CN112230154A - 一种锂电池剩余寿命预测方法 - Google Patents
一种锂电池剩余寿命预测方法 Download PDFInfo
- Publication number
- CN112230154A CN112230154A CN201910635675.6A CN201910635675A CN112230154A CN 112230154 A CN112230154 A CN 112230154A CN 201910635675 A CN201910635675 A CN 201910635675A CN 112230154 A CN112230154 A CN 112230154A
- Authority
- CN
- China
- Prior art keywords
- battery
- model
- exp
- life
- parameters
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明公开了一种锂电池剩余寿命预测方法,主要采用基于自回归(AR)时间序列和扩展卡尔曼粒子滤波算法(EKPF)的寿命预测方法,包括两个阶段,即经验退化模型构建阶段与寿命预测阶段。第一阶段,退化模型构建阶段,首先构建基于库仑定律的电池容量衰退的双指数模型,它描述了电池可用容量与时间的变化关系,反映浓差极化和两级极化带来的电池容量损失。通过对双指数模型加以改造变形适应状态转移方程的形式,形成变形的经验退化模型,减少了原始模型的参数个数,降低了参数训练的复杂度。第二阶段,寿命预测阶段,通过对退化经验模型参数以及自回归参数的训练获得,并采取EKPF算法进行电池电量的走势,获取锂电池剩余寿命的预测值。
Description
技术领域
本发明涉及电池技术领域,涉及锂电池剩余寿命预测方法,具体涉及一种基于AR时间序列与扩展卡尔曼粒子滤波的锂电池剩余寿命预测方法。
背景技术
目前,电池在各领域的应用越来越广泛,几乎涵盖了我们日常生活、生产以及科研所有领域。尤其是现在国内外新能源汽车、通信设备以及电子设备发展迅速,电池需求量越来越大,进而电池故障预测与健康管理(PHM)成为了重要环节,而电池健康状态(SOH)直接关系到各***运行的可靠性。
SOH反映了电池在多次充放电循环中的容量衰退情况,它表征电池长期的健康状况,电池使用寿命(RUL)是反映电池SOH的一个最为直观的指标。因此***锂电池的RUL是***PHM技术中极为重要的环节。
针对锂电池RUL预测主要的研究方法有:模型法,数据驱动法和基于多种算法的融合型方法。基于模型的RUL预测方法依托电池内部的化学反应机理、电池材料属性以及负载条件实现预测,依据建模原理可进一步划分为退化机理的模型,等效电路模型和经验退化模型。对于锂电池这样的***,由于其内部的电化学反应十分复杂,导致其建模难度较大,数据驱动方法不需要考虑电池内部的反应机理,利用大量的历史数据挖掘电池的寿命信息,在一定程度上可以克服模型法对于不同电池要建立不同模型的弱点。数据驱动方法主要有:AR类的时间序列模型,人工神经网络,支持向量机和高斯过程回归和统计随机滤波算法。融合型方法是目前RUL预测的研究趋势,即通过融合多种方法来弥补单一方法的不足。常用的融合类型有两类,一类是将数据驱动法和模型法融合,最常见的是经验退化模型与统计随机滤波算法的结合使用;另一类是将多种数据驱动方法相融合互补,以提高预测结果的稳定性。目前的研究多基于融合型算法,具有重要的实用价值。
发明内容
本发明的目的是提供了一种基于自回归模型(即AR时间序列模型)与扩展卡尔曼粒子滤波的方法,能够对电池容量衰退进行逼近真实的模拟,同时对电池退化模型进行变形,顺应粒子滤波的状态转移方程,而且减少了参数个数并且降低参数训练的难度。为了减少对该模型的过度依赖,引入了自回归模型修正观测值,以提高预测准确性,为了使粒子分布更接近真实的分布采用了扩展卡尔曼粒子滤波算法。
本发明提供的技术方案如下:一种锂电池剩余寿命预测方法,包括以下步骤:
退化模型构建阶段:首先构建用于描述电池可用容量与时间变化关系的退化模型,并获取退化模型参数;
寿命预测阶段:根据退化模型参数建立自回归模型,通过卡尔曼粒子滤波方法对电池剩余寿命进行预测。
所述退化模型通过以下步骤得到:
Ck=a·exp(b·k)+c·exp(d·k) (1)
其中,a,b,c,d是系数,k为周期数,电池的一次充放电是一个循环周期,Ck为第k周期的电池容量;
k-1时刻的模型为Ck-1=a·exp[b·(k-1)]+c·exp[d·(k-1)]; (2)
通过令上述表达式相减获得:
Ck=Ck-1exp(b)+c·exp(d·k)[1-exp(b-d)]; (3)
由于exp(b)和c·[1-exp(b-d)]均为常数项,可得简化的退化模型为Ck=α·Ck-1+β·exp(γ·k); (4)
其中,退化模型参数α、β、γ的表达式如下:
α=exp(b),β=c·[1-exp(b-d)],γ=d。
所述退化模型参数α、β、γ经非线性最小二乘拟合得到。
所述寿命预测阶段包括以下步骤:
1)确立自回归模型即AR模型的阶数以及自回归系数,构建AR模型;
3)对粒子滤波算法参数初始化;
4)构建符合粒子滤波算法的状态空间方程;
5)由训练好的AR模型基于历史容量值产生的观测值修正基于观测方程所产生的观测值Zk;
6)利用EKPF算法产生建议密度函数,执行粒子滤波算法,获取电池容量预测值;
7)判断电池容量预测值是否达到寿命结束阈值;若达到则进行下一步,否则返回步骤4),直到寿命衰减到电池寿命结束阈值,获取粒子集产生的电池容量概率密度函数分布,最终获取电池寿命。
所述对粒子滤波算法参数初始化如下:设置采样粒子数,采样粒子的初始状态值,过程噪声和观测噪声的协方差,粒子衰退重采样阈值,电池寿命结束阈值。
训练AR模型的数据包括:
输入值:前N个充放电周期的电池容量数据{Ck}(k=1,2,…,N);
输出值:电池剩余寿命的估计值和预测结果的后验概率密度分布。
所述状态空间方程如下:
状态转移方程:Ck=α·Ck-1+β·exp(γ·k)+μk
观测方程:Zk=Ck+vk
其中,Ck是第k周期电池的实际容量,Zk是针对电量的观测值,μk和vk均服从零均值的高斯分布,分别为过程噪声和观测噪声;α、β、γ为退化模型参数。
所述建议密度函数为概率密度函数。
所述电池寿命为电池充放电周期数。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明基于EKPF的锂电池RUL预测算法基于PF算法的运行框架,由AR时间序列模型产生观测值,由EKF算法产生一个更接近真实后验概率密度的建议密度函数,以改进PF算法的性能,提高预测准确性。
附图说明
图1为本发明实施例的预测方法流程图;
图2为本发明实施例的RUL预测曲线;
图3为本发明实施例的RUL预测对比曲线。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明的目的是提供一种锂电池剩余寿命(RUL)预测方法,能够对电池的剩余寿命进行准确地预测,更好地提高电池的利用率。
一种锂电池剩余寿命预测方法,分成退化模型构建阶段与寿命预测阶段。
退化模型构建阶段,首先构建基于库仑定律的电池容量衰退的双指数模型,它描述了电池可用容量与时间的变化关系,反映浓差极化和两级极化带来的电池容量损失。通过对双指数模型加以改造变形适应状态转移方程的形式,形成变形的经验退化模型,减少了原始模型的参数个数,降低了参数训练的复杂度。
寿命预测阶段由以下步骤组成:
输入值:前N个充放电周期的电池容量数据{Ck}(k=1,2,…,N)
输出值:电池剩余寿命的估计值和预测结果的后验概率密度分布
步骤1.将电池容量数据经非线性最小二乘拟合训练得到模型参数,完成对变形的双指数退化经验模型的构建;
步骤2.利用构建好的模型建立状态空间方程;
步骤4.在k=0时,对PF算法相关参数进行初始化,设置采样粒子数,采样粒子的初始状态值,过程噪声和观测噪声的协方差,粒子衰退重采样阈值;对EKF算法的参数进行初始化,设置其过程噪声和观测噪声的协方差;设置电池寿命结束阈值等初始值,对于i=1,2,…,N,由先验概率密度p(x0)采样粒子集并令粒子集的权重 表示第i个采样粒子;表示第i个粒子集权重。本实施例粒子表示电池容量。
步骤5.AR_predict(t):由AR时间序列模型基于过去的容量值产生的观测值取代基于观测方程所产生的观测值;
步骤6.基于PF算法的框架,由EKF(ExtendedKalmanFilter,即扩展卡尔曼滤波器)产生建议密度函数,由AR时间序列模型修正观测值,并获取电池剩余寿命预测值。
预测方法主要分成2个阶段,第一个阶段为构建模型阶段,即构建退化经验模型并获取模型参数,第二个阶段为预测阶段,即结合经验模型与AR+EKPF的方法估计电池剩余寿命,进而获得准确的预测值。
图1为本发明实施例一种锂电池剩余寿命预测方法的流程图。
步骤1从大量采集到的电池数据中提取电池容量数据;
步骤2设定起始预测周期,即从这些周期内训练模型,从而依据该模型对未来使用寿命进行预测;
步骤3结合非线性最小二乘法拟合出双指数模型的主要参数,双指数模型形式如下:Ck=a·exp(b·k)+c·exp(d·k);其中,a,b,c,d是系数,k为周期数,电池的一次充放电是一个循环周期,Ck为第k周期的电池容量,k-1时刻的模型为Ck-1=a·exp[b·(k-1)]+c·exp[d·(k-1)];通过令上述表达式相减获得,Ck=Ck-1exp(b)+c·exp(d·k)[1-exp(b-d)]。由于exp(b)和c·[1-exp(b-d)]均为常数项,可将模型简化为Ck=α·Ck-1+β·exp(γ·k);exp表示指数函数。
步骤4为依据相关准则确立AR模型的阶数以及自回归系数,确立AR模型;
步骤5为在k=0时,对PF算法相关参数进行初始化,设置采样粒子数,采样粒子的初始状态值,过程噪声和观测噪声的协方差,粒子衰退重采样阈值,电池寿命结束阈值等的初始值;
步骤6为构建符合PF算法的状态空间方程,以便后期进行预测阶段,PF状态空间方程的形式如下:
状态转移方程:Ck=a·Ck-1+β·exp(γ·k)+μk
观测方程:Zk=Ck+vk
其中,Ck是第k周期电池的实际容量,Zk是针对电量的观测值,μk和vk均服从零均值的高斯分布,分别为过程噪声和观测噪声;
步骤7为由AR时间序列模型基于过去的容量值产生的观测值修正基于观测方程所产生的观测值Zk;
步骤8为利用EKPF(扩展卡尔曼粒子滤波)算法产生建议密度函数,以便后续PF(粒子滤波)算法执行过程中预测更加准确;
步骤9为执行PF算法;
步骤10为通过上述算法获取电池容量预测值;
步骤11为电池容量预测值是否达到寿命结束阈值,达到后进行下一步结果计算,没达到继续执行上述算法,直到寿命衰减到阈值;
步骤12为电池根据最后一次的粒子集产生电池容量的pdf(概率密度函数)分布,最终获取结果(电池寿命,即电池充放电周期数);
本实施例通过上述步骤可以获得图2的锂电池剩余寿命预测曲线以及概率密度函数曲线,同时也可以与未经过AR与EKPF修正算法进行误差对比获得图3的剩余寿命对比曲线。
Claims (9)
1.一种锂电池剩余寿命预测方法,其特征在于,包括以下步骤:
退化模型构建阶段:首先构建用于描述电池可用容量与时间变化关系的退化模型,并获取退化模型参数;
寿命预测阶段:根据退化模型参数建立自回归模型,通过卡尔曼粒子滤波方法对电池剩余寿命进行预测。
2.根据权利要求1所述的锂电池剩余寿命预测方法,其特征在于,所述退化模型通过以下步骤得到:
Ck=a·exp(b·k)+c·exp(d·k) (1)
其中,a,b,c,d是系数,k为周期数,电池的一次充放电是一个循环周期,Ck为第k周期的电池容量;
k-1时刻的模型为Ck-1=a·exp[b·(k-1)]+c·exp[d·(k-1)]; (2)
通过令上述表达式相减获得:
Ck=Ck-1exp(b)+c·exp(d·k)[1-exp(b-d)]; (3)
由于exp(b)和c·[1-exp(b-d)]均为常数项,可得简化的退化模型为Ck=α·Ck-1+β·exp(γ·k); (4)
其中,退化模型参数α、β、γ的表达式如下:
α=exp(b),β=c·[1-exp(b-d)],γ=d。
3.根据权利要求1所述的锂电池剩余寿命预测方法,其特征在于,所述退化模型参数α、β、γ经非线性最小二乘拟合得到。
4.根据权利要求1所述的锂电池剩余寿命预测方法,其特征在于,所述寿命预测阶段包括以下步骤:
1)确立自回归模型即AR模型的阶数以及自回归系数,构建AR模型;
3)对粒子滤波算法参数初始化;
4)构建符合粒子滤波算法的状态空间方程;
5)由训练好的AR模型基于历史容量值产生的观测值修正基于观测方程所产生的观测值Zk;
6)利用EKPF算法产生建议密度函数,执行粒子滤波算法,获取电池容量预测值;
7)判断电池容量预测值是否达到寿命结束阈值;若达到则进行下一步,否则返回步骤4),直到寿命衰减到电池寿命结束阈值,获取粒子集产生的电池容量概率密度函数分布,最终获取电池寿命。
5.根据权利要求4所述的锂电池剩余寿命预测方法,其特征在于,所述对粒子滤波算法参数初始化如下:设置采样粒子数,采样粒子的初始状态值,过程噪声和观测噪声的协方差,粒子衰退重采样阈值,电池寿命结束阈值。
6.根据权利要求4所述的锂电池剩余寿命预测方法,其特征在于,训练AR模型的数据包括:
输入值:前N个充放电周期的电池容量数据{Ck}(k=1,2,…,N);
输出值:电池剩余寿命的估计值和预测结果的后验概率密度分布。
7.根据权利要求4所述的锂电池剩余寿命预测方法,其特征在于,所述状态空间方程如下:
状态转移方程:Ck=α·Ck-1+β·exp(γ·k)+μk
观测方程:Zk=Ck+vk
其中,Ck是第k周期电池的实际容量,Zk是针对电量的观测值,μk和vk均服从零均值的高斯分布,分别为过程噪声和观测噪声;α、β、γ为退化模型参数。
8.根据权利要求4所述的锂电池剩余寿命预测方法,其特征在于,所述建议密度函数为概率密度函数。
9.根据权利要求4所述的锂电池剩余寿命预测方法,其特征在于,所述电池寿命为电池充放电周期数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910635675.6A CN112230154A (zh) | 2019-07-15 | 2019-07-15 | 一种锂电池剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910635675.6A CN112230154A (zh) | 2019-07-15 | 2019-07-15 | 一种锂电池剩余寿命预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112230154A true CN112230154A (zh) | 2021-01-15 |
Family
ID=74111450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910635675.6A Pending CN112230154A (zh) | 2019-07-15 | 2019-07-15 | 一种锂电池剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112230154A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113392507A (zh) * | 2021-05-25 | 2021-09-14 | 西安科技大学 | 一种锂离子动力电池剩余寿命预测方法 |
CN113504483A (zh) * | 2021-07-09 | 2021-10-15 | 北京航空航天大学 | 考虑不确定性的锂离子电池剩余寿命集成预测方法 |
CN113504473A (zh) * | 2021-09-10 | 2021-10-15 | 四川大学 | 一种适用动力锂电池非线性衰退过程的rul预测方法 |
CN114047452A (zh) * | 2022-01-13 | 2022-02-15 | 浙江玥视科技有限公司 | 一种确定电池循环寿命的方法及装置 |
CN114330149A (zh) * | 2022-03-11 | 2022-04-12 | 北京新能源汽车股份有限公司 | 电池寿命预测方法、装置、云端服务器及存储介质 |
CN114859231A (zh) * | 2022-04-27 | 2022-08-05 | 电子科技大学 | 基于维纳过程和极限学习机的电池剩余寿命预测方法 |
CN115184831A (zh) * | 2022-09-13 | 2022-10-14 | 南通云锦微电子科技有限公司 | 用于梯次锂电池组的预警方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102778653A (zh) * | 2012-06-20 | 2012-11-14 | 哈尔滨工业大学 | 基于ar模型和rpf算法的数据驱动的锂离子电池循环寿命预测方法 |
CN103344923A (zh) * | 2013-08-01 | 2013-10-09 | 哈尔滨工业大学 | 基于ekf方法和nsdp-ar模型融合型锂离子电池循环寿命预测方法 |
CN103399279A (zh) * | 2013-08-01 | 2013-11-20 | 哈尔滨工业大学 | 基于ekf方法和ar模型融合型锂离子电池循环寿命预测方法 |
CN103399281A (zh) * | 2013-08-01 | 2013-11-20 | 哈尔滨工业大学 | 基于循环寿命退化阶段参数的nd-ar模型和ekf方法的锂离子电池循环寿命预测方法 |
CN106845866A (zh) * | 2017-02-27 | 2017-06-13 | 四川大学 | 基于改进粒子滤波算法的设备剩余寿命预测方法 |
CN107765179A (zh) * | 2017-06-26 | 2018-03-06 | 河海大学 | 一种适用于量测丢失的发电机动态状态估计方法 |
CN109932656A (zh) * | 2019-04-17 | 2019-06-25 | 合肥工业大学 | 一种基于imm-upf的锂电池寿命估计方法 |
-
2019
- 2019-07-15 CN CN201910635675.6A patent/CN112230154A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102778653A (zh) * | 2012-06-20 | 2012-11-14 | 哈尔滨工业大学 | 基于ar模型和rpf算法的数据驱动的锂离子电池循环寿命预测方法 |
CN103344923A (zh) * | 2013-08-01 | 2013-10-09 | 哈尔滨工业大学 | 基于ekf方法和nsdp-ar模型融合型锂离子电池循环寿命预测方法 |
CN103399279A (zh) * | 2013-08-01 | 2013-11-20 | 哈尔滨工业大学 | 基于ekf方法和ar模型融合型锂离子电池循环寿命预测方法 |
CN103399281A (zh) * | 2013-08-01 | 2013-11-20 | 哈尔滨工业大学 | 基于循环寿命退化阶段参数的nd-ar模型和ekf方法的锂离子电池循环寿命预测方法 |
CN106845866A (zh) * | 2017-02-27 | 2017-06-13 | 四川大学 | 基于改进粒子滤波算法的设备剩余寿命预测方法 |
CN107765179A (zh) * | 2017-06-26 | 2018-03-06 | 河海大学 | 一种适用于量测丢失的发电机动态状态估计方法 |
CN109932656A (zh) * | 2019-04-17 | 2019-06-25 | 合肥工业大学 | 一种基于imm-upf的锂电池寿命估计方法 |
Non-Patent Citations (2)
Title |
---|
张凝等: "基于粒子滤波算法的锂离子电池剩余寿命预测方法研究", 《高技术通讯》 * |
王华剑等: "基于改进扩展卡尔曼粒子滤波的目标跟踪算法", 《计算机应用研究》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113392507A (zh) * | 2021-05-25 | 2021-09-14 | 西安科技大学 | 一种锂离子动力电池剩余寿命预测方法 |
CN113504483A (zh) * | 2021-07-09 | 2021-10-15 | 北京航空航天大学 | 考虑不确定性的锂离子电池剩余寿命集成预测方法 |
CN113504473A (zh) * | 2021-09-10 | 2021-10-15 | 四川大学 | 一种适用动力锂电池非线性衰退过程的rul预测方法 |
CN114047452A (zh) * | 2022-01-13 | 2022-02-15 | 浙江玥视科技有限公司 | 一种确定电池循环寿命的方法及装置 |
CN114047452B (zh) * | 2022-01-13 | 2022-05-13 | 浙江玥视科技有限公司 | 一种确定电池循环寿命的方法及装置 |
CN114330149A (zh) * | 2022-03-11 | 2022-04-12 | 北京新能源汽车股份有限公司 | 电池寿命预测方法、装置、云端服务器及存储介质 |
CN114330149B (zh) * | 2022-03-11 | 2022-06-03 | 北京新能源汽车股份有限公司 | 电池寿命预测方法、装置、云端服务器及存储介质 |
CN114859231A (zh) * | 2022-04-27 | 2022-08-05 | 电子科技大学 | 基于维纳过程和极限学习机的电池剩余寿命预测方法 |
CN114859231B (zh) * | 2022-04-27 | 2023-06-09 | 电子科技大学 | 基于维纳过程和极限学习机的电池剩余寿命预测方法 |
CN115184831A (zh) * | 2022-09-13 | 2022-10-14 | 南通云锦微电子科技有限公司 | 用于梯次锂电池组的预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112230154A (zh) | 一种锂电池剩余寿命预测方法 | |
Duong et al. | Heuristic Kalman optimized particle filter for remaining useful life prediction of lithium-ion battery | |
Ma et al. | A hybrid transfer learning scheme for remaining useful life prediction and cycle life test optimization of different formulation Li-ion power batteries | |
Chen et al. | A long short-term memory neural network based Wiener process model for remaining useful life prediction | |
EP3822880A1 (en) | Load prediction method and apparatus based on neural network | |
CN110568359B (zh) | 一种锂电池剩余寿命预测方法 | |
Li et al. | A comparative study of battery state-of-health estimation based on empirical mode decomposition and neural network | |
CN109001640B (zh) | 一种动力电池的数据处理方法和装置 | |
CN112016237B (zh) | 锂电池寿命预测的深度学习方法、装置及*** | |
CN112966432A (zh) | 一种锂离子电池剩余有效寿命预测方法及装置 | |
Huang et al. | A comprehensively optimized lithium-ion battery state-of-health estimator based on Local Coulomb Counting Curve | |
CN112488392A (zh) | 一种基于机器学习的智慧水务日用水量预测方法 | |
CN114740388A (zh) | 一种基于改进tcn的锂电池剩余寿命状态评估方法 | |
CN112803398A (zh) | 基于经验模态分解和深度神经网络的负荷预测方法及*** | |
CN115236519A (zh) | 基于隐马尔可夫模型的锂电池健康状态预测方法及装置 | |
Zhang et al. | Evolving Elman neural networks based state-of-health estimation for satellite lithium-ion batteries | |
CN113406503A (zh) | 基于深度神经网络的锂电池soh在线估算方法 | |
Biggio et al. | Dynaformer: A deep learning model for ageing-aware battery discharge prediction | |
Huang et al. | State of charge estimation of li-ion batteries based on the noise-adaptive interacting multiple model | |
CN113504473B (zh) | 一种适用动力锂电池非线性衰退过程的rul预测方法 | |
Shi et al. | Network reliability analysis through survival signature and machine learning techniques | |
CN113884915A (zh) | 用于锂离子电池荷电状态和健康状态预测的方法及*** | |
CN111061708A (zh) | 一种基于lstm神经网络的电能量预测与修复方法 | |
CN116736130A (zh) | 一种锂电池剩余使用寿命预测方法及*** | |
CN116403657A (zh) | 一种药物反应预测方法、装置、存储介质及电子装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210115 |