CN112287980A - 基于典型特征向量的动力电池筛选方法 - Google Patents

基于典型特征向量的动力电池筛选方法 Download PDF

Info

Publication number
CN112287980A
CN112287980A CN202011094434.4A CN202011094434A CN112287980A CN 112287980 A CN112287980 A CN 112287980A CN 202011094434 A CN202011094434 A CN 202011094434A CN 112287980 A CN112287980 A CN 112287980A
Authority
CN
China
Prior art keywords
power battery
sample
characteristic
matrix
running state
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.)
Granted
Application number
CN202011094434.4A
Other languages
English (en)
Other versions
CN112287980B (zh
Inventor
马速良
李建林
李金林
李穷
李雅欣
谭宇良
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 Lianzhi Huineng Technology Co ltd
North China University of Technology
Anhui Lvwo Recycling Energy Technology Co Ltd
Original Assignee
Beijing Lianzhi Huineng Technology Co ltd
North China University of Technology
Anhui Lvwo Recycling Energy Technology Co Ltd
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 Lianzhi Huineng Technology Co ltd, North China University of Technology, Anhui Lvwo Recycling Energy Technology Co Ltd filed Critical Beijing Lianzhi Huineng Technology Co ltd
Priority to CN202011094434.4A priority Critical patent/CN112287980B/zh
Publication of CN112287980A publication Critical patent/CN112287980A/zh
Application granted granted Critical
Publication of CN112287980B publication Critical patent/CN112287980B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种典型特征向量的动力电池筛选方法。该方法的包括以下步骤：获取若干已知状态的动力电池的充放电电压信号，并提取电压信号特征，形成特征向量；根据相同类型样本在各特征变量的数值，估计各个特征的概率密度函数，利用抽样方法生成若干新样本；利用聚类方法聚合新样本，形成多个具有代表性的典型特征向量；计算待检测动力电池的特征向量与每一类型各个典型特征向量的余弦相似度，辨识待检测动力电池的健康状态。通过本发明的筛选方法，避免了小样本情况下传统分类模型过拟合问题以及数据不平衡造成的偏差，提高了动力电池筛选的实用性，同时可以更清晰了解不同故障下动力电池的典型特征情况，为更好地定义动力电池状态奠定基础。

Description

基于典型特征向量的动力电池筛选方法
技术领域:
本发明涉及储能电池技术领域，具体涉及一种基于典型特征向量的动力电池筛选方法。
背景技术:
随着我国电动汽车行业的快速发展，用于提供能源的动力电池成为了电动汽车行业的最核心的关键部件，动力电池电芯生产、成组技术、监测分析、运行维护以及回收利用等方面的研究收到了广泛地关注。随着电动汽车行驶里程的增加，动力电池的实际容量将持续下降，一般当实际容量下降至额定的百分之八十左右，需要更换新的动力电池。若直接将退役后的动力电池以原料方式回收将造成资源的极大浪费，因此将退役后电池用于其他非严苛要求的服务应用场景，如用于消纳新能源的储能电站的建设中，形成动力电池的梯次利用，将更有效第降低储能电站的投入成本以及更合理地使用动力电池的剩余价值，形成互利双赢态势。
但是退役后动力电池的实际现状是，不同的电池性能差异巨大、电压平衡困难、运行状态的评估不准确，限制了退役后电池的梯次利用进程。因此，研究动力电池的筛选、分类技术，提高对退役动力电池运行状态的智能化筛选水平以及提升退役动力电池状态的估计准确性，将极大的推动我国动力电池梯次利用发展，形成更为良好优质的储能产业模式。国内外专家进行了大量的研究和分析，目前用于动力电池健康状态评估的主要方法有三大类:(一)实验分析法；(二)模型估计法；(三)数据驱动法。其中实验分析方法最为精确，但是花费的时间以及人力成本过高；而模型估计方法需要较为准确的建模过程和估计模型，造成方法鲁棒性不强，且众多难以评价的物性参数计算困难；数据驱动法主要是依赖历史数据挖掘不同运行状态的动力电池特点，对动力电池进行分组运行状态或者回归健康估计值，这类方法自动化程度高、简单易实现，同时无需过多的先验知识和准确的数学模型，但是此类方法对数据要求较高，即模型方法的准确度完全取决于数据的典型性以及全面性，同时挖掘手段和建模方法也都存在一定影响。因此，需要一种新的动力电池筛选方法。
发明内容:
本发明在分析三类方法优劣的基础上，为防止小样本应用、样本不均衡问题或者奇异样本的过度影响，采用基于数据驱动方式形成动力电池的筛选，利用已有样本形成对各特征的概率密度描述，再通过抽样聚类形成对动力电池不同运行状态的细致全面的剖析，最后通过待测样本的数据与聚类所得典型特征的对比分析，自动、智能、准确地完成退役动力电池的筛选。本发明采用的技术方案为:
基于典型特征向量的动力电池筛选方法，包括下述步骤:
步骤1:获取若干不同种情况的动力电池电压数据，提取特征，组成样本特征集合；具体包括如下过程:
步骤1.1:测量正常和多种故障共S种不同运行状态的动力电池在充放电过程中电压数据样本，其中第s种运行状态动力电池的样本数据为ns个，s＝1,2,…,S；
步骤1.2:基于步骤1.1中的数据样本，提取m个电压信号的关键特征，构成m维特征向量，其中第s种运行状态动力电池的第i个样本特征向量为
Figure BDA0002723258450000021
形成不同运行状态的动力电池样本特征集
Figure BDA0002723258450000022
令变量s＝1；
步骤2:生成并聚类相同运行状态动力电池样本，定义多个典型特征向量；具体包括如下过程:
步骤2.1:生成第s种运行状态动力电池各特征的概率密度函数；
步骤2.1.1:令变量j＝1；
步骤2.1.2:记录第s种运行状态动力电池样本在第j个特征值
Figure BDA0002723258450000031
步骤2.1.3:利用核密度估计方法生成第j个特征的概率密度函数为P(s)(j)；
步骤2.1.4:判断变量j是否小于特征数量m；若是，则j＝j+1并返回步骤2.1.2，若否，则进入步骤2.2；
步骤2.2:生成第s种运行状态动力电池的若干新数据样本；
步骤2.2.1:令α＝1，设置产生新样本数量A个；
步骤2.2.2:令变量j＝1；
步骤2.2.3:对第s种运行状态的动力电池的第j个特征的概率密度函数P(s)(j)进行抽样，获得第s种运行状态的动力电池的第α个新样本下的第j个特征值
Figure BDA0002723258450000032
步骤2.2.4:判断变量j是否小于特征数量m；若是，则j＝j+1并返回步骤2.2.3，若否，已形成第α个样本m维特征向量为
Figure BDA0002723258450000033
则进入步骤2.2.5；
步骤2.2.5:判断变量α是否小于设置产生新样本数量A；若是，则α＝α+1并返回步骤2.2.2，若否，已形成第A个m维特征向量的新样本，则进入步骤2.3；
步骤2.3:基于步骤2.2所得第s种运行状态动力电池的A个新样本特征向量，利用近邻传播聚类形成K(s)个样本簇，生成典型特征向量；
步骤2.4:判断变量s是否小于动力电池运行状态类别总数S；若是，则s＝s+1并返回步骤2.1，若否，则进入步骤3；
步骤3:判断待检测动力电池的运行状态情况；具体包括:
步骤3.1:测量待检测动力电池在充放电实验过程中电压信号，提取待检测动力电池的特征向量Z(test)＝[z(test)(1),z(test)(2),...,z(test)(m)]；
步骤3.2:计算待检测动力电池的特征向量Z(test)与步骤2中所获S种运行状态动力电池的所有典型特征向量的余弦相似度，即Z(test)与第s种运行状态动力电池的第k(s)个典型特征向量的余弦相似度为:
Figure BDA0002723258450000041
步骤3.3:根据步骤3.2所得待检测动力电池的特征向量与各典型特征向量的余弦相似度
Figure BDA0002723258450000042
选择余弦相似度最大值所代表的动力电池运行状态为待检测动力电池的运行状态，完成动力电池的筛选，即
Figure BDA0002723258450000043
其中，arg(max())表示返回最大值所对应类别的函数。
优选方案，所述步骤2.3包括下述步骤:
步骤2.3.1:基于步骤2.2所得第s种运行状态动力电池的A个新样本特征向量，计算每两个新样本特征向量的欧式距离，第p个样本特征向量和第q个样本特征向量的欧式距离为
Figure BDA0002723258450000044
可以形成为对称方阵的相似度矩阵D，即：
Figure BDA0002723258450000045
步骤2.3.2:令g＝1，初始化吸引度矩阵Rg和归属度矩阵Eg，且吸引度矩阵Rt和归属度矩阵Et均为与相似度矩阵D等行和列方阵，定义阻尼系数ζ和最大迭代次数G；
步骤2.3.3:计算并更新g+1代的吸引度矩阵Rg+1中的元素，矩阵中第(φ,η)元素计算如下式所述:
Figure BDA0002723258450000051
Figure BDA0002723258450000052
步骤2.3.4:计算并更新g+1代的归属度矩阵Eg+1中的元素，矩阵中第(φ,η)元素计算如下式所述:
Figure BDA0002723258450000053
Figure BDA0002723258450000054
步骤2.3.5:判断是否达到最大迭代次数，即g≤G；若是，则g＝g+1返回步骤2.3.2，若否，则进入步骤2.3.6；
步骤2.3.6:令F＝Rg+1+Eg+1，对角化矩阵F并统计对角线上大于零的元素，假设存在K(s)个，那么大于零的元素所在行或者列编号的样本定义为近邻传播聚类所得的样本簇的中心，其特征为:
Figure BDA0002723258450000055
即为典型特征向量。
与最接近的现有技术相比，本发明的优异效果是:本发明技术方案中，利用同类运行情况动力电池样本的特征数据估计出各特征的概率密度函数，获得大量服从概率分布特点的新数据，并利用聚类方法形成多个典型簇，即典型特征向量，更细致地反映此类运行情况下动力电池的特征形态，为待测动力电池筛选提供参考模板。相比于已有分类或聚类模型下的动力电池健康状态评估方法，本发明基于概率分布产生典型特征向量的方式，对样本量要求低，适合于小样本场景应用，提升了方法的适用性；而聚类过程，降低了奇异样本对整体数据计算结果的影响，提升了方法的鲁棒性；较少的定义参数，可以降低人为主观因素影响，同时避免过拟合问题产生，提升了方法的客观描述性，这将有利于推动动力电池自动化、智能化筛选过程。
附图说明:
图1是基于典型特征向量的动力电池筛选方法流程图。
图2是本发明实施例中步骤2.3的具体流程图。
具体实施方式:
实施例:
基于典型特征向量的动力电池筛选方法，包括下述步骤:
步骤1:获取若干不同种情况的动力电池电压数据，提取特征，组成样本特征集合；具体包括如下过程:
步骤1.1:测量正常和多种故障共S种不同运行状态的动力电池在充放电过程中电压数据样本，其中第s种运行状态动力电池的样本数据为ns个，s＝1,2,…,S；
步骤1.2:基于步骤1.1中的数据样本，提取m个电压信号的关键特征，构成m维特征向量，其中第s种运行状态动力电池的第i个样本特征向量为
Figure BDA0002723258450000061
形成不同运行状态的动力电池样本特征集
Figure BDA0002723258450000062
令变量s＝1；
步骤2:生成并聚类相同运行状态动力电池样本，定义多个典型特征向量；具体包括如下过程:
步骤2.1生成第s种运行状态动力电池各特征的概率密度函数；
步骤2.1.1:令变量j＝1；
步骤2.1.2:记录第s种运行状态动力电池样本在第j个特征值
Figure BDA0002723258450000063
步骤2.1.3:利用核密度估计方法生成第j个特征的概率密度函数为P(s)(j)；
步骤2.1.4判断变量j是否小于特征数量m；若是，则j＝j+1并返回步骤2.1.2，若否，则进入步骤2.2；
步骤2.2:生成第s种运行状态动力电池的若干新数据样本；
步骤2.2.1:令α＝1，设置产生新样本数量A个；
步骤2.2.2:令变量j＝1；
步骤2.2.3:对第s种运行状态的动力电池的第j个特征的概率密度函数P(s)(j)进行抽样，获得第s种运行状态的动力电池的第α个新样本下的第j个特征值
Figure BDA0002723258450000071
步骤2.2.4:判断变量j是否小于特征数量m；若是，则j＝j+1并返回步骤2.2.3，若否，已形成第α个样本m维特征向量为
Figure BDA0002723258450000072
则进入步骤2.2.5；
步骤2.2.5:判断变量α是否小于设置产生新样本数量A；若是，则α＝α+1并返回步骤2.2.2，若否，已形成第A个m维特征向量的新样本，则进入步骤2.3；
步骤2.3:基于步骤2.2所得第s种运行状态动力电池的A个新样本特征向量，利用近邻传播聚类形成K(s)个样本簇，生成典型特征向量；包括下述步骤:
步骤2.3.1:基于步骤2.2所得第s种运行状态动力电池的A个新样本特征向量，计算每两个新样本特征向量的欧式距离，第p个样本特征向量和第q个样本特征向量的欧式距离为
Figure BDA0002723258450000073
可以形成为对称方阵的相似度矩阵D，即:
Figure BDA0002723258450000074
步骤2.3.2:令g＝1，初始化吸引度矩阵Rg和归属度矩阵Eg，且吸引度矩阵Rt和归属度矩阵Et均为与相似度矩阵D等行和列方阵，定义阻尼系数ζ和最大迭代次数G；
步骤2.3.3:计算并更新g+1代的吸引度矩阵Rg+1中的元素，矩阵中第(φ,η)元素计算如下式所述:
Figure BDA0002723258450000081
Figure BDA0002723258450000082
步骤2.3.4:计算并更新g+1代的归属度矩阵Eg+1中的元素，矩阵中第(φ,η)元素计算如下式所述:
Figure BDA0002723258450000083
Figure BDA0002723258450000084
步骤2.3.5:判断是否达到最大迭代次数，即g≤G；若是，则g＝g+1返回步骤2.3.2，若否，则进入步骤2.3.6；
步骤2.3.6:令F＝Rg+1+Eg+1，对角化矩阵F并统计对角线上大于零的元素，假设存在K(s)个，那么大于零的元素所在行或者列编号的样本定义为近邻传播聚类所得的样本簇的中心，其特征为:
Figure BDA0002723258450000085
即为典型特征向量；
步骤2.4:判断变量s是否小于动力电池运行状态类别总数S；若是，则s＝s+1并返回步骤2.1，若否，则进入步骤3；
步骤3:判断待检测动力电池的运行状态情况；具体包括:
步骤3.1:测量待检测动力电池在充放电实验过程中电压信号，提取待检测动力电池的特征向量Z(test)＝[z(test)(1),z(test)(2),...,z(test)(m)]；
步骤3.2:计算待检测动力电池的特征向量Z(test)与步骤2中所获S种运行状态动力电池的所有典型特征向量的余弦相似度，即Z(test)与第s种运行状态动力电池的第k(s)个典型特征向量的余弦相似度为:
Figure BDA0002723258450000091
步骤3.3:根据步骤3.2所得待检测动力电池的特征向量与各典型特征向量的余弦相似度
Figure BDA0002723258450000092
选择余弦相似度最大值所代表的动力电池运行状态为待检测动力电池的运行状态，完成动力电池的筛选，即
Figure BDA0002723258450000093
其中，arg(max())表示返回最大值所对应类别的函数。
最后应当说明的是：所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

Claims (2)

1.基于典型特征向量的动力电池筛选方法，其特征在于，包括下述步骤:
步骤1:获取若干不同种情况的动力电池电压数据，提取特征，组成样本特征集合；具体包括如下过程:
步骤1.1:测量正常和多种故障共S种不同运行状态的动力电池在充放电过程中电压数据样本，其中第s种运行状态动力电池的样本数据为ns个，s＝1,2,…,S；
步骤1.2:基于步骤1.1中的数据样本，提取m个电压信号的关键特征，构成m维特征向量，其中第s种运行状态动力电池的第i个样本特征向量为
Figure FDA0002723258440000011
形成不同运行状态的动力电池样本特征集
Figure FDA0002723258440000012
令变量s＝1；
步骤2:生成并聚类相同运行状态动力电池样本，定义多个典型特征向量；具体包括如下过程:
步骤2.1:生成第s种运行状态动力电池各特征的概率密度函数；具体包括:
步骤2.1.1:令变量j＝1；
步骤2.1.2:记录第s种运行状态动力电池样本在第j个特征值
Figure FDA0002723258440000013
步骤2.1.3:利用核密度估计方法生成第j个特征的概率密度函数为P(s)(j)；
步骤2.1.4:判断变量j是否小于特征数量m；若是，则j＝j+1并返回步骤2.1.2，若否，则进入步骤2.2；
步骤2.2:生成第s种运行状态动力电池的若干新数据样本；具体包括:
步骤2.2.1:令α＝1，设置产生新样本数量A个；
步骤2.2.2:令变量j＝1；
步骤2.2.3:对第s种运行状态的动力电池的第j个特征的概率密度函数P(s)(j)进行抽样，获得第s种运行状态的动力电池的第α个新样本下的第j个特征值
Figure FDA0002723258440000021
步骤2.2.4:判断变量j是否小于特征数量m；若是，则j＝j+1并返回步骤2.2.3，若否，已形成第α个样本m维特征向量为
Figure FDA0002723258440000022
则进入步骤2.2.5；
步骤2.2.5:判断变量α是否小于设置产生新样本数量A；若是，则α＝α+1并返回步骤2.2.2，若否，已形成第A个m维特征向量的新样本，则进入步骤2.3；
步骤2.3:基于步骤2.2所得第s种运行状态动力电池的A个新样本特征向量，利用近邻传播聚类形成K(s)个样本簇，生成典型特征向量；
步骤2.4:判断变量s是否小于动力电池运行状态类别总数S；若是，则s＝s+1并返回步骤2.1，若否，则进入步骤3；
步骤3:判断待检测动力电池的运行状态情况；具体包括:
步骤3.1:测量待检测动力电池在充放电实验过程中电压信号，提取待检测动力电池的特征向量Z(test)＝[z(test)(1),z(test)(2),...,z(test)(m)]；
步骤3.2:计算待检测动力电池的特征向量Z(test)与步骤2中所获S种运行状态动力电池的所有典型特征向量的余弦相似度，即Z(test)与第s种运行状态动力电池的第k(s)个典型特征向量的余弦相似度为:
Figure FDA0002723258440000023
步骤3.3:根据步骤3.2所得待检测动力电池的特征向量与各典型特征向量的余弦相似度
Figure FDA0002723258440000024
选择余弦相似度最大值所代表的动力电池运行状态为待检测动力电池的运行状态，完成动力电池的筛选，即:
Figure FDA0002723258440000031
其中，arg(max())表示返回最大值所对应类别的函数。
2.根据权利要求1所述基于典型特征向量的动力电池筛选方法，其特征在于，所述步骤2.3包括下述步骤:
步骤2.3.1:基于步骤2.2所得第s种运行状态动力电池的A个新样本特征向量，计算每两个新样本特征向量的欧式距离，第p个样本特征向量和第q个样本特征向量的欧式距离为
Figure FDA0002723258440000032
可以形成为对称方阵的相似度矩阵D，即:
Figure FDA0002723258440000033
步骤2.3.2:令g＝1，初始化吸引度矩阵Rg和归属度矩阵Eg，且吸引度矩阵Rt和归属度矩阵Et均为与相似度矩阵D等行和列方阵，定义阻尼系数ζ和最大迭代次数G；
步骤2.3.3:计算并更新g+1代的吸引度矩阵Rg+1中的元素，矩阵中第(φ,η)元素计算如下式所述:
Figure FDA0002723258440000034
Figure FDA0002723258440000035
步骤2.3.4:计算并更新g+1代的归属度矩阵Eg+1中的元素，矩阵中第(φ,η)元素计算如下式所述:
Figure FDA0002723258440000036
Figure FDA0002723258440000041
步骤2.3.5:判断是否达到最大迭代次数，即g≤G；若是，则g＝g+1返回步骤2.3.2，若否，则进入步骤2.3.6；
步骤2.3.6:令F＝Rg+1+Eg+1，对角化矩阵F并统计对角线上大于零的元素，假设存在K(s)个，那么大于零的元素所在行或者列编号的样本定义为近邻传播聚类所得的样本簇的中心，其特征为:
Figure FDA0002723258440000042
即为典型特征向量。
CN202011094434.4A 2020-10-14 2020-10-14 基于典型特征向量的动力电池筛选方法 Active CN112287980B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011094434.4A CN112287980B (zh) 2020-10-14 2020-10-14 基于典型特征向量的动力电池筛选方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011094434.4A CN112287980B (zh) 2020-10-14 2020-10-14 基于典型特征向量的动力电池筛选方法

Publications (2)

Publication Number Publication Date
CN112287980A true CN112287980A (zh) 2021-01-29
CN112287980B CN112287980B (zh) 2023-06-23

Family

ID=74496239

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011094434.4A Active CN112287980B (zh) 2020-10-14 2020-10-14 基于典型特征向量的动力电池筛选方法

Country Status (1)

Country Link
CN (1) CN112287980B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113552496A (zh) * 2021-06-29 2021-10-26 哈尔滨理工大学 一种基于电压余弦相似性的电池串联模组内短路故障诊断方法
CN117171588A (zh) * 2023-11-02 2023-12-05 吉林省有继科技有限公司 一种用于动力电池梯次利用故障检测方法
CN117457094A (zh) * 2023-12-20 2024-01-26 安徽农业大学 一种基于ap算法的氢氧燃料电池能效表现评估方法和***

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105789676A (zh) * 2016-03-25 2016-07-20 杭州电子科技大学 一种基于消息传播的动力电池配组方法
CN110097066A (zh) * 2018-01-31 2019-08-06 阿里巴巴集团控股有限公司 一种用户分类方法、装置及电子设备
CN110147808A (zh) * 2019-03-26 2019-08-20 张锐明 一种新型电池成组筛选方法
US20190327124A1 (en) * 2012-12-05 2019-10-24 Origin Wireless, Inc. Method, apparatus, and system for object tracking and sensing using broadcasting
CN111474490A (zh) * 2020-04-09 2020-07-31 北方工业大学 一种梯次利用电池快速筛选方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190327124A1 (en) * 2012-12-05 2019-10-24 Origin Wireless, Inc. Method, apparatus, and system for object tracking and sensing using broadcasting
CN105789676A (zh) * 2016-03-25 2016-07-20 杭州电子科技大学 一种基于消息传播的动力电池配组方法
CN110097066A (zh) * 2018-01-31 2019-08-06 阿里巴巴集团控股有限公司 一种用户分类方法、装置及电子设备
CN110147808A (zh) * 2019-03-26 2019-08-20 张锐明 一种新型电池成组筛选方法
CN111474490A (zh) * 2020-04-09 2020-07-31 北方工业大学 一种梯次利用电池快速筛选方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LI RAN等: "Reliability assessment and failure analysis of lithium iron phosphate batteries", 《INFORMATION SCIENCES》, vol. 259, pages 359 - 368 *
李端凯: "具有强适应性的LiFePO4电池健康状态估算技术研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 03, pages 042 - 1292 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113552496A (zh) * 2021-06-29 2021-10-26 哈尔滨理工大学 一种基于电压余弦相似性的电池串联模组内短路故障诊断方法
CN113552496B (zh) * 2021-06-29 2024-04-02 哈尔滨理工大学 一种基于电压余弦相似性的电池串联模组内短路故障诊断方法
CN117171588A (zh) * 2023-11-02 2023-12-05 吉林省有继科技有限公司 一种用于动力电池梯次利用故障检测方法
CN117457094A (zh) * 2023-12-20 2024-01-26 安徽农业大学 一种基于ap算法的氢氧燃料电池能效表现评估方法和***
CN117457094B (zh) * 2023-12-20 2024-03-29 安徽农业大学 一种基于ap算法的氢氧燃料电池能效表现评估方法和***

Also Published As

Publication number Publication date
CN112287980B (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
CN110752410B (zh) 一种快速分选和重组退役锂电池的方法
CN107797067B (zh) 一种基于深度学习的锂离子电池寿命迁移预测方法
CN112287980B (zh) 基于典型特征向量的动力电池筛选方法
CN111027625B (zh) 基于SAE和K-means聚类算法的电池筛选方法
CN113887601B (zh) 一种基于聚类分选的退役动力电池重组方法
CN112305441B (zh) 一种集成式聚类下的动力电池健康状态评估方法
CN115469227B (zh) 一种集合变分自编码器与动态规整的锂电池异常检测方法
CN116449218B (zh) 一种锂电池健康状态的估计方法
CN112791997A (zh) 一种退役电池梯次利用筛选的方法
CN114818831B (zh) 基于多源感知的双向锂离子电池故障检测方法及***
CN111420898B (zh) 一种退役电池分选方法及其应用的***
CN110738232A (zh) 一种基于数据挖掘技术的电网电压越限成因诊断方法
CN110929451A (zh) 一种燃料电池单体电压一致性预测方法
CN110598902A (zh) 一种基于支持向量机与knn相结合的水质预测方法
CN112686380A (zh) 基于神经网络的梯次动力电芯一致性评估方法和***
Wang et al. Dynamic early recognition of abnormal lithium-ion batteries before capacity drops using self-adaptive quantum clustering
CN114355218A (zh) 一种基于多特征量筛选的锂离子电池荷电状态预测方法
CN111027841A (zh) 一种基于梯度提升决策树的低压台区线损计算方法
CN114646888A (zh) 一种动力电池容量衰减的评估方法及***
CN108681802A (zh) 一种电动汽车充电设施信息互操作评价方法
CN110163437B (zh) 基于DPK-means的日前光伏发电功率预测方法
CN116060325A (zh) 一种动力电池一致性快速分选方法
CN112505551B (zh) 一种面向退役动力电池的筛选方法
CN112305442B (zh) 一种基于kmeans聚类的动力电池SOH快速估计方法
CN112485694B (zh) 电池组的检测方法及装置

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
GR01 Patent grant
GR01 Patent grant