CN112345952A - 动力电池老化程度判断方法 - Google Patents
动力电池老化程度判断方法 Download PDFInfo
- Publication number
- CN112345952A CN112345952A CN202011007834.7A CN202011007834A CN112345952A CN 112345952 A CN112345952 A CN 112345952A CN 202011007834 A CN202011007834 A CN 202011007834A CN 112345952 A CN112345952 A CN 112345952A
- Authority
- CN
- China
- Prior art keywords
- data
- aging
- power battery
- charging
- aging degree
- 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
- 230000032683 aging Effects 0.000 title claims abstract description 138
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000013598 vector Substances 0.000 claims abstract description 53
- 238000011156 evaluation Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 9
- 239000000178 monomer Substances 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012407 engineering method Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 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
- G01R31/005—Testing of electric installations on transport means
- G01R31/006—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及一种动力电池老化程度判断方法,包括以下步骤:步骤一:从大数据中提取新能源汽车的多组充电数据并训练孪生网络模型,利用孪生网络模型得到多个充电特征向量,将各充电特征向量归类到行车里程不同的基准老化区间,分别计算各基准老化区间的基准老化向量;步骤二:基于待判断老化程度的动力电池的充电数据,利用孪生网络模型得到对应的充电特征向量,分别计算待判断老化程度的动力电池对应的充电特征向量与各基准老化区间的基准老化向量之间的距离,选取距离最小的一个基准老化区间对应的行车里程作为待判断老化程度的动力电池的老化评估值,从而得到待判断老化程度的动力电池的老化程度。本发明评估结果准确,实施方便。
Description
技术领域
本发明属于动力电池监控技术领域,具体涉及一种动力电池老化程度判断方法。
背景技术
动力电池是新能源汽车的核心部件,在使用过程中会受到环境、充放电的影响而使电池性能逐渐发生衰减,表现为电池的老化,进而影响到新能源汽车的使用体验。所以,找到一种电池老化程度评估的方法,判断电池性能是否仍然满足车辆的性能要求,具有很重要的意义。
对于动力电池老化程度的评估,传统上通过实际量测动力电池的电压、电流、内阻,再通过一系列变换进而得到一种可以反映电池老化程度的一种物理指标,用来衡量电池的老化程度。
传统方法大多依赖于电池物理指标的实地的量测,需要一系列的人工实际操作,往往需要很长的时间才能得到最终的老化指标。即传统方法多基于电化学原理建模,建立在对电池工作机理的深刻理解上,具体方法上往往需要专门的装置对电池电压、电阻、电量等进行多轮的测试、静置、再测试过程,操作过程繁杂、测试时间较长,评估结果也会因操作的规范程度的不同而有较大的差异,不适合用于大批车辆的电池评估。
传统方法之外的另一种电池老化程度评估思路,则并不强调电池的内在机理,而是建立一种比对机制,将待测电池参数与比对基准参数的比对值作为电池老化的一种评估,这种方法绕过了不太容易衡量的复杂的电池老化内部机理,通过容易测量的电池的外在表现进行计算,方便了大批量电池老化程度的评估。但目前这类方法在模型构建上、采用数据特征上往往过于简单,导致电池老化程度评估的偏差较大。
因此,找到一种能够简单、快速评估动力电池老化程度的方法具有很重要的实用价值,一方面可以通过老化程度的比较,对用户的使用行为进行评估,有助于及时发现不良使用习惯并进行纠正,从而延长电池的使用寿命;另一方面,为商家和用户提供一种电池老化程度的量化指标,提升汽车商家的服务质量。
发明内容
本发明的目的是提供一种容易实施且结果较准确的动力电池老化程度判断方法
为达到上述目的,本发明采用的技术方案是:
一种动力电池老化程度判断方法,用于判断新能源汽车上所使用的动力电池的老化程度,所述动力电池老化程度判断方法包括以下步骤:
步骤一:从大数据中提取所述新能源汽车的多组充电数据,基于所述充电数据训练孪生网络模型,并利用训练好的所述孪生网络模型得到所述新能源汽车的多组充电数据对应的充电特征向量,依据行车里程划分不同的基准老化区间,将各所述充电特征向量归类到不同的基准老化区间,依据各所述基准老化区间对应的所述充电特征向量分别计算均值作为各所述基准老化区间的基准老化向量;
步骤二:基于待判断老化程度的动力电池的充电数据,利用训练好的所述孪生网络模型得到待判断老化程度的动力电池对应的充电特征向量,分别计算待判断老化程度的动力电池对应的充电特征向量与各所述基准老化区间的基准老化向量之间的距离,选取距离最小的一个基准老化区间对应的行车里程作为待判断老化程度的动力电池的老化评估值,从而利用所述老化评估值得到待判断老化程度的动力电池的老化程度。
所述步骤一中,对所述新能源汽车的多组充电数据进行特征工程而提取出若干项特征字段对应的数据作为特征数据,按照SOC不同将提取出的所述特征数据转化为不同SOC对应的充电向量,从而利用所述特征数据和对应的充电向量训练所述孪生网络模型。
所述步骤一中,将所述特征数据向量化。
所述步骤一中,所述特征数据包括时间数据、车型数据、定位数据、SOC、充电电流和充电电压数据、温度数据。
所述步骤一中,所述时间数据包括月数据、周数据、日数据、小时数据;所述定位数据包括经度数据、纬度数据;所述充电电流和充电电压数据包括总电压数据、总电流数据、所述动力电池的全部单体电压值数据、最高单体电压数据、最低单体电压数据、最高/最低压差数据、单体电压均值数据、单体电压标准差数据;所述温度数据包括环境温度数据、全部温度探测值数据、最高温度数据、最低温度数据、最高/最低温差数据、温度均值数据、温度标准差数据。
所述步骤一中,将同一SOC对应的所述特征数据转化为对应的充电向量的方法为:对于所述时间数据,使用第一条所述特征数据中的时间数据;对于所述车型数据,根据全部所述车型数据将当前车型转换成onehot形式;对于所述定位数据,使用第一条所述特征数据中的定位数据;对于所述SOC,使用第一条所述特征数据中的SOC;对于所述最高单体电压数据和所述最高温度数据,取所述特征数据中的最高单体电压数据的最大值和所述最高温度数据的最大值;对于所述最低单体电压数据和所述最低温度数据,取所述特征数据中的最低单体电压数据的最小值和所述最低温度数据的最小值;对于其他数据,取所述特征数据中该数据的均值。
所述步骤一中,所述孪生网络模型的网络架构设计采用RNN方法。
所述步骤一中,行车里程每10000km划分一个所述基准老化区间。
所述步骤二中,对待判断老化程度的动力电池的充电数据进行特征工程而提取出若干项特征字段对应的数据作为特征数据。
所述步骤二中,分别计算待判断老化程度的动力电池对应的充电特征向量与各所述基准老化区间的基准老化向量之间的欧式距离,选取欧式距离最小的一个基准老化区间对应的行车里程作为待判断老化程度的动力电池的老化评估值。
由于上述技术方案运用,本发明与现有技术相比具有下列优点:本发明使用深度学习孪生网络,从大数据中提取高维度充电特征数据训练模型,保证了评估结果的准确性,可以实现无需人员现场参与、也不需专门的测量装置,单纯借助于上传的充电数据,就能对任意多电池的老化程度进行评估,实施方便。
附图说明
附图1为本发明的动力电池老化程度判断方法的流程图。
具体实施方式
下面结合附图所示的实施例对本发明作进一步描述。
实施例一:一种动力电池老化程度判断方法,包括以下步骤:
步骤一:从大数据中提取新能源汽车的多组(大量)充电数据,基于充电数据训练孪生网络模型,并利用训练好的孪生网络模型得到新能源汽车的多组充电数据对应的充电特征向量,依据行车里程划分不同的基准老化区间,将各充电特征向量归类到不同的基准老化区间,依据各基准老化区间对应的充电特征向量分别计算均值作为各基准老化区间的基准老化向量。
该步骤一具体实施如下:
1)从大数据中提取新能源汽车的多组(大量)充电数据,这些数据由新能源汽车上传并存储在数据库中以供调用。
2)充电数据特征工程
对新能源汽车的多组充电数据进行特征工程而提取出若干项特征字段对应的数据作为特征数据。
a.可用的特征字段包括:
时间(datetime)以及衍生出的月(month)、周(week)、日(day)、小时(hour)等;
车型;
经度;
纬度;
SOC;
总电压;
总电流;
环境温度;
动力电池中全部单体电压值以及衍生出的最高单体电压、最低单体电压、最高/最低压差、单体电压均值、单体电压标准差;
动力电池中全部探测温度值以及衍生出的最高温度,最低温度,最高/最低温差,温度均值,温度标准差。
b.确定最终使用的特征字段为:月(month),周(week),日(day),小时(hour),车型,经度,纬度,SOC,总电压,总电流,环境温度,全部单体电压值,最高单体电压,最低单体电压,最高/最低压差,单体电压均值,单体电压标准差,全部探测温度值,最高温度,最低温度,最高/最低温差,温度均值,温度标准差。因此,提取出若干项特征字段对应的数据所形成的特征数据包括时间数据、车型数据、定位数据、SOC、充电电流和充电电压数据、温度数据。其中,时间数据包括月数据、周数据、日数据、小时数据;定位数据包括经度数据、纬度数据;充电电流和充电电压数据包括总电压数据、总电流数据、动力电池的全部单体电压值数据、最高单体电压数据、最低单体电压数据、最高/最低压差数据、单体电压均值数据、单体电压标准差数据;温度数据包括环境温度数据、全部温度探测值数据、最高温度数据、最低温度数据、最高/最低温差数据、温度均值数据、温度标准差数据。
c. 按照SOC不同将提取出的特征数据转化为不同SOC对应的充电向量。对于每一个SOC,将同一SOC对应的特征数据转化为对应的充电向量的方法为:
对于时间数据,使用第一条特征数据中的时间数据(包括月数据、周数据、日数据、小时数据)作为单独向量中的对应字段取值;
对于车型数据,根据全部车型数据将当前车型转换成onehot形式;
对于定位数据,使用第一条特征数据中的定位数据(包括经度数据、纬度数据);
对于SOC,使用第一条特征数据中的SOC;
对于最高单体电压数据和最高温度数据,取特征数据中的最高单体电压数据的最大值和最高温度数据的最大值;
对于最低单体电压数据和最低温度数据,取特征数据中的最低单体电压数据的最小值和最低温度数据的最小值;
对于除时间数据、车型数据、定位数据、SOC、最高单体电压数据和最高温度数据、最低单体电压数据和最低温度数据以外的其他数据,取特征数据中该数据的均值。
d. 使用机器学习特征工程方法将全部特征数据向量化到[0,1];
e. 按照SOC从小到大顺序排序,得到最终时序数据。因为每次充电的起始SOC可能不同,所以最终得到的特征数据是具有统一的维度但时序长度可能互不相同的变长时间序列数据。
3)孪生网络同类或非同类数据的判定
a. 使用设定好的行车里程距离划分行驶总里程,得到不同的基准老化区间。例如,行车里程每10000km划分一个基准老化区间,即设定划分里程为10000公里时,可以得到基准老化区间:[0, 10000),[10000, 20000),[20000, 30000),…可以根据实际需要而确定划分里程,如果粗分,也可以按照比10000km更大的距离划分,如果细分,则可以按照比1000km更小的距离划分。
b. 根据充电数据中的总里程是否落在相同基准区间判定是否同类数据,总里程落在相同区间就视作同类数据,否则按照非同类数据处理,从而将各充电特征向量及对应的特征数据归类到不同的基准老化区间。
4)利用特征数据和对应的充电向量训练孪生网络模型,得到训练好的孪生网络模型。考虑到充电数据为时间序列,在具体的网络结构设计上采用RNN方法,包括模型参数、训练过程的设定等都属于深度学习具体内容,这里不做特别要求。
5)计算基准老化向量
a. 从数据库中提取全部充电过程的数据;
b. 使用前面的特征工程方法,将每一个充电过程数据的转换成特征数据后,输入训练好的孪生网络模型,利用训练好的孪生网络模型得到已提取的全部新能源汽车的多组充电数据对应的多个充电特征向量,即得到每一个充电过程对应的充电向量;
c. 根据每一个充电过程对应的总里程,将充电向量归类到不同的基准老化区间;
d. 依据各基准老化区间对应的充电特征向量,计算每一个老化区间中全部充电特征向量的均值,作为当前基准老化区间的基准老化向量。
步骤二:基于待判断老化程度的动力电池的充电数据,利用训练好的孪生网络模型得到待判断老化程度的动力电池对应的充电特征向量,分别计算待判断老化程度的动力电池对应的充电特征向量与各基准老化区间的基准老化向量之间的距离,选取距离最小的一个基准老化区间对应的行车里程作为待判断老化程度的动力电池的老化评估值,从而利用老化评估值得到待判断老化程度的动力电池的老化程度。
该步骤中,从数据库中获得最新依次充电过程数据作为待判断老化程度的动力电池的充电数据,对于待判断老化程度的动力电池的充电数据,使用前述的特征工程方法进行特征工程而提取出若干项特征字段对应的数据作为特征数据,然后将特征数据输入训练好的孪生网络模型,得到对应的充电特征向量。分别计算当前待判断老化程度的动力电池对应的充电特征向量与各基准老化区间的基准老化向量之间的欧式距离,选取欧式距离最小的一个基准老化区间对应的行车里程作为待判断老化程度的动力电池的老化评估值。则对应形成里程越高的动力电池,其老化程度越深。
实施上述动力电池老化程度判断方法的动力电池老化程度判断装置,包括一台与数据库通信的服务器,动力电池老化程度判断装置通过运行动力电池老化程度判断方法对应的程序,实现对动力电池老化程度的判断。
上述方案将深度学习中的孪生网络引入到新能源动力电池老化程度的评估,使用电动汽车大数据训练动力电池老化评估模型,使用标准老化向量及其对应里程区间作为电池老化的一种比对标准。其优势在于:
1.使用数据库中存储的充电数据在服务器端计算评估动力电池的老化程度,毫秒级实现结果的输出,不需要借助专门测试装置,不需要人工现场参与;
2.借助于大数据的数量优势和充电数据的高维度,以及深度学习的精妙网络设计,经过细致调参训练得到的模型,可以实现精准、稳定的电池老化评估结果;
3.根据不同的业务需求,通过具体的产品设定,可以提供灵活多变的iBMS服务。
上述实施例只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种动力电池老化程度判断方法,用于判断新能源汽车上所使用的动力电池的老化程度,其特征在于:所述动力电池老化程度判断方法包括以下步骤:
步骤一:从大数据中提取所述新能源汽车的多组充电数据,基于所述充电数据训练孪生网络模型,并利用训练好的所述孪生网络模型得到所述新能源汽车的多组充电数据对应的充电特征向量,依据行车里程划分不同的基准老化区间,将各所述充电特征向量归类到不同的基准老化区间,依据各所述基准老化区间对应的所述充电特征向量分别计算均值作为各所述基准老化区间的基准老化向量;
步骤二:基于待判断老化程度的动力电池的充电数据,利用训练好的所述孪生网络模型得到待判断老化程度的动力电池对应的充电特征向量,分别计算待判断老化程度的动力电池对应的充电特征向量与各所述基准老化区间的基准老化向量之间的距离,选取距离最小的一个基准老化区间对应的行车里程作为待判断老化程度的动力电池的老化评估值,从而利用所述老化评估值得到待判断老化程度的动力电池的老化程度。
2.根据权利要求1所述的动力电池老化程度判断方法,其特征在于:所述步骤一中,对所述新能源汽车的多组充电数据进行特征工程而提取出若干项特征字段对应的数据作为特征数据,按照SOC不同将提取出的所述特征数据转化为不同SOC对应的充电向量,从而利用所述特征数据和对应的充电向量训练所述孪生网络模型。
3.根据权利要求2所述的动力电池老化程度判断方法,其特征在于:所述步骤一中,将所述特征数据向量化。
4.根据权利要求2所述的动力电池老化程度判断方法,其特征在于:所述步骤一中,所述特征数据包括时间数据、车型数据、定位数据、SOC、充电电流和充电电压数据、温度数据。
5.根据权利要求4所述的动力电池老化程度判断方法,其特征在于:所述步骤一中,所述时间数据包括月数据、周数据、日数据、小时数据;所述定位数据包括经度数据、纬度数据;所述充电电流和充电电压数据包括总电压数据、总电流数据、所述动力电池的全部单体电压值数据、最高单体电压数据、最低单体电压数据、最高/最低压差数据、单体电压均值数据、单体电压标准差数据;所述温度数据包括环境温度数据、全部温度探测值数据、最高温度数据、最低温度数据、最高/最低温差数据、温度均值数据、温度标准差数据。
6.根据权利要求5所述的动力电池老化程度判断方法,其特征在于:所述步骤一中,将同一SOC对应的所述特征数据转化为对应的充电向量的方法为:对于所述时间数据,使用第一条所述特征数据中的时间数据;对于所述车型数据,根据全部所述车型数据将当前车型转换成onehot形式;对于所述定位数据,使用第一条所述特征数据中的定位数据;对于所述SOC,使用第一条所述特征数据中的SOC;对于所述最高单体电压数据和所述最高温度数据,取所述特征数据中的最高单体电压数据的最大值和所述最高温度数据的最大值;对于所述最低单体电压数据和所述最低温度数据,取所述特征数据中的最低单体电压数据的最小值和所述最低温度数据的最小值;对于其他数据,取所述特征数据中该数据的均值。
7.根据权利要求1所述的动力电池老化程度判断方法,其特征在于:所述步骤一中,所述孪生网络模型的网络架构设计采用RNN方法。
8.根据权利要求1所述的动力电池老化程度判断方法,其特征在于:所述步骤一中,行车里程每10000km划分一个所述基准老化区间。
9.根据权利要求1所述的动力电池老化程度判断方法,其特征在于:所述步骤二中,对待判断老化程度的动力电池的充电数据进行特征工程而提取出若干项特征字段对应的数据作为特征数据。
10.根据权利要求1所述的动力电池老化程度判断方法,其特征在于:所述步骤二中,分别计算待判断老化程度的动力电池对应的充电特征向量与各所述基准老化区间的基准老化向量之间的欧式距离,选取欧式距离最小的一个基准老化区间对应的行车里程作为待判断老化程度的动力电池的老化评估值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011007834.7A CN112345952A (zh) | 2020-09-23 | 2020-09-23 | 动力电池老化程度判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011007834.7A CN112345952A (zh) | 2020-09-23 | 2020-09-23 | 动力电池老化程度判断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112345952A true CN112345952A (zh) | 2021-02-09 |
Family
ID=74357676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011007834.7A Pending CN112345952A (zh) | 2020-09-23 | 2020-09-23 | 动力电池老化程度判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112345952A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116466168A (zh) * | 2023-04-24 | 2023-07-21 | 江苏新博能源科技有限公司 | 一种基于云计算的新能源管理平台异常监测***及方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107797067A (zh) * | 2016-09-05 | 2018-03-13 | 北京航空航天大学 | 一种基于深度学习的锂离子电池寿命迁移预测方法 |
CN107870306A (zh) * | 2017-12-11 | 2018-04-03 | 重庆邮电大学 | 一种基于深度神经网络下的锂电池荷电状态预测算法 |
CN108398652A (zh) * | 2017-05-26 | 2018-08-14 | 北京航空航天大学 | 一种基于多层特征融合深度学习的锂电池健康状态评估方法 |
CN108805200A (zh) * | 2018-06-08 | 2018-11-13 | 中国矿业大学 | 基于深度孪生残差网络的光学遥感场景分类方法及装置 |
CN110018427A (zh) * | 2019-05-24 | 2019-07-16 | 福建工程学院 | 一种基于行车数据的电动汽车电池健康状态评估方法 |
CN110503053A (zh) * | 2019-08-27 | 2019-11-26 | 电子科技大学 | 基于循环卷积神经网络的人体动作识别方法 |
CN110579708A (zh) * | 2019-08-29 | 2019-12-17 | 爱驰汽车有限公司 | 电池容量识别方法、装置、计算设备及计算机存储介质 |
KR20200023672A (ko) * | 2018-08-14 | 2020-03-06 | 오토시맨틱스 주식회사 | 딥러닝을 이용한 전지 진단 방법 |
CN110873841A (zh) * | 2019-11-05 | 2020-03-10 | 北京匠芯电池科技有限公司 | 一种基于数据驱动与电池特性相结合的电池寿命预测方法 |
CN111007401A (zh) * | 2019-12-16 | 2020-04-14 | 国网江苏省电力有限公司电力科学研究院 | 一种基于人工智能的电动汽车电池故障诊断方法及设备 |
CN111044927A (zh) * | 2019-12-25 | 2020-04-21 | 中国第一汽车股份有限公司 | 一种动力电池寿命评价方法及*** |
CN111308375A (zh) * | 2020-02-04 | 2020-06-19 | 浙江大学 | 一种基于lstm-ffnn的电动叉车锂离子电池健康状态预测方法 |
CN111610448A (zh) * | 2020-06-01 | 2020-09-01 | 北京理工大学 | 一种应用数字孪生技术的锂离子电池寿命预测方法 |
CN111638465A (zh) * | 2020-05-29 | 2020-09-08 | 浙大宁波理工学院 | 基于卷积神经网络和迁移学习的锂电池健康状态估计方法 |
-
2020
- 2020-09-23 CN CN202011007834.7A patent/CN112345952A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107797067A (zh) * | 2016-09-05 | 2018-03-13 | 北京航空航天大学 | 一种基于深度学习的锂离子电池寿命迁移预测方法 |
CN108398652A (zh) * | 2017-05-26 | 2018-08-14 | 北京航空航天大学 | 一种基于多层特征融合深度学习的锂电池健康状态评估方法 |
CN107870306A (zh) * | 2017-12-11 | 2018-04-03 | 重庆邮电大学 | 一种基于深度神经网络下的锂电池荷电状态预测算法 |
CN108805200A (zh) * | 2018-06-08 | 2018-11-13 | 中国矿业大学 | 基于深度孪生残差网络的光学遥感场景分类方法及装置 |
KR20200023672A (ko) * | 2018-08-14 | 2020-03-06 | 오토시맨틱스 주식회사 | 딥러닝을 이용한 전지 진단 방법 |
CN110018427A (zh) * | 2019-05-24 | 2019-07-16 | 福建工程学院 | 一种基于行车数据的电动汽车电池健康状态评估方法 |
CN110503053A (zh) * | 2019-08-27 | 2019-11-26 | 电子科技大学 | 基于循环卷积神经网络的人体动作识别方法 |
CN110579708A (zh) * | 2019-08-29 | 2019-12-17 | 爱驰汽车有限公司 | 电池容量识别方法、装置、计算设备及计算机存储介质 |
CN110873841A (zh) * | 2019-11-05 | 2020-03-10 | 北京匠芯电池科技有限公司 | 一种基于数据驱动与电池特性相结合的电池寿命预测方法 |
CN111007401A (zh) * | 2019-12-16 | 2020-04-14 | 国网江苏省电力有限公司电力科学研究院 | 一种基于人工智能的电动汽车电池故障诊断方法及设备 |
CN111044927A (zh) * | 2019-12-25 | 2020-04-21 | 中国第一汽车股份有限公司 | 一种动力电池寿命评价方法及*** |
CN111308375A (zh) * | 2020-02-04 | 2020-06-19 | 浙江大学 | 一种基于lstm-ffnn的电动叉车锂离子电池健康状态预测方法 |
CN111638465A (zh) * | 2020-05-29 | 2020-09-08 | 浙大宁波理工学院 | 基于卷积神经网络和迁移学习的锂电池健康状态估计方法 |
CN111610448A (zh) * | 2020-06-01 | 2020-09-01 | 北京理工大学 | 一种应用数字孪生技术的锂离子电池寿命预测方法 |
Non-Patent Citations (11)
Title |
---|
ANG YANG: "Lithium-ion Battery SOH Estimation and Fault Diagnosis with Missing Data", 《2019 IEEE INTERNATIONAL INSTRUMENTATION AND MEASUREMENT TECHNOLOGY CONFERENCE(12MTC)》 * |
JIANGENG LI: "Similarity Measure of Time Series Based on Siamese and Sequential Neural Networks", 《2020 39TH CHINESE CONTROL CONFERENCE(CCC)》, pages 6408 - 6413 * |
JIANTAO QU: "A Neural-Network-Based Method for RUL Prediction and SOH Monitoring of Lithium-Ion Battery", 《IEEE ACCESS》, vol. 7, pages 87178 - 87191, XP011734674, DOI: 10.1109/ACCESS.2019.2925468 * |
JIANTAO QU: "A Neural-Network-Based Method for RUL Prediction and SOH Monitoring of Lithiunm-Ion Battery", 《IEEE ACCESS》, vol. 7, pages 87178 - 87191, XP011734674, DOI: 10.1109/ACCESS.2019.2925468 * |
LYU LI: "Lithium-Ion Battery Remaining Useful Life Prognostics Using Data-Driven Deep Learning Algorithm", 《2018 PROGNOSTICS AND SYSTEM HEALTH MANAGEMENT CONFERENCE(PHM-CHONGQING) 》 * |
孙猛猛: "基于数据驱动方法的锂离子电池健康状态估计", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, no. 01, pages 035 - 1212 * |
宋新月: "基于深度学习的车用动力电池健康状态估算研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 04, pages 035 - 233 * |
宋新月: "基于深度学习的车用动力电池健康状态估算研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, no. 04, pages 035 - 233 * |
王正: "基于机器学习的新能源汽车电池剩余寿命预测", 《机械与电子》, vol. 37, no. 12, pages 9 - 11 * |
齐昊明: "基于深度学习的锂电池剩余寿命预测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 02, pages 042 - 1523 * |
齐昊明: "基于深度学习的锂电池剩余寿命预测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, no. 02, pages 042 - 1523 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116466168A (zh) * | 2023-04-24 | 2023-07-21 | 江苏新博能源科技有限公司 | 一种基于云计算的新能源管理平台异常监测***及方法 |
CN116466168B (zh) * | 2023-04-24 | 2023-11-24 | 江苏新博能源科技有限公司 | 一种基于云计算的新能源管理平台异常监测***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111707951B (zh) | 一种电池组一致性评估方法及*** | |
CN106249171B (zh) | 一种用于宽采样间隔的动力电池***辨识和状态估计方法 | |
CN113030764B (zh) | 一种电池组健康状态估计方法及*** | |
CN102119338B (zh) | 基于电池电压变化模式估计电池健康状态的方法及装置 | |
CN111323719A (zh) | 一种电动汽车动力电池组健康状态在线确定方法和*** | |
CN108490366B (zh) | 电动汽车退役电池模块健康状态的快速评估方法 | |
CN103675702A (zh) | 一种实时评估电池健康状态的方法 | |
CN105866700B (zh) | 一种锂离子电池快速筛选的方法 | |
CN108872861B (zh) | 一种在线评估电池健康状态的方法 | |
CN109613440B (zh) | 电池的分级方法、装置、设备和存储介质 | |
CN113109729B (zh) | 基于加速老化试验与实车工况的车用动力电池soh评估方法 | |
CN112858916B (zh) | 一种基于模型与数据驱动融合的电池包荷电状态估计方法 | |
CN112904208A (zh) | 用于估计电池单元的开路电压的方法和*** | |
CN110929451A (zh) | 一种燃料电池单体电压一致性预测方法 | |
CN114312322B (zh) | 车辆检测方法及装置 | |
CN115158076A (zh) | 计量误差评估方法、装置及计算机可读存储介质 | |
CN114818831B (zh) | 基于多源感知的双向锂离子电池故障检测方法及*** | |
CN108710087A (zh) | 一种纯电动汽车电池组健康状态测取装置及其测取方法 | |
CN112287980B (zh) | 基于典型特征向量的动力电池筛选方法 | |
CN112485693A (zh) | 一种基于温度概率密度函数的电池健康状态快速评估方法 | |
CN113447840B (zh) | 锂离子电池分选方法和装置 | |
CN112345952A (zh) | 动力电池老化程度判断方法 | |
CN113533995A (zh) | 一种动力电池一致性检测方法 | |
CN113495214A (zh) | 一种基于温度变化模型的超级电容荷电状态估计方法 | |
CN106599333A (zh) | 一种电源soh的估算方法 |
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 |