CN115291113A - 一种统一的锂离子电池soc、soh和rul的联合估计方法及*** - Google Patents

一种统一的锂离子电池soc、soh和rul的联合估计方法及*** Download PDF

Info

Publication number
CN115291113A
CN115291113A CN202210976942.8A CN202210976942A CN115291113A CN 115291113 A CN115291113 A CN 115291113A CN 202210976942 A CN202210976942 A CN 202210976942A CN 115291113 A CN115291113 A CN 115291113A
Authority
CN
China
Prior art keywords
soh
rul
soc
battery
lithium ion
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
CN202210976942.8A
Other languages
English (en)
Inventor
陈欣
蔡宁波
巩素梅
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202210976942.8A priority Critical patent/CN115291113A/zh
Publication of CN115291113A publication Critical patent/CN115291113A/zh
Pending legal-status Critical Current

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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种统一的锂离子电池SOC、SOH和RUL的联合估计方法及***，包括：获取电池充放电期间电压、电流及温度信息；获取电池的瞬时电压、电流及温度信息；将电池充放电期间电压、电流及温度信息和电池的瞬时电压、电流及温度信息输入至训练后的锂离子电池SOC、SOH和RUL的预测模型中，得锂离子电池的SOC、SOH和RUL，该方法及***能够利用统一的数据驱动模型预测电池的SOC、SOH及RUL。

Description

一种统一的锂离子电池SOC、SOH和RUL的联合估计方法及***
技术领域
本发明涉及一种联合估计方法及***，具体涉及一种统一的锂离子电池SOC、SOH和RUL的联合估计方法及***。
背景技术
电池储能***在可再生能源发电、智能电网技术和电动汽车等方面迅速发展。准确的电池荷电状态(SOC)、健康状态(SOH)和剩余使用寿命(RUL)估计是BMS中的关键模块，用于确保电池的可靠性、耐久性和性能。
一般来说，SOC估计方法主要包括基础方法、数据驱动方法和基于模型的方法。基本方法包括查找表和安培积分法。基本方法因其计算简单、易于实现等优点，在实际工程中得到了广泛的应用。而基本方法受工作环境、休息时间和初始值精度的影响较大，随着时间的积累，积分误差会越来越大。基于模型的方法普遍具有实时反馈和闭环反馈的优点，因此得到了很大的发展。常用模型大致可归纳为三种:电化学模型(EM)，等效电路模型(ECM)和电化学阻抗模型(EIM)。数据驱动模型只依赖于历史数据，不需要复杂的等效模型或数学模型。Anton等人在“Support vector machines used to estimate the battery state ofcharge.IEEE Transactions on power electronics,28(12):5919–5926,2013”应用支持向量机(SVM)在动态应力测试周期的锂离子电池上，以电池电流、电池电压和电池温度为自变量预测SOC。Hong等人在“Online joint-prediction of multi-forward-step batterysoc using lstm neural networks and multiple linear regression for real-worldelectric vehicles.Journal of Energy Storage,30:101459,2020.”提出了一个基于LSTM的真实电动汽车电池***多步SOC预测方法。
电池老化，通常表现为容量衰减和电阻增长，可能还有可用电量衰减，是***安全最具挑战性的问题之一。与SOC估计类似，SOH和RUL也可以通过数据驱动和基于模型的方法进行预测。基于模型的方法主要是基于材料性质、电化学反应、SOH阻抗变化和RUL预测等因素，分析内部降解机理的物理化学原理，建立数学模型表征容量降解过程。Ashwin等人在“Capacity fade modelling of lithium-ion battery under cyclic loadingconditions.Journal of Power Sources,328:586–598,2016.”提出了伪二维(P2D)电化学锂离子电池模型来研究循环充放电条件下的容量衰减，该模型集成了锂离子电池内部所有必要的电化学过程，证明了计算快速电池监测***的有用工具。Eddahech等人在“Remaining useful life prediction of lithium batteries in calendar ageing forautomotive applications.Microelectronics Reliability,52(9-10):2438–2442,2012.”使用了从电化学阻抗识别的单个参数通过光谱(EIS)测试来识别电池的RUL。基于EIS检测中0.1Hz阻抗实部的监测，该方法可与等效电路模型方法相媲美，但证明了其简单性。Dong等在“Battery health prognosis using brownian motion modeling andparticle filtering.IEEE Transactions on Industrial Electronics,65(11):8646–8655,2018.”将容量退化作为布朗粒子在给定时间区间内的运动距离，利用粒子滤波(PF)估计布朗运动(BM)的漂移参数，其结果提供了准确、稳健的SOH和RUL预测。与基于模型的方法相比，数据驱动方法不需要明确的数学模型来描述电池的退化演化过程。数据驱动的预测依赖于历史数据，包括电流、电压、电容和阻抗等，并通过各种数据分析方法挖掘退化信息。Nuhic等人在“Health diagnosis and remaining useful life prognostics oflithium-ion batteries using data-driven methods.Journal of power sources,239:680–688,2013.”使用支持向量回归(SVR)对电池健康状况进行嵌入诊断和预测。Zhang等在“Long short-term memory recurrent neural network for remaining useful lifeprediction of lithium-ion batteries.IEEE Transactions on VehicularTechnology,67(7):5695–5705,2018.”利用长短期记忆(LSTM)递归神经网络(RNN)学习了锂离子电池退化容量之间的长期依赖关系。Hong等人在“Towards the swift prediction of theremaining useful life of lithium-ion batteries with end-to-end deeplearning.Applied energy,278:115646,2020.”提出了一种基于扩展CNN的神经网络结构，用于预测锂离子电池的剩余使用寿命。
随着时间的推移监测电池SOC、SOH和RUL是一个具有挑战性的目标，因为SOC和SOH与复杂的电化学过程高度耦合。细胞SOC和SOH在两个时间尺度上存在。SOC变化迅速，可以在几分钟内完成整个范围，而SOH变化缓慢。Hu等人在“Co-estimation of state ofcharge and state of health for lithium-ion batteries based on fractional-order calculus.IEEE Transactions on Vehicular Technology,67(11):10319–10329,2018.”提出了SOC和SOH的联合估计方案，该方案能够在存在初始偏差、噪声和干扰的情况下预测电池老化的电压响应。Song等人在“A hybrid statistical data-driven methodfor on-line joint state estimation of lithium-ion batteries.Applied Energy,261:114408,2020.”提出了一种联合锂电池状态估计方法，该方法利用了数据驱动的最小二乘支持向量机和基于模型的粒子滤波器。电荷状态和健康状态的估计都具有较高的准确性和鲁棒性。
目前为止，据我们所知，还没有相关的工作提出了一个统一的数据驱动模型架构来预测电池的SOC、SOH和RUL。
发明内容
本发明的目的在于克服上述现有技术的缺点，提供了一种统一的锂离子电池SOC、SOH和RUL的联合估计方法及***，该方法及***能够利用统一的数据驱动模型预测电池的SOC、SOH及RUL。
为达到上述目的，本发明采用如下技术方案：
本发明所述统一的锂离子电池SOC、SOH和RUL的联合估计方法包括：
获取电池历史循环周期充放电期间电压、电流及温度信息；
获取电池运行期间的放电瞬时电压、电流及温度信息；
分别将电池历史循环周期充放电期间电压、电流及温度信息和电池运行期间的瞬时电压、电流及温度信息输入至训练后的锂离子电池SOH-RUL和SOC的预测模型中，预测锂离子电池的SOH、RUL和SOC。
锂离子电池SOC、SOH和RUL的预测模型包括SOH-RUL预测模型及SOC预测模型。
所述SOH-RUL预测模型基于卷积网络、循环网络和注意力机制构建而成。
还包括：
建立锂离子电池SOC、SOH和RUL的预测模型；
采集训练样本；
利用所述训练样本对锂离子电池SOC、SOH和RUL的预测模型进行训练，得训练后的锂离子电池SOC、SOH和RUL的预测模型。
利用所述训练样本对锂离子电池SOC、SOH和RUL的预测模型进行训练的过程中，提取SOH-RUL预测模型的中间特征作为电池老化信息对SOC预测模型的电池动态状态标定及容量校正。
本发明所述的统一的锂离子电池SOC、SOH和RUL的联合估计***包括：
第一获取模块，用于获取电池历史循环周期充放电期间电压、电流及温度信息；
第二获取模块，用于获取电池运行期间的放电瞬时电压、电流及温度信息；
预测模块，用于分别将电池历史循环周期充放电期间电压、电流及温度信息和电池运行期间的瞬时电压、电流及温度信息输入至训练后的锂离子电池SOH-RUL和SOC的预测模型中，预测锂离子电池的SOH、RUL和SOC。
锂离子电池SOC、SOH和RUL的预测模型包括SOH-RUL预测模型及SOC预测模型。
所述SOH-RUL预测模型基于卷积网络、循环网络和注意力机制构建而成。
还包括：
建立模块，用于建立锂离子电池SOC、SOH和RUL的预测模型；
采集模块，用于采集训练样本；
训练模块，用于利用所述训练样本对锂离子电池SOC、SOH和RUL的预测模型进行训练，得训练后的锂离子电池SOC、SOH和RUL的预测模型。
利用所述训练样本对锂离子电池SOC、SOH和RUL的预测模型进行训练的过程中，提取SOH-RUL预测模型的中间特征作为电池老化信息对SOC预测模型的电池动态状态标定及容量校正。
本发明具有以下有益效果：
本发明所述的统一的锂离子电池SOC、SOH和RUL的联合估计方法及***在具体操作时，将电池充放电期间电压、电流及温度信息和电池的瞬时电压、电流及温度信息输入至训练后的锂离子电池SOC、SOH和RUL的预测模型中，得锂离子电池的SOC、SOH和RUL，从而实现利用统一的数据驱动模型预测电池的SOC、SOH及RUL的目的，操作简单、方便，实用性极强。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明的流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合附图对本发明做进一步详细描述：
实施例一
本发明所述的一种统一的多时间尺度多状态锂离子电池联合估计方法，将电池循环组织成两种不同时间尺度的序列数据的形式，利用循环神经网络来建模电池状态演化过程，以实现对电池SOC、SOH及RUL的准确预测，其中，由两个预测模型耦合组成，其中一个预测模型用于进行SOH及RUL的多任务预测，另一个预测模型用于SOC的预测。
如图1所示，本发明考虑两个时间尺度，在循环周期间宏观尺度上利用电池充放电期间电压、电流及温度的局部曲线进行多任务学习SOH-RUL估计，在循环周期内部利用瞬时电压、电流及温度的数据进行SOC估计，具体为：
循环周期间SOH及RUL的多任务预测过程为：采集电池第n次循环前T个历史循环数据进行老化建模，基于卷积网络、循环网络及注意力机制提取电池健康状态，并以此预测SOH和RUL。
循环周期内SOC预测过程为：利用电池第n次循环放电期间的电压、电流及温度的瞬时特征，同时提取上一次循环SOH-RUL预测模型的中间特征作为电池老化信息对电池动态状态标定及容量校正，实现准确的SOC估计。
对于多任务学习SOH-RUL估计，输入电压、电流及温度为一维时间序列，基于分离卷积神经网络建立多源异构信息融合网络自动挖掘机理相关特征，基于注意力机制捕捉电池状态老化模式建立健康状态指标，基于门控循环网络提取电池历史循环过程中的时序依赖性，准确监测电池健康状态的变化，对电池SOH及RUL进行多任务学习预测。对于SOC预测，利用放电过程电压、电流及温度的瞬时特征建模电池荷电状态；同时，考虑到电池内部电化学过程多状态耦合机理，为补偿电池老化对SOC预测的影响，提取SOH-RUL预测模型的中间特征作为电池老化信息对电池动态状态标定及容量校正，实现SOC预测精度的提升和保持全寿命周期预测性能的稳定性。
基于多任务学习的SOH-RUL估计方法利用卷积网络实现电池的电压及温度的融合，与传统的一些基于电池特征来训练模型的算法相比，本发明利用端到端的模型实现电池健康因子的自动提取；利用充放电特征曲线片段进行电池状态估计，适应全充电和局部充电条件、恒流放电和随机放电条件，计算量小，可操作性强；依靠设计的模式感知状态提取器，参考初始周期特征，敏感准确地捕捉电池状态退化的模式，以捕获电池状态老化的模式，实现全生命周期的健康状态监测，准确地实现全寿命周期SOH和RUL的预测。考虑电池老化对SOC估计的影响，通过提取老化信息进行电池的容量校准，提高对电池退化引起的干扰的实时恢复能力，SOC预测精度得到改善和在电池的寿命周期预测性能保持稳定。
目前，本发明已经在动态负载的Oxford电池数据集和恒流负载的MIT-Stanford电池数据集获得了优异的效果。实验验证了本发明的可行性及鲁棒性，不仅可以实现准确的SOH及RUL估计，同时有效提高老化电池SOC估计精度。
实施例二
本发明所述的统一的锂离子电池SOC、SOH和RUL的联合估计***包括：
第一获取模块，用于获取电池历史循环周期充放电期间电压、电流及温度信息；
第二获取模块，用于获取电池运行期间的放电瞬时电压、电流及温度信息；
预测模块，用于分别将电池历史循环周期充放电期间电压、电流及温度信息和电池运行期间的瞬时电压、电流及温度信息输入至训练后的锂离子电池SOH-RUL和SOC的预测模型中，预测锂离子电池的SOH、RUL和SOC。
锂离子电池SOC、SOH和RUL的预测模型包括SOH-RUL预测模型及SOC预测模型。
所述SOH-RUL预测模型基于卷积网络、循环网络和注意力机制构建而成。
还包括：
建立模块，用于建立锂离子电池SOC、SOH和RUL的预测模型；
采集模块，用于采集训练样本；
训练模块，用于利用所述训练样本对锂离子电池SOC、SOH和RUL的预测模型进行训练，得训练后的锂离子电池SOC、SOH和RUL的预测模型。
利用所述训练样本对锂离子电池SOC、SOH和RUL的预测模型进行训练的过程中，提取SOH-RUL预测模型的中间特征作为电池老化信息对SOC预测模型的电池动态状态标定及容量校正。
实施例三
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述统一的锂离子电池SOC、SOH和RUL的联合估计方法的步骤，其中，所述存储器可能包含内存，例如高速随机存储器，也可能还包括非易失性存储器，例如，至少一个磁盘存储器等；处理器、网络接口、存储器通过内部总线互相连接，该内部总线可以是工业标准体系结构总线、外设部件互连标准总线、扩展工业标准结构总线等，总线可以分为地址总线、数据总线、控制总线等。存储器用于存放程序，具体地，程序可以包括程序代码、所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
实施例四
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述统一的锂离子电池SOC、SOH和RUL的联合估计方法的步骤，具体地，所述计算机可读存储介质包括但不限于例如易失性存储器和/或非易失性存储器。所述易失性存储器可以包括随机存储存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器可以包括只读存储器(ROM)、硬盘、闪存、光盘、磁盘等。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种统一的锂离子电池SOC、SOH和RUL的联合估计方法，其特征在于，包括：
获取电池历史循环周期充放电期间电压、电流及温度信息；获取电池运行期间的放电瞬时电压、电流及温度信息；
分别将电池历史循环周期充放电期间电压、电流及温度信息和电池运行期间的瞬时电压、电流及温度信息输入至训练后的锂离子电池SOH-RUL和SOC的预测模型中，预测锂离子电池的SOH、RUL和SOC。
2.根据权利要求1所述的统一的锂离子电池SOC、SOH和RUL的联合估计方法，其特征在于，锂离子电池SOC、SOH和RUL的预测模型包括SOH-RUL预测模型及SOC预测模型。
3.根据权利要求1所述的统一的锂离子电池SOC、SOH和RUL的联合估计方法，其特征在于，所述SOH-RUL预测模型基于卷积网络、循环网络和注意力机制构建而成。
4.根据权利要求1所述的统一的锂离子电池SOC、SOH和RUL的联合估计方法，其特征在于，还包括：
建立锂离子电池SOC、SOH和RUL的预测模型；
采集训练样本；
利用所述训练样本对锂离子电池SOC、SOH和RUL的预测模型进行训练，得训练后的锂离子电池SOC、SOH和RUL的预测模型。
5.根据权利要求4所述的统一的锂离子电池SOC、SOH和RUL的联合估计方法，其特征在于，利用所述训练样本对锂离子电池SOC、SOH和RUL的预测模型进行训练的过程中，提取SOH-RUL预测模型的中间特征作为电池老化信息对SOC预测模型的电池动态状态标定及容量校正。
6.一种统一的锂离子电池SOC、SOH和RUL的联合估计***，其特征在于，包括：
第一获取模块，用于获取电池历史循环周期充放电期间电压、电流及温度信息；
第二获取模块，用于获取电池运行期间的放电瞬时电压、电流及温度信息；
预测模块，用于分别将电池历史循环周期充放电期间电压、电流及温度信息和电池运行期间的瞬时电压、电流及温度信息输入至训练后的锂离子电池SOH-RUL和SOC的预测模型中，预测锂离子电池的SOH、RUL和SOC。
7.根据权利要求6所述的统一的锂离子电池SOC、SOH和RUL的联合估计***，其特征在于，锂离子电池SOC、SOH和RUL的预测模型包括SOH-RUL预测模型及SOC预测模型。
8.根据权利要求6所述的统一的锂离子电池SOC、SOH和RUL的联合估计***，其特征在于，所述SOH-RUL预测模型基于卷积网络、循环网络和注意力机制构建而成。
9.根据权利要求6所述的统一的锂离子电池SOC、SOH和RUL的联合估计***，其特征在于，还包括：
建立模块，用于建立锂离子电池SOC、SOH和RUL的预测模型；
采集模块，用于采集训练样本；
训练模块，用于利用所述训练样本对锂离子电池SOC、SOH和RUL的预测模型进行训练，得训练后的锂离子电池SOC、SOH和RUL的预测模型。
10.根据权利要求9所述的统一的锂离子电池SOC、SOH和RUL的联合估计***，其特征在于，利用所述训练样本对锂离子电池SOC、SOH和RUL的预测模型进行训练的过程中，提取SOH-RUL预测模型的中间特征作为电池老化信息对SOC预测模型的电池动态状态标定及容量校正。
CN202210976942.8A 2022-08-15 2022-08-15 一种统一的锂离子电池soc、soh和rul的联合估计方法及*** Pending CN115291113A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210976942.8A CN115291113A (zh) 2022-08-15 2022-08-15 一种统一的锂离子电池soc、soh和rul的联合估计方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210976942.8A CN115291113A (zh) 2022-08-15 2022-08-15 一种统一的锂离子电池soc、soh和rul的联合估计方法及***

Publications (1)

Publication Number Publication Date
CN115291113A true CN115291113A (zh) 2022-11-04

Family

ID=83830495

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210976942.8A Pending CN115291113A (zh) 2022-08-15 2022-08-15 一种统一的锂离子电池soc、soh和rul的联合估计方法及***

Country Status (1)

Country Link
CN (1) CN115291113A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
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

Cited By (1)

* Cited by examiner, † Cited by third party
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

Similar Documents

Publication Publication Date Title
Hasib et al. A comprehensive review of available battery datasets, RUL prediction approaches, and advanced battery management
Dong et al. Dynamic Bayesian network-based lithium-ion battery health prognosis for electric vehicles
Song et al. Combined CNN-LSTM network for state-of-charge estimation of lithium-ion batteries
Ruan et al. State of health estimation of lithium-ion battery based on constant-voltage charging reconstruction
CN109100655B (zh) 一种动力电池的数据处理方法和装置
Liu et al. Future ageing trajectory prediction for lithium-ion battery considering the knee point effect
Jiang et al. An adaptive capacity estimation approach for lithium-ion battery using 10-min relaxation voltage within high state of charge range
Mamo et al. Long short-term memory with attention mechanism for state of charge estimation of lithium-ion batteries
Hussein Adaptive artificial neural network-based models for instantaneous power estimation enhancement in electric vehicles’ Li-ion batteries
Wei et al. Lyapunov-based state of charge diagnosis and health prognosis for lithium-ion batteries
CN112904208A (zh) 用于估计电池单元的开路电压的方法和***
CN113189495B (zh) 一种电池健康状态的预测方法、装置及电子设备
KR102246633B1 (ko) 하이브리드 varma 및 lstm을 이용한 배터리의 출력 전압 응답 및 충전 상태 예측 최적화 방법
Chen et al. Sliding mode observer for state of charge estimation based on battery equivalent circuit in electric vehicles
Chen et al. Capacity prediction and validation of lithium-ion batteries based on long short-term memory recurrent neural network
CN113093017A (zh) 一种锂离子电池等效电路模型在线构建方法
CN115407211B (zh) 一种电动汽车锂电池健康状态在线预测方法及***
Venugopal et al. Analysis of optimal machine learning approach for battery life estimation of Li-ion cell
CN114879046B (zh) 一种基于卡尔曼滤波的锂电池寿命预测方法和***
CN115291113A (zh) 一种统一的锂离子电池soc、soh和rul的联合估计方法及***
Schmitt et al. State-of-health estimation by virtual experiments using recurrent decoder–encoder based lithium-ion digital battery twins trained on unstructured battery data
CN117054892B (zh) 一种储能电站电池健康状态的评估方法、装置及管理方法
Alvarez-Monteserin et al. An online fade capacity estimation of lithium-ion battery using a new health indicator based only on a short period of the charging voltage profile
Song et al. FPGA-based implementation of lithium-ion battery soh estimator using particle filter
Guo et al. Rapid online health estimation for lithium-ion batteries based on partial constant-voltage charging segment

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