CN111707956B - 多类型锂离子电池组管理***的健康状态和剩余寿命预测方法 - Google Patents
多类型锂离子电池组管理***的健康状态和剩余寿命预测方法 Download PDFInfo
- Publication number
- CN111707956B CN111707956B CN202010800353.5A CN202010800353A CN111707956B CN 111707956 B CN111707956 B CN 111707956B CN 202010800353 A CN202010800353 A CN 202010800353A CN 111707956 B CN111707956 B CN 111707956B
- Authority
- CN
- China
- Prior art keywords
- lithium ion
- data
- ion battery
- prediction model
- term
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明多类型锂离子电池组管理***的健康状态和剩余寿命预测方法。解决在多类型锂离子电池混合使用情况下,传统电池管理***无法有效管理,并且传统预测模型预测起始点靠后的问题。对于同种锂离子电池采用小波分解,将容量退化历史数据分为高频波动部分和低频趋势两部分,分别将两部分数据作为输入数据训练其对应的带残差层的小波神经网络。将实时低频趋势数据带入残差小波网络和无迹粒子滤波结合的模型,得到长期剩余寿命预测结果。该结果将为***后期更换电池次序提供依据。剩余寿命预测结果与实时高频波动部分使用带残差层的小波神经网络模型得到的短期预测值,通过同循环次数叠加得到其实时健康状态预测值,用于锂离子电池健康状态均衡管理。
Description
技术领域
本发明属于锂离子电池健康管理技术领域,具体涉及多类型锂离子电池组管理***的健康状态和剩余寿命预测方法。
背景技术
锂离子电池已被广泛应用于工业生产和日常生活中。从手机、笔记本电脑等电子产品,到电动汽车、人造卫星和电网储能等大型应用场景,锂离子电池都发挥着极其重要的作用。然而,随着锂离子电池的大规模生产,不同生产商所制造出来的电池存在着巨大差异。并且同一生产商的不同批次,甚至是同一批次生产的锂离子电池同样存在着差异。因此,锂离子电池在多类型混用时的管理已成为限制其发展的难点之一。
多类型锂离子电池组管理***的提出是提升各类电池使用效能的有效方式,并且维修难度远远小于传统的串并联结构。区别于传统的电池管理***,多类型锂离子电池组管理***对于电池的挑选并不严苛,即使差异较大的不同类型的锂离子电池也不影响其管理能力。健康状态和剩余寿命预测是电池管理***的重要功能之一,同时也是均衡管理、损坏预警等功能实现的前提。由于锂离子电池是典型的动态、非线性电化学***,实际应用场景下无法测量其阻抗等内部状态,因此,根据电流或电压测量值计算得到的容量变化曲线成为目前电池健康状态和剩余寿命预测的主要依据。
不同类型的锂离子电池的容量退化状态存在差异,难以用同一预测模型进行预测。并且传统健康状态预测和剩余寿命预测的起始点普遍为其寿命后期,对于使用前期的电池均衡管理或者异常退化难以有效进行。当前电池管理***的剩余寿命预测与健康状态预测为两个部分,忽略了两者之间的联系,产生大量工作重复和计算资源浪费。
发明内容
本发明是为了解决多类型锂离子电池混用时的电池管理***使用中,健康状态预测和剩余寿命预测起始点为使用后期,在前期预测精度差,难以为电池均衡管理提供依据的问题。同时,提供了独立成分分析法为前期数据处理,以解决多类型锂离子电池混用的难题。现提供应用于多类型锂离子电池组管理***中,锂离子电池使用前期开始的健康状态预测和剩余寿命预测方法。
本发明采用的技术方案是,多类型锂离子电池组管理***的健康状态和剩余寿命预测方法,包括以下步骤:
步骤一、利用独立主成分分析法将具有多类型锂离子电池的电池组原始数据分解为不同类型电池的退化数据,并根据分解结果进行分类;
步骤二、将步骤一中退化数据与数据库中容量退化曲线进行对比,判断是否前期训练完成该种单体电池多尺度预测模型,若不存在则建立该类预测模型;
步骤三、通过步骤二确认已训练好该种锂离子电池多尺度预测模型后,将步骤一中的单体容量退化数据代入对应多尺度组合模型中,获得长期剩余寿命预测值和短期实时健康状态预测值;
步骤四、将步骤一和步骤三得到的单体锂离子电池真实容量数据、预测容量数据和预测模型参数存入数据库;
所述步骤一中,将锂离子电池组数据使用独立主成分分析法进行退化数据分离,得到不同类型电池容量退化数据;然后将单体电池的容量退化数据与各个类型数据进行比对,从而使各个单体电池划分到不同类型电池型号中;
所述步骤二中,判断是否存在该类型的预测模型采用差值判断,即将其代入数据库中与各种类型锂离子电池平均退化曲线进行减法计算,差值过大时认为不存在其预测模型;
所述步骤二中,建立新种类锂离子电池预测模型步骤如下:
第一步、利用离散小波分解将单体容量退化数据分解为高频波动和低频趋势两部分;
第二步、将同类型电池经过第一步得到的高频波动部分及低频趋势部分分别代入残差小波神经网络进行训练;
第三步、将训练好的低频趋势部分的残差小波网络与无迹粒子滤波进行结合,形成长短期剩余寿命预测模型;
第四步、将训练好的高频波动部分的残差小波网络与短期剩余寿命预测模型进行结合,形成实时健康状态预测模型。
进一步地,所述建立新种类锂离子电池预测模型第一步中,离散小波变换函数为:
进一步地,所述建立锂离子电池预测模型步骤二中,以两组同类电池数据为例,低频趋势部分训练数据Ltrain为:
高频波动部分训练数据Htrain为:
进一步地,所述锂离子电池预测模型第三步中,长短期剩余寿命预测模型为:
RUL(Ltrain)=αexp(β*k)+χexp(δ*k)+υ 公式4,
式中,α,β,χ和δ为固定参数,k为循环次数,υ为高斯白噪声;将第三组数据作为测试数据Ltest,将其代入长短期剩余寿命预测模型,从而得到短期剩余寿命预测值RULshort和长期寿命预测值RULlong;
所述残差小波网络与无迹粒子滤波的组合模型,步骤如下:
步骤2、重要性采样阶段:
然后,重新计算每个粒子的权重:
最后,对权重进行归一化:
步骤4、计算粒子集合均值,得到无迹粒子滤波的预测值;
步骤5、利用步骤1到步骤4完成以下参数预测;容量衰减函数选择为双指数函数:
RUL(Ltrain)=αexp(β*k)+χexp(δ*k)+υ 公式8,
式中,α,β,χ和δ为固定参数,k为循环次数;
容量退化状态方程为:
容量退化观测方程为:
Q(k)=α(k)exp(β(k)*k)+χ(k)exp(δ(k)*k)+υ(k) 公式10,
式中,噪声υ(k)为均值为0,方差为1的高斯白噪声;
步骤6、将步骤5得到的超前四步容量输出值依次代入步骤三,将其作为真实输入得到输出值;
步骤7、得到剩余寿命预测短期超前四步预测值,长期预测值由短期预测值作为真实值重复步骤1到5得到。
SOH(k)=RULshort(k)+Hsoh(k) 公式11,
式中,k为循环次数。
附图说明
图1为多类型锂离子电池组管理***使用方式示意图;
图2为多类型锂离子电池组管理***模块图;
图3为本发明锂离子电池健康状态预测和剩余寿命预测整体框图;
图4为单体电池多尺度组合模型流程图;
图5为带残差层的残差小波网络模型;
图6为残差小波网络与无迹粒子滤波组合模型流程图;
图7为锂离子电池(V5)容量退化曲线图
图8为电池V5离散小波分解示意图;
图9为电池V5的剩余寿命预测曲线图;
图10为电池V5的健康状态(SOH)预测曲线图。
具体实施方式
实施方式1
如图1所示,该***由多个独立锂离子电池管理***组成,并且每个***可使用不同类型的锂离子电池。每个独立***独立负责完成各自的均衡管理、温度预警和SOH预测等功能,这样的管理结构可以保证当某一部分出现故障时,不会影响整体运行。
图2为锂离子电池管理***组成示意图。每个管理***由三个模块(不包括电池)组成,分别是控制器模块、传感器模块和存储器与信息传输模块。
控制器模块由STM32芯片、充放电功率控制器以及散热风扇组成,以传感器模块的信息作为输入数据,根据电流与时间的乘积在STM32芯片中计算得到该电池容量数据,并将其保存在内部存储器中,并提供充放电管理、健康状态预测和剩余寿命预测等功能的控制信号。
传感器模块包括电压传感器、电流传感器和温度传感器,用于实时采集锂电池充放电过程的电压、电流和温度信号,与控制器模块中的STM32芯片相连,将采集信息传入内部存储器以及STM32芯片电路。
存储器与信息传输模块由内部存储器和与传感器、控制器连接的数据线构成,内部存储器用于STM32芯片控制信号和传感器模块采集的数据存取,通过数据线完成各模块间的信息传输。
如图3所示,本实施方式所述的多类型锂离子电池组管理***的健康状态和剩余寿命预测方法,所述方法包括以下步骤:
步骤一、利用独立成分分析法将锂离子电池组数据分解为不同类型电池容量退化数据;
步骤二、将步骤一中不同类型电池数据与数据库中容量退化数据进行对比,判断是否前期训练完成了该类型单体电池多尺度预测模型,若不存在则建立该类预测模型;
步骤三、通过步骤二确认已训练好该类型锂离子电池多尺度预测模型后,将步骤一中的单体容量退化数据输入对应多尺度组合模型中,获得长期剩余寿命预测值和短期实时健康状态预测值;
步骤四、将步骤一和步骤三得到的单体锂离子电池真实容量数据及预测结果存入数据库。
本实施方式中,本发明首先将原始多类型锂离子电池混合容量信号进行分离,采用单类型锂离子电池逐个对应其多次组合预测模型的方式,解决了实际应用中多类型电池混用的健康状态预测难题。通过离散小波分解实现低频趋势和高频波动数据分解,建立残差小波网络与无迹粒子滤波组合的多尺度组合模型,利用同类型锂离子电池历史退化数据,完成电池使用前期的健康状态预测和剩余寿命预测。
实施方式2
本实施方式是对具体实施方式1所述的基于可重构锂离子电池管理***的健康状态和剩余寿命方法作进一步说明,步骤一中所述独立主成分分析的步骤如下:
步骤二、计算R=EDET,其中R是C的协方差矩阵,E是特征向量的正交矩阵,D是其特征值的对角矩阵;
步骤三、计算白化数据Cv=ED-1/2ETx;
步骤四、设置迭代次数p,随机初始化向量Wp,使得每行之和为1。然后根据公式
求出第i时刻的Wi。其中g'(·)为sigmoid函数。
步骤六、将各个单体电池容量退化数据与步骤五中的各个类型电池数据进行对比,根据相似程度将各个单体电池划分到不同类型中。
实施方式3
本实施方式是对具体实施方式1所述的多类型锂离子电池组管理***的健康状态和剩余寿命预测方法作进一步说明。图4为本发明建立单体电池多尺度组合模型流程图。步骤二和步骤三所述的建立多尺度组合模型实现锂离子前期健康状态预测和剩余寿命预测具体过程如下:
步骤一、利用离散小波分解将单体容量退化数据分解为高频波动和低频趋势两部分;
步骤二、将同类电池(除测试数据外)经过步骤一得到的高频波动部分及低频趋势部分分别代入残差小波神经网络进行训练;
步骤三、将训练好的低频趋势部分的残差小波网络与无迹粒子滤波进行结合,形成长短期剩余寿命预测模型;
步骤四、将训练好的高频波动部分的残差小波网络与短期剩余寿命预测模型进行结合形成实时健康状态预测模型;
步骤五、将测试数据实时输入多尺度组合模型,得到短期实时健康状态预测结果和长期剩余寿命预测结果。
实施例一
三组锂离子电池的容量退化曲线如图7所示。以其中一组数据(V5)为测试集,另外两组数据(V6和V7)为历史数据,得到剩余寿命预测结果如图9所示,健康状态预测结果如图10所示。其具体评价指标主要有均方根误差RMSE以及R-square:
长期剩余寿命预测结果的评价指标为:
短期(四步)实时健康状态预测结果的评价指标为:
步骤一、采用NASA公开数据集中的5#、6#和7#电池数据进行测试,抽取其中的1到160次循环的容量退化数据记作V5、V6和V7;
步骤二、将V5、V6和V7进行离散小波分解,分解结果如图8所示;
式中,ψj,k(t)为随时间域变化的的变换结果。
步骤三、训练残差小波网络。其具体构成如图5所示;
将V6和V7容量退化数据进行重构,得到训练集。低频趋势部分训练数据Ltrain为:
高频波动部分训练数据Htrain为:
本发明中的残差小波网络其小波函数选择:
残差层Ei计算公式为:
Ei=Oi-Ii 公式8,
式中,Oi为上一层网络输出值,Ii为上一层网络输入值。
网络输出层计算公式为:
式中,Δik是从隐藏层到输出层的权重,H(i)是隐藏层节点的输出,l是隐藏层节点的个数,m是输出层节点的个数。
残差小波网络训练步骤如下:
步骤(1)、随机确定初始小波尺度因子A和平移因子B,并将网络学习速率设置为2;
步骤(2)、数据集分为训练数据部分和测试数据部分,i值是根据网络训练情况和样本数自由确定的;
步骤(3)、将训练数据输入网络,计算小波神经网络预测输出与实际值的误差e;
步骤(4)、根据给定的误差条件(e=0.001),对小波神经网络和小波基函数的参数进行修正。如果满足误差条件,则操作结束,否则返回步骤3;
步骤(5)、通过残差小波网络与无迹粒子滤波结合,建立长期剩余寿命预测模型。残差小波网络与无迹粒子滤波结合的流程图如图6所示。
残差小波网络与无迹粒子滤波的组合模型,步骤如下:
步骤2、重要性采样阶段:
然后,重新计算每个粒子的权重:
最后,对权重进行归一化:
步骤4、计算粒子集合均值,得到无迹粒子滤波的预测值;
步骤5、利用步骤1到步骤4完成以下参数预测;容量衰减函数选择为双指数函数:
RUL(Ltrain)=αexp(β*k)+χexp(δ*k)+υ 公式13,
式中,α,β,χ和δ为固定参数,k为循环次数。
容量退化状态方程为:
容量退化观测方程为:
Q(k)=α(k)exp(β(k)*k)+χ(k)exp(δ(k)*k)+υ(k) 公式15,
式中,噪声υ(k)为均值为0,方差为1的高斯白噪声。
步骤6、将步骤5得到的超前四步容量输出值依次代入步骤三,将其作为真实输入得到输出值;
步骤7、得到剩余寿命预测短期超前四步预测值,长期预测值由短期预测值作为真实值重复步骤1到5得到;
步骤8、利用高频波动部分训练数据Htrain得到高频残差小波网络模型短期预测值hi,hi+1,hi+2,hi+3。实时健康状态预测计算公式为:
SOH(k)=RULshort(k)+Hsoh(k) 公式16,
式中,RULshort(k)为第k次循环时低频趋势预测值,Hsoh(k)为第k次循环时高频波动预测值。
Claims (5)
1.多类型锂离子电池组管理***的健康状态和剩余寿命预测方法,其特征在于,所述方法包括以下步骤:
步骤一、利用独立主成分分析法将具有多类型锂离子电池的电池组原始数据分解为不同类型电池的退化数据,并根据分解结果进行分类;
步骤二、将步骤一中不同类型电池容量退化数据与数据库中容量退化曲线进行对比,判断是否前期训练完成对应类型单体电池多尺度预测模型,若不存在则建立对应类型的预测模型;
步骤三、通过步骤二确认已训练好对应类型锂离子电池多尺度预测模型后,将步骤一中的单体容量退化数据代入对应多尺度组合模型中,获得长期剩余寿命预测值和短期实时健康状态预测值;
步骤四、将步骤一和步骤三得到的单体锂离子电池真实容量数据、预测容量数据和预测模型参数存入数据库;
所述步骤一中,将锂离子电池组数据使用独立主成分分析法进行退化数据分离,得到不同类型电池容量退化数据;然后将单体电池的容量退化数据与各个类型数据进行比对,从而使各个单体电池划分到不同类型电池型号中;
所述步骤二中,判断是否存在该类型的预测模型采用差值判断,即将其代入数据库中与各种类型锂离子电池平均退化曲线进行减法计算,差值过大时认为不存在其预测模型;
所述步骤二中,建立新种类锂离子电池预测模型步骤如下:
第一步、利用离散小波分解将单体容量退化数据分解为高频波动和低频趋势两部分;
第二步、将同类型电池经过第一步得到的高频波动部分及低频趋势部分分别代入残差小波神经网络进行训练;
第三步、将训练好的低频趋势部分的残差小波网络与无迹粒子滤波进行结合,形成长短期剩余寿命预测模型;
第四步、将训练好的高频波动部分的残差小波网络与短期剩余寿命预测模型进行结合,形成实时健康状态预测模型。
4.根据权利要求3所述多类型锂离子电池组管理***的健康状态和剩余寿命预测方法,其特征在于,建立新种类 锂离子电池预测模型第三步中,长短期剩余寿命预测模型为:
RUL(Ltrain)=αexp(β*k)+χexp(δ*k)+υ 公式4,
式中,α,β,χ和δ为固定参数,k为循环次数,υ为高斯白噪声;将第三组数据作为测试数据Ltest,将其代入长短期剩余寿命预测模型,从而得到短期剩余寿命预测值RULshort和长期寿命预测值RULlong;
所述建立新种类锂 离子电池预测模型第三步,步骤如下
步骤2、重要性采样阶段:
然后,重新计算每个粒子的权重:
最后,对权重进行归一化:
步骤4、计算粒子集合均值,得到无迹粒子滤波的预测值;
步骤5、利用步骤1到步骤4完成以下参数预测;容量衰减函数选择为双指数函数:
RUL(Ltrain)=αexp(β*k)+χexp(δ*k)+υ 公式8,
式中,α,β,χ和δ为固定参数,k为循环次数;
容量退化状态方程为:
容量退化观测方程为:
Q(k)=α(k)exp(β(k)*k)+χ(k)exp(δ(k)*k)+υ(k) 公式10,
式中,噪声υ(k)为均值为0,方差为1的高斯白噪声;
步骤6、将步骤5得到的超前四步容量输出值依次代入步骤三,将其作为真实输入得到输出值;
步骤7、得到剩余寿命预测短期超前四步预测值,长期预测值由短期预测值作为真实值重复步骤1到5得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010800353.5A CN111707956B (zh) | 2020-08-11 | 2020-08-11 | 多类型锂离子电池组管理***的健康状态和剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010800353.5A CN111707956B (zh) | 2020-08-11 | 2020-08-11 | 多类型锂离子电池组管理***的健康状态和剩余寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111707956A CN111707956A (zh) | 2020-09-25 |
CN111707956B true CN111707956B (zh) | 2022-08-30 |
Family
ID=72547116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010800353.5A Active CN111707956B (zh) | 2020-08-11 | 2020-08-11 | 多类型锂离子电池组管理***的健康状态和剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111707956B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102569876B1 (ko) * | 2021-02-24 | 2023-08-23 | 주식회사 피엠그로우 | 재사용 배터리의 용도에 따른 평가 방법 및 장치 |
CN115114878B (zh) * | 2022-07-26 | 2022-12-27 | 中国长江三峡集团有限公司 | 一种储能电站电池寿命在线预测方法、装置及存储介质 |
CN115856694B (zh) * | 2022-12-28 | 2023-10-31 | 深圳市南霸科技有限公司 | 电池寿命预测方法、装置、计算机设备和存储介质 |
CN117805662B (zh) * | 2024-02-26 | 2024-06-11 | 深圳市拓湃新能源科技有限公司 | 电池参数处理方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104778337A (zh) * | 2015-04-30 | 2015-07-15 | 北京航空航天大学 | 一种基于函数型主成分分析与贝叶斯更新的锂电池剩余寿命预测方法 |
EP2975421A1 (en) * | 2014-07-18 | 2016-01-20 | Samsung Electronics Co., Ltd | Method and apparatus for estimating state of battery |
CN106093796A (zh) * | 2016-08-09 | 2016-11-09 | 北京航空航天大学 | 基于拟合残差频域重构的有容量再生情况下锂电池容量及寿命预测方法 |
CN109061504A (zh) * | 2018-08-28 | 2018-12-21 | 中北大学 | 同类型不同锂离子电池剩余使用寿命预测方法和*** |
CN110161425A (zh) * | 2019-05-20 | 2019-08-23 | 华中科技大学 | 一种基于锂电池退化阶段划分的剩余使用寿命的预测方法 |
CN110568361A (zh) * | 2019-09-12 | 2019-12-13 | 华中科技大学 | 一种动力电池健康状态的预测方法 |
CN111103544A (zh) * | 2019-12-26 | 2020-05-05 | 江苏大学 | 基于长短时记忆lstm和粒子滤波pf的锂离子电池剩余使用寿命预测方法 |
-
2020
- 2020-08-11 CN CN202010800353.5A patent/CN111707956B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2975421A1 (en) * | 2014-07-18 | 2016-01-20 | Samsung Electronics Co., Ltd | Method and apparatus for estimating state of battery |
CN104778337A (zh) * | 2015-04-30 | 2015-07-15 | 北京航空航天大学 | 一种基于函数型主成分分析与贝叶斯更新的锂电池剩余寿命预测方法 |
CN106093796A (zh) * | 2016-08-09 | 2016-11-09 | 北京航空航天大学 | 基于拟合残差频域重构的有容量再生情况下锂电池容量及寿命预测方法 |
CN109061504A (zh) * | 2018-08-28 | 2018-12-21 | 中北大学 | 同类型不同锂离子电池剩余使用寿命预测方法和*** |
CN110161425A (zh) * | 2019-05-20 | 2019-08-23 | 华中科技大学 | 一种基于锂电池退化阶段划分的剩余使用寿命的预测方法 |
CN110568361A (zh) * | 2019-09-12 | 2019-12-13 | 华中科技大学 | 一种动力电池健康状态的预测方法 |
CN111103544A (zh) * | 2019-12-26 | 2020-05-05 | 江苏大学 | 基于长短时记忆lstm和粒子滤波pf的锂离子电池剩余使用寿命预测方法 |
Non-Patent Citations (3)
Title |
---|
"SOH and RUL prediction of lithium-lon batteries based on gaussion process regression with indirect health indicators";Jianfang Jia等;《energies》;20200113;第13卷(第2期);第375页 * |
基于多退化特征的锂离子电池剩余寿命预测;史永胜等;《电源技术》;20200620(第06期);第82-89页 * |
基于容量增量曲线的三元锂离子电池健康状态估计方法;郭琦沛等;《全球能源互联网》;20180325(第02期);第50-54页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111707956A (zh) | 2020-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111707956B (zh) | 多类型锂离子电池组管理***的健康状态和剩余寿命预测方法 | |
Khan et al. | Batteries state of health estimation via efficient neural networks with multiple channel charging profiles | |
Li et al. | A merged fuzzy neural network and its applications in battery state-of-charge estimation | |
CN111007401A (zh) | 一种基于人工智能的电动汽车电池故障诊断方法及设备 | |
CN110850298B (zh) | 基于数据驱动的锂电池soh估计方法及*** | |
Zhang et al. | Intelligent state of charge estimation of battery pack based on particle swarm optimization algorithm improved radical basis function neural network | |
CN111595485B (zh) | 一种基于降阶模型的锂离子电池在线温度分布观测器设计方法 | |
Wang et al. | Health diagnosis for lithium-ion battery by combining partial incremental capacity and deep belief network during insufficient discharge profile | |
CN115201686B (zh) | 一种不完备充放电数据下的锂离子电池健康状态评估方法 | |
Jamshidi et al. | An intelligent approach for nonlinear system identification of a li-ion battery | |
Yao et al. | Fault identification of lithium-ion battery pack for electric vehicle based on ga optimized ELM neural network | |
CN115186579A (zh) | 一种基于容量增量变化量曲线的锂电池健康状态估计方法 | |
CN114578234A (zh) | 一种考虑因果性特征的锂离子电池退化与容量预测模型 | |
Manoharan et al. | Parallel Recurrent artificial neural networks for electric vehicle battery state of health estimation | |
CN113093014B (zh) | 一种基于阻抗参数的soh与soc的在线协同估计方法及*** | |
CN112327169B (zh) | 一种锂电池剩余寿命预测方法 | |
Song et al. | Capacity estimation method of lithium-ion batteries based on deep convolution neural network | |
CN116736172A (zh) | 一种基于生成式对抗网络的锂电池组健康状态评估方法 | |
Nenadic et al. | Estimation of state-of-charge and capacity of used lithium-ion cells | |
Lu et al. | Health state prediction of lithium ion battery based on deep learning method | |
Li et al. | State of health estimation and prediction of electric vehicle power battery based on operational vehicle data | |
CN115792631A (zh) | 一种结合小波变换和卷积神经网络的锂电池soh预测方法 | |
Udeogu et al. | Remaining useful life prediction for supercapacitors using an optimized end-to-end deep learning approach | |
CN113325317A (zh) | 基于改进rbf神经网络的动力电池故障诊断方法及*** | |
Aliberti et al. | Comparative Analysis of Neural Networks Techniques for Lithium-ion Battery SOH 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 |