CN114720882A - 基于神经网络和迁移模型的锂离子电池最大容量衰退曲线的重构方法 - Google Patents
基于神经网络和迁移模型的锂离子电池最大容量衰退曲线的重构方法 Download PDFInfo
- Publication number
- CN114720882A CN114720882A CN202210549795.6A CN202210549795A CN114720882A CN 114720882 A CN114720882 A CN 114720882A CN 202210549795 A CN202210549795 A CN 202210549795A CN 114720882 A CN114720882 A CN 114720882A
- Authority
- CN
- China
- Prior art keywords
- curve
- neural network
- 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.)
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- 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
- 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
-
- 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)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于神经网络和迁移模型的锂离子电池储电容量衰退曲线的重构方法,包括如下步骤:S1:基于已有加速老化数据集,进行数据处理,得到单次充电过程中锂离子电池增量容量与电压变化关系曲线;S2:根据单次充电过程中增量容量与电压变化关系曲线确定神经网络的输入和输出变量,将加速老化试验数据代入神经网络中,构建重构锂离子电池最大容量衰退曲线的基础模型;S3:根据基础模型和工业正常使用情况下充放电的数据,选择参考容量点,建立迁移模型;S4:将迁移后的模型用来重构锂离子电池正常老化时的最大容量衰退曲线,并进行误差分析。本发明的方法具有数据需求少、精度高、误差小的优势。
Description
技术领域
本发明涉及锂离子电池电源领域,具体的说是一种基于神经网络和迁移模型的锂离子电池储电容量衰退曲线的重构方法。
背景技术
锂电池凭借其能量密度高,使用寿命长,自放电率低以及清洁可靠的优点已经被广泛应用于交通工具,动力电源,二次充电及储能设备之中。现有的研究结果表明。锂电池的在电化学储能中的占比最大,达86%。综合目前对于节能减排的要求以及综合能源***的不断发展,锂电池在这些***中扮演者越来越重要的作用,其性能和使用寿命也越来越成为我们需要关心的方面。
目前锂电池的荷电状态和健康状态的评价主要依靠SOC,以及SOH,来评价,对于SOC的研究已经发展了很长时间,目前SOH作为一种锂电池健康状态的评价指标,有着更加深刻而现实的意义。如锂电池在充放电循环过程中,就会遇到电池损耗,电池老化的进程不断加剧。当电池老化的一定程度的时候,如果其继续运行就会有很大的安全风险,可能引发事故。于是对于SOH的研究就十分有现实意义,准确的SOH估算可以为锂电池健康状态的估算和锂电池的更换提供了依据。所以,如何准确的估算锂电池的SOH是一个十分重要的研究。
现有的锂电池SOH的预测方法主要分为基于电化学模型和数据驱动模型这两种,基于数据驱动的方法不需要考虑锂电池内部的各种老化情况,是一种比较热门的锂电池健康状态预测的方法,但是目前基于数据驱动的方法需要大量的准确的实验室数据为支撑,才能获得较为充足的训练集与测试集。目前的实验数据集获取面临着许多问题如:充放电循环的时间长,一节电池完全老化所需的实验时间较长;实验室试验的测试环境较为单一,不能很好模拟锂离子电池真实使用环境中的多工况问题。
目前随着电动汽车行业的发展,锂离子电池在电动汽车中得到广泛应用,电动汽车每日都需要进行充放电的行为,会产生大量的相关工业数据集。但是电动汽车在充放电过程中可能会出现不完全充放电的问题,产生的数据集不够完整,如果想要利用工业数据集来替代实验室数据,这些问题都亟待解决。
发明内容
为了解决上述问题,本发明提供了一种对数据需求少,且预测精度高的基于神经网络和迁移模型的锂离子电池最大容量衰退曲线的重构方法。
为了达到上述目的,本发明是通过以下技术方案来实现的:
本发明是基于神经网络和迁移模型的锂离子电池最大容量衰退曲线的重构方法,包括如下步骤:
S1:基于已有加速老化数据集,进行数据处理,得到单次充电过程中锂离子电池增量容量与电压变化关系曲线;
S2:根据单次充电过程中增量容量与电压变化关系曲线确定神经网络的输入和输出变量,将加速老化数据代入神经网络中,构建重构锂离子电池最大容量衰退曲线的基础模型;
S3:根据基础模型和工业正常使用情况下充放电的数据,选择少量参考容量点,建立迁移模型;
S4:将迁移后的模型用来重构锂离子电池正常老化时的最大容量衰退曲线,并进行误差分析。
本发明的进一步改进在于:S1中,利用锂电池在加速老化的恒流充电获得的容量、充放电循环的次数、恒流充电过程的充电电压、恒流充电过程的充电电流、恒流充电过程的充电容量,计算出单次充电过程中锂电池增量容量与终端电压变化关系曲线,增量容量表示为:
其中Q指的是特定时间段内电池充入的容量,V指的是充电过程中电池的终端电压,Δk是有限差分区间,k是代表的第k次充放电循环。
本发明的进一步改进在于:S2中训练神经网络得到基础模型,神经网络有三层结构——输入层、隐藏层、输出层,其中,输入层包含四个输入,依次为IC曲线的峰值ICpk、IC曲线峰值时对应的终端电压值Vpk、(Vpk±10mV)区间内与IC曲线围成的面积CA1、IC曲线与85%的ICpk值之间围成的面积CA2、隐藏层中每个神经元的激活函数为poslin函数,输出层中的激活函数为purlin函数,并且在隐藏层中设置偏置节点,节点的储值为1,最终构建的基础模型的输出函数为:
其中h是输出层激励函数,f为隐层激励函数,W1是输入到隐藏层的随机初始化的权重,k是隐藏层的神经元个数,W2是隐藏层到输出层的随机初始化的权重,i是输出层的神经元个数,两个权重通过trainlm法不断修正。
本发明的进一步改进在于:(Vpk±10mV)区间内与IC曲线围成的面积CA1的表达式为:
IC=y=g(v) (4)
其中,Δv为电压间隔区间,为10mv。
本发明的进一步改进在于:IC曲线与85%的ICpk值之间围成的面积CA2的表达式为:
其中,vl是指85%的直线与IC曲线相交左侧的点,vr是指85%的直线与IC曲线相交右侧的点。
本发明的进一步改进在于:选择少量正常老化数据参考点,并将正常老化的输入数据代入基础神经网络模型得到的有偏差输出和测量得到的精确输出进行线性插值,得到基于插值方法的迁移模型,迁移模型的输出为:
其中:
本发明的进一步改进在于:S4中通过计算利用迁移模型得到的样本容量输出和真实容量输出进行比较,计算出RMSE或MSE,得到预测的精度。
本发明的有益效果是:本发明的方法能够实现少量实验数据与训练样本建立基础神经网络模型,并且利用迁移模型和电动汽车行业的相关工业数据集进行某一批型号的锂离子电池的最大容量衰退曲线的重构工作。在这一批锂离子电池使用过程中可以不断收集数据,来更新最大容量衰退曲线。本发明的方法具有数据需求少,预测精度高,实时性强,收敛性好的优点。
附图说明
图1是本发明方法的流程示意图。
图2为本发明的IC-V曲线示意图。
图3为本发明构建的基础神经网络的示意图。
图4为本发明迁移模型的迁移示意图。
图5为本发明结合迁移模型的神经网络的预测结果图。
具体实施方式
下面将结合附图和实施例对本发明的方法做进一步详细描述;
如图1所示,本发明的基于神经网络和迁移模型的锂离子电池最大容量衰退曲线的重构方法的具体步骤如下:
S1:基于数据库中的已有加速老化数据集,进行数据处理,得到单次充电过程中锂离子电池增量容量与电压变化关系曲线;
S2:根据单次充电过程中增量容量与电压变化关系曲线确定神经网络的输入和输出变量,将加速老化数据代入神经网络中,构建重构锂离子电池最大容量衰退曲线的基础模型;
S3:根据基础模型和工业正常使用情况下充放电的数据,选择少量参考容量点,建立迁移模型;
S4:将迁移后的模型用来重构锂离子电池正常老化时的最大容量衰退曲线,并进行误差分析。
数据库中的数据包括锂电池在加速老化和正常老化情况下的恒流充电获得的容量、充放电循环的次数、恒流充电过程的充电电压、恒流充电过程的充电电流、恒流充电过程的充电容量。S1步骤中利用50组加速老化实验数据,进行计算,得出单次充电过程中锂电池增量容量与终端电压变化关系曲线。
增量容量的计算表达式为:
其中Q指的是特定时间段内电池充入的容量,V指的是电池的终端电压,Δk是有限差分区间,k是代表的第k次循环。
S2步骤具体的操作为:
S2.1:根据构建的增量容量(IC)与电压变化关系曲线,确定神经网络的输入和输出变量;
S2.2:确定神经网络的结构、根据加速老化的实验数据训练神经网络得到基础模型;神经网络的结构如图3所示,有三层结构——输入层、隐藏层、输出层。其中,输入层包含四个输入:ICpk、Vpk、CA1、CA2。其中第一个输入ICpk是增量容量(IC)与电压变化关系曲线的峰值,第二个输入Vpk是增量容量(IC)与电压变化关系曲线峰值时对应的终端电压值,第三个输入为CA1,是(Vpk±10mV)区间内与增量容量(IC)与电压变化关系曲线围成的面积,第四个输入为CA2,是增量容量(IC)与电压变化关系曲线与85%的ICpk值之间围成的面积。
四个输入的具体确定步骤为:
1):首先确定第一个输入ICpk是IC曲线的峰值对应的IC值;
2):接着确定第二个输入Vpk是IC曲线峰值时对应的终端电压值;
3):确定第三个输入CA1,是(Vpk±10mV)区间内与IC曲线围成的面积,利用微元法近似计算面积,计算公式为:
IC=y=g(v) (2)
Δv为电压间隔区间,为10mv;鉴于g(v)的表达式是一个很难用连续固定函数表达的形式,在这里使用数值积分的方法,使用复化求积公式来近似求解;求解公式为:
在求积区间上做m等分,每个小区间上使用梯形求积公式求解积分,i对应着第i个等分点,h为每个小区间的长度。最终每个小区间上求得的积分相加,得到最终的待求积分;
4):确定第四个输入CA2,是IC曲线与85%的ICpk值之间围成的面积。
vl是指85%的直线与IC曲线相交左侧的点,vr是指85%的直线与IC曲线相交右侧的点。
确定神经网络的输入输出之后,隐藏层与输出层中需要激活函数来预测整个输出,隐藏层的激活函数h(x)定为线性传输函数,输出层的传递函数f(x)为purlin函数即:
h(x)=x (6)
f(x)=max{0,x} (7)
并且在隐藏层中设置偏置节点,节点的储值为1。最终的输出函数为:
其中h是输出层激励函数,f为隐层激励函数,W1是输入到隐藏层的随机初始化的权重,k是隐藏层的神经元个数,W2是隐藏层到输出层的随机初始化的权重,i是输出层的神经元个数,两个权重通过trainlm法不断修正。
S3步骤具体为:
将工业得到的正常老化的数据代入基础模型得到的偏差容量输出和真实的容量输出进行线性插值拟合,得到迁移模型。得到的迁移模型可以将加速老化基础模型得到的偏移输出迁移为正常老化条件下得到的正常输出。迁移模型的输出为:
其中:
S4步骤中,通过计算利用迁移模型得到的样本容量输出和真实容量输出进行比较,并且计算误差。如计算出RMSE或MSE,得到相关误差值并作分析。
本发明的有益效果是:本发明的方法能够利用图2的增量容量与终端电压关系的曲线,实现少量实验数据与训练样本提取大量有效信息,并且利用图3的基本逻辑建立基础神经网络模型,然后利用图4所表示的加速老化的偏移数据到精确的测量数据的迁移模型和电动汽车行业的相关工业数据集进行某一批型号的锂离子电池的最大容量衰退曲线的重构工作,得到图5所示的最大容量衰退的重构曲线。在这一批锂离子电池使用过程中可以不断收集数据,来更新最大容量衰退曲线。本发明的方法具有数据需求少,预测精度高,实时性强,收敛性好的优点。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段,还包括由以上技术特征任意组合所组成的技术方案。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰。这些改进和润饰也视为本发明的保护范围。
Claims (7)
1.基于神经网络和迁移模型的锂离子电池最大容量衰退曲线的重构方法,其特征在于,包括如下步骤:
S1:基于数据库中的已有加速老化数据集,进行数据处理,得到单次充电过程中锂离子电池增量容量与电压变化关系曲线;
S2:根据单次充电过程中增量容量与电压变化关系曲线确定神经网络的输入和输出变量,将加速老化数据代入神经网络中,构建重构锂离子电池最大容量衰退曲线的基础模型;
S3:根据基础模型和工业正常使用情况下充放电的数据,选择参考容量点,建立迁移模型;
S4:将迁移后的模型用来重构锂离子电池正常老化时的最大容量衰退曲线,并进行误差分析。
3.根据权利要求1所述的基于神经网络和迁移模型的锂离子电池最大容量衰退曲线的重构方法,其特征在于:S2中训练神经网络得到基础模型,神经网络有三层结构——输入层、隐藏层、输出层,其中,输入层包含四个输入,依次为IC曲线的峰值ICpk、IC曲线峰值时对应的终端电压值Vpk、(Vpk±10mV)区间内与IC曲线围成的面积CA1、IC曲线与85%的ICpk值之间围成的面积CA2、隐藏层中每个神经元的激活函数为poslin函数,输出层中的激活函数为purlin函数,并且在隐藏层中设置偏置节点,节点的储值为1,最终构建的基础模型的输出函数为:
其中h是输出层激励函数,f为隐层激励函数,W1是输入到隐藏层的随机初始化的权重,k是隐藏层的神经元个数,W2是隐藏层到输出层的随机初始化的权重,i是输出层的神经元个数,两个权重通过trainlm法不断修正。
7.根据权利要求1所述的基于神经网络和迁移模型的锂离子电池最大容量衰退曲线的重构方法,其特征在于:S4中通过计算利用迁移模型得到的样本容量输出和真实容量输出进行比较,计算出RMSE或MSE,得到预测的精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210549795.6A CN114720882B (zh) | 2022-05-20 | 2022-05-20 | 锂离子电池最大容量衰退曲线的重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210549795.6A CN114720882B (zh) | 2022-05-20 | 2022-05-20 | 锂离子电池最大容量衰退曲线的重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114720882A true CN114720882A (zh) | 2022-07-08 |
CN114720882B CN114720882B (zh) | 2023-02-17 |
Family
ID=82231138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210549795.6A Active CN114720882B (zh) | 2022-05-20 | 2022-05-20 | 锂离子电池最大容量衰退曲线的重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114720882B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150066406A1 (en) * | 2013-08-27 | 2015-03-05 | The Regents Of The University Of Michigan | On-board state of health monitoring of batteries using incremental capacity analysis |
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 |
CN114114049A (zh) * | 2021-09-30 | 2022-03-01 | 北京交通大学 | 一种基于样本迁移的锂离子电池寿命预测方法 |
WO2022100230A1 (zh) * | 2020-11-16 | 2022-05-19 | 北京理工大学 | 基于人工智能的锂离子电池充电曲线重构及状态估计方法 |
-
2022
- 2022-05-20 CN CN202210549795.6A patent/CN114720882B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150066406A1 (en) * | 2013-08-27 | 2015-03-05 | The Regents Of The University Of Michigan | On-board state of health monitoring of batteries using incremental capacity analysis |
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 |
WO2022100230A1 (zh) * | 2020-11-16 | 2022-05-19 | 北京理工大学 | 基于人工智能的锂离子电池充电曲线重构及状态估计方法 |
CN114114049A (zh) * | 2021-09-30 | 2022-03-01 | 北京交通大学 | 一种基于样本迁移的锂离子电池寿命预测方法 |
Non-Patent Citations (5)
Title |
---|
ANIRUDDHA GUPTA 等: "Transfer learning LSTM model for battery useful capacity fade prediction", 《2021 24TH INTERNATIONAL CONFERENCE ON MECHATRONICS TECHNOLOGY (ICMT)》 * |
MA’D EL-DALAHMEH 等: "Time-Frequency Image Analysis and Transfer Learning for Capacity Prediction of Lithium-Ion Batteries", 《ENERGIES》 * |
PRAKASH VENUGOPAL 等: "Analysis of Optimal Machine Learning Approach for Battery Life Estimation of Li-Ion Cell", 《IEEE ACCESS》 * |
SHENG LU 等: "Health State Prediction of Lithium Ion Battery Based On Deep Learning Method", 《IOP CONFERENCE SERIES: MATERIALS SCIENCE AND ENGINEERING》 * |
YIHUAN LI 等: "Lithium-ion battery capacity estimation—A pruned convolutional neural network approach assisted with transfer learning", 《APPLIED ENERGY》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114720882B (zh) | 2023-02-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110632528B (zh) | 一种基于内阻检测的锂电池soh估算方法 | |
CN106918789A (zh) | 一种soc‑soh联合在线实时估计和在线修正方法 | |
CN111426957B (zh) | 一种模拟车辆工况动力电池荷电状态soc估算优化方法 | |
CN112557907A (zh) | 一种基于gru-rnn的电动汽车锂离子电池的soc估计方法 | |
CN114861527A (zh) | 一种基于时间序列特征的锂电池寿命预测方法 | |
CN106055775A (zh) | 一种粒子滤波与机理模型相结合的二次电池寿命预测方法 | |
CN110673037B (zh) | 基于改进模拟退火算法的电池soc估算方法及*** | |
CN115308606B (zh) | 一种基于邻近特征的锂离子电池健康状态估计方法 | |
CN109917299A (zh) | 一种锂电池荷电状态的三层滤波估算方法 | |
CN114839536A (zh) | 一种基于多健康因子的锂离子电池健康状态估计方法 | |
CN112098874A (zh) | 一种考虑老化情况下的锂离子电池电量预测方法 | |
CN113687242A (zh) | 基于ga算法优化改进gru神经网络的锂离子电池soh估计方法 | |
CN115963407A (zh) | 一种基于icgwo优化elm的锂电池soc估计方法 | |
Bak et al. | Accurate estimation of battery SOH and RUL based on a progressive lstm with a time compensated entropy index | |
CN115186579A (zh) | 一种基于容量增量变化量曲线的锂电池健康状态估计方法 | |
CN115389946A (zh) | 一种基于等压升能量和改进gru的锂电池健康状态估计方法 | |
CN114861545A (zh) | 基于rnn神经网络与多参数约束的锂电池sop在线估算方法 | |
CN113495214B (zh) | 一种基于温度变化模型的超级电容荷电状态估计方法 | |
Xu et al. | State-of-charge estimation and health prognosis for lithium-ion batteries based on temperature-compensated Bi-LSTM network and integrated attention mechanism | |
CN110232432B (zh) | 一种基于人工生命模型的锂电池组soc预测方法 | |
CN114720882B (zh) | 锂离子电池最大容量衰退曲线的重构方法 | |
CN116679213A (zh) | 基于集成深度学习的电动汽车动力电池soh估算方法 | |
CN115327389A (zh) | 基于遗传算法改进的双卡尔曼滤波的锂电池soc估计方法 | |
CN115730525A (zh) | 一种轨道交通ups蓄电池健康状态预测方法 | |
Li et al. | Evaluation and analysis of circuit model for lithium batteries |
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 |