t)，对极大值形成上包络xu(t)；
第三步：计算下包络上包络的平均值：
m(t)＝[xl(t)+xu(t)]/2 (1)
第四步：提取本征模函数：
h(t)＝x(t)-m(t) (2)
第五步：判断终止条件是否满足，如果满足输出x(t)和rn(t)结束经验模态分解，否则，执行第六步；
其中N为原始电池容量数据，δ为预设的终止条件；j表示迭代次数，迭代公式满足公式(3)，则结束计算；
第六步：将h(t)作为本征模函数的其中之一：
cj(t)＝h(t) (4)
第七步：将r(t)代替x(t)回到第一步进行计算：
r(t)＝x(t)-cj(t) (5) 。
其中，对磷酸铁锂电池的电池容量数据进行经验模态分解的步骤之后，还包括初始化深度神经网络训练参数的步骤，具体包括：
根据输入变量、输入层和隐含层间的连接权值ωij以及偏差b计算隐含层输出Hj，计算公式为：
f为隐含层激励函数，计算公式为：
y＝x (7)
式中l为隐含层的节点数；
根据隐含层输出Hj、隐含层和输出层间的连接权值ωjk以及偏差 b计算深度神经网络的预测输出O，计算公式为：
f为隐含层激励函数，计算公式为：
式中m为输出层的节点数。
其中，深度神经网络的参数设置为：隐含层的神经元个数设为2，输出层的神经元个数设为1，隐含层神经元的激活函数设为y＝x，输出层的激活函数设为relu，损失函数设为均方误差(mse)，优化器使用随机梯度下降(SGD)然后初始化深度神经网络网络，学习率为 0.01，动量因子为0.9，迭代次数为5000。
其中，将分解后的磷酸铁锂电池容量数据在不同尺度下的特征作为深度神经网络的输入，训练得到预测模型的步骤包括：
进行深度神经网络算法隐含层的层数和隐含层神经元的个数的选择；其中，根据均方根误差与结果图，选取一层隐含层，隐含层的神经元的个数为2个；
根据选定的参数和磷酸铁锂电池容量数据在不同尺度下的特征进行深度神经网络训练，得到深度神经网络预测模型。
其中，利用得到的深度神经网络预测模型进行预测，得出预测的均方根误差，进行有效性和准确性的校验。
区别于现有技术，本发明运用经验模态分解先对可放电容量进行多尺度分解，然后将分解后的信息作为深度学习算法的输入，训练出模型，最后对电池的寿命进行预测。通过本发明，能够有效的预测电池SOH，有较好预测效率和预测精度，有效的判断其未来的工作能力，及时发现问题，避免不必要的麻烦和损失。
附图说明
图1为本发明提供的一种基于EMD和MLP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EMD和MLP的磷酸铁锂电池寿命预测方法中5号电池的可放电容量图。
图3为本发明提供的一种基于EMD和MLP的磷酸铁锂电池寿命预测方法中经过经验模态分解的各尺度信息的示意图。
图4为本发明提供的一种基于EMD和MLP的磷酸铁锂电池寿命预测方法中的预测图。
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做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EMD和MLP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：提取磷酸铁锂电池的电池容量数据，将数据分成两组，一组为训练集，另一组为测试集；
步骤二：对磷酸铁锂电池的电池容量数据进行经验模态分解，分解为一系列本征模函数，作为磷酸铁锂电池容量数据在不同尺度下的特征；
步骤三：对深度神经网络的参数进行设置，将分解后的磷酸铁锂电池容量数据在不同尺度下的特征作为深度神经网络的输入，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，对磷酸铁锂电池的电池容量数据进行经验模态分解的步骤包括：
第一步：找出序列x(t)的所有极值点；
第二步：用插值法对极小值点形成下包络xl(t)，对极大值形成上包络xu(t)；
第三步：计算下包络上包络的平均值：
m(t)＝[xl(t)+xu(t)]/2 (1)
第四步：提取本征模函数：
h(t)＝x(t)-m(t) (2)
第五步：判断终止条件是否满足，如果满足输出x(t)和rn(t)结束经验模态分解，否则，执行第六步；
其中N为原始电池容量数据，δ为预设的终止条件；j表示迭代次数，迭代公式满足公式(3)，则结束计算；
第六步：将h(t)作为本征模函数的其中之一：
cj(t)＝h(t) (4)
第七步：将r(t)代替x(t)回到第一步进行计算：
r(t)＝x(t)-cj(t) (5)。
其中，对磷酸铁锂电池的电池容量数据进行经验模态分解的步骤之后，还包括初始化深度神经网络训练参数的步骤，具体包括：
根据输入变量、输入层和隐含层间的连接权值ωij以及偏差b计算隐含层输出Hj，计算公式为：
f为隐含层激励函数，计算公式为：
y＝x
(7)
式中l为隐含层的节点数；
根据隐含层输出Hj、隐含层和输出层间的连接权值ωjk以及偏差 b计算深度神经网络的预测输出O，计算公式为：
f为隐含层激励函数，计算公式为：
式中m为输出层的节点数。
其中，深度神经网络的参数设置为：隐含层的神经元个数设为2，输出层的神经元个数设为1，隐含层神经元的激活函数设为y＝x，输出层的激活函数设为relu，损失函数设为均方误差(mse)，优化器使用随机梯度下降(SGD)然后初始化深度神经网络网络，学习率为 0.01，动量因子为0.9，迭代次数为5000。
其中，将分解后的磷酸铁锂电池容量数据在不同尺度下的特征作为深度神经网络的输入，训练得到预测模型的步骤包括：
进行深度神经网络算法隐含层的层数和隐含层神经元的个数的选择；其中，根据均方根误差与结果图，选取一层隐含层，隐含层的神经元的个数为2个；
根据选定的参数和磷酸铁锂电池容量数据在不同尺度下的特征进行深度神经网络训练，得到深度神经网络预测模型。
其中，利用得到的深度神经网络预测模型进行预测，得出预测的均方根误差，进行有效性和准确性的校验。
本实例所使用的实验数据来NASA实验数据集中的五号电池。该实验型号的磷酸铁锂电池相关额定数据如下：额定容量2Ah，额定充电截止电压4.2V，额定放电截止电压2.7V。输入参数为运用经验模态分解之后的电池容量的各尺度信息，输出参数为电池组的可用容量。
在经过经验模态分解之后，采用前108项训练集训练出深度神经网络预测模型，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5号电池可放电容量图，可以发现容量数据是随着循环次数的增加呈现下降趋势但是中间过程略有上升。图3为经验模态分解图，将容量数据分解为3个信息，以及一个余量，图4为运用经验模态与深度神经网络算法的预测与实际对比图，实线表示预测结果，虚线表示实际容量。可以发现，该算法能够有效的拟合锂电池可放电容量的走势。
经过研究，训练样本的数量以及隐含层的层数以及隐含层神经元的节点数都会对训练出的深度神经网络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，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。
经验模态分解算法可以有效的将容量数据分解为多个尺度具有物理意义的信息。经过分解后，将分解后的前108项作为训练集训练出深度神经网络预测模型。预测结果的均方根误差可以达到0.0029，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，首先基于经验模态分解算法对容量数据进行多尺度的分解，经过分解后得到的多尺度信息训练出的预测模型具有优良性能。
区别于现有技术，本发明运用经验模态分解先对可放电容量进行多尺度分解，然后将分解后的信息作为深度学习算法的输入，训练出模型，最后对电池的寿命进行预测。通过本发明，能够有效的预测电池SOH，有较好预测效率和预测精度，有效的判断其未来的工作能力，及时发现问题，避免不必要的麻烦和损失。
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 (6)
1.一种基于EMD和MLP的磷酸铁锂电池剩余寿命预测方法，其特征在于：
步骤一：提取磷酸铁锂电池的电池容量数据，将数据分成两组，一组为训练集，另一组为测试集；
步骤二：对磷酸铁锂电池的电池容量数据进行经验模态分解，分解为一系列本征模函数，作为电池容量数据在不同尺度下的特征，其中不同尺度下的特征至少包括全局衰减趋势、容量再生数据及局部波动的信息特征；
步骤三：对深度神经网络的参数进行设置，将分解后的磷酸铁锂电池容量数据在不同尺度下的特征作为深度神经网络的输入，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EMD和MLP的磷酸铁锂电池剩余寿命预测方法，其特征在于：
对磷酸铁锂电池的电池容量数据进行经验模态分解的步骤包括：
第一步：以磷酸铁锂电池的电池容量数据构建序列x(t)，找出序列x(t)的所有极值点；
第二步：用插值法对极小值点形成下包络xl(t)，对极大值形成上包络xu(t)；
第三步：计算下包络上包络的平均值：
m(t)＝[xl(t)+xu(t)]/2 (1)
第四步：提取本征模函数：
h(t)＝x(t)-m(t) (2)
第五步：判断终止条件是否满足，如果满足输出x(t)和rn(t)结束经验模态分解，否则，执行第六步；
其中N为原始电池容量数据，δ为预设的终止条件；j表示迭代次数，迭代公式满足公式(3)，则结束计算；
第六步：将h(t)作为本征模函数的其中之一：
cj(t)＝h(t) (4)
第七步：将r(t)代替x(t)回到第一步进行计算：
r(t)＝x(t)-cj(t) (5)。
3.根据权利要求1所述的基于EMD和MLP的磷酸铁锂电池剩余寿命预测方法，其特征在于：
对磷酸铁锂电池的电池容量数据进行经验模态分解的步骤之后，还包括初始化深度神经网络训练参数的步骤，具体包括：
根据输入变量、输入层和隐含层间的连接权值ωij以及偏差b计算隐含层输出Hj，计算公式为：
f为隐含层激励函数，计算公式为：
y＝x (7)
式中l为隐含层的节点数；
根据隐含层输出Hj、隐含层和输出层间的连接权值ωjk以及偏差b计算深度神经网络的预测输出O，计算公式为：
f为隐含层激励函数，计算公式为：
式中m为输出层的节点数。
4.根据权利要求1所述的基于EMD和MLP的磷酸铁锂电池剩余寿命预测方法，其特征在于：
深度神经网络的参数设置为：隐含层的神经元个数设为2，输出层的神经元个数设为1，隐含层神经元的激活函数设为y＝x，输出层的激活函数设为relu，损失函数设为均方误差(mse)，优化器使用随机梯度下降(SGD)然后初始化深度神经网络网络，学习率为0.01，动量因子为0.9，迭代次数为5000。
5.根据权利要求1所述的基于EMD和MLP的磷酸铁锂电池剩余寿命预测方法，其特征在于：
将分解后的磷酸铁锂电池容量数据在不同尺度下的特征作为深度神经网络的输入，训练得到预测模型的步骤包括：
进行深度神经网络算法隐含层的层数和隐含层神经元的个数的选择；其中，根据均方根误差与结果图，选取一层隐含层，隐含层的神经元的个数为2个；
根据选定的参数和磷酸铁锂电池容量数据在不同尺度下的特征进行深度神经网络训练，得到深度神经网络预测模型。
6.根据权利要求1所述的基于EMD和MLP的磷酸铁锂电池剩余寿命预测方法，其特征在于：
利用得到的深度神经网络预测模型进行预测，得出预测的均方根误差，进行有效性和准确性的校验。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910266767.1A CN110555226A (zh) | 2019-04-03 | 2019-04-03 | 基于emd和mlp的磷酸铁锂电池剩余寿命预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910266767.1A CN110555226A (zh) | 2019-04-03 | 2019-04-03 | 基于emd和mlp的磷酸铁锂电池剩余寿命预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110555226A true CN110555226A (zh) | 2019-12-10 |
Family
ID=68736286
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910266767.1A Pending CN110555226A (zh) | 2019-04-03 | 2019-04-03 | 基于emd和mlp的磷酸铁锂电池剩余寿命预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110555226A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113406521A (zh) * | 2021-06-11 | 2021-09-17 | 上海电力大学 | 一种基于特征分析的锂电池健康状态在线估计方法 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2058202A2 (en) * | 2007-11-02 | 2009-05-13 | GM Global Technology Operations, Inc. | Method for managing electric power in a powertrain system |
| CN104734166A (zh) * | 2015-02-09 | 2015-06-24 | 山东大学 | 混合储能***及风力发电功率平滑控制方法 |
| CN104778361A (zh) * | 2015-04-14 | 2015-07-15 | 浙江大学 | 改进型EMD-Elman神经网络预测铁水硅含量的方法 |
| CN104852399A (zh) * | 2015-05-18 | 2015-08-19 | 国家电网公司 | 光储微网***的储能容量动态优化方法 |
| CN106126896A (zh) * | 2016-06-20 | 2016-11-16 | 中国地质大学（武汉） | 基于经验模态分解和深度学习的混合模型风速预测方法及*** |
| CN106197999A (zh) * | 2016-07-08 | 2016-12-07 | 安徽德衍智控科技有限公司 | 一种行星齿轮故障诊断方法 |
| CN106295003A (zh) * | 2016-08-11 | 2017-01-04 | 北京航空航天大学 | 一种基于退化轨迹坐标重构和多元线性回归的锂电池寿命预测方法 |
| CN106295798A (zh) * | 2016-08-29 | 2017-01-04 | 江苏省电力试验研究院有限公司 | 经验模式分解与Elman神经网络组合风电预测方法 |
| CN106845641A (zh) * | 2017-03-03 | 2017-06-13 | 东南大学 | 基于经验模态分解和bp神经网络的地铁沉降预测方法 |
| CN107015165A (zh) * | 2017-06-14 | 2017-08-04 | 安庆师范大学 | 基于稀疏系数多核相关向量机的锂电池剩余寿命预测方法 |
| CN107069122A (zh) * | 2017-04-01 | 2017-08-18 | 山东省科学院自动化研究所 | 一种动力电池剩余使用寿命的预测方法 |
| US20180026454A1 (en) * | 2016-07-22 | 2018-01-25 | Eos Energy Storage, Llc | Battery Management System |
| 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 |
| CN108037463A (zh) * | 2017-12-15 | 2018-05-15 | 太原理工大学 | 一种锂离子电池寿命预测方法 |
| CN108303652A (zh) * | 2018-01-18 | 2018-07-20 | 武汉理工大学 | 一种锂电池剩余寿命预测方法 |
| CN108549036A (zh) * | 2018-05-03 | 2018-09-18 | 太原理工大学 | 基于miv和svm模型的磷酸铁锂电池寿命预测方法 |
-
2019
- 2019-04-03 CN CN201910266767.1A patent/CN110555226A/zh active Pending
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2058202A2 (en) * | 2007-11-02 | 2009-05-13 | GM Global Technology Operations, Inc. | Method for managing electric power in a powertrain system |
| CN104734166A (zh) * | 2015-02-09 | 2015-06-24 | 山东大学 | 混合储能***及风力发电功率平滑控制方法 |
| CN104778361A (zh) * | 2015-04-14 | 2015-07-15 | 浙江大学 | 改进型EMD-Elman神经网络预测铁水硅含量的方法 |
| CN104852399A (zh) * | 2015-05-18 | 2015-08-19 | 国家电网公司 | 光储微网***的储能容量动态优化方法 |
| CN106126896A (zh) * | 2016-06-20 | 2016-11-16 | 中国地质大学（武汉） | 基于经验模态分解和深度学习的混合模型风速预测方法及*** |
| CN106197999A (zh) * | 2016-07-08 | 2016-12-07 | 安徽德衍智控科技有限公司 | 一种行星齿轮故障诊断方法 |
| US20180026454A1 (en) * | 2016-07-22 | 2018-01-25 | Eos Energy Storage, Llc | Battery Management System |
| CN106295003A (zh) * | 2016-08-11 | 2017-01-04 | 北京航空航天大学 | 一种基于退化轨迹坐标重构和多元线性回归的锂电池寿命预测方法 |
| CN106295798A (zh) * | 2016-08-29 | 2017-01-04 | 江苏省电力试验研究院有限公司 | 经验模式分解与Elman神经网络组合风电预测方法 |
| CN106845641A (zh) * | 2017-03-03 | 2017-06-13 | 东南大学 | 基于经验模态分解和bp神经网络的地铁沉降预测方法 |
| CN107069122A (zh) * | 2017-04-01 | 2017-08-18 | 山东省科学院自动化研究所 | 一种动力电池剩余使用寿命的预测方法 |
| CN107015165A (zh) * | 2017-06-14 | 2017-08-04 | 安庆师范大学 | 基于稀疏系数多核相关向量机的锂电池剩余寿命预测方法 |
| 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 |
| CN108037463A (zh) * | 2017-12-15 | 2018-05-15 | 太原理工大学 | 一种锂离子电池寿命预测方法 |
| CN108303652A (zh) * | 2018-01-18 | 2018-07-20 | 武汉理工大学 | 一种锂电池剩余寿命预测方法 |
| CN108549036A (zh) * | 2018-05-03 | 2018-09-18 | 太原理工大学 | 基于miv和svm模型的磷酸铁锂电池寿命预测方法 |
Non-Patent Citations (9)
| Title |
|---|
| CHANG, YANG 等: "A new hybrid method for the prediction of the remaining useful life of a lithium-ion battery", 《APPLIED ENERGY》 * |
| CHANG, YANG 等: "A new hybrid method for the prediction of the remaining useful life of a lithium-ion battery", 《APPLIED ENERGY》, vol. 206, 15 November 2017 (2017-11-15), pages 1564 - 1578, XP085256618, DOI: 10.1016/j.apenergy.2017.09.106 * |
| ZHANG CL 等: "Capacity Prognostics of Lithium-Ion Batteries using EMD Denoising and Multiple Kernel RVM", 《IEEE ACCESS》 * |
| ZHANG CL 等: "Capacity Prognostics of Lithium-Ion Batteries using EMD Denoising and Multiple Kernel RVM", 《IEEE ACCESS》, vol. 5, 16 June 2017 (2017-06-16), pages 12061 - 12070, XP011657094, DOI: 10.1109/ACCESS.2017.2716353 * |
| 张朝龙 等: "基于EEMD和MKRVM的锂电池剩余寿命预测方法", 《电力***及其自动化学报》 * |
| 张朝龙 等: "基于EEMD和MKRVM的锂电池剩余寿命预测方法", 《电力***及其自动化学报》, vol. 30, no. 7, 31 December 2018 (2018-12-31), pages 38 - 44 * |
| 林娅: "基于数据驱动的锂电池剩余使用寿命预测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
| 林娅: "基于数据驱动的锂电池剩余使用寿命预测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, 15 February 2019 (2019-02-15), pages 042 - 1158 * |
| 王思亮: "基于经验模态分解和神经网络的非线性信号预测", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 136 - 60 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113406521A (zh) * | 2021-06-11 | 2021-09-17 | 上海电力大学 | 一种基于特征分析的锂电池健康状态在线估计方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110568359B (zh) | 一种锂电池剩余寿命预测方法 | |
| Zhao et al. | A compact methodology via a recurrent neural network for accurate equivalent circuit type modeling of lithium-ion batteries | |
| CN103389471B (zh) | 一种基于gpr带有不确定区间的锂离子电池循环寿命间接预测方法 | |
| CN107741569A (zh) | 一种基于分段扩展卡尔曼滤波的锂电池荷电状态的估算方法 | |
| CN108919129A (zh) | 一种时变工况下动力电池的寿命预测方法 | |
| CN109001640B (zh) | 一种动力电池的数据处理方法和装置 | |
| CN107340476B (zh) | 电池的电气状态监测***和电气状态监测方法 | |
| 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 | |
| CN111366848A (zh) | 一种基于pso-elm算法的电池健康状态预测方法 | |
| CN106772064A (zh) | 一种锂离子电池健康状态预测方法及装置 | |
| CN108872869B (zh) | 一种基于bp神经网络的锂离子电池劣化分类方法 | |
| CN105911476B (zh) | 一种基于数据挖掘的电池储能***soc预测方法 | |
| CN111812519B (zh) | 一种电池参数辨识方法及*** | |
| CN106055775A (zh) | 一种粒子滤波与机理模型相结合的二次电池寿命预测方法 | |
| US20230349977A1 (en) | Method and apparatus for estimating state of health of battery | |
| Khayat et al. | Adaptive techniques used for lifetime estimation of lithium-ion batteries | |
| CN114660497A (zh) | 一种针对容量再生现象的锂离子电池寿命预测方法 | |
| Sangwan et al. | Estimation of battery parameters of the equivalent circuit models using meta-heuristic techniques | |
| CN113687242A (zh) | 基于ga算法优化改进gru神经网络的锂离子电池soh估计方法 | |
| CN115963407A (zh) | 一种基于icgwo优化elm的锂电池soc估计方法 | |
| CN114757340A (zh) | 基于神经网络集成的锂电池健康状态预测方法及*** | |
| CN110232432B (zh) | 一种基于人工生命模型的锂电池组soc预测方法 | |
| CN114545277A (zh) | 一种基于容量衰减的动力电池退役预测方法 | |
| CN117825965A (zh) | 一种锂离子电池的状态预测方法及*** | |
| CN110555226A (zh) | 基于emd和mlp的磷酸铁锂电池剩余寿命预测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191210 |
|
| RJ01 | Rejection of invention patent application after publication |