CN113671394A - 一种锂离子电池期望寿命预测方法及*** - Google Patents

一种锂离子电池期望寿命预测方法及*** Download PDF

Info

Publication number
CN113671394A
CN113671394A CN202110938372.9A CN202110938372A CN113671394A CN 113671394 A CN113671394 A CN 113671394A CN 202110938372 A CN202110938372 A CN 202110938372A CN 113671394 A CN113671394 A CN 113671394A
Authority
CN
China
Prior art keywords
data
battery
lithium ion
ion battery
model
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
Application number
CN202110938372.9A
Other languages
English (en)
Inventor
王宁
林伟杰
刘明义
宋太纪
曹曦
宋吉硕
郭敬禹
陈志强
裴杰
曹传钊
陆泽宇
张鹏
刘海林
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.)
China Huaneng Group Hong Kong Ltd
Huaneng Clean Energy Research Institute
Original Assignee
China Huaneng Group Hong Kong Ltd
Huaneng Clean Energy Research Institute
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 China Huaneng Group Hong Kong Ltd, Huaneng Clean Energy Research Institute filed Critical China Huaneng Group Hong Kong Ltd
Priority to CN202110938372.9A priority Critical patent/CN113671394A/zh
Publication of CN113671394A publication Critical patent/CN113671394A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385Arrangements for measuring battery or accumulator variables
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367Software therefor, e.g. for battery testing using modelling or look-up tables
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385Arrangements for measuring battery or accumulator variables
    • G01R31/387Determining ampere-hour charge capacity or SoC
    • G01R31/388Determining ampere-hour charge capacity or SoC involving voltage measurements
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392Determining battery ageing or deterioration, e.g. state of health

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种锂离子电池期望寿命预测方法及***,通过采集锂离子电池运行数据,通过构建放点容量与电压间的关系曲线机器变换数据构建特征,分别对初始特征和label向量取对数处理,然后进行标准化处理,通过设置网格搜索和交叉验证选择标准化处理后的数据符合电池寿命预测模型参数的最佳参数,使得锂离子电池即使在容量衰减开始之前,基于数据模型也具有出色的预测性能,预测结果更加精确,计算过程更加高效,本发明为锂离子电池的运行管理提供高效可靠的决策参考,提高了管理效率,以支撑锂离子电池的预测维护与保障。

Description

一种锂离子电池期望寿命预测方法及***
技术领域
本发明属于电池寿命预测领域,具体涉及一种锂离子电池期望寿命预测方法及***。
背景技术
随着我国工业的迅速发展,当前对各种能源的需求仍在不断增长,由于储能设备的进步,使得一些新能源例如风能、光伏发电的能源可以通过电能的形式储存起来。而锂离子电池由于存在着众多优点,例如能量密度高、电化学特性稳定以及污染较少、循环寿命较长等,已经得到了市场的极大认可,被各种行业都大量投入使用,并展现出了极为突出的优越性。随着相关领域对电池的应用越来越多,如何有效的评估预测电池期望寿命不仅是支撑锂离子电池的预测维护与保障的重要依据,同时也是极大的保障了电池的安全使用。但锂电池的衰减过程是典型的非线性电化学***机理,容易受到电流、温度、内阻等因素影响进而发生老化,且化学内部特性参数不易被测量,因此对电池寿命的准确评估有着不小的难度。所以能够准确、快速的对锂电池的寿命预测不仅提高了相关领域的安全性,而且能够为相关领域节省大量的资金和时间。因此研究出能够准确预测锂离子电池剩余寿命的方法对其实际应用有着重大意义。
目前用于预测的方法主要有数据驱动和物理模型驱动两类,基于数据驱动的预测方法通过挖掘失效数据,得到电池性能的退化规律,利用大量数据完成拟合,不需要先验的锂离子电池组件退化模型,在预测方面具有较大优势。基于物理模型的方法对锂电池内部的物化过程进行分析,从而建立反映对象演变过程的物理模型,通过相关数据对模型参数进行调整,然后进行运行寿命预测,能够真实反应电池内部情况。现有技术需要了解电化学内部复杂电化学反应的化学和物理机制,使用条件苛刻。锂离子电池寿命预测需要建立实时且能够处理大量数据的预测方法,而目前的预测方法并不能满足需求,且现有的电池寿命预测方法预测偏差大、预测时间长、预测结果精度低,无法为锂离子电池管理提供高效可靠的锂离子电池寿命预测参数。
CN111426952A公开了一种锂离子电池的寿命预测方法,该方法分别通过两次迭代建立容量衰减模型,然后将电池实际使用的工况信息代入容量衰减模型,从而求得电池的预测寿命。优点是:相对于现有技术中单纯预测存储寿命或循环寿命的方法更符合电池的实际使用情况,能够快速预测电池的实际使用寿命。但是该方法使用的条件有较多限制,需要了解电化学内部复杂电化学反应的化学和物理机制,一旦模型建立错误,将对后续的预测结果带来很大的偏差。
CN107748936A公开了一种基于遗传算法改进的BP神经网络蓄电池寿命预测算法,该算法使用遗传算法对BP神经网络进行优化;借鉴已有的蓄电池寿命预测思路,建立BP神经网络模型。该方法结合了BP神经网络和遗传算法,通过遗传算法为BP神经网络寻求最优参数,可以有效避免算法陷入局部极值点。但是虽然神经网络对历史数据具有很好的学习能力,但是网络结构错综复杂难以确定,对数据的样本量和质量要求很高,且不具有输出的不确定性表达。
发明内容
本发明的目的在于提供一种锂离子电池期望寿命预测方法及***,以克服现有技术的不足。
为达到上述目的,本发明采用如下技术方案:
一种锂离子电池期望寿命预测方法,包括以下步骤:
S1,采集电池组的实测数据并对采集的数据进行清洗去燥;
S2,对电池组中每节电池的放电容量、充电容量、电压、电流、温度因素进行电池寿命分析,根据清洗去燥后的实测数据分析电池组的放电容量与电压曲线关系,然后对放电容量与电压曲线关系进行数据变换,获得模型输入初始特征和label向量;
S3,分别对初始特征和label向量取对数处理,然后进行标准化处理;
S4,通过设置网格搜索和交叉验证选择标准化处理后的数据符合电池寿命预测模型参数的最佳参数;
S5,从获取的最佳参数选取特征变量作为输入数据分别带入多种模型训练,通过多次循环迭代寻找最佳的模型参数,然后选取拟合效果最好的模型进行结果融合,从而获得电池期望寿命预测模型;
S6,将待测电池的时间变量参数和数据变换得到的数据作为输入特征输入至电池期望寿命预测模型,通过电池期望寿命预测模型预测获取锂离子电池的循环周期。
进一步的,对采集电池组的实测数据进行清洗去燥包括数据去燥、缺失值处理和格式内容处理。
进一步的,进行数据清洗时,采用箱线图和小波阈值法去除高频噪音数据。
进一步的,根据待测电池组的放电容量与电压曲线关系,对放电容量与电压曲线关系进行数据变换,选取时间变量参数和数据变换后的参数作为输入特征输入至电池期望寿命预测模型,以锂离子电池的循环周期作为输出数据,通过多个模型的选优并融合从而预测出锂离子电池期望寿命。
进一步的,时间变量参数包括锂离子电池放电容量、电压、充电时间、电池内阻和温度。
进一步的,采用对数据集的标准化处理进行无量纲化处理。
进一步的,无量纲化处理采用z-score标准化(zero-mean normalization)计算方法,转换公式为:
Figure BDA0003213761260000041
其中,xi为原始数据,
Figure BDA0003213761260000047
为原始数据均值,其中
Figure BDA0003213761260000042
n为样本数量,s为原始数据标准差,其中
Figure BDA0003213761260000043
进一步的,从标准化处理后的数据中提取样本数据,并分为训练集、测试集和第二测试集,采用第二测试数据集对电池期望寿命预测模型进行评估。
进一步的,模型的评估选择均方根误差和平均误差百分比来评估模型性能,均方根误差是观测值与真值偏差的平方和与观测次数比值的平方根,是用来衡量观测值同真值之间的偏差,均方根误差RMSE定义公式为:
Figure BDA0003213761260000044
平均百分比误差定义公式为:
Figure BDA0003213761260000045
其中yi是观察到的循环寿命,
Figure BDA0003213761260000046
是预测的循环寿命,n是样本总数。
一种锂离子电池期望寿命预测***,包括数据预处理模块和预测模块,
数据预处理模块用于对采集的数据进行清洗去燥,然后对电池组中每节电池的放电容量、充电容量、电压、电流、温度因素进行电池寿命分析,根据清洗去燥后的实测数据分析电池组的放电容量与电压曲线关系,然后对放电容量与电压曲线关系进行数据变换,获得模型输入初始特征和label向量;再分别对初始特征和label向量取对数处理,然后进行标准化处理,最后通过设置网格搜索和交叉验证选择标准化处理后的数据符合电池寿命预测模型参数的最佳参数,利用获取的最佳参数选取特征变量作为输入数据分别带入多种模型训练,通过多次循环迭代寻找最佳的模型参数,然后选取拟合效果最好的模型进行结果融合,从而获得电池期望寿命预测模型,预测模块用于存储电池期望寿命预测模型,并根据待测电池的时间变量参数和数据变换得到的数据对待测电池的寿命进行预测输出预测结果。
与现有技术相比,本发明具有以下有益的技术效果:
本发明一种锂离子电池期望寿命预测方法,通过采集锂离子电池运行数据,通过构建放点容量与电压间的关系曲线机器变换数据构建特征,分别对初始特征和label向量取对数处理,然后进行标准化处理,通过设置网格搜索和交叉验证选择标准化处理后的数据符合电池寿命预测模型参数的最佳参数,使得锂离子电池即使在容量衰减开始之前,基于数据模型也具有出色的预测性能,预测结果更加精确,计算过程更加高效,本发明为锂离子电池的运行管理提供高效可靠的决策参考,提高了管理效率,以支撑锂离子电池的预测维护与保障。
进一步的,采用了多模型融合的方法,提高了模型的鲁棒性和预测精度。
进一步的,采用特征子集的线性组合来预测循环寿命的对数,采用正则化线性模型,能后得到具有不同复杂度的领域特定特征,同时保持较高的可解释性。线性模型的计算成本也很低。
附图说明
图1为本发明实施例中锂离子电池期望寿命预测方法的流程示意图。
图2为本发明实施例中锂离子电池寿命预测方法的模型融合流程示意图。
图3为本发明实施例中锂离子电池第100次和第10次放电容量之差与电压曲线趋势图。
图4为本发明实施例中锂离子电池第100次和第10次放电容量之差的方差与循环周期双对数分布图。
图5为本发明实施例中锂离子电池寿命预测值和真实值的关系图。
具体实施方式
下面结合附图对本发明做进一步详细描述:
如图1、图2,一种锂离子电池期望寿命预测方法,包括以下步骤:
S1,采用电池采集装置采集电池组的实测数据并上传到电池寿命预测数据库中,并对采集电池组的实测数据进行清洗去燥,清洗去燥包括数据去燥、缺失值处理、格式内容处理;进行数据清洗时,采用箱线图和小波阈值法去除高频噪音数据。
S2,数据预处理分析:对电池组中每节电池的放电容量、充电容量、电压、电流、温度因素进行电池寿命分析,根据清洗去燥后的实测数据分析电池组的放电容量与电压曲线关系,然后对放电容量与电压曲线关系进行数据变换,获得模型输入初始特征和label向量;
S3,分别对初始特征和label向量取对数处理,然后进行标准化处理以消除不同特征间的量纲并提升运行速率;
然后对标准化处理后的数据提取样本数据,并将提取的样本数据划分为训练集、测试集和第二测试集;
S4,设置多组锂离子电池寿命预测模型参数,预测模型参数包括模型惩罚项、学习率、损失函数,并通过设置网格搜索和交叉验证选择最佳参数;
S5,采用获取的最佳参数组成的特征子集的线性组合来预测循环寿命的对数,从获取的最佳参数选取特征变量作为输入数据分别带入多种模型训练,通过多次循环迭代寻找最佳的模型参数,然后选取拟合效果最好的模型进行结果融合,从而获得电池期望寿命预测模型;
S6,将待测电池的时间变量参数作为输入特征输入至电池期望寿命预测模型,通过电池期望寿命预测模型预测获取锂离子电池的循环周期。
根据待测电池组的放电容量与电压曲线关系,对放电容量与电压曲线关系进行数据变换,选取时间变量参数和数据变换后的参数作为输入特征输入至电池期望寿命预测模型,以锂离子电池的循环周期作为输出数据,通过多个模型的选优并融合从而预测出锂离子电池期望寿命;时间变量参数包括锂离子电池放电容量、电压、充电时间、电池内阻和温度。
优选的,采用多模型融合的方法,stacking就是将一系列模型(也称基模型)的输出结果作为新特征输入到其他模型,这种方法由于实现了模型的层叠,即第一层的模型输出作为第二层模型的输入,第二层模型的输出作为第三层模型的输入,依次类推,最后一层模型输出的结果作为最终结果,提高了模型的鲁棒性和预测精度。
选择正则化线性模型,能够得到具有不同复杂度的领域特定特征,同时保持较高的可解释性,线性模型的计算成本也很低。该模型可以离线训练,并且在线预测在数据预处理之后仅需要单个点积。
如图3至图5所示,考虑Q(V)的周期演变,即给定周期的放电容量与电压的曲线关系。由于每个周期的电压范围相同,因此将容量视为电压的函数,而不是将电压视为容量的函数,以保持比较周期的统一性。且发现周期10和100之间的放电电压曲线变化,记为ΔdQ100-10(V)=dQ100(V)-dQ10(V),其中下标表示周期数。由于电压曲线及其导数是一个丰富的数据源,可以有效地进行降级诊断,因此特别需要关注这种转换ΔdQ(V)。
由于ΔQ100-10(V)的统计特征具有很高的预测能力,模型考虑了来自数据中的所有可用的特性变换,包括方差、最小值、对数、偏度、峰度、斜率和截距。每个汇总统计数据都是一个标量,用于捕获两个周期之间电压曲线的变化。选择这些汇总统计数据是因为它们的预测能力,而不是物理意义,并且循环寿命和ΔQ100-10(V)的汇总统计(特别是方差)之间出现了明显的趋势。
由于变量之间的量纲不同,部分量纲较小的变量数值较大,将会削弱量纲较大的小数值变量的作用,在预处理过程中,采用对数据集的标准化处理进行无量纲化处理,同时还能够方便不同变量之间的比较和加权;
所述无量纲化处理采用z-score标准化(zero-mean normalization)计算方法,转换公式为:
Figure BDA0003213761260000081
其中,xi为原始数据,
Figure BDA0003213761260000082
为原始数据均值,其中
Figure BDA0003213761260000083
n为样本数量,s为原始数据标准差,其中
Figure BDA0003213761260000084
标准化既避免了不同量纲变量的加权问题,还可提高模型的训练速度。
从标准化处理后的数据中提取样本数据,将提取的样本数据分为三部分,分别为训练集、测试集和第二测试集;数据仅取自前100个周期。其中训练集和测试集中,每个部分都跨越循环寿命的范围。训练集数据用于通过网格搜索选择模型超参数。并且训练集数据进一步细分为用于交叉验证的校准和验证集,将测试集用作模型的准确性验证。然后,在模型开发后生成的第二测试数据集上评估模型。这里强调第二测试数据集的重要性,因为这些数据在模型开发时没有生成,因此是对模型性能的严格测试,对模型的评估更有意义。
模型的评估选择均方根误差(RMSE)和平均误差百分比来评估模型性能。均方根误差是观测值与真值偏差的平方和与观测次数比值的平方根,是用来衡量观测值同真值之间的偏差。RMSE定义公式为:
Figure BDA0003213761260000091
平均百分比误差定义公式为:
Figure BDA0003213761260000092
其中yi是观察到的循环寿命,
Figure BDA0003213761260000093
是预测的循环寿命,n是样本总数。
最终根据均方根误差和平均误差百分比选择出ElasticNet回归、Kernel RidgeRegression核岭回归和Xgboost集成学习作为融合的模型。其中,ElasticNet回归使用L1来训练并且L2优先作为正则化矩阵。当有多个相关的特征时,ElasticNet是很有用的。Lasso会随机挑选他们其中的一个,而ElasticNet则会选择两个,可以有效的避免过拟合。经过融合后模型的鲁棒性和准确性均相应提升。
本发明应用机器学习算法原理来处理海量采集的对象电池组实测参数,通过大数据建模及机器学习算法对模型的自动实时修正,能够逐渐进化为较为全面的反映电池全周期寿命的智能模型,从而提高对锂离子电池寿命的预测精度。
本发明通过采集锂离子电池运行数据,通过构建放点容量与电压间的关系曲线机器变换数据构建特征,通过不断更新迭代、融合优秀算法结果,使得锂离子电池即使在容量衰减开始之前,基于数据模型也具有出色的预测性能,预测结果更加精确,计算过程更加高效。本发明为锂离子电池的运行管理提供高效可靠的决策参考,提高了管理效率,以支撑锂离子电池的预测维护与保障。

Claims (10)

1.一种锂离子电池期望寿命预测方法,其特征在于,包括以下步骤:
S1,采集电池组的实测数据并对采集的数据进行清洗去燥;
S2,对电池组中每节电池的放电容量、充电容量、电压、电流、温度因素进行电池寿命分析,根据清洗去燥后的实测数据分析电池组的放电容量与电压曲线关系,然后对放电容量与电压曲线关系进行数据变换,获得模型输入初始特征和label向量;
S3,分别对初始特征和label向量取对数处理,然后进行标准化处理;
S4,通过设置网格搜索和交叉验证选择标准化处理后的数据符合电池寿命预测模型参数的最佳参数;
S5,从获取的最佳参数选取特征变量作为输入数据分别带入多种模型训练,通过多次循环迭代寻找最佳的模型参数,然后选取拟合效果最好的模型进行结果融合,从而获得电池期望寿命预测模型;
S6,将待测电池的时间变量参数和数据变换得到的数据作为输入特征输入至电池期望寿命预测模型,通过电池期望寿命预测模型预测获取锂离子电池的循环周期。
2.根据权利要求1所述的一种锂离子电池期望寿命预测方法,其特征在于,对采集电池组的实测数据进行清洗去燥包括数据去燥、缺失值处理和格式内容处理。
3.根据权利要求1所述的一种锂离子电池期望寿命预测方法,其特征在于,进行数据清洗时,采用箱线图和小波阈值法去除高频噪音数据。
4.根据权利要求1所述的一种锂离子电池期望寿命预测方法,其特征在于,根据待测电池组的放电容量与电压曲线关系,对放电容量与电压曲线关系进行数据变换,选取时间变量参数和数据变换后的参数作为输入特征输入至电池期望寿命预测模型,以锂离子电池的循环周期作为输出数据,通过多个模型的选优并融合从而预测出锂离子电池期望寿命。
5.根据权利要求4所述的一种锂离子电池期望寿命预测方法,其特征在于,时间变量参数包括锂离子电池放电容量、电压、充电时间、电池内阻和温度。
6.根据权利要求1所述的一种锂离子电池期望寿命预测方法,其特征在于,采用对数据集的标准化处理进行无量纲化处理。
7.根据权利要求6所述的一种锂离子电池期望寿命预测方法,其特征在于,无量纲化处理采用z-score标准化(zero-mean normalization)计算方法,转换公式为:
Figure FDA0003213761250000021
其中,xi为原始数据,
Figure FDA0003213761250000022
为原始数据均值,其中
Figure FDA0003213761250000023
n为样本数量,s为原始数据标准差,其中
Figure FDA0003213761250000024
8.根据权利要求1所述的一种锂离子电池期望寿命预测方法,其特征在于,从标准化处理后的数据中提取样本数据,并分为训练集、测试集和第二测试集,采用第二测试数据集对电池期望寿命预测模型进行评估。
9.根据权利要求8所述的一种锂离子电池期望寿命预测方法,其特征在于,模型的评估选择均方根误差和平均误差百分比来评估模型性能,均方根误差是观测值与真值偏差的平方和与观测次数比值的平方根,是用来衡量观测值同真值之间的偏差,均方根误差RMSE定义公式为:
Figure FDA0003213761250000031
平均百分比误差定义公式为:
Figure FDA0003213761250000032
其中yi是观察到的循环寿命,
Figure FDA0003213761250000033
是预测的循环寿命,n是样本总数。
10.一种基于权利要求1所述预测方法的锂离子电池期望寿命预测***,其特征在于,包括数据预处理模块和预测模块,
数据预处理模块用于对采集的数据进行清洗去燥,然后对电池组中每节电池的放电容量、充电容量、电压、电流、温度因素进行电池寿命分析,根据清洗去燥后的实测数据分析电池组的放电容量与电压曲线关系,然后对放电容量与电压曲线关系进行数据变换,获得模型输入初始特征和label向量;再分别对初始特征和label向量取对数处理,然后进行标准化处理,最后通过设置网格搜索和交叉验证选择标准化处理后的数据符合电池寿命预测模型参数的最佳参数,利用获取的最佳参数选取特征变量作为输入数据分别带入多种模型训练,通过多次循环迭代寻找最佳的模型参数,然后选取拟合效果最好的模型进行结果融合,从而获得电池期望寿命预测模型,预测模块用于存储电池期望寿命预测模型,并根据待测电池的时间变量参数和数据变换得到的数据对待测电池的寿命进行预测输出预测结果。
CN202110938372.9A 2021-08-16 2021-08-16 一种锂离子电池期望寿命预测方法及*** Pending CN113671394A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110938372.9A CN113671394A (zh) 2021-08-16 2021-08-16 一种锂离子电池期望寿命预测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110938372.9A CN113671394A (zh) 2021-08-16 2021-08-16 一种锂离子电池期望寿命预测方法及***

Publications (1)

Publication Number Publication Date
CN113671394A true CN113671394A (zh) 2021-11-19

Family

ID=78543091

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110938372.9A Pending CN113671394A (zh) 2021-08-16 2021-08-16 一种锂离子电池期望寿命预测方法及***

Country Status (1)

Country Link
CN (1) CN113671394A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114462309A (zh) * 2022-01-19 2022-05-10 苏州浪潮智能科技有限公司 一种物理仿真模型训练方法、装置、设备和存储介质
CN115453399A (zh) * 2022-08-26 2022-12-09 广东工业大学 一种考虑不一致性的电池组soh估计方法
CN115544903A (zh) * 2022-11-29 2022-12-30 深圳市菲尼基科技有限公司 基于大数据的电池数据处理方法、装置、设备及存储介质
CN115619106A (zh) * 2022-12-19 2023-01-17 中国人民解放***箭军工程大学 一种考虑性能退化的激光陀螺仪备件数量确定方法及***
CN115856646A (zh) * 2023-03-03 2023-03-28 中山大学 一种基于三维电压特征的锂离子电池早期寿命预测方法
CN117452236A (zh) * 2023-12-26 2024-01-26 深圳市北测检测技术有限公司 新能源汽车的电池寿命检测方法及***

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20160239586A1 (en) * 2013-08-28 2016-08-18 Hitachi, Ltd. Lifetime prediction method and system of lithium-ion battery
CN107403242A (zh) * 2017-08-10 2017-11-28 四川大学 基于改进无味粒子滤波的设备剩余寿命预测方法
US20190113577A1 (en) * 2017-10-17 2019-04-18 The Board Of Trustees Of The Leland Stanford Junior University Data-driven Model for Lithium-ion Battery Capacity Fade and Lifetime Prediction
CN112765772A (zh) * 2020-12-25 2021-05-07 武汉理工大学 一种基于数据驱动的动力电池剩余寿命预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20160239586A1 (en) * 2013-08-28 2016-08-18 Hitachi, Ltd. Lifetime prediction method and system of lithium-ion battery
CN107403242A (zh) * 2017-08-10 2017-11-28 四川大学 基于改进无味粒子滤波的设备剩余寿命预测方法
US20190113577A1 (en) * 2017-10-17 2019-04-18 The Board Of Trustees Of The Leland Stanford Junior University Data-driven Model for Lithium-ion Battery Capacity Fade and Lifetime Prediction
CN112765772A (zh) * 2020-12-25 2021-05-07 武汉理工大学 一种基于数据驱动的动力电池剩余寿命预测方法

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114462309A (zh) * 2022-01-19 2022-05-10 苏州浪潮智能科技有限公司 一种物理仿真模型训练方法、装置、设备和存储介质
CN114462309B (zh) * 2022-01-19 2023-11-17 苏州浪潮智能科技有限公司 一种物理仿真模型训练方法、装置、设备和存储介质
CN115453399A (zh) * 2022-08-26 2022-12-09 广东工业大学 一种考虑不一致性的电池组soh估计方法
CN115544903A (zh) * 2022-11-29 2022-12-30 深圳市菲尼基科技有限公司 基于大数据的电池数据处理方法、装置、设备及存储介质
CN115619106A (zh) * 2022-12-19 2023-01-17 中国人民解放***箭军工程大学 一种考虑性能退化的激光陀螺仪备件数量确定方法及***
CN115856646A (zh) * 2023-03-03 2023-03-28 中山大学 一种基于三维电压特征的锂离子电池早期寿命预测方法
CN117452236A (zh) * 2023-12-26 2024-01-26 深圳市北测检测技术有限公司 新能源汽车的电池寿命检测方法及***
CN117452236B (zh) * 2023-12-26 2024-03-15 深圳市北测检测技术有限公司 新能源汽车的电池寿命检测方法及***

Similar Documents

Publication Publication Date Title
CN113671394A (zh) 一种锂离子电池期望寿命预测方法及***
Chang et al. Lithium-ion battery state of health estimation using the incremental capacity and wavelet neural networks with genetic algorithm
Song et al. Remaining life prediction of lithium-ion batteries based on health management: A review
CN112904219B (zh) 一种基于大数据的动力电池健康状态的预测方法
CN111832221B (zh) 基于特征筛选的锂电池寿命预测方法
Zhou et al. Research on state of health prediction model for lithium batteries based on actual diverse data
CN116298934B (zh) 一种用于锂电池健康状态估算的预测网络的建模方法
CN111983474A (zh) 一种基于容量衰退模型的锂离子电池寿命预测方法和***
Yang et al. Critical summary and perspectives on state-of-health of lithium-ion battery
CN113484774A (zh) 一种基于温度校准和神经网络的锂电池组容量估计方法
Yao et al. Novel lithium-ion battery state-of-health estimation method using a genetic programming model
CN114167284A (zh) 基于bms大数据和集成学习的锂电池rul预测方法及设备
CN116736133A (zh) 锂离子电池全寿命周期容量退化轨迹的早期预测方法
CN116298936A (zh) 在不完全电压范围内的锂离子电池智能健康状态预测方法
Wang et al. Dynamic early recognition of abnormal lithium-ion batteries before capacity drops using self-adaptive quantum clustering
CN112287597B (zh) 基于vpga-gpr算法的铅酸蓄电池soh估计方法
CN113657030A (zh) 一种基于高斯过程回归的锂电池剩余使用寿命预测方法
CN115219907A (zh) 一种锂电池soc估计方法、***、介质、设备及终端
Aliberti et al. Comparative Analysis of Neural Networks Techniques for Lithium-ion Battery SOH Estimation
Sui Robust State of Health Estimation for Lithium-Ion Batteries Using Machines Learning
Hassanieh et al. Orthogonal autoencoders for long-term state-of-charge forecasting of Li-ion battery cells
Yao et al. A new method for estimating lithium-ion battery capacity using genetic programming combined model
CN116953529B (zh) 一种基于数据融合的锂离子动力电池健康评估方法及***
Wang et al. Data-driven SOH Estimation of Lithium-ion Batteries Based on Savitzky-Golay Filtering and SSA-SVR Model
Stoyanova et al. State of health estimation of Lithium-ion batteries: A review of data-driven methods

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

Application publication date: 20211119

RJ01 Rejection of invention patent application after publication