CN114791993A - 一种动力电池组soh预测方法及*** - Google Patents
一种动力电池组soh预测方法及*** Download PDFInfo
- Publication number
- CN114791993A CN114791993A CN202210529759.3A CN202210529759A CN114791993A CN 114791993 A CN114791993 A CN 114791993A CN 202210529759 A CN202210529759 A CN 202210529759A CN 114791993 A CN114791993 A CN 114791993A
- Authority
- CN
- China
- Prior art keywords
- data
- test
- carrying
- module
- error value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000013507 mapping Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 49
- 230000006399 behavior Effects 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 14
- 230000036541 health Effects 0.000 description 10
- 230000007246 mechanism Effects 0.000 description 6
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 5
- 229910001416 lithium ion Inorganic materials 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/16—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to battery ageing, e.g. to the number of charging cycles or the state of health [SoH]
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/54—Drive Train control parameters related to batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Sustainable Development (AREA)
- Computing Systems (AREA)
- Power Engineering (AREA)
- Sustainable Energy (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mechanical Engineering (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Transportation (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种动力电池组SOH预测方法及***,***包括以下模块:数据预处理模块、SDAE模块、神经网络模块;方法包括以下步骤:通过读取BMS历史数据,对其进行清洗,提取天气、驾驶行为和常规三类特征,并分为连续型特征和数值型特征两类进行预处理;处理后传入SDAE模块,对数据加噪并重构数据;神经网络学习特征与SOH之间的映射关系,并输出SOH预测结果。本发明通过SDAE重构输入数据找到更稳定、更有用的特征,同时利用神经网络并行计算的特点,组合得到更具稳定性的高效的模型,可在节省计算时间的同时提高模型的预测精度,适用于电动汽车全状态、全气候运行时的电池组SOH估算。
Description
技术领域
本发明属于数据处理领域,具体涉及一种动力电池组SOH预测方法及***。
背景技术
由于气候变化问题和化石燃料的枯竭,清洁能源被广泛利用。与其他材料体系相比,锂离子电池具有能量密度高、无记忆效应、循环寿命长以及自放电率低等优势。这些显著的优势使锂离子电池适用于便携式电子设备、大型储能***、电动汽车(EVs)等多个场景。然而随着时间的推移,锂离子电池的性能和容量都会降低,这不仅影响电池存储能量和输出功率的能力,而且对于其安全性的保障造成隐患。因此,对锂离子电池的健康状态准确估算具有十分重要的意义。
SOH是指锂离子电池当前健康状态与其初始健康状态之比,因此SOH可以定义为当前最大可用容量CC与初始容量CR之比。
目前主流的电池SOH估算方法分为基于模型的方法和基于数据驱动的方法。卡尔曼滤波作为主要基于模型的方法,通过等效电路模型建立对应的状态方程与观测方程以估算电池SOH。尽管该方法能够快速估算电池SOH,但等效电路模型的精度和测试数据精度仍对电池SOH估算精度有较大影响。相比之下,基于数据驱动的方法将电池***视为一个黑匣子,直接从一组健康特征推断电池寿命,该方法不需要相关的电化学知识,也不需要建立电路模型的人工经验,因此便于对复杂甚至未知的***建模,目前基于数据驱动的方法注重于将监测数据(电流、电压、温度、充电倍率等)与SOH相关联,基于监测数据提取对应健康特征以估算电池SOH。
发明内容
本发明提供了一种动力电池组SOH预测***,通过采集历史数据进行处理,并基于Transformer神经网络模块进行模块测试,得到SOH预测结果。
为实现上述目的,本发明提供了以下方案:
一种动力电池组SOH预测方法,包括以下步骤:
S1、基于车联网环境采集历史天气特征,基于BMS历史信息采集驾驶行为特征和常规型特征;
S2、基于预设标签和所述历史天气特征、所述驾驶行为特征和所述常规型特征,得到离散型特征和连续型特征,并对所述离散型特征进行独热编码得到第一数据,对所述连续型特征进行归一化处理得到第二数据;
S3、对所述第一数据和第二数据进行加噪处理得到第三数据,并对所述第三数据进行重构误差计算,得到重构误差值,若所述重构误差值大于预设重构误差阈值时,更新超参数并重新进行计算,若所述重构误差值小于所述预设重构误差阈值时,将所述第三数据进行位置编码并提取特征得到第四数据;
S4、对所述第四数据进行Transformer模型验证测试,得到测试误差值,若所述测试误差值大于预设测试误差阈值时,更新超参数并重新进行模型测试,若所述测试误差值小于所述预设测试误差阈值时,基于所述测试误差值得到模型测试结果,并基于所述模型测试结果得到最终预测结果。
优选的,所述预设标签为对电池组最大可用容量除以电池组额定容量后的自行回归处理的结果。
优选的,所述电池组最大可用容量Cmax,其计算公式如下:
其中,Cmax为当前最大可用容量,SOC(t0)为放电起始时刻点池荷电状态,SOC(tk)为放电结束时刻电池荷电状态,I(t)为t时刻电池组电流,η为库伦效率。
另一方面,为实现上述目的,本发明还提供了一种动力电池组SOH预测***,包括:数据预处理模块、SDAE模块和神经网络模块;
所述数据预处理模块用于采集历史天气特征、驾驶行为特征和常规型特征,并将所述历史天气特征、所述驾驶行为特征和所述常规型特征划分为离散型特征和连续型特征,对所述离散型特征进行独热编码得到第一数据,对所述连续型特征进行归一化处理得到第二数据;
所述SDAE模块与所述数据预处理模块连接,所述SDAE模块用于对所述第一数据和所述第二数据进行加噪处理,得到第三数据,并对所述第三数据进行重构误差计算;
所述神经网络模块与所述SDAE模块连接,所述神经网络模块用于对所述第三数据进行位置编码得到第四数据,基于所述第四数据进行模型测试,并得到最终预测结果。
优选的,所述数据预处理模块基于组合特征和预设标签将所述历史天气特征、所述驾驶行为特征和所述常规特征进行划分。
优选的,所述SDAE模块包括N个降噪自编码器单元。
优选的,所述降噪自编码器单元包括加噪装置和编码器装置;
所述加噪装置用于对所述第一数据和所述第二数据进行加噪处理,得到第三数据;
所述编码器装置用于对所述第三数据进行重构误差计算,得到重构误差值,若所述重构误差值大于预设重构误差阈值时,更新超参数并重新进行计算,若所述重构误差值小于所述预设重构误差阈值时,输出第三数据。
优选的,所述神经网络模块包括位置编码器、M个Transformer神经网络装置和全连接器;
所述位置编码器用于对所述第三数据进行位置信息编码,得到第四数据;
所述Transformer神经网络装置用于基于所述第四数据学习映射关系并进行模型测试,得到测试误差值,若所述测试误差值大于预设测试误差阈值时,更新超参数并重新进行验证测试,若所述测试误差值小于所述预设测试误差阈值时,基于所述测试误差值得到模型测试结果;
所述全连接器用于基于所述模型测试结果输出预测结果。本发明的有益效果为:
(1)考虑天气和驾驶员行为对车辆的影响电池***在实际运行条件下的性能,满足新能源汽车在实际运行过程中电池组处于非满充满放工况下的在线健康度估算的要求;
(2)采用深层神经网络作为自编码器提取的数据表示,能够更好地捕捉到数据的特征信息,同时,对加入噪声的原始数据编码、解码,取编码后的特征,可以进一步提高模型稳定性和鲁棒性;
(3)本发明采用改进的Transformer神经网络预测动力电池组的健康状态,利用其并行计算的特点,可在节省计算时间的同时提高模型的预测精度,具有更强的时效性和精确度。
附图说明
图1为本申请实施例的基于神经网络的动力电池组SOH预测方法流程示意图;
图2为本申请实施例的基于神经网络的动力电池组SOH预测***结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
实施例一
在本实施例一中,如图1所示,一种基于神经网络的动力电池组SOH预测方法流程,基于车联网环境采用网络爬虫爬取当地历史天气信息,具体包括湿度、气压、气温、风速等特征;基于BMS历史信息采集数据,具体包括车速、刹车踏板行程值、加速度等驾驶行为特征和充电时电池组的电流、电压、温度、SOC、行驶里程等常规型特征。
计算当前最大可用容量Cmax,其公式如下:
其中,Cmax为当前最大可用容量,SOC(t0)为放电起始时刻点池荷电状态,SOC(tk)为放电结束时刻电池荷电状态,I(t)为t时刻电池组电流,η为库伦效率。
利用回归算法对当前最大可用容量进行自回归处理返回得到CC,并用CC除以电池组额定容量CR后作为标签,回归算法包括逻辑回归、决策树回归、支持向量机回归等回归算法。
组合天气特征、驾驶行为特征、常规型特征与标签,并划分为离散型特征和连续型特征,具有缺失值的特征,连续型特征用均值填充缺失值,离散型特征用NaN填充。独热编码离散型特征,归一化连续型特征并传入堆栈降噪自编码器。离散型特征独热编码后得到第一数据X0,连续型特征归一化后得到第二数据Xn,归一化主要由于动力电池组各健康特征量纲不同,为提高所提模型的收敛速度,采用min-max标准化对训练数据进行归一化处理,将数据映射到[0,1]之间。
式中:Xn为归一化后的健康特征;Xmin、Xmax为健康特征的最值。
因此训练数据集为X=concat(X0,Xn),其中concat为拼接函数。
基于第一数据X0和第二数据Xn引入噪声来学习更稳定、更具有鲁棒性的特征编码,进而得到第三数据XT,并且可以提高模型的泛化能力,最后将SDAE重构后得到的第三数据XT输入至神经网络模块。
神经网络模块对第三数据XT进行位置编码,得到第四数据,并选用平均绝对误差(MAE)和均方根误差(RMSE)分别用作损失函数和估计精度,将得到的第四数据在Transformer中进行前向传播。同时,采用反向传播算法迭代更新网络参数和Dropout层减少过拟合。
验证Transformer模型,取测试集,验证Transformer估算模型的准确性和泛化能力。当测试误差大于阈值时,更新超参数并重新训练Transformer模型;当测试误差小于阈值时,输出至全连接层,从而得出最终的预测。
实施例二
在本实施例二中,如图2所示,一种基于神经网络的动力电池组SOH预测***结构,包括:数据预处理模块、SDAE模块和神经网络模块。
数据预处理模块,其用于将实车历史数据清洗,提取特征和标签后分为离散型特征和连续型特征并分别进行预处理;
SDAE模块包括N个降噪自编码单元,用于对所获得的第一数据进行加噪和重构处理;降噪自编码单元包括加噪装置和编码器装置,加噪装置用于对第一数据和第二数据进行加噪处理得到第三数据,编码器装置用于对第三数据进行重构处理,并输出第三数据;
神经网络模块包括位置编码器、M个Transformer神经网络装置和全连接器;位置编码器用于对第三数据进行位置编码,得到第四数据;Transformer神经网络装置用于基于第四数据学习映射关系并进行模型测试得到模型测试结果;全连接器用于基于模型测试结果输出预测结果。
实施例三
在本实施例三中,SDAE重构数据首先对DAE单元的输入数据Xi-1进行重构,构造为新的重构数据Xd。经编码以提取特征Zi,作为下一个DAE单元的输入,因此当前DAE单元的输入Xi-1的神经元个数与从相邻的前一个DAE单元的Zi提取特征的维度相同。最后通过DAE网络的解码过程以重构输入Xi-1,表征为Yi。函数J为输入Xi-1与Yi之间重构误差的损失函数,通过随机梯度下降算法训练连接层的权重与偏置。
Xd=d(Xi-1)
Zi=fi(WeiXd+bei)
Yi=gi(WdiZi+bdi)
其中,Xi-1为i-1层降噪编码器重构后的特征,函数d为加噪函数,噪声可选择高斯噪声或其他噪声,Wei、bei分别为连接Xd与编码层Zi的权重矩阵与偏置,Wdi、bdi分别为连接编码层Zi和解码层Yi的权重矩阵与偏置,fi、gi为sigmoid激活函数,i(i∈[1,N])表示第i个降噪编码器单元,N为降噪自编码器单元个数。
另Wdi=WT ei,i∈[1,N],将每一层的DAE的权重共享,自编码器的参数更少,因此更容易学习,从而提高学习效率,同时,在一定程度上可以起到正则化的作用,因此,其损失函数为:
其中,λ为正则化系数,M为训练数据特征数量。
实施例四
在本实施例四中,Transformer是一种基于注意力机制的神经网络,由于Transformer神经网络抛弃了循环神经网络结构,完全采用注意力层取而代之,这些位置信息就会丢失,模型就没有办法知道输入序列的相对和绝对的位置信息。因此,需要采用位置编码来解决该问题。
将位置编码信息与输入特征相加,从而产生拥有位置信息的输入。
Transformer模型主体部分的构建通过注意力装置的多头注意力机制实现。
XMulti=MultiHead(Q,K,V)=Concat(head1,...,headm)Wo
其中,XMulti为多头注意力机制层的输出,Q、K、V分别为注意力的查询、键和值,m为单头注意力机制的个数,WO多头注意力矩阵拼接以后的线性变换权重矩阵。
输入数据经过注意力装置的多头注意力机制运算以后的输出数据维度与输入保持一致,以便进行残差连接,残差连接能够解决梯度消失和权重矩阵的退化问题。归一化的作用是把模型的隐藏变量归一化为标准正态分布,以起到加速收敛的作用。每个子层的输出可以用式表示:
Si=LayerNorm(X+XMulti)
其中,X为多头注意力的输入,XMulti是多头注意力的输出,Si是当前层残差模块的输出,LayerNorm为层归一化处理函数,uL表示均值,σ2 L表示方差,α表示增益,β表示偏置,ε表示一个很小的小数,以防止分母为0。
经残差归一装置后输入前馈网络,以防止模型输出的退化,主要使用了一个ReLU作为激活函数的两个线性变换构成,前馈网络函数(FFN)的计算方式如下:
XF=FFN(Si),i∈[1,m]
FFN(X)=max(0,XW1+b1)W2+b2
其中,X表示前馈网络的输入,max表示取最大值的操作,m为单头注意力机制的个数。
为了预测动力电池组健康状态,使用一个完整的连接层来映射最后一个Transformer模块学习到的表示,从而得出最终的预测。
其中Wp、bp、Xm和f分别为全连接层的权值、偏置、输入和激活函数。
以上所述的实施例仅是对本发明优选方式进行的描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (8)
1.一种动力电池组SOH预测方法,其特征在于,包括以下步骤:
S1、基于车联网环境采集历史天气特征,基于BMS历史信息采集驾驶行为特征和常规型特征;
S2、基于预设标签和所述历史天气特征、所述驾驶行为特征和所述常规型特征,得到离散型特征和连续型特征,并对所述离散型特征进行独热编码得到第一数据,对所述连续型特征进行归一化处理得到第二数据;
S3、对所述第一数据和第二数据进行加噪处理得到第三数据,并对所述第三数据进行重构误差计算,得到重构误差值,若所述重构误差值大于预设重构误差阈值时,更新超参数并重新进行计算,若所述重构误差值小于所述预设重构误差阈值时,将所述第三数据进行位置编码并提取特征得到第四数据;
S4、对所述第四数据进行Transformer模型验证测试,得到测试误差值,若所述测试误差值大于预设测试误差阈值时,更新超参数并重新进行模型测试,若所述测试误差值小于所述预设测试误差阈值时,基于所述测试误差值得到模型测试结果,并基于所述模型测试结果得到最终预测结果。
2.根据权利要求1所述动力电池组SOH预测方法,其特征在于,所述预设标签为对电池组最大可用容量除以电池组额定容量后的自行回归处理的结果。
4.一种动力电池组SOH预测***,其特征在于,包括:数据预处理模块、SDAE模块和神经网络模块;
所述数据预处理模块用于采集历史天气特征、驾驶行为特征和常规型特征,并将所述历史天气特征、所述驾驶行为特征和所述常规型特征划分为离散型特征和连续型特征,对所述离散型特征进行独热编码得到第一数据,对所述连续型特征进行归一化处理得到第二数据;
所述SDAE模块与所述数据预处理模块连接,所述SDAE模块用于对所述第一数据和所述第二数据进行加噪处理,得到第三数据,并对所述第三数据进行重构误差计算;
所述神经网络模块与所述SDAE模块连接,所述神经网络模块用于对所述第三数据进行位置编码得到第四数据,基于所述第四数据进行模型测试,并得到最终预测结果。
5.根据权利要求4所述一种动力电池组SOH预测***,其特征在于,所述数据预处理模块基于组合特征和预设标签将所述历史天气特征、所述驾驶行为特征和所述常规特征进行划分。
6.根据权利要求4所述一种动力电池组SOH预测***,其特征在于,所述SDAE模块包括N个降噪自编码器单元。
7.根据权利要求6所述一种动力电池组SOH预测***,其特征在于,所述降噪自编码器单元包括加噪装置和编码器装置;
所述加噪装置用于对所述第一数据和所述第二数据进行加噪处理,得到第三数据;
所述编码器装置用于对所述第三数据进行重构误差计算,得到重构误差值,若所述重构误差值大于预设重构误差阈值时,更新超参数并重新进行计算,若所述重构误差值小于所述预设重构误差阈值时,输出第三数据。
8.根据权利要求4所述一种动力电池组SOH预测***,其特征在于,所述神经网络模块包括位置编码器、M个Transformer神经网络装置和全连接器;
所述位置编码器用于对所述第三数据进行位置信息编码,得到第四数据;
所述Transformer神经网络装置用于基于所述第四数据学习映射关系并进行模型测试,得到测试误差值,若所述测试误差值大于预设测试误差阈值时,更新超参数并重新进行验证测试,若所述测试误差值小于所述预设测试误差阈值时,基于所述测试误差值得到模型测试结果;
所述全连接器用于基于所述模型测试结果输出预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210529759.3A CN114791993B (zh) | 2022-05-16 | 2022-05-16 | 一种动力电池组soh预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210529759.3A CN114791993B (zh) | 2022-05-16 | 2022-05-16 | 一种动力电池组soh预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114791993A true CN114791993A (zh) | 2022-07-26 |
CN114791993B CN114791993B (zh) | 2022-11-11 |
Family
ID=82463654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210529759.3A Active CN114791993B (zh) | 2022-05-16 | 2022-05-16 | 一种动力电池组soh预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114791993B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116400227A (zh) * | 2023-06-08 | 2023-07-07 | 长安大学 | 电动汽车动力电池soh预测方法、***、设备及介质 |
CN116860296A (zh) * | 2023-07-13 | 2023-10-10 | 深圳市紫辰星新能源有限公司 | 一种固态电池包远程升级的应用方法及*** |
CN117649370A (zh) * | 2024-01-29 | 2024-03-05 | 长春智灵光电科技有限公司 | 图像非均匀校正的残差bp神经网络及方法 |
Citations (43)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103558554A (zh) * | 2013-10-15 | 2014-02-05 | 广东电网公司电力科学研究院 | 一种新能源汽车动力电池soh在线估算的方法 |
US20140049796A1 (en) * | 2001-12-17 | 2014-02-20 | Zih Corp. | Xml system |
CN103972945A (zh) * | 2012-03-29 | 2014-08-06 | 陈笛 | 智能电池管理***及优化电池集到其最佳性能的方法 |
US20140277887A1 (en) * | 2013-03-15 | 2014-09-18 | WM GreenTech Automotive Corp. | Method and system for detecting battery type and capacity and automatically adjusting related vehicle parameters |
CN104698382A (zh) * | 2013-12-04 | 2015-06-10 | 东莞钜威新能源有限公司 | 一种电池组的soc与soh的预测方法 |
US20160093048A1 (en) * | 2014-09-25 | 2016-03-31 | Siemens Healthcare Gmbh | Deep similarity learning for multimodal medical images |
CN105785275A (zh) * | 2016-03-08 | 2016-07-20 | 西安特锐德智能充电科技有限公司 | 一种基于充电机的电池soh检测装置和检测电池soh的方法 |
CN106329553A (zh) * | 2015-06-19 | 2017-01-11 | 株式会社日立制作所 | 风电场运行控制装置、方法以及风电场*** |
CN106339755A (zh) * | 2016-08-29 | 2017-01-18 | 深圳市计量质量检测研究院 | 基于神经网络与周期核函数gpr的锂电池健康状态预测方法 |
CN106599333A (zh) * | 2015-10-20 | 2017-04-26 | 郑州宇通客车股份有限公司 | 一种电源soh的估算方法 |
CN106970266A (zh) * | 2016-11-29 | 2017-07-21 | 北京交通大学 | 一种锂离子电池的eis快速测量方法 |
CN107203958A (zh) * | 2017-05-25 | 2017-09-26 | 段云涛 | 一种基于多特征联合的隐写图像分析方法 |
CN107329092A (zh) * | 2017-07-25 | 2017-11-07 | 南京红太阳新能源有限公司 | 电池组性能智能台架测试平台 |
US20180005343A1 (en) * | 2016-07-01 | 2018-01-04 | Digimarc Corporation | Image-based pose determination |
CN107607875A (zh) * | 2017-08-15 | 2018-01-19 | 北京智行鸿远汽车有限公司 | 基于循环次数统计的锂电池soh估计方法 |
CN108519556A (zh) * | 2018-04-13 | 2018-09-11 | 重庆邮电大学 | 一种基于循环神经网络的锂离子电池soc预测方法 |
CN108549035A (zh) * | 2018-04-20 | 2018-09-18 | 成都雅骏新能源汽车科技股份有限公司 | 一种基于大数据估算soh的方法 |
US20180276913A1 (en) * | 2016-09-30 | 2018-09-27 | Faraday&Future Inc. | Remote vehicle network monitoring and failure prediction system |
CN108594135A (zh) * | 2018-06-28 | 2018-09-28 | 南京理工大学 | 一种用于锂电池均衡充放电控制的soc估算方法 |
CN108663626A (zh) * | 2017-08-16 | 2018-10-16 | 众泰新能源汽车有限公司 | 一种动力电池soh的预测方法 |
CN108830167A (zh) * | 2018-04-19 | 2018-11-16 | 哈尔滨工程大学 | 一种基于k-svd字典学习的海水温度场数据重构方法 |
CN109066849A (zh) * | 2018-08-07 | 2018-12-21 | 宁波智果科技咨询服务有限公司 | 一种soh值电池更换的充电站*** |
CN109143105A (zh) * | 2018-09-05 | 2019-01-04 | 上海海事大学 | 一种电动汽车锂离子电池的荷电状态计算方法 |
CN109447977A (zh) * | 2018-11-02 | 2019-03-08 | 河北工业大学 | 一种基于多光谱深度卷积神经网络的视觉缺陷检测方法 |
CN109800520A (zh) * | 2019-01-25 | 2019-05-24 | 国网浙江省电力有限公司湖州供电公司 | 一种基于神经网络的电动汽车充电站谐波建模方法 |
CN109917292A (zh) * | 2019-03-28 | 2019-06-21 | 首都师范大学 | 一种基于daupf的锂离子电池寿命预测方法 |
CN110068771A (zh) * | 2019-05-28 | 2019-07-30 | 山东大学 | 基于输出响应重构的高精度电池模型参数辨识方法及*** |
CN110113601A (zh) * | 2019-04-11 | 2019-08-09 | 中南大学 | 基于视频图片纹理特征的hevc帧内快速算法选择方法 |
CN110222426A (zh) * | 2019-06-06 | 2019-09-10 | 南京航空航天大学 | 非连续工作模式下航空蓄电池剩余寿命预测方法 |
CN110426637A (zh) * | 2019-07-04 | 2019-11-08 | 佛山科学技术学院 | 一种基于神经网络的电池故障诊断方法及装置 |
CN110598300A (zh) * | 2019-09-05 | 2019-12-20 | 东软睿驰汽车技术(沈阳)有限公司 | 一种电池soh预测方法及装置 |
US20200052991A1 (en) * | 2018-08-09 | 2020-02-13 | At&T Intellectual Property I, L.P. | Mobility network slice selection |
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 |
CN111289911A (zh) * | 2020-04-03 | 2020-06-16 | 深圳天邦达新能源技术有限公司 | 基于电池的soc估算方法、装置以及电子设备 |
CN111443293A (zh) * | 2020-03-30 | 2020-07-24 | 青岛大学 | 一种基于数据驱动的锂电池健康状态soh估算方法 |
CN111581904A (zh) * | 2020-04-17 | 2020-08-25 | 西安理工大学 | 考虑循环次数影响的锂电池soc及soh协同估算方法 |
CN111626764A (zh) * | 2020-04-09 | 2020-09-04 | 中南大学 | 基于Transformer+LSTM神经网络模型的商品销量预测方法及装置 |
CN111985156A (zh) * | 2020-08-19 | 2020-11-24 | 电子科技大学 | 一种预测电池健康状态的方法 |
CN111983457A (zh) * | 2020-07-15 | 2020-11-24 | 江苏大学 | 一种基于lstm神经网络的电池组soh估算方法 |
CN112305423A (zh) * | 2020-10-29 | 2021-02-02 | 广州益维电动汽车有限公司 | 锂离子动力电池荷电状态估算方法、装置、介质和设备 |
CN112782591A (zh) * | 2021-03-22 | 2021-05-11 | 浙江大学 | 基于多电池数据融合的锂电池soh长期预测方法 |
CN113316163A (zh) * | 2021-06-18 | 2021-08-27 | 东南大学 | 基于深度学习的长期网络流量预测方法 |
CN113343633A (zh) * | 2021-06-10 | 2021-09-03 | 上海交通大学 | 动力锂电池热失控故障分类及风险预测方法、*** |
-
2022
- 2022-05-16 CN CN202210529759.3A patent/CN114791993B/zh active Active
Patent Citations (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140049796A1 (en) * | 2001-12-17 | 2014-02-20 | Zih Corp. | Xml system |
US20160048496A1 (en) * | 2001-12-17 | 2016-02-18 | Zih Corp. | XML Printer System |
CN103972945A (zh) * | 2012-03-29 | 2014-08-06 | 陈笛 | 智能电池管理***及优化电池集到其最佳性能的方法 |
US20140277887A1 (en) * | 2013-03-15 | 2014-09-18 | WM GreenTech Automotive Corp. | Method and system for detecting battery type and capacity and automatically adjusting related vehicle parameters |
CN103558554A (zh) * | 2013-10-15 | 2014-02-05 | 广东电网公司电力科学研究院 | 一种新能源汽车动力电池soh在线估算的方法 |
CN104698382A (zh) * | 2013-12-04 | 2015-06-10 | 东莞钜威新能源有限公司 | 一种电池组的soc与soh的预测方法 |
US20160093048A1 (en) * | 2014-09-25 | 2016-03-31 | Siemens Healthcare Gmbh | Deep similarity learning for multimodal medical images |
CN106329553A (zh) * | 2015-06-19 | 2017-01-11 | 株式会社日立制作所 | 风电场运行控制装置、方法以及风电场*** |
CN106599333A (zh) * | 2015-10-20 | 2017-04-26 | 郑州宇通客车股份有限公司 | 一种电源soh的估算方法 |
CN105785275A (zh) * | 2016-03-08 | 2016-07-20 | 西安特锐德智能充电科技有限公司 | 一种基于充电机的电池soh检测装置和检测电池soh的方法 |
US20180005343A1 (en) * | 2016-07-01 | 2018-01-04 | Digimarc Corporation | Image-based pose determination |
CN106339755A (zh) * | 2016-08-29 | 2017-01-18 | 深圳市计量质量检测研究院 | 基于神经网络与周期核函数gpr的锂电池健康状态预测方法 |
US20180276913A1 (en) * | 2016-09-30 | 2018-09-27 | Faraday&Future Inc. | Remote vehicle network monitoring and failure prediction system |
CN106970266A (zh) * | 2016-11-29 | 2017-07-21 | 北京交通大学 | 一种锂离子电池的eis快速测量方法 |
CN107203958A (zh) * | 2017-05-25 | 2017-09-26 | 段云涛 | 一种基于多特征联合的隐写图像分析方法 |
CN107329092A (zh) * | 2017-07-25 | 2017-11-07 | 南京红太阳新能源有限公司 | 电池组性能智能台架测试平台 |
CN107607875A (zh) * | 2017-08-15 | 2018-01-19 | 北京智行鸿远汽车有限公司 | 基于循环次数统计的锂电池soh估计方法 |
CN108663626A (zh) * | 2017-08-16 | 2018-10-16 | 众泰新能源汽车有限公司 | 一种动力电池soh的预测方法 |
CN108519556A (zh) * | 2018-04-13 | 2018-09-11 | 重庆邮电大学 | 一种基于循环神经网络的锂离子电池soc预测方法 |
CN108830167A (zh) * | 2018-04-19 | 2018-11-16 | 哈尔滨工程大学 | 一种基于k-svd字典学习的海水温度场数据重构方法 |
CN108549035A (zh) * | 2018-04-20 | 2018-09-18 | 成都雅骏新能源汽车科技股份有限公司 | 一种基于大数据估算soh的方法 |
CN108594135A (zh) * | 2018-06-28 | 2018-09-28 | 南京理工大学 | 一种用于锂电池均衡充放电控制的soc估算方法 |
CN109066849A (zh) * | 2018-08-07 | 2018-12-21 | 宁波智果科技咨询服务有限公司 | 一种soh值电池更换的充电站*** |
US20200052991A1 (en) * | 2018-08-09 | 2020-02-13 | At&T Intellectual Property I, L.P. | Mobility network slice selection |
CN109143105A (zh) * | 2018-09-05 | 2019-01-04 | 上海海事大学 | 一种电动汽车锂离子电池的荷电状态计算方法 |
CN109447977A (zh) * | 2018-11-02 | 2019-03-08 | 河北工业大学 | 一种基于多光谱深度卷积神经网络的视觉缺陷检测方法 |
CN109800520A (zh) * | 2019-01-25 | 2019-05-24 | 国网浙江省电力有限公司湖州供电公司 | 一种基于神经网络的电动汽车充电站谐波建模方法 |
CN109917292A (zh) * | 2019-03-28 | 2019-06-21 | 首都师范大学 | 一种基于daupf的锂离子电池寿命预测方法 |
CN110113601A (zh) * | 2019-04-11 | 2019-08-09 | 中南大学 | 基于视频图片纹理特征的hevc帧内快速算法选择方法 |
CN110068771A (zh) * | 2019-05-28 | 2019-07-30 | 山东大学 | 基于输出响应重构的高精度电池模型参数辨识方法及*** |
CN110222426A (zh) * | 2019-06-06 | 2019-09-10 | 南京航空航天大学 | 非连续工作模式下航空蓄电池剩余寿命预测方法 |
CN110426637A (zh) * | 2019-07-04 | 2019-11-08 | 佛山科学技术学院 | 一种基于神经网络的电池故障诊断方法及装置 |
CN110598300A (zh) * | 2019-09-05 | 2019-12-20 | 东软睿驰汽车技术(沈阳)有限公司 | 一种电池soh预测方法及装置 |
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 |
CN111443293A (zh) * | 2020-03-30 | 2020-07-24 | 青岛大学 | 一种基于数据驱动的锂电池健康状态soh估算方法 |
CN111289911A (zh) * | 2020-04-03 | 2020-06-16 | 深圳天邦达新能源技术有限公司 | 基于电池的soc估算方法、装置以及电子设备 |
CN111626764A (zh) * | 2020-04-09 | 2020-09-04 | 中南大学 | 基于Transformer+LSTM神经网络模型的商品销量预测方法及装置 |
CN111581904A (zh) * | 2020-04-17 | 2020-08-25 | 西安理工大学 | 考虑循环次数影响的锂电池soc及soh协同估算方法 |
CN111983457A (zh) * | 2020-07-15 | 2020-11-24 | 江苏大学 | 一种基于lstm神经网络的电池组soh估算方法 |
CN111985156A (zh) * | 2020-08-19 | 2020-11-24 | 电子科技大学 | 一种预测电池健康状态的方法 |
CN112305423A (zh) * | 2020-10-29 | 2021-02-02 | 广州益维电动汽车有限公司 | 锂离子动力电池荷电状态估算方法、装置、介质和设备 |
CN112782591A (zh) * | 2021-03-22 | 2021-05-11 | 浙江大学 | 基于多电池数据融合的锂电池soh长期预测方法 |
CN113343633A (zh) * | 2021-06-10 | 2021-09-03 | 上海交通大学 | 动力锂电池热失控故障分类及风险预测方法、*** |
CN113316163A (zh) * | 2021-06-18 | 2021-08-27 | 东南大学 | 基于深度学习的长期网络流量预测方法 |
Non-Patent Citations (1)
Title |
---|
张鹏 等: ""新能源汽车动力电池SOH建模方法研究综述"", 《时代汽车》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116400227A (zh) * | 2023-06-08 | 2023-07-07 | 长安大学 | 电动汽车动力电池soh预测方法、***、设备及介质 |
CN116860296A (zh) * | 2023-07-13 | 2023-10-10 | 深圳市紫辰星新能源有限公司 | 一种固态电池包远程升级的应用方法及*** |
CN116860296B (zh) * | 2023-07-13 | 2024-04-09 | 深圳市紫辰星新能源有限公司 | 一种固态电池包远程升级的应用方法及*** |
CN117649370A (zh) * | 2024-01-29 | 2024-03-05 | 长春智灵光电科技有限公司 | 图像非均匀校正的残差bp神经网络及方法 |
CN117649370B (zh) * | 2024-01-29 | 2024-05-14 | 长春智灵光电科技有限公司 | 图像非均匀校正的残差bp神经网络及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114791993B (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gao et al. | Machine learning toward advanced energy storage devices and systems | |
CN114791993B (zh) | 一种动力电池组soh预测方法及*** | |
Zhang et al. | Prognostics and health management of Lithium-ion battery using deep learning methods: A review | |
Kim et al. | Estimation of Li-ion battery state of health based on multilayer perceptron: As an EV application | |
Wang et al. | A transferable lithium-ion battery remaining useful life prediction method from cycle-consistency of degradation trend | |
CN113343633A (zh) | 动力锂电池热失控故障分类及风险预测方法、*** | |
CN116679211B (zh) | 一种锂电池健康状态的预测方法 | |
CN113740736A (zh) | 一种基于深度网络自适应的电动汽车锂电池soh估算方法 | |
CN115015760B (zh) | 基于神经网络、迁移集成学习的锂电池健康状态评估方法 | |
CN113608140A (zh) | 一种电池故障诊断方法及*** | |
CN114580262B (zh) | 一种锂离子电池健康状态估计方法 | |
CN116184210A (zh) | 电池异常检测方法、装置、***和电子装置 | |
CN116523177A (zh) | 融合机理和深度学习模型的车辆能耗预测方法及装置 | |
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 | |
Li et al. | Multi-time-step and multi-parameter prediction for real-world proton exchange membrane fuel cell vehicles (PEMFCVs) toward fault prognosis and energy consumption prediction | |
Rastegarpanah et al. | Predicting the remaining life of lithium-ion batteries using a CNN-LSTM model | |
CN116500480A (zh) | 一种基于特征迁移学习混合模型的智能电池健康监测方法 | |
CN117233635A (zh) | 一种基于双路并行网络的梯次利用电池性能评估方法 | |
CN117150334A (zh) | 一种基于优化后的BiLSTM神经网络的锂电池多状况预测方法和装置 | |
Xiong et al. | Critical Review on Improved Electrochemical Impedance Spectroscopy-Cuckoo Search-Elman Neural Network Modeling Methods for Whole-Life-Cycle Health State Estimation of Lithium-Ion Battery Energy Storage Systems | |
Hassanieh et al. | Orthogonal autoencoders for long-term state-of-charge forecasting of Li-ion battery cells | |
Cai et al. | DIICAN: Dual Time-scale State-Coupled Co-estimation of SOC, SOH and RUL for Lithium-Ion Batteries | |
Zhang et al. | Intelligent anomaly detection method of gateway electrical energy metering devices using deep learning | |
CN110837932A (zh) | 基于dbn-ga模型的太阳能集热***热功率预测方法 | |
Xiang et al. | Two-level battery health diagnosis using encoder-decoder framework and Gaussian mixture ensemble learning based on relaxation voltage |
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 |