CN111812535A - 一种基于数据驱动的动力电池故障诊断方法及*** - Google Patents
一种基于数据驱动的动力电池故障诊断方法及*** Download PDFInfo
- Publication number
- CN111812535A CN111812535A CN202010616251.8A CN202010616251A CN111812535A CN 111812535 A CN111812535 A CN 111812535A CN 202010616251 A CN202010616251 A CN 202010616251A CN 111812535 A CN111812535 A CN 111812535A
- Authority
- CN
- China
- Prior art keywords
- data
- power battery
- module
- model
- fault diagnosis
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 238000004140 cleaning Methods 0.000 claims abstract description 13
- 230000011218 segmentation Effects 0.000 claims description 12
- 150000001875 compounds Chemical class 0.000 claims description 6
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 8
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 6
- 229910001416 lithium ion Inorganic materials 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 239000000446 fuel Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000002253 acid Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- 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
- G01R31/387—Determining ampere-hour charge capacity or SoC
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明提供了一种基于数据驱动的动力电池故障诊断方法及预警***,包括:步骤1,在各种工况及动力电池各种状态下采集动力电池的性能参数,包括动力电池的容量、电压、内阻、功率等;步骤2,将采集到的数据进行清洗;步骤3,根据清洗后的数据对动力电池的荷电状态SOC、健康状态SOH进行计算;步骤4,根据实际驾驶经验及汽车安全性制定故障等级;步骤5,将上述步骤2、3、4得出的数据制作成数据集;步骤6,将训练集放入梯度提升回归树模型中,对其进行迭代训练;步骤7,将测试集放入模型中,评估模型的准确度,根据准确度调整模型参数。本发明能够实现动力电池故障准确预测,并对故障进行预警,大大提升电动汽车的安全性。
Description
技术领域
本发明涉及电动汽车动力电池安全领域,具体地,涉及基于数据驱动的动力电池故障诊断方法及***。
背景技术
随着环保问题和能源问题日益凸显,各行业纷纷响应国家节能减排的号召,新能源产业迎来了春天。新能源汽车作为新能源产业的支柱产业,得到国家的重点关注,我国将新能源汽车列为七大战略性新兴产业之一,当今时代可以认为是新能源汽车发展的最好时代。
新能源汽车主要包括纯电动汽车、燃料电池汽车以及混合动力汽车,其中纯电动汽车以蓄电池提供的电能作为动力来源,驱动汽车行驶;燃料电池汽车依靠燃料电池产生的电能来驱动汽车;混合动力汽车依靠传统的内燃机和发电机共同驱动汽车。无论上述哪种形式的新能源汽车,都是以电池提供的电能作为其动力来源。随着技术的发展,锂离子电池得到广泛应用。锂离子动力电池与传统铅酸电池相比,具有能量密度更高、工作温度范围宽、寿命长及供电稳定的特点。但是锂离子动力电池是一个复杂的电化学***,其工作原理、失效机理及其复杂,而电动汽车工况、使用环境又具有复杂性,因此锂离子动力电池出现故障的可能性大大提高,并且其产生的破坏力较强,严重的将影响驾驶员的生命。综上所述,对于动力电池的故障诊断具有重要的意义。
在现阶段,动力电池故障诊断存在着诊断对象多样性、故障状态复杂性的难点,因此故障诊断智能化以及故障诊断适应能力需要不断提高。现在主流的故障诊断分为离线诊断和在线诊断两种方式,其中离线诊断已经不能满足新能源汽车动力电池故障诊断需求了,其存在着故障诊断智能化低以及适应能力弱的特点。
发明内容
针对现有技术中的难点与不足,本发明的目的是提供一种基于数据驱动的动力电池故障诊断方法和***。
根据本发明提供的一种基于数据驱动的动力电池故障诊断方法,包括:
步骤1:在各种工况及动力电池各种状态下采集动力电池的性能参数;
步骤2:将采集到的数据进行清洗;
步骤3:根据清洗后的数据对动力电池的荷电状态SOC、健康状态SOH进行计算;
步骤4:根据实际驾驶经验及汽车安全性制定故障等级;
步骤5:将上述步骤2、3、4得出的数据制作成数据集;
步骤6:将训练集放入梯度提升回归树模型中,对其进行迭代训练;
步骤7:将测试集放入模型中,评估模型的准确度,根据准确度调整模型参数。
所述动力电池性能参数包括:动力电池的容量、电压、内阻、功率。
优选地,所述步骤2包括:
步骤2.1:进行数据清洗,将偏离严重的数据删除;
步骤2.2:删除重复冗余的数据。
优选地,所述步骤5包括:
步骤5.1:将故障等级与电池参数进行匹配,构成完整数据集;
步骤5.2:将数据集拆分成训练集和测试集。
优选地,所述步骤6包括:
步骤6.1:定义训练集为:X=x1,...,xn,目标为:Y=y1,...,yn,并运用如下公式,计算最优切分特征j和切分值s的初始值;
式中,c1、c2为梯度提升回归树每个区域的输出值,R1(j,s)为划分的区域。
步骤6.2:定义如下式所示的初始化单节点树F0(x):
式中,c为梯度提升回归树每个区域的输出值。
步骤6.3:定义损失函数如下式所示:
L(y,F(x))=y-F(x)
步骤6.4:迭代训练,对每轮迭代训练后的模型进行残差拟合,通过p次迭代训练后,得到如下式所示的梯度提升回归树模型:
优选地,所述步骤7包括:
步骤7.1:计算测试集的回归误差;
步骤7.2:根据回归误差判断是否修改模型参数。
根据本发明提供地一种基于数据驱动地动力电池故障诊断***,包括:
模块1:在各种工况及动力电池各种状态下采集动力电池的性能参数;
模块2:将采集到的数据进行清洗;
模块3:根据清洗后的数据对动力电池的荷电状态SOC、健康状态SOH进行计算;
模块4:根据实际驾驶经验及汽车安全性制定故障等级;
模块5:将上述步骤2、3、4得出的数据制作成数据集;
模块6:将训练集放入梯度提升回归树模型中,对其进行迭代训练;
模块7;将测试集放入模型中,评估模型的准确度,根据准确度调整模型参数。
所述动力电池性能参数包括:动力电池的容量、电压、内阻、功率。
优选地,所述模块2包括:
模块2.1:进行数据清洗,将偏离严重的数据删除;
模块2.2:删除重复冗余的数据。
优选地,所述模块5包括:
模块5.1:将故障等级与电池参数进行匹配,构成完整数据集;
模块5.2:将数据集拆分成训练集和测试集。
优选地,所述模块6包括:
模块6.1:定义训练集为:X=x1,...,xn,目标为:Y=y1,...,yn,并运用如下公式,计算最优切分特征j和切分值s的初始值;
式中,c1、c2为梯度提升回归树每个区域的输出值,R1(j,s)为划分的区域。
模块6.2:定义如下式所示的初始化单节点树F0(x):
式中,c为梯度提升回归树每个区域的输出值。
模块6.3:定义损失函数如下式所示:
L(y,F(x))=y-F(x)
模块6.4:迭代训练,对每轮迭代训练后的模型进行残差拟合,通过p次迭代训练后,得到如下式所示的梯度提升回归树模型:
优选地,所述模块7包括:
模块7.1:计算测试集的回归误差;
模块7.2:根据回归误差判断是否修改模型参数。
本发明与现有的技术相比,具有如下的有益效果:
1、本发明由于采集大量的数据作为***的训练集,因此本发明具有适应能力强的特点,能够适用于新能源汽车实际使用中的各种工况,并且具有较高的智能化水平;
2、本发明经过大量数据的训练,对于故障诊断的结果具有较高的准确度,并且能够实现对故障的快速诊断。
附图说明
图1为本发明实现流程图。
图2为梯度提升回归树结构示意图。
具体实施方式
下面结合磷酸铁锂电池对本发明进行详细说明,在本发明的具体实施例中,关于动力电池的SOC以及SOH的计算采用目前常见的方法,不同的实施例可以使用不用的计算方法。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
根据本发明提供的一种基于数据驱动的动力电池故障诊断方法,包括:
步骤1:在各种工况及磷酸铁锂电池各种状态下采集磷酸铁锂电池的性能参数;
步骤2:将采集到的数据进行清洗;
步骤3:根据清洗后的数据对动力电池的荷电状态SOC、健康状态SOH进行计算;
步骤4:根据实际驾驶经验及汽车安全性制定故障等级;
步骤5:将上述步骤2、3、4得出的数据制作成数据集;
步骤6:将训练集放入梯度提升回归树模型中,对其进行迭代训练;
步骤7:将测试集放入模型中,评估模型的准确度,根据准确度调整模型参数。
所述磷酸铁锂电池性能参数包括:动力电池的容量、电压、内阻、功率。
优选地,所述步骤2包括:
步骤2.1:进行数据清洗,将偏离严重的数据删除;
步骤2.2:删除重复冗余的数据。
优选地,所述步骤3包括:
步骤3.1:利用目前工程中常见的安时积分法计算磷酸铁锂电池的SOC,其计算公式如下所示:
式中,SOC0为初始状态下的SOC值,可根据OCV-SOC表查询;Q为磷酸铁锂电池容量;η为静态容量测试值;I为电流值。
步骤3.2:利用目前常用的运用电池内阻变化的方式计算SOH,其计算公式如下所示:
式中,R0为电池实测内阻;Rnew为电池出厂时的内阻;REOL为电池达到循环寿命时的内阻值。
优选地,所述步骤5包括:
步骤5.1:将故障等级与电池参数进行匹配,构成完整数据集;
步骤5.2:将数据集拆分成训练集和测试集。
优选地,所述步骤6包括:
步骤6.1:定义训练集为:X=x1,...,xn,目标为:Y=y1,...,yn,并运用如下公式,计算最优切分特征j和切分值s的初始值;
式中,c1、c2为梯度提升回归树每个区域的输出值,R1(j,s)为划分的区域。
步骤6.2:定义如下式所示的初始化单节点树F0(x):
式中,c为梯度提升回归树每个区域的输出值。
步骤6.3:定义损失函数如下式所示:
L(y,F(x))=y-F(x)
步骤6.4:迭代训练,对每轮迭代训练后的模型进行残差拟合,通过p次迭代训练后,得到如下式所示的梯度提升回归树模型:
优选地,所述步骤7包括:
步骤7.1:计算测试集的回归误差;
步骤7.2:根据回归误差判断是否修改模型参数。
根据本发明提供地一种基于数据驱动地动力电池故障诊断***,包括:
模块1:在各种工况及动力电池各种状态下采集动力电池的性能参数;
模块2:将采集到的数据进行清洗;
模块3:根据清洗后的数据对动力电池的荷电状态SOC、健康状态SOH进行计算;
模块4:根据实际驾驶经验及汽车安全性制定故障等级;
模块5:将上述步骤2、3、4得出的数据制作成数据集;
模块6:将训练集放入梯度提升回归树模型中,对其进行迭代训练;
模块7:将测试集放入模型中,评估模型的准确度,根据准确度调整模型参数。
所述动力电池性能参数包括:动力电池的容量、电压、内阻、功率。
优选地,所述模块2包括:
模块2.1:进行数据清洗,将偏离严重的数据删除;
模块2.2:删除重复冗余的数据。
优选地,所述模块3包括:
模块3.1:利用目前工程中常见的安时积分法计算磷酸铁锂电池的SOC,其计算公式如下所示:
式中,SOC0为初始状态下的SOC值,可根据OCV-SOC表查询;Q为磷酸铁锂电池容量;η为静态容量测试值;I为电流值。
模块3.2:利用目前常用的运用电池内阻变化的方式计算SOH,其计算公式如下所示:
式中,R0为电池实测内阻;Rnew为电池出厂时的内阻;REOL为电池达到循环寿命时的内阻值。
优选地,所述模块5包括:
模块5.1:将故障等级与电池参数进行匹配,构成完整数据集;
模块5.2:将数据集拆分成训练集和测试集。
优选地,所述模块6包括:
模块6.1:定义训练集为:X=x1,...,xn,目标为:Y=y1,...,yn,并运用如下公式,计算最优切分特征j和切分值s的初始值;
式中,c1、c2为梯度提升回归树每个区域的输出值,R1(j,s)为划分的区域。
模块6.2:定义如下式所示的初始化单节点树F0(x):
式中,c为梯度提升回归树每个区域的输出值。
模块6.3:定义损失函数如下式所示:
L(y,F(x))=y-F(x)
模块6.4:迭代训练,对每轮迭代训练后的模型进行残差拟合,通过p次迭代训练后,得到如下式所示的梯度提升回归树模型:
优选地,所述模块7包括:
模块7.1:计算测试集的回归误差;
模块7.2:根据回归误差判断是否修改模型参数。
Claims (11)
1.一种基于数据驱动的动力电池故障诊断方法,其特征在于,包括:
步骤1:在各种工况及动力电池各种状态下采集动力电池的性能参数;
步骤2:将采集到的数据进行清洗;
步骤3:根据清洗后的数据对动力电池的荷电状态SOC、健康状态SOH进行计算;
步骤4:根据实际驾驶经验及汽车安全性制定故障等级;
步骤5:将上述步骤2、3、4得出的数据制作成数据集;
步骤6:将训练集放入梯度提升回归树模型中,对其进行迭代训练;
步骤7:将测试集放入模型中,评估模型的准确度,根据准确度调整模型参数。
所述动力电池性能参数包括:动力电池的容量、电压、内阻、功率。
2.根据权利要求1所述的基于数据驱动的动力电池故障诊断方法,其特征在于,所属步骤2包括:
步骤2.1:进行数据清洗,将偏离严重的数据删除;
步骤2.2:删除重复冗余的数据。
3.根据权利要求1所述的基于数据驱动的动力电池故障诊断方法,其特征在于,所属步骤5包括:
步骤5.1:将故障等级与电池参数进行匹配,构成完整数据集;
步骤5.2:将数据集拆分成训练集和测试集。
4.根据权利要求1所述的基于数据驱动的动力电池故障诊断方法,其特征在于,所属步骤6包括:
步骤6.1:定义训练集为:X=x1,...,xn,目标为:Y=y1,...,yn,并运用如下公式,计算最优切分特征j和切分值s的初始值;
式中,c1、c2为梯度提升回归树每个区域的输出值,R1(j,s)为划分的区域。
步骤6.2:定义如下式所示的初始化单节点树F0(x):
式中,c为梯度提升回归树每个区域的输出值。
步骤6.3:定义损失函数如下式所示:
L(y,F(x))=y-F(x)
步骤6.4:迭代训练,对每轮迭代训练后的模型进行残差拟合,通过p次迭代训练后,得到如下式所示的梯度提升回归树模型:
5.根据权利要求1所述的基于数据驱动的动力电池故障诊断方法,其特征在于,所属步骤7包括:
步骤7.1:计算测试集的回归误差;
步骤7.2:根据回归误差判断是否修改模型参数。
6.一种基于数据驱动的动力电池故障诊断***,其特征在于,包括:
模块(1):在各种工况及动力电池各种状态下采集动力电池的性能参数;
模块(2):将采集到的数据进行清洗;
模块(3):根据清洗后的数据对动力电池的荷电状态SOC、健康状态SOH进行计算;
模块(4):根据实际驾驶经验及汽车安全性制定故障等级;
模块(5):将上述步骤2、3、4得出的数据制作成数据集;
模块(6):将训练集放入梯度提升回归树模型中,对其进行迭代训练;
模块(7):将测试集放入模型中,评估模型的准确度,根据准确度调整模型参数。
7.根据权利要求6所述的基于数据驱动的动力电池故障诊断***,其特征在于,所述模块(1)需要采集的具体动力电池的参数有:动力电池的容量、电压、内阻、功率。
8.根据权利要求6所述的基于数据驱动的动力电池故障诊断***,其特征征于,所述模块(2)包括:
模块(2.1):进行数据清洗,将偏离严重的数据删除;
模块(2.2):删除重复冗余的数据。
9.根据权利要求6所述的基于数据驱动的动力电池故障诊断***,其特征在于,所述模块(5)包括:
模块(5.1):将故障等级与电池参数进行匹配,构成完整数据集;
模块(5.2):将数据集拆分成训练集和测试集。
10.根据权利要求6所述的基于数据驱动的动力电池故障诊断***,其特征在于,所述模块(6)包括:
模块(6.1):定义训练集为:X=x1,...,xn,目标为:Y=y1,...,yn,并运用如下公式,计算最优切分特征j和切分值s的初始值;
式中,c1、c2为梯度提升回归树每个区域的输出值,R1(j,s)为划分的区域。
模块(6.2):定义如下式所示的初始化单节点树F0(x):
式中,c为梯度提升回归树每个区域的输出值。
模块(6.3):定义损失函数如下式所示:
L(y,F(x))=y-F(x)
模块(6.4):迭代训练,对每轮迭代训练后的模型进行残差拟合,通过p次迭代训练后,得到如下式所示的梯度提升回归树模型:
11.根据权利要求6所述的基于数据驱动的动力电池故障诊断***,其特征在于,所述模块(7)包括:
模块(7.1):计算测试集的回归误差;
模块(7.2):根据回归误差判断是否修改模型参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010616251.8A CN111812535A (zh) | 2020-06-30 | 2020-06-30 | 一种基于数据驱动的动力电池故障诊断方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010616251.8A CN111812535A (zh) | 2020-06-30 | 2020-06-30 | 一种基于数据驱动的动力电池故障诊断方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111812535A true CN111812535A (zh) | 2020-10-23 |
Family
ID=72855214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010616251.8A Pending CN111812535A (zh) | 2020-06-30 | 2020-06-30 | 一种基于数据驱动的动力电池故障诊断方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111812535A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112782589A (zh) * | 2021-01-26 | 2021-05-11 | 武汉理工大学 | 车载燃料电池远程故障分类诊断方法、装置和存储介质 |
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 |
CN116154239A (zh) * | 2023-04-14 | 2023-05-23 | 湖南省计量检测研究院 | 一种基于多层次实现的氢燃料电池能量转换方法和装置 |
CN117067920A (zh) * | 2023-10-18 | 2023-11-17 | 北京航空航天大学 | 动力电池的故障检测方法、装置、电子设备及电动汽车 |
-
2020
- 2020-06-30 CN CN202010616251.8A patent/CN111812535A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112782589A (zh) * | 2021-01-26 | 2021-05-11 | 武汉理工大学 | 车载燃料电池远程故障分类诊断方法、装置和存储介质 |
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 |
CN116154239A (zh) * | 2023-04-14 | 2023-05-23 | 湖南省计量检测研究院 | 一种基于多层次实现的氢燃料电池能量转换方法和装置 |
CN116154239B (zh) * | 2023-04-14 | 2023-11-21 | 湖南省计量检测研究院 | 一种基于多层次实现的氢燃料电池能量转换方法和装置 |
CN117067920A (zh) * | 2023-10-18 | 2023-11-17 | 北京航空航天大学 | 动力电池的故障检测方法、装置、电子设备及电动汽车 |
CN117067920B (zh) * | 2023-10-18 | 2024-01-05 | 北京航空航天大学 | 动力电池的故障检测方法、装置、电子设备及电动汽车 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111812535A (zh) | 一种基于数据驱动的动力电池故障诊断方法及*** | |
Feng et al. | Propagation mechanisms and diagnosis of parameter inconsistency within Li-Ion battery packs | |
CN110346734B (zh) | 一种基于机器学习的锂离子动力电池健康状态估算方法 | |
Yu et al. | OCV-SOC-temperature relationship construction and state of charge estimation for a series–parallel lithium-ion battery pack | |
Jiaqiang et al. | Effects analysis on active equalization control of lithium-ion batteries based on intelligent estimation of the state-of-charge | |
CN107741568B (zh) | 一种基于状态转移优化rbf神经网络的锂电池soc估算方法 | |
CN111352032A (zh) | 一种锂电池动态峰值功率预测方法 | |
CN105183994B (zh) | 一种基于改进的i-elm的动力电池soc预测方法及装置 | |
CN106872899B (zh) | 一种基于降维观测器的动力电池soc估计方法 | |
CN111007399A (zh) | 基于改进生成对抗网络的锂电池荷电状态预测方法 | |
Saleki et al. | Analysis and simulation of hybrid electric vehicles for sedan vehicle | |
WO2019184864A1 (zh) | 电动汽车及根据其的用户使用习惯进行提示的***、方法 | |
CN111983457A (zh) | 一种基于lstm神经网络的电池组soh估算方法 | |
CN111308356A (zh) | 一种带加权的安时积分的soc估算方法 | |
CN112163372B (zh) | 一种动力电池的soc估算方法 | |
CN111366864B (zh) | 一种基于固定压升区间的电池soh在线估计方法 | |
CN112858929A (zh) | 一种基于模糊逻辑与扩展卡尔曼滤波的电池soc估计方法 | |
CN111983463B (zh) | 一种电动汽车用锂离子电池剩余电量预警诊断测试方法 | |
Li et al. | The open-circuit voltage characteristic and state of charge estimation for lithium-ion batteries based on an improved estimation algorithm | |
CN111562499B (zh) | 一种新能源汽车锂动力电池热管理模拟方法 | |
CN116466250A (zh) | 基于动态工况模型误差特征的动力电池健康状态估计方法 | |
Zhu | A state of charge estimation approach based on fractional order adaptive extended Kalman filter for lithium-ion batteries | |
CN115166566A (zh) | 一种在线识别电池自放电率异常的方法 | |
Bhattacharyya et al. | Convolution neural network-based SOC estimation of Li-ion battery in EV applications | |
Wei et al. | State of charge estimation for lithium-ion battery using Dynamic Neural Networks |
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 |