CN116736171A - 一种基于数据驱动的锂离子电池健康状态估算方法 - Google Patents
一种基于数据驱动的锂离子电池健康状态估算方法 Download PDFInfo
- Publication number
- CN116736171A CN116736171A CN202310815726.XA CN202310815726A CN116736171A CN 116736171 A CN116736171 A CN 116736171A CN 202310815726 A CN202310815726 A CN 202310815726A CN 116736171 A CN116736171 A CN 116736171A
- Authority
- CN
- China
- Prior art keywords
- health
- battery
- gwo
- lithium ion
- sequence
- 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
Links
- 230000036541 health Effects 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 47
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 19
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 34
- 241000282461 Canis lupus Species 0.000 claims abstract description 8
- 238000012843 least square support vector machine Methods 0.000 claims abstract description 7
- 238000012216 screening Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims description 26
- 238000010606 normalization Methods 0.000 claims description 18
- 238000007600 charging Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010277 constant-current charging Methods 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000010280 constant potential charging Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 abstract 1
- 238000012706 support-vector machine Methods 0.000 description 5
- 230000003862 health status Effects 0.000 description 4
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 229910052744 lithium Inorganic materials 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明涉及一种基于数据驱动的锂离子电池健康状态估算方法,属于水下航行器能源与动力应用研究技术领域。包括筛选健康因子,建立初始GWO‑LSSVM模型,将训练集中的健康因子作为输入变量输入到初始GWO‑LSSVM模型,并将电池健康状况作为所述初始GWO‑LSSVM模型的输出进行迭代训练得到训练完备的目标GWO‑LSSVM模型,将训练好的的目标GWO‑LSSVM模型对电池健康状态进行估算。本发明将灰狼优化算法GWO算法强大的寻优能力和最小二乘支持向量机LSSVM算法有效结合,为锂离子电池的健康状态评估提出了一种更有效的方法,能够迅速而准确地对锂离子电池的健康状态进行估算。
Description
技术领域
本发明属于水下航行器能源与动力应用研究技术领域,具体涉及一种基于数据驱动的锂离子电池健康状态估算方法。
背景技术
目前大多水下航行器选用锂电池来提供动力,作为动力型锂电池,其安全可靠性是应用于水下航行器的首要条件,为了不影响水下航行器的正常运行,在电池失效之前就需要对其进行替换,电池健康状态(SOH)被用来描述电池的健康状况,所以对电池健康状态的预测就显得尤为重要。
现有研究方法包括特征法、模型法和数据驱动法。特征法是通过测量电池老化过程内部参数的变化来估算电池的SOH值,这种方法提取特征值的难度较大,仅适用于电池的生产设计过程。模型法一般从电池内部工作机理出发,建立能够反映电池性能退化规律的物理模型,从而预估电池的SOH,但由于电池内部的电化学反应过于复杂,内部衰退反应的参数同样难以测量,使得这种方法对电池SOH的评估难度较大。数据驱动方法是目前应用最广泛的方法,如人工神经网络,支持向量机等算法。该方法由于自身的简洁性,已逐渐成为锂电池SOH研究领域的热点。
锂离子电池衰退信号具有非平稳、非线性等特性,且当其用于水下航行器的动力装置时,对SOH的预测速度和精度都需具备非常高的要求,所以选择合适的数据驱动模型是预测SOH的关键。支持向量机具有对样本数据的依赖性低且稳定性好等优点,被广泛应用于性能退化数据分析的预测问题上,最小二乘支持向量机算法在支持向量机算法的基础上,变更了损失函数,从而提升了求解速度。
同时,灰狼优化算法是一种新的智能群体算法,在求解精度和速度方面均有很好的表现,本发明用灰狼优化算法对最小二乘支持向量机算法进行优化,从而建立了一种基于灰狼优化算法改进的最小二乘支持向量机算法来进行对电池SOH的预测,相较于其他针对支持向量机的算法而言,该算法有更好的预测精度。
发明内容
本发明所要解决的技术问题是:
为了解决现有水下航行器动力***中电池健康状态估算不准确的问题,本发明提供一种基于数据驱动的锂离子电池健康状态估算方法。
为了解决上述技术问题,本发明采用的技术方案为:
一种基于数据驱动的锂离子电池健康状态估算方法,其特征在于步骤如下:
步骤1:对电池进行充放电循环试验并划分训练集与测试集;
步骤2:筛选健康因子;
步骤3:建立初始GWO-LSSVM模型,将训练集中的健康因子作为输入变量输入到所述初始GWO-LSSVM模型,并将电池健康状况作为所述初始GWO-LSSVM模型的输出进行迭代训练得到训练完备的目标GWO-LSSVM模型,包括如下步骤:
步骤3.1:导入数据:将健康因子作为初始GWO-LSSVM模型的输入样本,电池当前放电容量作为模型的输出样本;
步骤3.2:归一化处理:采用Matlab自带的归一化函数和反归一化函数mapminmax,对训练样本和测试样本进行归一化处理:
其中,y表示归一化后的数值,x表示归一化前的数值;ymax=1;ymin=-1;xmax,xmin分别表示原始数据集中的最小值和最大值;
步骤3.3:设置参数:包括最小二乘法支持向量机中参数γ与σ的范围,种群规模,种群维数,最大迭代次数;
步骤3.4:初始化狼群的位置,进行适应度计算并迭代寻优,根据其迭代次数是否达到最大迭代次数来决定是否输出,达到即输出当前值,否则将进入下一次循环中;满足迭代条件后的输出值即为最优值;
步骤4:将测试集中的健康因子输入到所述GWO-LSSVM模型,对电池健康状态进行估算。
本发明进一步的技术方案:步骤1包括以下步骤:
步骤1.1:在室温状态下对电池进行充放电循环试验;
步骤1.2:设置电池的失效阈值为80%,待充放电循环试验中的电池失效后统计总循环次数;
步骤1.3:分别将总循环次数的前30%、60%、90%设置为训练集数目;
步骤1.4:总循环次数减去训练集数目即为测试集数目。
本发明进一步的技术方案:步骤2包括以下步骤:
步骤2.1:从步骤1中的充放电循环试验中获取与电池健康状况相关的参数;
步骤2.2:筛选出充电时的相关参数:充电时间、恒流充电时间、恒压充电时间、等压段充电时间、充电30分钟时的端电压;
步骤2.3:将步骤2.2筛选出的相关参数与电池健康状况进行灰色关联度分析以筛选出关联度最高的参数作为健康因子。
发明进一步的技术方案:步骤2.3包括如下步骤:
步骤2.3.1:确定母序列与子序列:母序列即为电池健康状态,子序列即为步骤2.2筛选出的相关参数;
步骤2.3.2:归一化:将每个序列的数据除以初始值以统一到1附近;
步骤2.3.3:计算关联度系数:计算公式如下:
其中,ξi(k)表示关联度系数,x0(k)表示母序列,ρ表示控制灰色关联度系数的参数,xi(k)表示第i个子序列的第k个值;
步骤2.3.4:计算关联系数均值,形成关联序:求出每个子序列与母序列的关联度系数后,求它们的均值,然后根据均值大小进行排序即可根据得出他们之间的关联度顺序;
步骤2.3.5:将关联度最高的参数确定为健康因子。
本发明进一步的技术方案:步骤3.3的参数设置为:将最小二乘法支持向量机中参数γ与σ的范围设置为(10-4,108),种群规模设置为20,种群维数设置为2,最大迭代次数设置为300。
一种计算机***,其特征在于包括:一个或多个处理器,计算机可读存储介质,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现上述的方法。
一种计算机可读存储介质,其特征在于存储有计算机可执行指令,所述指令在被执行时用于实现上述的方法。
本发明的有益效果在于:
本发明提供的一种基于数据驱动的锂离子电池健康状态估算方法,将灰狼优化算法GWO(Grey Wolf Optimization)算法强大的寻优能力和最小二乘支持向量机LSSVM算法有效结合,为锂离子电池的健康状态评估提出了一种更有效的方法,能够迅速而准确地对锂离子电池的健康状态进行估算。和现有技术相比,具有如下优点:
1、本试验将在室温条件下进行,从而使电池可以在昼夜不同的温度下进行充放电试验,更加贴合电池的实际应用场景;
2、本发明选用的灰色关联度分析方法应用于电池数据分析效果明显,能有效筛选出有利于进行电池健康状态估算的健康因子;
3、灰狼优化算法作为一类新型进化算法,具有出色的鲁棒性和适应性,对解决各种优化问题具有显著优势,用该算法优化最小二乘支持向量机,比其他优化算法有更优秀的效果。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1为本发明技术实施流程图;
图2为步骤4实施流程图;
图3为训练集样本数占比30%的估算结果图;
图4为训练集样本数占比60%的估算结果图;
图5为训练集样本数占比90%的估算结果图;
图6为不同算法在训练样本为90%时的估算结果对比;
图7为不同算法在训练样本为60%时的估算结果对比;
图8为不同算法在训练样本为30%时的估算结果对比。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图和实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。此外,下面描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,本发明实施例提供了一种基于数据驱动的锂离子电池健康状态估算方法,包括以下步骤:
步骤1:对电池进行充放电循环试验并划分训练集与测试集,包括如下步骤:
步骤1.1:在室温状态下对电池进行充放电循环试验;
步骤1.2:设置电池的失效阈值为80%,待充放电循环试验中的电池失效后统计总循环次数;
步骤1.3:分别将总循环次数的前30%、60%、90%设置为训练集数目;
步骤1.4:总循环次数减去训练集数目即为测试集数目。
步骤2:筛选健康因子,包括如下步骤:
步骤2.1:从步骤1中的充放电循环试验中获取与电池健康状况相关的参数;
步骤2.2:在实际应用中,电池放电模式一般不同,而充电模式可以保持一致,所以初步筛选出充电时的相关参数:充电时间、恒流充电时间、恒压充电时间、等压段充电时间、充电30分钟时的端电压;
步骤2.3:将步骤2.2筛选出的相关参数与电池健康状况进行灰色关联度分析以筛选出关联度最高的参数作为健康因子,包括如下步骤:
步骤2.3.1:确定母序列与子序列:母序列即为电池健康状态,子序列即为步骤2.2筛选出的相关参数;
步骤2.3.2:归一化:将每个序列的数据除以初始值以统一到1附近;
步骤2.3.3:计算关联度系数:计算公式如下:
其中,ξi(k)表示关联度系数,x0(k)表示母序列,ρ表示控制灰色关联度系数的参数,一般取0.5,xi(k)表示第i个子序列的第k个值。
步骤2.3.4:计算关联系数均值,形成关联序:求出每个子序列与母序列的关联度系数后,求它们的均值,然后根据均值大小进行排序即可根据得出他们之间的关联度顺序;
步骤2.3.5:将关联度最高的参数确定为健康因子,其关联度系数如表1所示。
表1
步骤3:建立初始GWO-LSSVM模型,将训练集中的健康因子作为输入变量输入到所述初始GWO-LSSVM模型,并将电池健康状况作为所述初始GWO-LSSVM模型的输出进行迭代训练得到训练完备的目标GWO-LSSVM模型,以图2为例,包括如下步骤:
步骤3.1:导入数据:将恒流充电时间作为初始GWO-LSSVM模型的输入样本,电池当前放电容量作为模型的输出样本。
步骤3.2:归一化处理:采用Matlab自带的归一化函数和反归一化函数mapminmax,对训练样本和测试样本进行归一化处理。其公式如下:
其中,y表示归一化后的数值,x表示归一化前的数值;ymax=1;ymin=-1。xmax,xmin分别表示原始数据集中的最小值和最大值。
步骤3.3:设置参数:将最小二乘法支持向量机中参数γ与σ的范围设置为(10-4,108),种群规模设置为20,种群维数设置为2,最大迭代次数设置为300。
步骤3.4:初始化狼群的位置,进行适应度计算并迭代寻优,根据其迭代次数是否达到最大迭代次数来决定是否输出,达到即输出当前值,否则将进入下一次循环中。满足迭代条件后的输出值即为最优值。
步骤4:将测试集中的健康因子输入到所述GWO-LSSVM模型,对所述电池健康状态进行估算;估算结果如图3-图5所示,当训练样本为90%,60%和30%时,估算结果符合真实值的变化波动且误差偏差都比较小,可以认定GWO-LSSVM算法可以很好地估算电池SOH。为进一步直观地分析不同组电池不同训练样本下的估算结果及估算误差,将按照同一训练样本在不同算法下的估算结果进行对比。其结果如图6-图8所示,从图中可以看出,LSSVM算法的估算值与真实值偏差太多,所以认定其不适用于电池预测,而PSO-LSSVM和GWO-LSSVM算法的估算结果都与真实值有相同的变化波动且接近真实值,为进一步直观地比较二者的优劣性,本发明选择平均绝对百分比误差(MAPE)和均方根误差(RMSE)来检验算法的精度,结果对比如表2所示。从表2中,可以看出,在训练样本不同的情况下,GWO-LSSVM算法的误差均小于PSO-LSSVM算法,所以认定基于灰狼优化的最小二乘法支持向量机算法预测结果精度比粒子群优化最小二乘法支持向量机算法有明显提高,可以用它来预测电池的健康状态。
表2
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明公开的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于数据驱动的锂离子电池健康状态估算方法,其特征在于步骤如下:
步骤1:对电池进行充放电循环试验并划分训练集与测试集;
步骤2:筛选健康因子;
步骤3:建立初始GWO-LSSVM模型,将训练集中的健康因子作为输入变量输入到所述初始GWO-LSSVM模型,并将电池健康状况作为所述初始GWO-LSSVM模型的输出进行迭代训练得到训练完备的目标GWO-LSSVM模型,包括如下步骤:
步骤3.1:导入数据:将健康因子作为初始GWO-LSSVM模型的输入样本,电池当前放电容量作为模型的输出样本;
步骤3.2:归一化处理:采用Matlab自带的归一化函数和反归一化函数mapminmax,对训练样本和测试样本进行归一化处理:
其中,y表示归一化后的数值,x表示归一化前的数值;ymax=1;ymin=-1;xmax,xmin分别表示原始数据集中的最小值和最大值;
步骤3.3:设置参数:包括最小二乘法支持向量机中参数γ与σ的范围,种群规模,种群维数,最大迭代次数;
步骤3.4:初始化狼群的位置,进行适应度计算并迭代寻优,根据其迭代次数是否达到最大迭代次数来决定是否输出,达到即输出当前值,否则将进入下一次循环中;满足迭代条件后的输出值即为最优值;
步骤4:将测试集中的健康因子输入到所述GWO-LSSVM模型,对所述电池健康状态进行估算。
2.根据权利要求1所述基于数据驱动的锂离子电池健康状态估算方法,其特征在于:步骤1包括以下步骤:
步骤1.1:在室温状态下对电池进行充放电循环试验;
步骤1.2:设置电池的失效阈值为80%,待充放电循环试验中的电池失效后统计总循环次数;
步骤1.3:分别将总循环次数的前30%、60%、90%设置为训练集数目;
步骤1.4:总循环次数减去训练集数目即为测试集数目。
3.根据权利要求1所述基于数据驱动的锂离子电池健康状态估算方法,其特征在于:步骤2包括以下步骤:
步骤2.1:从步骤1中的充放电循环试验中获取与电池健康状况相关的参数;
步骤2.2:筛选出充电时的相关参数:充电时间、恒流充电时间、恒压充电时间、等压段充电时间、充电30分钟时的端电压;
步骤2.3:将步骤2.2筛选出的相关参数与电池健康状况进行灰色关联度分析以筛选出关联度最高的参数作为健康因子。
4.根据权利要求1所述基于数据驱动的锂离子电池健康状态估算方法,其特征在于:步骤2.3包括如下步骤:
步骤2.3.1:确定母序列与子序列:母序列即为电池健康状态,子序列即为步骤2.2筛选出的相关参数;
步骤2.3.2:归一化:将每个序列的数据除以初始值以统一到1附近;
步骤2.3.3:计算关联度系数:计算公式如下:
其中,ξi(k)表示关联度系数,x0(k)表示母序列,ρ表示控制灰色关联度系数的参数,xi(k)表示第i个子序列的第k个值;
步骤2.3.4:计算关联系数均值,形成关联序:求出每个子序列与母序列的关联度系数后,求它们的均值,然后根据均值大小进行排序即可根据得出他们之间的关联度顺序;
步骤2.3.5:将关联度最高的参数确定为健康因子。
5.根据权利要求1所述基于数据驱动的锂离子电池健康状态估算方法,其特征在于:步骤3.3的参数设置为:将最小二乘法支持向量机中参数γ与σ的范围设置为(10-4,108),种群规模设置为20,种群维数设置为2,最大迭代次数设置为300。
6.一种计算机***,其特征在于包括:一个或多个处理器,计算机可读存储介质,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1所述的方法。
7.一种计算机可读存储介质,其特征在于存储有计算机可执行指令,所述指令在被执行时用于实现权利要求1所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310815726.XA CN116736171A (zh) | 2023-07-05 | 2023-07-05 | 一种基于数据驱动的锂离子电池健康状态估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310815726.XA CN116736171A (zh) | 2023-07-05 | 2023-07-05 | 一种基于数据驱动的锂离子电池健康状态估算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116736171A true CN116736171A (zh) | 2023-09-12 |
Family
ID=87916861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310815726.XA Pending CN116736171A (zh) | 2023-07-05 | 2023-07-05 | 一种基于数据驱动的锂离子电池健康状态估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116736171A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117799502A (zh) * | 2024-03-01 | 2024-04-02 | 西北工业大学宁波研究院 | 一种uuv的混合动力***的能源管理方法 |
-
2023
- 2023-07-05 CN CN202310815726.XA patent/CN116736171A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117799502A (zh) * | 2024-03-01 | 2024-04-02 | 西北工业大学宁波研究院 | 一种uuv的混合动力***的能源管理方法 |
CN117799502B (zh) * | 2024-03-01 | 2024-05-14 | 西北工业大学宁波研究院 | 一种uuv的混合动力***的能源管理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lyu et al. | Li-ion battery state of health estimation and remaining useful life prediction through a model-data-fusion method | |
CN113009349B (zh) | 一种基于深度学习模型的锂离子电池健康状态诊断方法 | |
CN108254696B (zh) | 电池的健康状态评估方法及*** | |
CN112946484B (zh) | 一种基于bp神经网络的soc估计方法、***、终端设备及可读存储介质 | |
Takyi-Aninakwa et al. | An optimized long short-term memory-weighted fading extended Kalman filtering model with wide temperature adaptation for the state of charge estimation of lithium-ion batteries | |
CN113189490B (zh) | 基于特征筛选和高斯过程回归的锂电池健康状态估计方法 | |
CN112986831A (zh) | 一种基于相关系数粒子滤波的锂离子电池寿命预测方法 | |
CN113917334B (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
CN112684363A (zh) | 一种基于放电过程的锂离子电池健康状态估计方法 | |
CN111832221A (zh) | 基于特征筛选的锂电池寿命预测方法 | |
CN116736171A (zh) | 一种基于数据驱动的锂离子电池健康状态估算方法 | |
CN112881916A (zh) | 一种锂电池健康状态和剩余可用寿命的预测方法及*** | |
CN111950205A (zh) | 一种基于fwa优化极限学习机的锂电池soh预测方法 | |
CN114839538A (zh) | 一种提取锂离子电池退化特征用于估计剩余寿命的方法 | |
CN115219918A (zh) | 一种基于容量衰退组合模型的锂离子电池寿命预测方法 | |
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 | |
CN115372852A (zh) | 基于前馈神经网络的蓄电池健康状态预测方法 | |
CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
CN114280490B (zh) | 一种锂离子电池荷电状态估计方法及*** | |
CN113495214A (zh) | 一种基于温度变化模型的超级电容荷电状态估计方法 | |
CN117330987A (zh) | 基于时间的电池健康状态评估的方法、***、介质和设备 | |
Yu et al. | SOH estimation method for lithium-ion battery based on discharge characteristics | |
CN112580211A (zh) | 基于sa和ann算法的铅酸蓄电池soh估计方法 | |
CN117471320A (zh) | 基于充电片段的电池健康状态估计方法及*** | |
CN116449244A (zh) | 基于单次放电曲线的锂电池老化轨迹早期预测方法及*** |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230921 Address after: 710072 No. 127 Youyi West Road, Shaanxi, Xi'an Applicant after: Northwestern Polytechnical University Applicant after: Ningbo Institute of Northwest University of Technology Address before: 710072 No. 127 Youyi West Road, Shaanxi, Xi'an Applicant before: Northwestern Polytechnical University |
|
TA01 | Transfer of patent application right |