CN113702855A - 一种基于多物理场仿真与神经网络的锂电池组健康状态在线预测方法 - Google Patents
一种基于多物理场仿真与神经网络的锂电池组健康状态在线预测方法 Download PDFInfo
- Publication number
- CN113702855A CN113702855A CN202111009937.1A CN202111009937A CN113702855A CN 113702855 A CN113702855 A CN 113702855A CN 202111009937 A CN202111009937 A CN 202111009937A CN 113702855 A CN113702855 A CN 113702855A
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- battery pack
- physical
- neural network
- 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.)
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及一种基于多物理场仿真与神经网络的锂电池组健康状态在线估计方法,步骤包括:构建锂电池组多物理场仿真模型,通过工作载荷分析,开展锂电池组多物理场仿真试验、模型验证与分析;基于仿真试验分析结果,结合实验数据,构建并训练面向锂电池组健康状态预测的神经网络模型,包括面向多物理场仿真和健康状态退化的神经网络模型;在锂电池组使用阶段,采集并处理局部运行数据,应用神经网络模型进行全域物理表征分析以及锂电池单体退化分析,进而预测锂电池组健康状态。该方法融合了基于模型和基于数据方法的优点,能够实现快速在线的锂电池组健康状态预测。
Description
所属技术领域
本发明涉及健康状态预测领域,特别是一种基于多物理场仿真与神经网络的锂电 池组健康状态在线预测方法。
背景技术
锂电池具有较好的安全性能、较长的循环寿命等特点,已广泛应用于航空、航天、汽车等动力***。锂电池组由多个锂电池单体串并联组成,是一个包括复杂物理和化学变化的高度非线性***,其退化机制复杂,受到热、电、流等多物理场耦合作用影响。常用健康状态来描述锂电池组当前的性能状态相对于新电池组的能力,以百分比的形式来定量描述。掌握锂电池组的健康状态有助于更好地进行电池管理,避免过充、过放等滥用,提高电池组***的安全性可靠性。
工程中通常采用放电实验法、内阻分析法等方法对锂电池的健康状态进行测量,然而这需要基于特定的测量设备和条件,由于其测量过程的复杂性,因此无法在线使用。锂电池的使用过程中的健康状态需要基于在线测量的电压、电流、温度等数据进行评估和预测。目前锂电池健康状态预测的方法主要包括基于数据、基于模型、基于模型和数据结合三类。
其中,基于数据的方法以统计学方法为理论基础,通过分析大量试验数据,挖掘其中的信息进行估计。然而对于锂电池组而言,其型号繁多、结构复杂,其中每个电池单体所经历的内外载荷情况都不尽相同,该方法没有考虑到锂电池组实际物理模型的影响,将会导致健康状态估计结果的偏差。此外,电池充放电过程中的表征参数需要通过特定的传感器进行采集,工程中往往难以获得电池组中所有电池单体的电压、电流和全部温度信息,特别是含有大量单体的电池组。
基于模型的方法通过量化物理因素的影响,从而能够较为准确地对锂电池的健康状态进行详细描述。锂电池组中涉及的模型主要包括电化学模型、等效电路模型、热模型、流体动力学模型等,鉴于这些模型计算求解的复杂性,难以直接应用于锂电池组在线实时的健康状态估计。
基于模型和数据结合的方法能够融合两者的优点,在工程中具有较好的应用前景。目前主要基于等效电路模型对电池的充放电过程进行描述,同时对测试获得的大量且多样化的数据集进行处理,从而估计这些模型参数,进而对健康状态进行预测。对于电池健康状态受到的多种物理因素仍然考虑不足。
鉴于此,有必要给出一种基于多物理场仿真与神经网络的锂电池组健康状态在线预测方法。
发明内容
本发明的目的是为了解决锂电池组健康状态在线快速预测现有技术存在的问题,提出一种基于多物理场仿真与神经网络的锂电池组健康状态在线预测方法。该方法根据锂电池组的设计方案,将多物理场仿真技术和神经网络方法结合,建立了其健康状态在线快速预测的方法与流程,主要包含以下步骤:
步骤1:构建锂电池组多物理场仿真模型。在特定应用对象的锂电池组动力***设计定型后,根据锂电池组型号和结构,构建其三维几何模型;分析内部多物理场耦合特性,构建锂电池组多物理场仿真模型,包括电化学模型、等效电路模型、串并联电路模型、热模型、流体动力学模型。
步骤2:锂电池组工作载荷分析。针对该锂电池组动力***应用的场景进行分析,确定所经历的内外动态工作载荷情况,包括温度载荷、电流载荷、散热条件;基于工作载荷分析结果,结合锂电池组多物理场模型的状态参数,开展仿真方案试验设计,确定仿真试验方案,其中设计因素为锂电池组全寿命周期内动态变化的物理量,包括环境温度、电流、流体速度、换热系数、电池性能参数及退化情况。
步骤3:锂电池组多物理场仿真试验与分析。基于锂电池组多物理场仿真模型,获取锂电池及其材料的物理化学参数,开展仿真试验与分析,通过实验测试或收集锂电池运行的历史数据,对模型的准确性进行验证,包括温度、电流的物理表征验证。基于验证后的模型,结合仿真试验方案,开展多次仿真试验,如正交试验,并获得多组仿真试验结果,包括锂电池组中流场信息、所有电池单体的温度、电流和性能参数信息。
步骤4:构建并训练面向锂电池组健康状态预测的神经网络模型,包括面向多物理场仿真的和健康状态退化的神经网络模型。选定具体的神经网络方法,构建多层神经网络模型,确定待训练神经网络模型的输入和输出参数,输入参数范围为上述步骤2中的锂电池组全寿命周期内动态变化的物理量,输出参数范围为锂电池组中所有电池单体的温度、电流和性能参数信息;基于多组仿真试验结果,结合锂电池运行与退化的历史数据,完成面向多物理场仿真的和健康状态退化的神经网络模型的训练,并进行精度验证。
步骤5:锂电池组使用阶段的局部运行数据采集与处理。在锂电池组在线使用阶段,通过传感器,实时采集锂电池组局部的运行数据,如环境温度、电流、流体速度、电池性能参数;利用野值剔除法或滤波器平滑法对数据进行处理和降噪,一方面输出用于锂电池组全域物理表征分析,另一方面传递给神经网络模型进行模型的修正和更新。
步骤6:锂电池组全域物理表征分析。基于采集和处理后的局部运行数据,在锂电池组***使用阶段应用步骤4中获得的面向多物理场仿真的神经网络模型,对其全域的物理表征进行分析,获得所有电池单体的电压、电流和全部温度信息;
步骤7:锂电池单体退化分析。基于步骤6中获得的详细物理信息,应用步骤4中获得的健康状态退化的神经网络模型,对锂电池组内所有电池单体进行退化分析,获得锂电池单体的性能参数及退化情况;
步骤8:锂电池组健康状态预测。基于步骤7中获得的所有锂电池单体的性能参数及退化情况,采用竞争失效准则,分析锂电池组薄弱环节,对其健康状态进行预测。
通过以上步骤,给出了一种基于多物理场仿真与神经网络的锂电池组健康状态在线预测方法。
本发明的优异效果是:在锂电池组健康状态预测领域,融合了多物理场仿真技术与神经网络方法,同时发挥了基于模型和基于数据方法的优点。基于模型通过采用多物理仿真方法可以更加科学、准确、详细地描述锂电池组退化过程中的物理表征,基于数据通过神经网络方法可以高效地获得仿真结果,能够有效地解决锂电池组工程应用中部分数据无法通过传感器获取的问题,并实现快速在线的健康状态预测。
附图说明
图1基于多物理场仿真与神经网络方法的锂电池组健康状态在线估计方法流程图
图2典型锂电池组结构与构型示意图
图3锂电池组温度分布与流体速度分布仿真结果示例
图4锂电池健康状态退化的神经网络模型验证结果
图5锂电池组内电池单体平均温度分析结果
图6锂电池组内电池单体退化分析结果
具体实施方式
为使本发明的特征及优点得到更清楚的了解,以下结合附图,作详细说明如下:
步骤1:以一种由典型的18650型号锂电池3并5串组成的锂电池组为例,构建其三维几何模型,其结构和构型如图2所示;分析内部电、热、流等多物理场耦合特性,构建锂电池组多物理场仿真模型,采用Rint模型描述电池单体,串并联电路模型描述锂电池组电流表征,热模型描述锂电池组温度表征,流体动力学模型描述锂电池组流体流动散热情况,此处模型的数字方程不再赘述。
步骤2:针对该锂电池组动力***应用的场景进行分析,确定所经历的内外动态工作载荷情况,包括温度载荷、电流载荷、散热条件的变化范围;基于工作载荷分析结果,结合锂电池组多物理场模型的状态参数,开展仿真方案试验设计,确定仿真试验方案,其中设计因素为锂电池组全寿命周期内动态变化的物理量,包括环境温度、电流、流体速度、电池健康状态,其中环境温度通常为298.15K~318.15K,电流为0.1C~5C,散热主要通过流体流动,其流体速度为0.1m/s~10m/s,电池健康状态为0.8~1。
步骤3:锂电池组多物理场仿真试验与分析。基于锂电池组多物理场仿真模型,获取锂电池及其材料的物理化学参数,如表1、表2所示。基于各组成成分的材料尺寸和参数,通过加权体积法计算电池等效参数。
表1电池单体外尺寸
表2电池组成材料参数
σCu=-0.04889T3+54.65T2-218.00T+3.52×106 (2)
σAl=-0.0325T3+37.07T2-15000T+2.408×106 (3)
输入模型参数,开展仿真试验与分析,通过实验测试或收集锂电池运行的历史数据,对模型的准确性进行验证,包括温度、电流的物理表征验证。基于验证后的模型,结合仿真试验方案,开展多次仿真试验,如正交试验,并获得多组仿真试验结果,包括温度、流体信息,图3为结果示例。
步骤4:构建并训练面向锂电池组健康状态预测的神经网络模型,包括面向多物理场仿真的和健康状态退化的神经网络模型。
面向多物理场仿真的神经网络模型:采用神经网络方法中PSO-BP神经网络,构建三层神经网络模型,包括输入层、一个隐含层和输出层。确定待训练神经网络模型的输入和输出参数,输入参数为环境温度、电流、流体速度、电池容量退化情况,输出参数为锂电池组中所有电池单体周围流体速度和平均温度;基于多组仿真试验结果,结合锂电池运行与退化的历史数据,完成面向多物理场仿真的和健康状态退化的神经网络模型的训练,并与仿真或实验测试结果进行精度验证。
健康状态退化的神经网络模型:采用神经网络方法中BP神经网络,构建三层神经网络模型,包括输入层、一个隐含层和输出层。确定待训练神经网络模型的输入和输出参数,输入参数为温度、电流,输出参数为锂电池组中所有电池单体的平均温度、周围流体速度;基于锂电池退化的历史数据,完成锂电池健康状态退化的神经网络模型的训练,并进行精度验证,如图4所示。
步骤5:在锂电池组在线使用阶段,通过传感器,实时采集锂电池组的环境温度和局部电池温度、总运行电流和局部支路电流、风冷功率和局部流体速度;利用野值剔除法或滤波器平滑法对数据进行处理和降噪,以野值剔除法为例,采用中心判别法剔除掉偏差较大的野值点,方法如下:
利用正交多项式,按最小二乘原理每N个测量数据点作一个拟合曲线,其中N为工程实际值,可根据实际需要进行适当调整。计算拟合值与相应测量数据值之差,并对其中点进行判断,其判定条件为:按正态分布计算的约80%概率加上幅值限制,对于不符合条件的视其为野值,并予以确认和剔除。
预处理完后的数据一方面输出用于锂电池组全域物理表征分析,另一方面传递给神经网络模型进行模型的进一步训练,对模型进行修正和更新。
步骤6:基于步骤5中获得的温度、电流和流体数据,在锂电池组***使用阶段应用步骤4中获得的面向多物理场仿真的神经网络模型,对锂电池组全域的物理表征进行分析,获得所有电池单体的电压、电流和全部温度信息,图5为锂电池组在2C放电倍率条件下,不同环境温度的所有电池单体平均温度分析结果示例。
步骤7:基于步骤6中获得的所有电池单体运行温度、电流的详细物理信息,应用步骤4中获得的健康状态退化的神经网络模型,对锂电池组内所有电池单体进行退化分析,获得锂电池单体的性能参数及退化情况,图6为该锂电池组在298.15K环境温度和2C电流倍率条件下的部分电池健康状态退化预测和锂电池组内全部电池在经过1960次循环后的健康状态预测值;
步骤8:锂电池组健康状态预测。基于步骤7中获得的所有锂电池单体的性能参数及退化情况,采用竞争失效准则,分析锂电池组薄弱环节,对其健康状态进行预测。分析结果显示在该典型3并5串锂电池组中,每个电池单体的退化由于运行环境温度的不同而不同。电池之间退化的不一致性随着循环次数的累积逐渐加深,在环境温度298.15K下,锂电池组经过1960次循环充放电后,内部电池的最大健康状态差异为0.0388。其中10号位置的电池退化较快,是该***中的薄弱环节。鉴于竞争失效准则,该锂电池组的健康状态主要取决于10号位置电池的健康状态。
以上所述为本发明的优选方案,对于本领域的技术人员而言,在不脱离本发明整体构思前提下,还可以对本发明的具体实施方式进行修改或者等同替换,这些也应视为本发明的保护范围。
Claims (9)
1.一种基于多物理场仿真与神经网络方法的锂电池组健康状态在线估计方法,其特征在于:包含以下步骤:
步骤1:构建锂电池组多物理场仿真模型;
步骤2:锂电池组工作载荷分析;
步骤3:锂电池组多物理场仿真试验与分析;
步骤4:构建并训练面向锂电池组健康状态预测的神经网络模型,包括面向多物理场仿真的和健康状态退化的神经网络模型;
步骤5:锂电池组使用阶段的局部运行数据采集与处理;
步骤6:锂电池组全域物理表征分析;
步骤7:锂电池单体退化分析;
步骤8:锂电池组健康状态预测;
通过以上步骤,给出了一种基于多物理场仿真与神经网络的锂电池组健康状态在线预测方法。
2.根据权利要求1所述的一种基于多物理场仿真与神经网络的锂电池组健康状态在线预测方法,其特征在于:
所述步骤1中,在特定应用对象的锂电池组动力***设计定型后,根据锂电池组型号和结构,构建其三维几何模型;分析内部多物理场耦合特性,构建锂电池组多物理场仿真模型,包括电化学模型、等效电路模型、串并联电路模型、热模型、流体动力学模型。
3.根据权利要求1所述的一种基于多物理场仿真与神经网络的锂电池组健康状态在线预测方法,其特征在于:
所述步骤2中,针对该锂电池组动力***应用的场景进行分析,确定所经历的内外动态工作载荷情况,包括温度载荷、电流载荷、散热条件;基于工作载荷分析结果,结合锂电池组多物理场模型的状态参数,开展仿真方案试验设计,确定仿真试验方案,其中设计因素为锂电池组全寿命周期内动态变化的物理量,包括环境温度、电流、流体速度、换热系数、电池性能参数及退化情况。
4.根据权利要求1所述的一种基于多物理场仿真与神经网络的锂电池组健康状态在线预测方法,其特征在于:
所述步骤3中,基于锂电池组多物理场仿真模型,获取锂电池及其材料的物理化学参数,开展仿真试验与分析,通过实验测试或收集锂电池运行的历史数据,对模型的准确性进行验证,包括温度、电流的物理表征验证。基于验证后的模型,结合仿真试验方案,开展多次仿真试验,如正交试验,并获得多组仿真试验结果,包括锂电池组中流场信息、所有电池单体的温度、电流和性能参数信息。
5.根据权利要求1所述的一种基于多物理场仿真与神经网络的锂电池组健康状态在线预测方法,其特征在于:
所述步骤4中,选定具体的神经网络方法,构建多层神经网络模型,确定待训练神经网络模型的输入和输出参数,输入参数范围为上述步骤2中的锂电池组全寿命周期内动态变化的物理量,输出参数范围为锂电池组中所有电池单体的温度、电流和性能参数信息;基于多组仿真试验结果,结合锂电池运行与退化的历史数据,完成面向多物理场仿真的和健康状态退化的神经网络模型的训练,并进行精度验证。
6.根据权利要求1所述的一种基于多物理场仿真与神经网络的锂电池组健康状态在线预测方法,其特征在于:
所述步骤5中,在锂电池组在线使用阶段,通过传感器,实时采集锂电池组局部的运行数据,如环境温度、电流、流体速度、电池性能参数;利用野值剔除法或滤波器平滑法对数据进行处理和降噪,一方面输出用于锂电池组全域物理表征分析,另一方面传递给神经网络模型进行模型的修正和更新。
7.根据权利要求1所述的一种基于多物理场仿真与神经网络的锂电池组健康状态在线预测方法,其特征在于:
所述步骤6中,基于采集和处理后的局部运行数据,在锂电池组***使用阶段应用步骤4中获得的面向多物理场仿真的神经网络模型,对其全域的物理表征进行分析,获得所有电池单体的电压、电流和全部温度信息。
8.根据权利要求1所述的一种基于多物理场仿真与神经网络的锂电池组健康状态在线预测方法,其特征在于:
所述步骤7中,基于步骤6中获得的详细物理信息,应用步骤4中获得的健康状态退化的神经网络模型,对锂电池组内所有电池单体进行退化分析,获得锂电池单体的性能参数及退化情况。
9.根据权利要求1所述的一种基于多物理场仿真与神经网络的锂电池组健康状态在线预测方法,其特征在于:
所述步骤8中,基于步骤7中获得的所有锂电池单体的性能参数及退化情况,采用竞争失效准则,分析锂电池组薄弱环节,对其健康状态进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111009937.1A CN113702855B (zh) | 2021-08-31 | 2021-08-31 | 一种基于多物理场仿真与神经网络方法的锂电池组健康状态在线预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111009937.1A CN113702855B (zh) | 2021-08-31 | 2021-08-31 | 一种基于多物理场仿真与神经网络方法的锂电池组健康状态在线预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113702855A true CN113702855A (zh) | 2021-11-26 |
CN113702855B CN113702855B (zh) | 2022-06-03 |
Family
ID=78657674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111009937.1A Active CN113702855B (zh) | 2021-08-31 | 2021-08-31 | 一种基于多物理场仿真与神经网络方法的锂电池组健康状态在线预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113702855B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114371409A (zh) * | 2022-03-07 | 2022-04-19 | 上海玫克生储能科技有限公司 | 电池状态预测模型的训练方法、电池状态预测方法及装置 |
CN114966451A (zh) * | 2022-06-06 | 2022-08-30 | 北京航空航天大学 | 一种基于物理信息神经网络的电源产品剩余使用寿命在线预测方法 |
CN115032556A (zh) * | 2022-06-27 | 2022-09-09 | 国网湖北省电力有限公司电力科学研究院 | 储能电池***状态评估方法、装置、存储介质及电子设备 |
CN115144100A (zh) * | 2022-07-05 | 2022-10-04 | 北京航空航天大学 | 一种面向数字孪生应用的温度传感器测量数据在线校验方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012166228A1 (en) * | 2011-06-02 | 2012-12-06 | Exxonmobil Upstream Research Company | Joint inversion with unknown lithology |
CN110058159A (zh) * | 2019-04-29 | 2019-07-26 | 杭州电子科技大学 | 一种基于灰色神经网络的锂电池健康状态估计方法 |
CN111241685A (zh) * | 2020-01-15 | 2020-06-05 | 北京航空航天大学 | 一种基于多物理场仿真与响应面分析法的锂电池组***可靠性优化设计方法 |
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 |
CN111856287A (zh) * | 2020-07-17 | 2020-10-30 | 上海交通大学 | 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法 |
CN112018465A (zh) * | 2020-10-13 | 2020-12-01 | 北京理工大学 | 一种多物理场约束的锂离子电池智能快速充电方法 |
-
2021
- 2021-08-31 CN CN202111009937.1A patent/CN113702855B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012166228A1 (en) * | 2011-06-02 | 2012-12-06 | Exxonmobil Upstream Research Company | Joint inversion with unknown lithology |
CN110058159A (zh) * | 2019-04-29 | 2019-07-26 | 杭州电子科技大学 | 一种基于灰色神经网络的锂电池健康状态估计方法 |
CN111241685A (zh) * | 2020-01-15 | 2020-06-05 | 北京航空航天大学 | 一种基于多物理场仿真与响应面分析法的锂电池组***可靠性优化设计方法 |
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 |
CN111856287A (zh) * | 2020-07-17 | 2020-10-30 | 上海交通大学 | 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法 |
CN112018465A (zh) * | 2020-10-13 | 2020-12-01 | 北京理工大学 | 一种多物理场约束的锂离子电池智能快速充电方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114371409A (zh) * | 2022-03-07 | 2022-04-19 | 上海玫克生储能科技有限公司 | 电池状态预测模型的训练方法、电池状态预测方法及装置 |
CN114966451A (zh) * | 2022-06-06 | 2022-08-30 | 北京航空航天大学 | 一种基于物理信息神经网络的电源产品剩余使用寿命在线预测方法 |
CN114966451B (zh) * | 2022-06-06 | 2024-04-26 | 北京航空航天大学 | 一种基于物理信息神经网络的电源产品剩余使用寿命在线预测方法 |
CN115032556A (zh) * | 2022-06-27 | 2022-09-09 | 国网湖北省电力有限公司电力科学研究院 | 储能电池***状态评估方法、装置、存储介质及电子设备 |
CN115144100A (zh) * | 2022-07-05 | 2022-10-04 | 北京航空航天大学 | 一种面向数字孪生应用的温度传感器测量数据在线校验方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113702855B (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113702855B (zh) | 一种基于多物理场仿真与神经网络方法的锂电池组健康状态在线预测方法 | |
CN109061504B (zh) | 同类型不同锂离子电池剩余使用寿命预测方法和*** | |
Lipu et al. | A review of state of health and remaining useful life estimation methods for lithium-ion battery in electric vehicles: Challenges and recommendations | |
CN108535656A (zh) | 基于pca-narx神经网络的锂离子电池剩余使用寿命预测方法和*** | |
CN112147512B (zh) | 一种锂离子电池短路与滥用故障的诊断及分离方法 | |
EP4083643B1 (en) | Soh test method and apparatus | |
CN105277896B (zh) | 基于elm‑mukf的锂电池剩余寿命预测方法 | |
CN108664700B (zh) | 基于不确定数据包络分析的加速退化信息融合建模方法 | |
CN103840988A (zh) | 一种基于rbf神经网络的网络流量测量方法 | |
CN111579993B (zh) | 一种基于卷积神经网络的锂电池容量在线估计方法 | |
CN113447828A (zh) | 一种基于贝叶斯神经网络的锂电池温度估计方法及*** | |
CN114280479A (zh) | 一种基于电化学阻抗谱的退役电池快速分选方法 | |
CN113030761A (zh) | 一种超大规模储能电站电池健康状态的评估方法及*** | |
CN114675187A (zh) | 一种物理机理和机器学习融合的锂离子电池寿命预测方法 | |
De Sousa et al. | Comparison of different approaches for lead acid battery state of health estimation based on artificial neural networks algorithms | |
CN110414086B (zh) | 一种基于灵敏度的综合应力加速因子计算方法 | |
Kim et al. | State of health estimation of li-ion batteries using multi-input lstm with optimal sequence length | |
CN117330987B (zh) | 基于时间的电池健康状态评估的方法、***、介质和设备 | |
CN114186437A (zh) | 一种面向电源***可靠性仿真分析的多物理场耦合退化模型降阶方法 | |
CN112327169B (zh) | 一种锂电池剩余寿命预测方法 | |
CN113687251A (zh) | 一种基于双模型的锂离子电池组电压异常故障诊断方法 | |
CN117607704A (zh) | 一种考虑不一致性的锂离子电池组微短路故障诊断方法 | |
CN116609686B (zh) | 一种基于云平台大数据的电芯一致性评估方法 | |
CN105741184A (zh) | 一种变压器状态评估方法及装置 | |
CN116773239A (zh) | 一种智能燃气表控制器可靠性寿命预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |