CN110703101B - 一种锂离子电池分区间循环容量衰退预测方法 - Google Patents

一种锂离子电池分区间循环容量衰退预测方法 Download PDF

Info

Publication number
CN110703101B
CN110703101B CN201910861836.3A CN201910861836A CN110703101B CN 110703101 B CN110703101 B CN 110703101B CN 201910861836 A CN201910861836 A CN 201910861836A CN 110703101 B CN110703101 B CN 110703101B
Authority
CN
China
Prior art keywords
soc
model
intervals
interval
capacity
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.)
Expired - Fee Related
Application number
CN201910861836.3A
Other languages
English (en)
Other versions
CN110703101A (zh
Inventor
孙丙香
任鹏博
崔正韬
姜久春
张维戈
王占国
吴健
张彩萍
张琳静
张言茹
周兴振
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN201910861836.3A priority Critical patent/CN110703101B/zh
Publication of CN110703101A publication Critical patent/CN110703101A/zh
Application granted granted Critical
Publication of CN110703101B publication Critical patent/CN110703101B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • 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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明涉及一种锂离子电池分区间循环容量衰退预测方法，包括如下步骤：S1、对锂离子电池进行不同SOC区间衰退测试，得到不同SOC区间的测试数据；S2、进行分区间特征参数提取；S3、利用Keras深度学习框架构建LSTM RNN模型，对模型进行初始化；S4、利用步骤S1得到的测试数据和步骤S2得到的特征参数的值对LSTM RNN模型进行训练，并进行模型验证；S5、经过模型训练和模型验证后的LSTM RNN模型，通过迭代的形式输出给定区间下循环电池的容量衰退曲线，根据区间范围[SOCk‑1,SOCk]的不同，输出不同循环次数下的电池容量值，对电池的衰退容量进行预测。

Description

一种锂离子电池分区间循环容量衰退预测方法
技术领域
本发明涉及锂离子电池领域，具体涉及一种锂离子电池分区间循环容量衰退预测方法。
背景技术
锂离子电池因具有能量与功率密度高、自放电率低和循环寿命长等优点成为电动汽车和电力储能领域的应用首选。虽然电池荷电状态 (SOC)的可用范围是0％-100％，但实际中往往仅使用部分SOC区间，很少经历满充-满放过程。以储能用锂离子电池为例，储能锂离子电池的运行工况相较于车用锂离子电池更加简单，同时考虑到安全裕量和高端SOC区间段对衰退的影响，锂离子电池的实际应用区间通常限制在一定的范围之内。
现阶段，国内外学者对于不同材料体系的锂离子电池进行了分区间循环寿命的研究。平均SOC、区间宽度及放电深度DOD通常用来描述SOC区间对电池衰退的影响。研究者通过对石墨/钴酸锂电池进行不同SOC区间和放电倍率下的循环测试，量化了部分充放电区间对电池容量损失的影响。研究发现，对于前500次等效循环，平均 SOC对电池衰退起主导作用，测试后期(600-800次等效循环)SOC 区间宽度对容量衰退的影响更大。有的研究者***的对比了5个20％DOD分区间和全区间循环下容量衰减和阻抗增加情况，并利用容量增量法提取量化锂离子电池不同衰退机理的特征参数，分析各区间下电池的老化原因，发现使用高端和低端SOC区间包含了负极材料的电压平台之间的变换过程，对Li(NiMnCo)O2电池寿命造成较大影响，而在50％SOC附近循环的电池衰退最慢。可以看出，上述研究结果中存在较多的分歧，究其原因主要是所研究的锂离子电池的材料体系不同，同时测试条件也存在明显差异。
发明内容
针对现有技术中存在的缺陷，本发明提取多个影响电池老化程度大小的特征参数，建立了一种基于数据驱动算法的锂离子电池衰退半经验模型。该模型结合了电池老化机理和实验结果，能够实现任意分区间循环条件下电池寿命的准确预测。
为达到以上目的，本发明采取的技术方案是：
一种锂离子电池分区间循环容量衰退预测方法，包括如下步骤：
S1、针对目标锂离子电池，进行不同SOC区间衰退测试，得到不同SOC区间的测试数据；
S2、通过分区间特征参数提取，对锂离子电池的不同SOC区间衰退状态进行分析；
S3、利用Keras深度学习框架构建LSTM RNN模型，对LSTM RNN模型进行初始化；
S4、利用步骤S1得到的测试数据和步骤S2得到的特征参数的值对LSTM RNN模型进行训练，并进行模型验证；
S5、经过模型训练和模型验证后的LSTM RNN模型，通过迭代的形式输出给定区间下循环电池的容量衰退曲线，根据区间范围 [SOCk-1,SOCk]的不同，输出不同循环次数下的电池容量值，对电池的衰退容量进行预测。
步骤S1中，所述不同SOC区间包括：
20％SOC区间：按照20％SOC原则将0-100％SOC全区间划分为[0-20％]、[20-40％]、[40-60％]、[60-80％]和[80-100％]五个分区间；
相变区间：根据容量增量(IC)曲线特征点将全区间划分为 [0-15％]，[15-50％]和[50-100％]三个相变区间；
实用区间：锂离子电池SOC的可用范围是0-100％，但是为了兼顾锂离子电池的功率能力、使用寿命和安全性，并考虑到锂离子电池实际应用过程中可能的最大SOC区间，本申请选取[5-95％]，[15-95％] 两个实用区间，以[0-100％]实用全区间作为参考区间。
步骤S1中，所述测试数据包括：循环次数、容量、时间和端电压。
步骤S2中，所述特征参数包括：IC曲线1号峰和1号谷与不同 SOC区间上下限的距离、IC曲线2号峰和2号谷与不同SOC区间上下限的距离、IC曲线3号谷与不同SOC区间上下限的距离、IC曲线 4号峰与不同SOC区间上下限的距离、SOC区间宽度、区间平均SOC、 SOC区间上限SOCk到100％SOC的距离、上一个数据点的电池容量值、是否存在恒压充电阶段和循环次数。
步骤S3中，所述初始化的内容包括模型网络的层数、每层神经元个数、训练周期、初始学习率、批量大小、误差评价函数、优化方法。
步骤S4中，采用快照集成法训练模型并验证训练损失。
步骤S4中，选取5个20％SOC区间、3个相变区间和1个实用全区间[0-100％]的测试数据作为LSTM RNN模型的训练数据，将 [15-95％]、[5-95％]两个实用区间的测试数据用于模型验证。
步骤S4中，为了使模型在训练达到最小误差时停止迭代，防止因训练周期过大导致误差增加，设置模型训练早停次数为100，并进行模型优化。
本发明的有益效果：通过分区间循环容量衰退实验分析循环区间 SOC宽度、平均SOC、恒压充电过程和充电相变过程对电池老化快慢的作用，提取量化部分充放电区间对老化影响程度大小的特征参数；
建立LSTM RNN模型(长短周期多层循环神经网络模型)，用于学习电池老化对于循环次数以及特征参数的长期依赖关系，在任意给定分区间上下限SOC的前提下，模型可输出不同循环次数下的容量预测值。
使用实用循环遍历方法搜索学习率和网络尺寸的最优超参数组合；采用快照集成的方法，对不同局部极小值处的模型进行了融合，模型精度进一步提高。
本发明所述锂离子电池分区间循环容量衰退预测方法，最大误差不超过2％。
本发明所述的锂离子电池分区间循环容量衰退预测方法能实现任意区间的老化趋势预测，节省测试时间和测试成本，同时对于不同材料体系的锂离子电池具有很好的适用性。
附图说明
本发明有如下附图：
图1是LSTM RNN模型运行流程图；
图2是三个上限SOC为100％的区间容量变化曲线；
图3是SOC区间宽度与容量变化关系分析示意图；
图4是LSTM RNN初始化模型示意图；
图5是采用快照集成方法的模型训练损失曲线示意图；
图6是基于LSTM RNN模型的SOH估计结果示意图；
图7是不同SOC区间预测结果对比示意图；
图8是[0-100％]SOC区间的IC曲线变化图。
图8中①-④的位置分别为1-4号峰的位置，1号峰右侧相邻的谷为1号谷，2号峰右侧相邻的谷为2号谷，3号峰右侧相邻的谷为3 号谷，4号峰右侧相邻的谷为4号谷。
具体实施方式
以下结合附图对本发明作进一步详细说明。
如图1-8所示，本发明所述的一种锂离子电池分区间循环容量衰退预测方法，包括如下步骤：
S1、针对目标锂离子电池，进行不同SOC区间衰退测试，得到不同SOC区间的测试数据；测试内容有可用容量测试、SOC-OCV (state of charge-open circuit voltage)测试以及容量增量分析 (Incremental capacity analysis,ICA)测试；测试数据包括：循环次数、容量、时间和端电压。
所述不同SOC区间包括：
20％SOC区间：按照20％SOC原则将0-100％SOC全区间划分为[0-20％]、[20-40％]、[40-60％]、[60-80％]和[80-100％]五个分区间；
相变区间：根据容量增量(IC)曲线特征点将全区间划分为 [0-15％]，[15-50％]和[50-100％]三个相变区间；
实用区间：锂离子电池SOC的可用范围是0-100％，但是为了兼顾锂离子电池的功率能力、使用寿命和安全性，并考虑到锂离子电池实际应用过程中可能的最大SOC区间，本申请选取[5-95％]，[15-95％] 两个实用区间，以[0-100％]实用全区间作为参考区间。
S2、通过分区间特征参数提取，对锂离子电池的不同SOC区间衰退状态进行分析；
所述特征参数如表1所示，包括：提取IC曲线(如图8所示) 各峰与SOC区间上下限的距离作为参数描述容量增量特征点，包括 IC曲线1号峰和1号谷与不同SOC区间上下限的距离，IC曲线2号峰和2号谷与不同SOC区间上下限的距离，IC曲线3号谷与不同SOC 区间上下限的距离，IC曲线4号峰与不同SOC区间上下限的距离；选取SOC区间宽度(ΔSOC)和区间平均SOC(SOCmean)两个参数对 SOC区间进行量化。其中SOCmean代表了SOC区间内的电压水平，ΔSOC代表了电池循环过程中的放电深度；用SOC区间上限SOCk和SOC区间下限SOCk-1与容量增量特征SOC点的距离来表述循环区间与电池电压平台之间的包含关系；SOC区间上限SOCk到100％SOC 的距离(Up2one)说明了区间恒压充电时间的多少，Up2one值越小，恒压充电时间越长。不同时间点的电池容量体现了当前的老化状态，并对下一个时刻的循环结果产生影响，因此将上一个数据点的电池容量值(Capacity_last)作为特征参数。此外将是否存在恒压充电阶段也作为特征参数。此外还有循环次数。
表1区间特征汇总表
Figure BDA0002200010120000071
分析电池的不同SOC区间衰退状态，其中对三个上限SOC为 100％的SOC区间([80-100％]、[50-100％]、[0-100％])研究恒压充电过程对电池老化的加速作用，具体容量变化曲线如图2所示，结果表明，对上限SOC为100％的SOC区间而言，区间宽度越小，容量衰退“拐点”出现的越早，为了提高锂离子电池的循环寿命和使用经济性，锂离子电池在使用过程中，应尽量避免其使用区间中包含过多的恒压充电过程；SOC区间宽度与容量变化关系如图3所示，结果表明锂离子电池的老化和锂离子在石墨材料中的分级嵌入行为密切相关。尤其是当循环分区间包含了电压平台之间的转换点时，电池具有更快的老化速度。
S3、利用Keras(克拉斯)深度学习框架构建LSTM RNN模型，对LSTM RNN模型进行初始化，初始化内容包括模型网络的层数、每层神经元个数、训练周期、初始学习率、批量大小、误差评价函数、优化方法等内容。初始设置如表2所示。
表2 LSTM RNN模型初始化内容
Figure BDA0002200010120000081
LSTM衰退初始化模型如图4所示，LSTM网络初始化为双层 LSTM结构，每层的神经元数量分别是100个和50个，Dense层用于输出最终的估计结果。采用均方根(mean squarederror,MSE)误差函数。
S4、利用步骤S1得到的测试数据和步骤S2得到的特征参数的值对LSTM RNN模型进行训练，采用快照集成(Snapshot ensembles) 法训练模型并验证训练损失；快照集成法是一种在不增加训练成本的情况下实现多个神经网络集成目标的优化方法。
LSTM RNN模型的输入是一个(samples,timesteps,output_dim)的三维张量，需要对原始数据进行预处理，并划分出模型训练数据和验证数据集合。Samples为训练数据的个数，timesteps为LSTM RNN 的时间步数，output_dim为输入特征的维数。选取5个20％SOC区间、 3个相变区间和1个实用全区间[0-100％]的测试数据作为LSTM RNN 模型的训练数据，将[15-95％]、[5-95％]两个实用区间的测试数据用于模型验证，模型验证时，时间步长设置为1，模型输入的三维张量是 (253,1,18)。
在两个LSTM层之间添加的Dropout层能够通过随机的丢弃一些神经元之间的连接有效的减少中间隐藏特征的数量，达到防止过拟合的效果，丢弃率为0.2。同时为了使模型在训练达到最小误差时停止迭代，防止因训练周期过大导致误差增加，设置模型训练早停(Early stop)次数为100，并进行模型优化。
在模型的训练过程中，最优参数组合的选择需要不停的实验和尝试。采用循环遍历的方法，在指定超参数范围的前提下自动搜索具有不同超参数组合的最优模型。用快照集成方法的模型训练与模型验证的损失曲线如图5所示。在300次循环以前模型损失下降迅速，随后模型逐渐收敛至局部最小值，模型在验证集合上的损失逐渐趋于平缓。300次循环以后，学习率突然增加为0.01，模型跳出局部最小值，验证集合损失再次快速下降。在第600个循环处，模型收敛于参数范围较大的局部最优值或是全局最优值，再次重启学习率后模型损失变化不明显，收敛结果不变。
S5、经过模型训练和模型验证后的LSTM RNN模型，通过迭代的形式输出给定区间下循环电池的容量衰退曲线，根据区间范围 [SOCk-1,SOCk]的不同，输出不同循环次数下的电池容量值，即对电池的衰退容量进行预测。
LSTM RNN模型的运行流程如图1所示，基于LSTM RNN模型的锂离子电池分区间循环容量衰退预测结果如图6和图7所示，估计误差在2％以内。
本申请中所述SOH为电池的健康状态(State of Health)，用当前容量Qpresent占初始容量Qinitial的百分值来表征，如式(1)所示。
Figure BDA0002200010120000101
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (4)

1.一种锂离子电池分区间循环容量衰退预测方法，其特征在于，包括如下步骤：
S1、针对目标锂离子电池，进行不同SOC区间衰退测试，得到不同SOC区间的测试数据；
S2、通过分区间特征参数提取，对锂离子电池的不同SOC区间衰退状态进行分析；
S3、利用Keras深度学习框架构建LSTM RNN模型，对LSTM RNN模型进行初始化；
S4、利用步骤S1得到的测试数据和步骤S2得到的特征参数的值对LSTM RNN模型进行训练，并进行模型验证；
S5、经过模型训练和模型验证后的LSTM RNN模型，通过迭代的形式输出任意给定区间下循环电池的容量衰退曲线，根据区间范围[SOCk-1,SOCk]的不同，输出不同循环次数下的电池容量值，对电池的衰退容量进行预测；
步骤S1中，所述不同SOC区间包括：
20％SOC区间：按照20％SOC原则将0-100％SOC全区间划分为[0-20％]、[20-40％]、[40-60％]、[60-80％]和[80-100％]五个分区间；
相变区间：根据容量增量曲线特征点将全区间划分为[0-15％]，[15-50％]和[50-100％]三个相变区间；
实用区间：选取[5-95％]，[15-95％]两个实用区间，以[0-100％]实用全区间作为参考区间；
步骤S2中，所述特征参数包括：IC曲线1号峰和1号谷与不同SOC区间上下限的距离、IC曲线2号峰和2号谷与不同SOC区间上下限的距离、IC曲线3号谷与不同SOC区间上下限的距离、IC曲线4号峰与不同SOC区间上下限的距离、SOC区间宽度、区间平均SOC、SOC区间上限SOCk到100％SOC的距离、上一个数据点的电池容量值、是否存在恒压充电阶段和循环次数；
步骤S4中，采用快照集成法训练模型并验证训练损失；
步骤S4中，选取5个20％SOC区间、3个相变区间和1个实用全区间[0-100％]的测试数据作为LSTM RNN模型的训练数据，将[15-95％]、[5-95％]两个实用区间的测试数据用于模型验证。
2.如权利要求1所述的锂离子电池分区间循环容量衰退预测方法，其特征在于，步骤S1中，所述测试数据包括：循环次数、容量、时间和端电压。
3.如权利要求1所述的锂离子电池分区间循环容量衰退预测方法，其特征在于，步骤S3中，所述初始化的内容包括模型网络的层数、每层神经元个数、训练周期、初始学习率、批量大小、误差评价函数、优化方法。
4.如权利要求1所述的锂离子电池分区间循环容量衰退预测方法，其特征在于，步骤S4中，为了使模型在训练达到最小误差时停止迭代，防止因训练周期过大导致误差增加，设置模型训练早停次数为100，并进行模型优化。
CN201910861836.3A 2019-09-12 2019-09-12 一种锂离子电池分区间循环容量衰退预测方法 Expired - Fee Related CN110703101B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910861836.3A CN110703101B (zh) 2019-09-12 2019-09-12 一种锂离子电池分区间循环容量衰退预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910861836.3A CN110703101B (zh) 2019-09-12 2019-09-12 一种锂离子电池分区间循环容量衰退预测方法

Publications (2)

Publication Number Publication Date
CN110703101A CN110703101A (zh) 2020-01-17
CN110703101B true CN110703101B (zh) 2021-01-05

Family

ID=69194705

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910861836.3A Expired - Fee Related CN110703101B (zh) 2019-09-12 2019-09-12 一种锂离子电池分区间循环容量衰退预测方法

Country Status (1)

Country Link
CN (1) CN110703101B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111426957B (zh) * 2020-05-19 2021-06-11 华南理工大学 一种模拟车辆工况动力电池荷电状态soc估算优化方法
CN112098848B (zh) * 2020-09-14 2023-04-11 北京大学深圳研究生院 一种电池放电容量预测方法、***及可读存储介质
CN112611976A (zh) * 2020-12-10 2021-04-06 华东理工大学 一种基于双差分曲线的动力电池健康状态估计方法
CN112834944B (zh) * 2020-12-30 2023-03-07 上海兰钧新能源科技有限公司 一种锂电池加速循环寿命测试方法、装置、介质及设备
CN113391225B (zh) * 2021-05-19 2022-06-03 北京航空航天大学 一种考虑容量退化的锂电池荷电状态估计方法
CN113884900B (zh) * 2021-09-13 2022-08-23 北京交通大学 一种三元锂离子电池容量突变点预测方法
CN113884932B (zh) * 2021-10-28 2024-04-09 广东电网有限责任公司 电池使用寿命的评估方法及装置
CN116449209A (zh) * 2023-01-12 2023-07-18 帕诺(常熟)新能源科技有限公司 一种基于lstm的实际运营储能锂电容量预测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108107372A (zh) * 2017-12-14 2018-06-01 株洲广锐电气科技有限公司 基于soc分区估算的蓄电池健康状况量化方法及***
CN108445406A (zh) * 2018-03-13 2018-08-24 桂林电子科技大学 一种动力电池健康状态估计方法
CN108519556A (zh) * 2018-04-13 2018-09-11 重庆邮电大学 一种基于循环神经网络的锂离子电池soc预测方法
CN109031153A (zh) * 2018-10-16 2018-12-18 北京交通大学 一种锂离子电池的健康状态在线估计方法
CN109376960A (zh) * 2018-12-06 2019-02-22 国网北京市电力公司 基于lstm神经网络的电网负荷预测方法
CN109991542A (zh) * 2019-03-27 2019-07-09 东北大学 基于wde优化lstm网络的锂离子电池剩余寿命预测方法
CN110010987A (zh) * 2019-04-12 2019-07-12 苏州正力蔚来新能源科技有限公司 一种基于大数据的电动汽车剩余充电时间预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11171498B2 (en) * 2017-11-20 2021-11-09 The Trustees Of Columbia University In The City Of New York Neural-network state-of-charge estimation

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108107372A (zh) * 2017-12-14 2018-06-01 株洲广锐电气科技有限公司 基于soc分区估算的蓄电池健康状况量化方法及***
CN108445406A (zh) * 2018-03-13 2018-08-24 桂林电子科技大学 一种动力电池健康状态估计方法
CN108519556A (zh) * 2018-04-13 2018-09-11 重庆邮电大学 一种基于循环神经网络的锂离子电池soc预测方法
CN109031153A (zh) * 2018-10-16 2018-12-18 北京交通大学 一种锂离子电池的健康状态在线估计方法
CN109376960A (zh) * 2018-12-06 2019-02-22 国网北京市电力公司 基于lstm神经网络的电网负荷预测方法
CN109991542A (zh) * 2019-03-27 2019-07-09 东北大学 基于wde优化lstm网络的锂离子电池剩余寿命预测方法
CN110010987A (zh) * 2019-04-12 2019-07-12 苏州正力蔚来新能源科技有限公司 一种基于大数据的电动汽车剩余充电时间预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于容量增量分析的复合材料锂电池分区间循环衰退机理;薛楠 等;《电工技术学报》;20170731;第32卷(第13期);145-152 *

Also Published As

Publication number Publication date
CN110703101A (zh) 2020-01-17

Similar Documents

Publication Publication Date Title
CN110703101B (zh) 一种锂离子电池分区间循环容量衰退预测方法
CN110457789B (zh) 一种锂离子电池剩余寿命预测方法
CN107329094A (zh) 动力电池健康状态估算方法及装置
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
CN101504443B (zh) 一种锂离子电池放电容量的预测方法
Che et al. Semi-supervised self-learning-based lifetime prediction for batteries
CN108872869B (zh) 一种基于bp神经网络的锂离子电池劣化分类方法
CN111898325A (zh) 一种电动汽车动力电池剩余使用寿命预测方法
CN111812519A (zh) 一种电池参数辨识方法及***
CN112924886A (zh) 一种电池健康状态soh预测方法及装置
CN111983474A (zh) 一种基于容量衰退模型的锂离子电池寿命预测方法和***
CN117031310A (zh) 一种电动汽车动力电池剩余使用寿命预测方法
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
CN114545275A (zh) 一种锂离子电池剩余使用寿命间接预测方法
CN117471320A (zh) 基于充电片段的电池健康状态估计方法及***
CN117110884A (zh) 基于多核相关向量机的锂电池剩余使用寿命预测方法
CN116774045A (zh) 一种基于hho-svr的锂电池健康状态预测方法
Zhang et al. Modeling of electric vehicle batteries using rbf neural networks
Zhou et al. Cycle life prediction and match detection in retired electric vehicle batteries
Kuo et al. Development of a neural network model for SOH of LiFePO4 batteries under different aging conditions
Zheng et al. Research on Data-Driven-Based Remaining Useful Life of Lithium-ion Battery
Hua et al. Surrogate modelling for battery state-of-charge estimation in electric vehicles based on pseudo-2-dimensional model and gradient boosting machines
Hu et al. Health factor analysis and remaining useful life prediction for batteries based on a cross-cycle health factor clustering framework
CN114696385A (zh) 一种电池***的电池容量均衡差值计算方法及相关设备
Pyne et al. Toward the Use of Operational Cycle Data for Capacity Estimation

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210105

Termination date: 20210912