CN111413622B - 一种基于堆叠降噪自动编码机的锂电池寿命预测方法 - Google Patents
一种基于堆叠降噪自动编码机的锂电池寿命预测方法 Download PDFInfo
- Publication number
- CN111413622B CN111413622B CN202010261039.4A CN202010261039A CN111413622B CN 111413622 B CN111413622 B CN 111413622B CN 202010261039 A CN202010261039 A CN 202010261039A CN 111413622 B CN111413622 B CN 111413622B
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- data
- effective capacity
- noise reduction
- residual effective
- 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]
- G01R31/367—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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
-
- 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)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及一种基于堆叠降噪自动编码机的锂电池寿命预测方法,属于电池管理技术领域。该方法由锂电池出厂时提供的锂电池额定容量为初始数据,通过每一次充放电循环采集相关数据,然后根据预设筛选条件对数据进行筛选,并通过插补算法对缺失数据和异常数据进行添加和更正,然后通过堆叠降噪自动机建立锂电池相对剩余有效容量和剩余有效容量之间的映射关系,估算出锂电池的剩余有效容量,结合历史数据通过多项式拟合,获得锂电池剩余有效容量的拟合曲线,从而对锂电池寿命做出预测。本发明可靠性高,适用性广,数据利用率高。
Description
技术领域
本发明属于电池管理技术领域,涉及一种基于堆叠降噪自动编码机的锂电池寿命预测方法。
背景技术
锂电池寿命预测是指从应用的角度出发对锂电池剩余有效容量进行科学的估计和预测,进一步知道锂电池的运行和维护,构建锂电池的状态监测和健康管理***,防止电池过充、过放、估计锂电池性能状态、预测锂电池剩余有效容量演变,也是实现锂电池长时间可靠工作的重要方面,对于***任务决策、防止意外电池寿命终结导致的灾难性事故发生具有重大意义。
按照IEEE标准1188-1996中的规定,当锂电池使用一段时间后,锂电池充满电时的剩余有效容量低于锂电池额定容量的80%,锂电池就应该被更换,意味着锂电池的寿命终结。但在实际使用过程,锂电池并不是每次都进行完全放电到完全充电的充放电循环,从而无法准确获得锂电池的剩余有效容量。因此,本发明的目的在于获取相对剩余有效容量,通过堆叠降噪自动编码机建立相对剩余有效容量与剩余有效容量之间的映射关系,从而对锂电池寿命做出预测。
发明内容
有鉴于此,本发明的目的在于提供一种基于堆叠降噪自动编码机的锂电池寿命预测方法。
为达到上述目的,本发明提供如下技术方案:
一种基于堆叠降噪自动编码机的锂电池寿命预测方法,该方法包括以下步骤:
1)由锂电池出厂时提供的锂电池额定容量为初始数据,记充放电循环次数为零;
2)锂电池每进行一次充放电循环,采集锂电池的相关数据,其相关数据主要包括放电截止时刻为t0、放电截止电压U0、充电截止时刻t1、充电截止电压U1和充电电流大小I,根据预设的条件对数据进行相关判断数据是否有效;
3)若此充放电循环的数据为有效,根据预设的异常点检验方法对数据进行清洗,并采用插补算法更正此异常数据;若此充放电循环的数据为无效,视为缺失数据,则通过插补算法插补缺失数据,计算出锂电池在一定电压范围内的相对剩余有效容量;
4)根据相关数据计算出锂电池在一定电压范围内的相对剩余有效容量;
5)通过堆叠降噪自动机建立相对剩余有效容量与剩余有效容量之间的映射关系,估算出锂电池的剩余有效容量,结合历史数据通过多项式拟合,获得锂电池剩余有效容量的拟合曲线;
6)随着锂电池的反复使用,重复步骤2)、步骤3)和步骤4)获得到新的相对剩余有效容量,通过堆叠降噪自动编码机加强训练,得到新的剩余有效容量,然后通过多项式拟合对步骤5)得到的拟合曲线进行修正。
可选的,所述预设的条件具体为:
在锂电池进行一次充放电循环,若锂电池开始充电的锂电池电压不超过预设的下限电压值,且锂电池结束充电的锂电池电压不低于预设的上限电压值时,采集的锂电池相关数据视为有效;若锂电池开始充电的锂电池电压超过预设的下限电压值,或锂电池结束充电的锂电池电压低于预设的上限电压值时,采集的锂电池相关数据视为无效。
可选的,所述在锂电池进行一次充放电循环时,在采集的锂电池相关数据有效的情况下,以锂电池放电截止时刻为t0,以锂电池充电截止时刻为t1,通过安培积分计算出每次充电时,锂电池在不超过预设的下限电压值到不低于预设的上限电压值的相对剩余有效容量,计算公式如下:
可选的,所述插补算法具体为:
设Xc为采集的锂电池相关样本数据x的集合,x*为集合Xc中有缺失数据的样本,x表示为n维空间的特征向量(a1(x),a2(x),...,an(x));
计算x*与集合Xe中其他所有样本x之间的欧氏距离,计算欧氏距离时只考虑x*中没有缺失数值的坐标,最终确定x*的K个最近邻:
式中,d(x*,xj)为x*与xj之间的欧氏距离;m为x*中缺失特征的位置,m为1维或多维数组;
通过求得的K个最近邻相应坐标位置上数据的均值插补x*的缺失坐标值;
式中,NN表示K个最近邻的编号。
可选的,所述通过堆叠降噪自动机建立相对剩余有效容量与剩余有效容量之间的映射关系具体为:
在有一定锂电池的相关数据量基础上,把充电时长、放电截止电压、充电截止电压和相对剩余有效容量数据进行归一化处理;
将处理后的数据按照一定比例和一定条件划分为两组,一组为训练集,一组为测试集;
设训练集数据x∈[0,1]d为输入向量、y∈[0,1]d′为输向量,fθ为隐层隐层映射函数;通过随机映射x′~qD(x′|x)将输入向量x变为x′;
x′通过自动编码机映射到隐层输出:
y=fθ(x)=s(Wx+b)
将各训练数据x(i)映射到相应y(i)再重构成向量z(i)(z∈[0,1]d):
z=gθ′(x)=s(W′x+b′)
式中,g的网络参数为θ′,θ′={W′,b′};权重矩阵W′通过限定满足W′=WT;
通过第一层降噪自动编码机输入训练数据x,得到重构数据α和映射函数fθ的网络参数θ={W,b};再将重构数据α作为第二层自动编码机的输入数据,并进行同样的训练,即可重构得到新的重构数据α1和映射函数fθ (1)的网络参数θ(1)={W,b};
重复实施上述步骤,构建堆叠降噪自动编码机,得到多层映射网络权值;
使用得到的多层映射网络权值初始化一个深度神经网络,并通过BP算法中小批量梯度下降法迭代网络权值,直至收敛;
输入测试集数据通过前馈计算生成网络输出,反标准化处理得到锂电池的剩余有效容量的预测值,并通过评价准则测试模型锂电池剩余有效容量预测效果。
可选的,利用所述训练集得到的剩余有效容量预测模型对测试集数据进行预测,反标准化处理得到锂电池的剩余有效容量的预测值,通过评价准则进行有效性和准确性的校验。
本发明的有益效果在于:
1、本发明通过有效电池容量的拟合曲线,不仅能够对锂电池的历史健康状态和当前健康状态进行了解,还能对锂电池寿命进行估算和预测。
2、本发明够在考虑锂电池的实际使用情况下,充放利用每一次充放电过程的相关数据,从而更加准确地估算锂电池地有效电池容量。
3、本发明随着锂电池地持续使用,有效电池容量的拟合曲线会进一步地修正,从而提高对锂电池寿命估算和预测准确性;此外,堆叠降噪自动编码机训练效果也会随着加强,从而可以适当调整预设的条件,提高数据的利用率。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为是本发明的流程框图;
图2为基于堆叠降噪自动编码机的剩余有效容量估算模型。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
如图1~图2所示,一种基于堆叠降噪自动编码机的锂电池寿命预测方法,包括如下步骤:
1)由锂电池出厂时提供的锂电池额定容量为初始数据,记充放电循环次数为零;
2)锂电池每进行一次充放电循环,采集锂电池的相关数据,其相关数据主要包括放电截止时刻为t0、放电截止电压U0、充电截止时刻t1、充电截止电压U1、充电电流大小I等,根据预设的条件对数据进行相关判断数据是否有效;
3)若此充放电循环的数据为有效,根据预设的异常点检验方法对数据进行清洗,并采用插补算法更正此异常数据;若此充放电循环的数据为无效,视为缺失数据,则通过插补算法插补缺失数据;
4)根据相关数据计算出锂电池在一定电压范围内的相对剩余有效容量;
5)通过堆叠降噪自动机建立相对剩余有效容量与剩余有效容量之间的映射关系,估算出锂电池的剩余有效容量,结合历史数据通过多项式拟合,获得锂电池剩余有效容量的拟合曲线;
6)随着锂电池的反复使用,重复步骤2)、步骤3)和步骤4)可获得到新的相对剩余有效容量,通过堆叠降噪自动编码机加强训练,得到新的剩余有效容量,然后通过多项式拟合对步骤5)得到的拟合曲线进行修正。
优选的,预设的筛选条件为:在锂电池进行一次充放电循环,若锂电池开始充电的锂电池电压不超过预设的下限电压值,且锂电池结束充电的锂电池电压不低于预设的上限电压值时,采集的锂电池相关数据视为有效;若锂电池开始充电的锂电池电压超过预设的下限电压值,或锂电池结束充电的锂电池电压低于预设的上限电压值时,采集的锂电池相关数据视为无效。
优选的,锂电池的相对剩余电池容量计算方法如下:在锂电池进行一次充放电循环,在采集的锂电池相关数据有效的情况下,以锂电池开始充电的时刻为t0,以锂电池结束充电的时刻为t1,通过安培积分计算出每次充电时,锂电池在不超过预设的下限电压值到不低于预设的上限电压值的相对剩余电池容量,计算公式如下:
优选的,插补算法采用K最近邻算法,其具体实施步骤如下:
设Xc为采集了的锂电池相关样本数据x的集合,x*为集合Xc中有缺失数据的样本,x表示为n维空间的特征向量(a1(x),a2(x),...,an(x))。
进一步地,计算x*与集合Xc中其他所有样本x之间的欧氏距离,计算欧氏距离时只考虑x*中没有缺失数值的坐标,最终确定x*的K个最近邻。
式中,d(x*,xj)为x*与xj之间的欧氏距离;m为x*中缺失特征的位置,m为1维或多维数组。
进一步地,通过上一步骤中求得的K个最近邻相应坐标位置上数据的均值插补x*的缺失坐标值。
式中,NN表示K个最近邻的编号。
优选的,堆叠降噪自动机建立相对剩余有效容量与剩余有效容量之间的映射关系过程如下:在有一定锂电池的相关数据量基础上,把充电时长、放电截止电压、充电截止电压、相对剩余有效容量、循环次数等数据进行归一化处理。
进一步地,将处理后的数据按照一定比例和一定条件划分为两组,一组为训练集,一组为测试集。
进一步地,设训练集数据x∈[0,1]d为输入向量、y∈[0,1]d′为输向量,fθ为隐层隐层映射函数。通过随机映射x′~qD(x′|x)将输入向量x变为x′。
进一步地,x′通过自动编码机映射到隐层输出:
y=fθ(x)=s(Wx+b)
进一步地,将各训练数据x(i)映射到相应y(i)再重构成向量z(i)(z∈[0,1]d):
z=gθ′(x)=s(W′x+b′)
式中,g的网络参数为θ′,θ′={W′,b′};权重矩阵W′通过限定满足W′=WT。
进一步地,通过第一层降噪自动编码机输入训练数据x,得到重构数据α和映射函数fθ的网络参数θ={W,b}。再将重构数据α作为第二层自动编码机的输入数据,并进行同样的训练,即可重构得到新的重构数据α1和映射函数fθ (1)的网络参数θ(1)={W,b}。
进一步地,重复实施上一步骤,即可构建堆叠降噪自动编码机,从而得到多层映射网络权值。
进一步地,使用上一步骤中得到的多层映射网络权值初始化一个深度神经网络,并通过BP算法中小批量梯度下降法迭代网络权值,直至收敛。
进一步地,输入测试集数据通过前馈计算生成网络输出,反标准化处理得到锂电池的剩余有效容量的预测值,并通过评价准则测试模型锂电池剩余有效容量预测效果。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种基于堆叠降噪自动编码机的锂电池寿命预测方法,其特征在于:该方法包括以下步骤:
1)由锂电池出厂时提供的锂电池额定容量为初始数据,记充放电循环次数为零;
2)锂电池每进行一次充放电循环,采集锂电池的相关数据,其相关数据主要包括放电截止时刻为t0、放电截止电压U0、充电截止时刻t1、充电截止电压U1和充电电流大小I,根据预设的条件对数据进行相关判断数据是否有效;
3)若此充放电循环的数据为有效,根据预设的异常点检验方法对数据进行清洗,并采用插补算法更正此异常数据;若此充放电循环的数据为无效,视为缺失数据,则通过插补算法插补缺失数据,计算出锂电池在一定电压范围内的相对剩余有效容量;
4)根据相关数据计算出锂电池在一定电压范围内的相对剩余有效容量;
5)通过堆叠降噪自动编码机建立相对剩余有效容量与剩余有效容量之间的映射关系,估算出锂电池的剩余有效容量,结合历史数据通过多项式拟合,获得锂电池剩余有效容量的拟合曲线;
6)随着锂电池的反复使用,重复步骤2)、步骤3)和步骤4)获得到新的相对剩余有效容量,通过堆叠降噪自动编码机加强训练,得到新的剩余有效容量,然后通过多项式拟合对步骤5)得到的拟合曲线进行修正。
2.根据权利要求1所述的一种基于堆叠降噪自动编码机的锂电池寿命预测方法,其特征在于:所述预设的条件具体为:
在锂电池进行一次充放电循环,若锂电池开始充电的锂电池电压不超过预设的下限电压值,且锂电池结束充电的锂电池电压不低于预设的上限电压值时,采集的锂电池相关数据视为有效;若锂电池开始充电的锂电池电压超过预设的下限电压值,或锂电池结束充电的锂电池电压低于预设的上限电压值时,采集的锂电池相关数据视为无效。
5.根据权利要求1所述的一种基于堆叠降噪自动编码机的锂电池寿命预测方法,其特征在于:所述通过堆叠降噪自动编码机建立相对剩余有效容量与剩余有效容量之间的映射关系具体为:
在有一定锂电池的相关数据量基础上,把充电时长、放电截止电压、充电截止电压和相对剩余有效容量数据进行归一化处理;
将处理后的数据按照一定比例和一定条件划分为两组,一组为训练集,一组为测试集;
设训练集数据x∈[0,1]d为输入向量、y∈[0,1]d′为输出向量,fθ为隐层映射函数;通过随机映射x′~qD(x′|x)将输入向量x变为x′;
x′通过自动编码机映射到隐层输出:
y=fθ(x)=s(Wx+b)
将各训练数据x(i)映射到相应y(i)再重构成向量z(i)(z∈[0,1]d):
z=gθ′(x)=s(W′x+b′)
式中,g的网络参数为θ′,θ′={W′,b′};权重矩阵W′通过限定满足W′=WT;
通过第一层降噪自动编码机输入训练数据x,得到重构数据α和映射函数fθ的网络参数θ={W,b};再将重构数据α作为第二层自动编码机的输入数据,并进行同样的训练,即可重构得到新的重构数据α1和映射函数fθ (1)的网络参数θ(1)={W,b};
重复实施上述步骤,构建堆叠降噪自动编码机,得到多层映射网络权值;
使用得到的多层映射网络权值初始化一个深度神经网络,并通过BP算法中小批量梯度下降法迭代网络权值,直至收敛;
输入测试集数据通过前馈计算生成网络输出,反标准化处理得到锂电池的剩余有效容量的预测值,并通过评价准则测试模型锂电池剩余有效容量预测效果。
6.根据权利要求5所述的一种基于堆叠降噪自动编码机的锂电池寿命预测方法,其特征在于:利用所述训练集得到的剩余有效容量预测模型对测试集数据进行预测,反标准化处理得到锂电池的剩余有效容量的预测值,通过评价准则进行有效性和准确性的校验。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010261039.4A CN111413622B (zh) | 2020-04-03 | 2020-04-03 | 一种基于堆叠降噪自动编码机的锂电池寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010261039.4A CN111413622B (zh) | 2020-04-03 | 2020-04-03 | 一种基于堆叠降噪自动编码机的锂电池寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111413622A CN111413622A (zh) | 2020-07-14 |
CN111413622B true CN111413622B (zh) | 2022-04-15 |
Family
ID=71493383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010261039.4A Active CN111413622B (zh) | 2020-04-03 | 2020-04-03 | 一种基于堆叠降噪自动编码机的锂电池寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111413622B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116449218B (zh) * | 2023-04-26 | 2024-03-12 | 淮阴工学院 | 一种锂电池健康状态的估计方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10347110B3 (de) * | 2003-10-10 | 2005-01-13 | Siemens Ag | Vorrichtung und Verfahren zum Messen einzelner Zellenspannungen in einem Zellenstapel eines Energiespeichers |
JP6473924B2 (ja) * | 2014-12-03 | 2019-02-27 | 東芝Itコントロールシステム株式会社 | 電池検査装置 |
CN107765190B (zh) * | 2017-12-11 | 2020-02-11 | 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 |
CN108510191B (zh) * | 2018-04-02 | 2021-10-08 | 重庆大学 | 一种基于堆叠降噪自动编码算法的红树林生态健康评价方法 |
CN110222784B (zh) * | 2019-06-13 | 2020-05-26 | 郑州轻工业学院 | 融合短时和长时深度特征的太阳能电池片缺陷检测方法 |
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 |
CN110658459B (zh) * | 2019-09-12 | 2021-10-15 | 北京航空航天大学 | 基于双向循环神经网络的锂离子电池荷电状态估计方法 |
-
2020
- 2020-04-03 CN CN202010261039.4A patent/CN111413622B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111413622A (zh) | 2020-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109633474B (zh) | 一种锂离子电池剩余寿命预测方法 | |
CN111398832A (zh) | 一种基于anfis模型的公交车电池soc预测方法 | |
CN112415414A (zh) | 一种锂离子电池剩余使用寿命预测方法 | |
CN108872869B (zh) | 一种基于bp神经网络的锂离子电池劣化分类方法 | |
CN109598449B (zh) | 基于充电数据的锂离子电池包性能评估方法 | |
CN113030763A (zh) | 一种车用动力电池一致性差异的潜在风险诊断*** | |
KR20180115124A (ko) | 노이즈를 반영한 배터리 잔존 용량 산출 장치 및 방법 | |
CN112904219B (zh) | 一种基于大数据的动力电池健康状态的预测方法 | |
CN110995153B (zh) | 一种光伏电站的异常数据检测方法、装置及电子设备 | |
CN111967194B (zh) | 一种基于云端历史数据的电池分类方法 | |
CN110609233A (zh) | 一种基于大数据进行储能电池soh预测的方法 | |
CN111413622B (zh) | 一种基于堆叠降噪自动编码机的锂电池寿命预测方法 | |
CN108957331A (zh) | 电池性能检测方法及电池性能检测*** | |
CN113030758B (zh) | 基于锂离子电池容量跳水点的老化预警方法、***、汽车及计算机存储介质 | |
CN115166533A (zh) | 基于分段降维和离群值识别的锂离子电池故障诊断方法 | |
CN117067920B (zh) | 动力电池的故障检测方法、装置、电子设备及电动汽车 | |
CN104882914B (zh) | 一种多电池单体均衡方法 | |
CN110516813A (zh) | 一种基于大数据机器学习进行电动汽车电池rdr预测的方法 | |
CN113253128A (zh) | 一种电池***soc一致性评估方法和内阻一致性评估方法 | |
CN111983464A (zh) | 一种基于纯电动车用锂电池析锂测试方法 | |
CN116442786A (zh) | 动力电池压差异常的识别方法、装置、服务器及存储介质 | |
US11714134B2 (en) | Device and method for predicting state of battery | |
US11953860B2 (en) | System and method of estimating vehicle battery charging time using big data | |
CN117517966A (zh) | 一种电池组的故障诊断方法 | |
CN113884903B (zh) | 一种基于多层感知器神经网络的电池故障诊断方法 |
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 |