CN112798960A - 一种基于迁移深度学习的电池组剩余寿命预测方法 - Google Patents
一种基于迁移深度学习的电池组剩余寿命预测方法 Download PDFInfo
- Publication number
- CN112798960A CN112798960A CN202110048627.4A CN202110048627A CN112798960A CN 112798960 A CN112798960 A CN 112798960A CN 202110048627 A CN202110048627 A CN 202110048627A CN 112798960 A CN112798960 A CN 112798960A
- Authority
- CN
- China
- Prior art keywords
- battery
- battery pack
- monomer
- model
- capacity
- 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
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]
- G01R31/367—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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及一种基于迁移深度学习的电池组剩余寿命预测方法,属于电池技术领域。该方法包括以下步骤:步骤S1:收集动力电池老化数据集,建立电池老化数据库;步骤S2:根据电池单体老化数据提取多个健康因子,并根据相关性分析和容量估计误差筛选健康因子;步骤S3:基于电池单体全寿命周期老化数据集训练得到健康因子的递推模型,以及基于健康因子的容量估计模型;步骤S4:建立基于电池单体健康因子集和电池组容量衰减的机器学习模型;步骤S5:基于单体容量估计模型预测未来各单体的容量,得到未来循环的电池组单体容量分布。利用迁移学习和深度学习相结合,能够有效的利用已有的完整信息,提高电池组剩余寿命预测精度。
Description
技术领域
本发明属于电池技术领域,涉及一种基于迁移深度学习的电池组剩余寿命预测方法。
背景技术
电池的剩余寿命预测方法通常可分为基于模型和基于数据驱动两类。基于模型的一种方法主要是通过历史数据与循环次数建立的经验或半经验模型进行预测。通常为指数模型、双指数模型、或者多项式模型。利用先进滤波器例如卡尔曼滤波,粒子滤波等进行曲线拟合得到拟合曲线,从而利用拟合曲线进行容量估计或者进行剩余寿命预测。基于物理模型是另外一种基于模型的方法,该方法建立电池的老化机理模型,从而通过仿真实现未来循环的充放电模拟,进而得到容量衰减至阈值时的剩余寿命。而基于数据驱动的方法由于其不需要特殊的模型,而仅仅依赖数据本身的特性,近年来得到了快速的发展。基于数据驱动的方法通常是以容量衰减的序列构建映射关系,通过先前几个容量数据预测下一个容量数据,并进行外推得到剩余循环寿命。或者通过在充放电过程中根据特殊的工况提取相关的健康因子,建立健康因子和容量之间的映射关系,通过健康因子估计电池的容量。然后建立电池容量序列映射关系进行外推得到电池的剩余循环寿命。然而,目前的研究尚缺乏对电池组的寿命预测的实现。迁移学习能够利用有效的历史信息,对预测任务进行模型的微小修正,从而提高预测任务的效果。目前研究仍然缺乏有效的利用电池单电芯和电池组的对应关系,从而对电池组的剩余寿命的预测精度提高。此外,电池组的剩余寿命不仅需要关注整包的未来容量变化,也需要关注每个电池单体的容量分布,从而可以识别出不一致性比较大的电池单体,及时更换或进行均衡管理,以延长电池组的使用寿命。
针对上述的问题,目前尚未提出有效的基于迁移深度学习的电池组剩余寿命和电池组单体寿命分布的高效精确预测方法。
发明内容
有鉴于此,本发明的目的在于提供一种基于迁移深度学习的电池组剩余寿命预测方法。
为达到上述目的,本发明提供如下技术方案:
一种基于迁移深度学习的电池组剩余寿命预测方法,该方法包括以下步骤:
步骤S1:收集动力电池老化数据集,建立电池老化数据库,包括完整的电池单体全寿命周期数据以及由同款电芯组成的电池组早期的老化数据;
步骤S2:根据电池单体老化数据提取多个健康因子,并根据相关性分析和容量估计误差筛选健康因子;
步骤S3:基于电池单体全寿命周期老化数据集训练得到健康因子的递推模型,以及基于健康因子的容量估计模型;
步骤S4:提取电池组早期老化实验数据集每个电池单体的健康因子,建立基于电池单体健康因子集和电池组容量衰减的机器学习模型;
步骤S5:利用迁移学习对电池组每个电池单体的健康因子递推模型进行微调,并进行健康因子外推预测,最后基于外推得到的单体健康因子集估计未来循环的电池组容量;基于单体容量估计模型预测未来各单体的容量,得到未来循环的电池组单体容量分布。
可选的,所述步骤S1具体为:
步骤S11:收集某款电芯的多个电池单体的全寿命周期完整数据集,包括充放电电流、电压、温度、时间和电量参数,涵盖不同充放电倍率和环境温度的数据集;
步骤S12:收集电池单体同款电芯对应的电池组的老化实验数据集,包括每个单体的电压和温度参数,以及电池组电流和电量信息;
步骤S13:根据收集的电池单体和电池组的老化实验数据,建立某款电芯的电池老化数据集。
可选的,所述步骤S2具体为:
步骤S21:根据电池单体全寿命周期提取多个可用的健康因子;
步骤S22:通过相关性分析,筛选出和电池单体容量相关性高的健康因子;
步骤S23:基于A号电池单体建立全寿命的健康因子估计容量的机器学习模型,并利用B号电池单体提取健康因子进行容量估计,分析估计误差。
可选的,所述多个可用的健康因子包括电压曲线斜率,等时间间隔电压/温度变化,等电压/温度间隔电量变化,电量序列方差,电量差方差,容量增量曲线峰值、谷值、峰间隔、峰面积、电压/温度差分曲线峰值、谷值和峰间隔;
A号电池单体和B号电池单体指的是同款电芯的不同电池单体,机器学习模型为高斯过程回归模型或相关向量机模型,实现概率预测。
可选的,所述步骤S3具体为:
步骤S31:根据选定的健康因子,建立多个单体的全寿命周期健康因子递推衰减的深度学习模型;
步骤S32:根据选的的健康因子,建立多个单体的全寿命周期基于健康因子的容量估计模型。
可选的,所述深度学习模型具体指多层神经网络构建的模型,为高斯过程回归模型或相关向量机模型,实现概率预测。
可选的,所述步骤S4具体为:
步骤S41:根据选定的健康因子,提取电池组早期循环中每个电池单体的健康因子,建立电池组各单体的健康因子组成的特征集;
步骤S42:根据单体特征集和电池组容量真值,建立电池组容量估计的机器学习模型。
可选的,所述特征集为电池组中每个电池单体特征组成的特征矩阵,为高斯过程回归模型或相关向量机模型,实现概率预测。
可选的,所述步骤S5具体为:
步骤S51:利用前期训练好的电池单体全寿命周期健康因子衰减模型和电池组各单体早期提取的健康因子,运用迁移学习的方法将训练好的网络进行部分结构再训练,得到电池组每个单体的健康因子递推模型;
步骤S52:根据每个单体的健康因子递推模型,外推得到未来未知循环次数的健康因子预测值;
步骤S53:根据建立的电池单体特征集估计电池组容量的机器学习模型,预测未来循环的电池组容量值;
步骤S54:根据建立的电池单体容量估计模型,得到未来未知循环的电池组内各单体的容量预测值,从而得到电池组单体的容量预测分布;
迁移学习的方法将基于早期训练好的健康因子递推模型的深度学习网络,选择性的冻结某些层,对剩下的层进行模型再训练,或拆掉某些层并重新构建网络进行新网络的再训练。
本发明的有益效果在于:
1)利用迁移学习和深度学习相结合,能够有效的利用已有的完整信息,提高电池组剩余寿命预测精度。
2)所提出的电池组剩余寿命预测可实现整组寿命预测和电池单体寿命分布预测。
3)所提出的方案可以指导电池组的设计和开发,仅利用早期数据进行寿命预测,从而优化电池组的设计。
4)所提出的方案提供了概率性预测,提供预测的置信分布。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明整体的方法流程图;
图2为实施例的健康因子示意图;(a)为基于测量数据特征提取示意图;(b)为基于电量方差特征示意图;(c)为基于IC曲线特征提取示意图;(d)为基于DV曲线特征提取示意图;(e)为基于DT曲线特征提取示意图;
图3为实施例技术路线图;
图4为实施例采用的迁移深度学习网络结构图;
图5为实施例的健康因子筛选和模型建立流程。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
请参阅图1,一种基于迁移深度学习的电池组剩余寿命预测方法可以分为以下步骤:
步骤S1:收集动力电池老化数据集,建立电池老化数据库,包括完整的电池单体全寿命周期数据以及由同款电芯组成的电池组早期的老化数据。
步骤S2:根据电池单体老化数据提取多个健康因子,并根据相关性分析和容量估计误差筛选健康因子。
步骤S3:基于电池单体全寿命周期老化数据集训练得到健康因子的递推模型,以及基于健康因子的容量估计模型。
步骤S4:提取电池组早期老化实验数据集每个电池单体的健康因子,建立基于电池单体健康因子集和电池组容量衰减的机器学习模型。
步骤S5:利用迁移学习对电池组每个电池单体的健康因子递推模型进行微调,并进行健康因子外推预测,最后基于外推得到的单体健康因子集估计未来循环的电池组容量;基于单体容量估计模型预测未来各单体的容量,得到未来循环的电池组单体容量分布。
作为一种可选的实施例,本方案的完整技术路线图如图3所示。
作为一种可选的实施例,上述步骤S1具体包括S11-S13:
步骤S11:收集某款电芯的多个电池单体的全寿命周期完整数据集,包括充放电电流、电压、温度、时间、电量等参数,可涵盖不同充放电倍率和环境温度的数据集。
步骤S12:收集电池单体同款电芯对应的电池组的老化实验数据集,包括每个单体的电压、温度等参数和电池组电流、电量等信息。
步骤S13:根据收集的电池单体和电池组的老化实验数据,建立某款电芯的电池老化数据集。
作为一种可选的实施例,上述步骤S2具体包括S21-S23:
步骤S21:根据电池单体全寿命周期提取多个可用的健康因子。
步骤S22:通过相关性分析,筛选出和电池单体容量相关性高的健康因子。
步骤S23:基于A号电池单体建立全寿命的健康因子估计容量的机器学习模型,并利用B号电池单体提取健康因子进行容量估计,分析估计误差。
作为一种可选的实施例,所述的S21中的多个可用的健康因子包括电压曲线斜率,等时间间隔电压/温度变化,等电压/温度间隔电量变化,电量序列方差,电量差方差,容量增量曲线峰值、谷值、峰间隔、峰面积,电压/温度差分曲线峰值、谷值、峰间隔等,如图2所示,为实施例的健康因子示意图;(a)为基于测量数据特征提取示意图;(b)为基于电量方差特征示意图;(c)为基于IC曲线特征提取示意图;(d)为基于DV曲线特征提取示意图;(e)为基于DT曲线特征提取示意图;
提取方法流程如下:
b)相同充电/放电时间电压差:ETDV=f(V0,t_interval)
c)相同电压区间电量差;EVDQ=f(Q0,t_interval)
作为一种可选的实施例,S22所述的评价体系中相关系数法可采用皮尔森相关系数,如下
作为一种可选的实施例,采用高斯过程回归利用A号电池建模,利用B号电池评估估计
效果,高斯过程回归算法流程如下:
式中ε是符合高斯分布的白噪声。f(x)可写为:
式中m(x)和k(x,x')分别为均值函数和协方差函数,分别为:
m(x)=E[f(x)],k(x,x')=E[(f(x)-m(x))(f(x')-m(x'))T]
作为一种可选的实施例,采用均方根误差评价估计效果。
作为一种可选的实施例,上述步骤S3具体包括S31-S32
步骤S31:根据选定的健康因子,建立多个单体的全寿命周期健康因子递推衰减的深度学习模型。
步骤S32:根据选的的健康因子,建立多个单体的全寿命周期基于健康因子的容量估计模型。
作为一种可选的实施例,全寿命周期健康因子递推衰减模型采用前m个健康因子预测下一循环的健康因子的方式,即:HIk+1=f(HIk-m,...,HIk),全寿命周期健康因子递推衰减模型利用深度神经网络进行建模,具体如图4所示,包括一层输入层,一层长短时记忆神经网络层,一层全连接层和一层输出层。容量估计模型同样采用高斯过程回归模型。
作为一种可选的实施例,步骤S4具体包括步骤S41-S42
步骤S41:根据选定的健康因子,提取电池组早期循环中每个电池单体的健康因子,建立电池组各单体的健康因子组成的特征集。
步骤S42:根据单体特征集和电池组容量真值,建立电池组容量估计的机器学习模型。
作为一种可选的实施例,特征集为每个电池单体对应经筛选后的健康因子为一列,循环次数为行建立的特征矩阵,采用高斯过程回归建立基于特征集的电池组容量估计模型。
步骤S2-S4所述的具体技术实现如图5所示。
作为一种可选的实施例,步骤S5具体包括步骤S51-S54
步骤S51:利用前期训练好的电池单体全寿命周期健康因子衰减模型和电池组各单体早期提取的健康因子,运用迁移学习的方法将训练好的网络进行部分结构再训练,得到电池组每个单体的健康因子递推模型。
步骤S52:根据每个单体的健康因子递推模型,外推得到未来未知循环次数的健康因子预测值。
步骤S53:根据建立的电池单体特征集估计电池组容量的机器学习模型,预测未来循环的电池组容量值。
步骤S54:根据建立的电池单体容量估计模型,得到未来未知循环的电池组内各单体的容量预测值,从而得到电池组单体的容量预测分布。
作为一种可选的实施例,迁移学习冻结前面输入层和长短时记忆神经网络层,每个单体再训练时对全连接层和输出层的参数进行再训练,以达到模型微调的目的。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种基于迁移深度学习的电池组剩余寿命预测方法,其特征在于:该方法包括以下步骤:
步骤S1:收集动力电池老化数据集,建立电池老化数据库,包括完整的电池单体全寿命周期数据以及由同款电芯组成的电池组早期的老化数据;
步骤S2:根据电池单体老化数据提取多个健康因子,并根据相关性分析和容量估计误差筛选健康因子;
步骤S3:基于电池单体全寿命周期老化数据集训练得到健康因子的递推模型,以及基于健康因子的容量估计模型;
步骤S4:提取电池组早期老化实验数据集每个电池单体的健康因子,建立基于电池单体健康因子集和电池组容量衰减的机器学习模型;
步骤S5:利用迁移学习对电池组每个电池单体的健康因子递推模型进行微调,并进行健康因子外推预测,最后基于外推得到的单体健康因子集估计未来循环的电池组容量;基于单体容量估计模型预测未来各单体的容量,得到未来循环的电池组单体容量分布。
2.根据权利要求1所述的一种基于迁移深度学习的电池组剩余寿命预测方法,其特征在于:所述步骤S1具体为:
步骤S11:收集某款电芯的多个电池单体的全寿命周期完整数据集,包括充放电电流、电压、温度、时间和电量参数,涵盖不同充放电倍率和环境温度的数据集;
步骤S12:收集电池单体同款电芯对应的电池组的老化实验数据集,包括每个单体的电压和温度参数,以及电池组电流和电量信息;
步骤S13:根据收集的电池单体和电池组的老化实验数据,建立某款电芯的电池老化数据集。
3.根据权利要求2所述的一种基于迁移深度学习的电池组剩余寿命预测方法,其特征在于:所述步骤S2具体为:
步骤S21:根据电池单体全寿命周期提取多个可用的健康因子;
步骤S22:通过相关性分析,筛选出和电池单体容量相关性高的健康因子;
步骤S23:基于A号电池单体建立全寿命的健康因子估计容量的机器学习模型,并利用B号电池单体提取健康因子进行容量估计,分析估计误差。
4.根据权利要求3所述的一种基于迁移深度学习的电池组剩余寿命预测方法,其特征在于:所述多个可用的健康因子包括电压曲线斜率,等时间间隔电压/温度变化,等电压/温度间隔电量变化,电量序列方差,电量差方差,容量增量曲线峰值、谷值、峰间隔、峰面积、电压/温度差分曲线峰值、谷值和峰间隔;
A号电池单体和B号电池单体指的是同款电芯的不同电池单体,机器学习模型为高斯过程回归模型或相关向量机模型,实现概率预测。
5.根据权利要求3所述的一种基于迁移深度学习的电池组剩余寿命预测方法,其特征在于:所述步骤S3具体为:
步骤S31:根据选定的健康因子,建立多个单体的全寿命周期健康因子递推衰减的深度学习模型;
步骤S32:根据选的的健康因子,建立多个单体的全寿命周期基于健康因子的容量估计模型。
6.根据权利要求5所述的一种基于迁移深度学习的电池组剩余寿命预测方法,其特征在于:所述深度学习模型具体指多层神经网络构建的模型,为高斯过程回归模型或相关向量机模型,实现概率预测。
7.根据权利要求5所述的一种基于迁移深度学习的电池组剩余寿命预测方法,其特征在于:所述步骤S4具体为:
步骤S41:根据选定的健康因子,提取电池组早期循环中每个电池单体的健康因子,建立电池组各单体的健康因子组成的特征集;
步骤S42:根据单体特征集和电池组容量真值,建立电池组容量估计的机器学习模型。
8.根据权利要求7所述的一种基于迁移深度学习的电池组剩余寿命预测方法,其特征在于:所述特征集为电池组中每个电池单体特征组成的特征矩阵,为高斯过程回归模型或相关向量机模型,实现概率预测。
9.根据权利要求7所述的一种基于迁移深度学习的电池组剩余寿命预测方法,其特征在于:所述步骤S5具体为:
步骤S51:利用前期训练好的电池单体全寿命周期健康因子衰减模型和电池组各单体早期提取的健康因子,运用迁移学习的方法将训练好的网络进行部分结构再训练,得到电池组每个单体的健康因子递推模型;
步骤S52:根据每个单体的健康因子递推模型,外推得到未来未知循环次数的健康因子预测值;
步骤S53:根据建立的电池单体特征集估计电池组容量的机器学习模型,预测未来循环的电池组容量值;
步骤S54:根据建立的电池单体容量估计模型,得到未来未知循环的电池组内各单体的容量预测值,从而得到电池组单体的容量预测分布;
迁移学习的方法将基于早期训练好的健康因子递推模型的深度学习网络,选择性的冻结某些层,对剩下的层进行模型再训练,或拆掉某些层并重新构建网络进行新网络的再训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110048627.4A CN112798960B (zh) | 2021-01-14 | 2021-01-14 | 一种基于迁移深度学习的电池组剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110048627.4A CN112798960B (zh) | 2021-01-14 | 2021-01-14 | 一种基于迁移深度学习的电池组剩余寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112798960A true CN112798960A (zh) | 2021-05-14 |
CN112798960B CN112798960B (zh) | 2022-06-24 |
Family
ID=75810843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110048627.4A Active CN112798960B (zh) | 2021-01-14 | 2021-01-14 | 一种基于迁移深度学习的电池组剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112798960B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113406496A (zh) * | 2021-05-26 | 2021-09-17 | 广州市香港科大***研究院 | 基于模型迁移的电池容量预测方法、***、装置及介质 |
CN113791351A (zh) * | 2021-09-17 | 2021-12-14 | 电子科技大学 | 基于迁移学习和差值概率分布的锂电池寿命预测方法 |
CN113820604A (zh) * | 2021-08-30 | 2021-12-21 | 昆明理工大学 | 一种基于温度预测的锂电池soh估计方法 |
CN114167284A (zh) * | 2021-11-02 | 2022-03-11 | 江苏博强新能源科技股份有限公司 | 基于bms大数据和集成学习的锂电池rul预测方法及设备 |
CN114184972A (zh) * | 2021-11-02 | 2022-03-15 | 江苏博强新能源科技股份有限公司 | 数据驱动与电化学机理结合的电池soh自动估计方法及设备 |
CN114216558A (zh) * | 2022-02-24 | 2022-03-22 | 西安因联信息科技有限公司 | 一种无线振动传感器电池剩余寿命预测方法及*** |
CN114580262A (zh) * | 2021-11-18 | 2022-06-03 | 吉林大学 | 一种锂离子电池健康状态估计方法 |
CN116593903A (zh) * | 2023-07-17 | 2023-08-15 | 中国华能集团清洁能源技术研究院有限公司 | 电池剩余寿命预测方法及装置 |
WO2023189368A1 (ja) * | 2022-03-30 | 2023-10-05 | ヌヴォトンテクノロジージャパン株式会社 | 蓄電池の劣化推定装置、及び蓄電池の劣化推定方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150349385A1 (en) * | 2014-04-01 | 2015-12-03 | Medtronic, Inc. | Method and System for Predicting Useful Life of a Rechargeable Battery |
CN107064800A (zh) * | 2016-11-29 | 2017-08-18 | 北京交通大学 | 锂离子电池剩余使用寿命的实时预测方法 |
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 |
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*** |
CN109342949A (zh) * | 2018-11-06 | 2019-02-15 | 长沙理工大学 | 充电过程中锂离子动力电池剩余寿命在线预测方法 |
US20190257886A1 (en) * | 2018-02-21 | 2019-08-22 | Nec Laboratories America, Inc. | Deep learning approach for battery aging model |
CN110927591A (zh) * | 2019-12-11 | 2020-03-27 | 北京理工大学 | 一种电池容量估计方法、计算机可读介质及车辆 |
CN111007417A (zh) * | 2019-12-06 | 2020-04-14 | 重庆大学 | 基于不一致性评估的电池组soh和rul预测方法及*** |
CN111443294A (zh) * | 2020-04-10 | 2020-07-24 | 华东理工大学 | 一种锂离子电池剩余寿命间接预测方法及装置 |
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 |
CN111722115A (zh) * | 2019-03-18 | 2020-09-29 | 上海汽车集团股份有限公司 | 一种动力电池寿命预测方法及*** |
CN111983474A (zh) * | 2020-08-25 | 2020-11-24 | 陕西科技大学 | 一种基于容量衰退模型的锂离子电池寿命预测方法和*** |
CN112014735A (zh) * | 2019-05-30 | 2020-12-01 | 上海汽车集团股份有限公司 | 一种基于全寿命周期的电芯老化寿命预测方法及装置 |
CN112051506A (zh) * | 2020-08-28 | 2020-12-08 | 北京航空航天大学 | 一种相似产品可迁移样本筛选方法、***及用途 |
CN112083337A (zh) * | 2020-10-22 | 2020-12-15 | 重庆大学 | 一种面向预测性运维的动力电池健康预测方法 |
-
2021
- 2021-01-14 CN CN202110048627.4A patent/CN112798960B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150349385A1 (en) * | 2014-04-01 | 2015-12-03 | Medtronic, Inc. | Method and System for Predicting Useful Life of a Rechargeable Battery |
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 |
CN107064800A (zh) * | 2016-11-29 | 2017-08-18 | 北京交通大学 | 锂离子电池剩余使用寿命的实时预测方法 |
US20190257886A1 (en) * | 2018-02-21 | 2019-08-22 | Nec Laboratories America, Inc. | Deep learning approach for battery aging model |
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*** |
CN109342949A (zh) * | 2018-11-06 | 2019-02-15 | 长沙理工大学 | 充电过程中锂离子动力电池剩余寿命在线预测方法 |
CN111722115A (zh) * | 2019-03-18 | 2020-09-29 | 上海汽车集团股份有限公司 | 一种动力电池寿命预测方法及*** |
CN112014735A (zh) * | 2019-05-30 | 2020-12-01 | 上海汽车集团股份有限公司 | 一种基于全寿命周期的电芯老化寿命预测方法及装置 |
CN111007417A (zh) * | 2019-12-06 | 2020-04-14 | 重庆大学 | 基于不一致性评估的电池组soh和rul预测方法及*** |
CN110927591A (zh) * | 2019-12-11 | 2020-03-27 | 北京理工大学 | 一种电池容量估计方法、计算机可读介质及车辆 |
CN111443294A (zh) * | 2020-04-10 | 2020-07-24 | 华东理工大学 | 一种锂离子电池剩余寿命间接预测方法及装置 |
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 |
CN111983474A (zh) * | 2020-08-25 | 2020-11-24 | 陕西科技大学 | 一种基于容量衰退模型的锂离子电池寿命预测方法和*** |
CN112051506A (zh) * | 2020-08-28 | 2020-12-08 | 北京航空航天大学 | 一种相似产品可迁移样本筛选方法、***及用途 |
CN112083337A (zh) * | 2020-10-22 | 2020-12-15 | 重庆大学 | 一种面向预测性运维的动力电池健康预测方法 |
Non-Patent Citations (1)
Title |
---|
刘大同 等: "锂离子电池组健康状态估计综述", 《仪器仪表学报》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113406496A (zh) * | 2021-05-26 | 2021-09-17 | 广州市香港科大***研究院 | 基于模型迁移的电池容量预测方法、***、装置及介质 |
CN113406496B (zh) * | 2021-05-26 | 2023-02-28 | 广州市香港科大***研究院 | 基于模型迁移的电池容量预测方法、***、装置及介质 |
CN113820604A (zh) * | 2021-08-30 | 2021-12-21 | 昆明理工大学 | 一种基于温度预测的锂电池soh估计方法 |
CN113820604B (zh) * | 2021-08-30 | 2024-04-26 | 昆明理工大学 | 一种基于温度预测的锂电池soh估计方法 |
CN113791351A (zh) * | 2021-09-17 | 2021-12-14 | 电子科技大学 | 基于迁移学习和差值概率分布的锂电池寿命预测方法 |
CN113791351B (zh) * | 2021-09-17 | 2022-04-19 | 电子科技大学 | 基于迁移学习和差值概率分布的锂电池寿命预测方法 |
CN114167284B (zh) * | 2021-11-02 | 2023-12-22 | 江苏博强新能源科技股份有限公司 | 基于bms大数据和集成学习的锂电池rul预测方法及设备 |
CN114167284A (zh) * | 2021-11-02 | 2022-03-11 | 江苏博强新能源科技股份有限公司 | 基于bms大数据和集成学习的锂电池rul预测方法及设备 |
CN114184972A (zh) * | 2021-11-02 | 2022-03-15 | 江苏博强新能源科技股份有限公司 | 数据驱动与电化学机理结合的电池soh自动估计方法及设备 |
CN114184972B (zh) * | 2021-11-02 | 2023-12-22 | 江苏博强新能源科技股份有限公司 | 数据驱动与电化学机理结合的电池soh自动估计方法及设备 |
CN114580262A (zh) * | 2021-11-18 | 2022-06-03 | 吉林大学 | 一种锂离子电池健康状态估计方法 |
CN114216558B (zh) * | 2022-02-24 | 2022-06-14 | 西安因联信息科技有限公司 | 一种无线振动传感器电池剩余寿命预测方法及*** |
CN114216558A (zh) * | 2022-02-24 | 2022-03-22 | 西安因联信息科技有限公司 | 一种无线振动传感器电池剩余寿命预测方法及*** |
WO2023189368A1 (ja) * | 2022-03-30 | 2023-10-05 | ヌヴォトンテクノロジージャパン株式会社 | 蓄電池の劣化推定装置、及び蓄電池の劣化推定方法 |
CN116593903B (zh) * | 2023-07-17 | 2023-10-20 | 中国华能集团清洁能源技术研究院有限公司 | 电池剩余寿命预测方法及装置 |
CN116593903A (zh) * | 2023-07-17 | 2023-08-15 | 中国华能集团清洁能源技术研究院有限公司 | 电池剩余寿命预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112798960B (zh) | 2022-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112798960B (zh) | 一种基于迁移深度学习的电池组剩余寿命预测方法 | |
CN111443294B (zh) | 一种锂离子电池剩余寿命间接预测方法及装置 | |
Sui et al. | A review of non-probabilistic machine learning-based state of health estimation techniques for Lithium-ion battery | |
CN110221225B (zh) | 一种航天器锂离子电池循环寿命预测方法 | |
Wang et al. | A critical review of online battery remaining useful lifetime prediction methods | |
CN108896914B (zh) | 一种锂电池健康状况的梯度提升树建模与预测方法 | |
CN110568359B (zh) | 一种锂电池剩余寿命预测方法 | |
CN111680848A (zh) | 基于预测模型融合的电池寿命预测方法及存储介质 | |
CN110658462B (zh) | 一种基于数据融合与arima模型的锂电池在线寿命预测方法 | |
CN103954913A (zh) | 电动汽车动力电池寿命预测方法 | |
CN112611976A (zh) | 一种基于双差分曲线的动力电池健康状态估计方法 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及*** | |
Venugopal et al. | Analysis of optimal machine learning approach for battery life estimation of Li-ion cell | |
CN112098878A (zh) | 一种锂电池soh估算和rul预测的端到端神经网络建立方法 | |
CN116449218B (zh) | 一种锂电池健康状态的估计方法 | |
CN113820604A (zh) | 一种基于温度预测的锂电池soh估计方法 | |
CN114384435A (zh) | 一种基于wsa-lstm算法的新能源汽车动力电池剩余使用寿命自适应预测方法 | |
CN115236522A (zh) | 基于混合深度神经网络的储能电池端到端容量估计方法 | |
CN115994441A (zh) | 基于机理信息的大数据云平台在线电池寿命预测方法 | |
CN116796623A (zh) | 锂电池soc的预测方法、***、设备和介质 | |
CN116106761A (zh) | 基于典型相关分析的锂离子电池电量实时估计方法 | |
CN115542182A (zh) | 一种移动储能***串联电池组soh估计方法 | |
CN111337833B (zh) | 一种基于动态时变权重的锂电池容量集成预测方法 | |
Zhang et al. | Remaining useful life prediction of lithium-ion batteries based on TCN-DCN fusion model combined with IRRS filtering | |
US20230305073A1 (en) | Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern |
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 |