CN116754960A - 钠离子电池云端soh估计和剩余寿命预测方法、装置及程序 - Google Patents
钠离子电池云端soh估计和剩余寿命预测方法、装置及程序 Download PDFInfo
- Publication number
- CN116754960A CN116754960A CN202310749410.5A CN202310749410A CN116754960A CN 116754960 A CN116754960 A CN 116754960A CN 202310749410 A CN202310749410 A CN 202310749410A CN 116754960 A CN116754960 A CN 116754960A
- Authority
- CN
- China
- Prior art keywords
- battery
- soh
- health
- screening
- sodium 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- FKNQFGJONOIPTF-UHFFFAOYSA-N Sodium cation Chemical compound [Na+] FKNQFGJONOIPTF-UHFFFAOYSA-N 0.000 title claims abstract description 27
- 229910001415 sodium ion Inorganic materials 0.000 title claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 39
- 230000008569 process Effects 0.000 claims abstract description 8
- 230000036541 health Effects 0.000 claims description 49
- 238000012216 screening Methods 0.000 claims description 26
- 238000013507 mapping Methods 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000007423 decrease Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 230000015654 memory Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000007599 discharging Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 239000012634 fragment Substances 0.000 claims description 3
- 238000000540 analysis of variance Methods 0.000 claims description 2
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000013501 data transformation Methods 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 238000012417 linear regression Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000007637 random forest analysis Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 claims description 2
- 230000032683 aging Effects 0.000 abstract description 8
- 230000008901 benefit Effects 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 5
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 4
- 229910001416 lithium ion Inorganic materials 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 230000032677 cell aging Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- HHRQHBSHDGPCRL-UHFFFAOYSA-N [O-2].[Mn+2].[Fe+2].[Ni+2].[O-2].[O-2] Chemical compound [O-2].[Mn+2].[Fe+2].[Ni+2].[O-2].[O-2] HHRQHBSHDGPCRL-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910021385 hard carbon Inorganic materials 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000007773 negative electrode material Substances 0.000 description 1
- 239000007774 positive electrode material Substances 0.000 description 1
- 230000000306 recurrent effect Effects 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]
- G01R31/367—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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了一种钠离子电池云端SOH估计和剩余寿命预测方法，其基于数据驱动的估计和预测方法，在描述电池老化原理与演变过程时不依赖于精确的物理模型，充分利用老化数据并通过适合的学习算法来建立数据与电池SOH和RUL之间的联系，相比现有技术在解决非线性问题方面具有优势，且有利于在实车中应用。
Description
技术领域
本发明属于电池健康诊断与寿命预测技术领域，具体涉及一种面向钠离子电池的云端SOH估计和剩余寿命预测方法、装置及程序。
背景技术
众所周知，电池的存储能力与快速充放电能力存在随着老化而不断下降的规律，最直观的表现为能量降低和功率等级下降，无论是锂离子电池还是其他各种电池类型都符合该规律。电池健康状态(State of health,SOH)作为现阶段评价动力电池老化程度的主要量化指标，其准确估计对于电池安全可靠运行至关重要，可靠的剩余使用寿命(Remaining useful lifetime,RUL)预测可保障电池组安全高效运行。相较于锂离子电池，钠离子电池具有电池材料储量丰富与低污染等优势，预期具有较好的发展前景，但其与锂离子电池相似的是在循环过程中同样会发生容量衰减。现有技术中，针对锂离子电池的老化机制的研究与评估手段众多且相对成熟，但对钠离子电池的老化问题研究仍处于起步阶段。由于钠离子电池复杂的内部机理及多种性能衰退因素相互耦合，基于与锂电池类似的机理模型进行准确的SOH估计和RUL预测仍十分困难，因此本领域中迫切需要更适合钠离子电池的相关解决手段与方案。
发明内容
有鉴于此，针对本领域中存在的技术问题，本发明提供了一种钠离子电池云端SOH估计和剩余寿命预测方法，具体包括以下步骤：
步骤一、在云端收集钠离子电池使用中的运行数据，针对所述运行数据处理得到不同的电池运行片段；
步骤二、针对各电池运行片段所对应的满充满放、非满充满放等不同电压区间，从运行数据中提取出与电池健康状态相关的健康因子并建立健康因子库；其中，所述健康因子具体包括用于表征电池健康状态的热力学、动力学和统计学三类参数；
步骤三、对所述健康因子库中的健康因子利用至少一种筛选与评价体系进行筛选，得到与SOH强相关的特征参数子集；
步骤四、以所述特征参数子集作为输入，电池SOH作为估计目标输出，利用已使用一定时间并处于稳定衰退状态的电池运行数据对机器学习算法进行训练，通过训练好的算法反映特征参数与电池SOH之间的映射关系；
步骤五、以所述特征参数子集及对应的电池SOH轨迹作为输入，电池RUL作为预测目标输出，对深度学习算法进行训练，通过训练好的算法反映特征参数、电池SOH与剩余寿命之间的映射关系；
步骤六、利用训练好的所述机器学习算法和深度学习算法，输入实时采集的特征参数得到SOH估计值与RUL预测值。
进一步地，步骤二中所提取的健康因子具体选用表征电池容量衰退或增加的参数，包括覆盖满充满放全电压区间和非满充满放部分电压区间中的电流、电压、温度、区间容量、区间能量、内阻及其最大值、最小值、平均值、标准差等，容量增容(IncrementalCapacity,IC)曲线、差分电压(Differential voltage,DV)曲线、电压响应轨迹、恒压阶段充电时间等参数。
进一步地，步骤三中对健康因子筛选使用过滤式、包裹式及嵌入式筛选与评价体系中的一种或包含两种或三种的组合；其中，过滤式筛选与评价体系具体选用方差分析、相关系数、ReliefF算法、互信息法、多重共线性等，包裹式筛选与评价体系具体选用递归消除法、完全搜索、向前/后搜索、随机特征子集、近邻成分分析(Neighborhood ComponentAnalysis,NCA)算法等，嵌入式筛选与评价体系具体选用LASSO(Least absoluteshrinkage and selection operator)回归、岭回归、支持向量机、线性回归等。
进一步地，步骤四中用于估计电池SOH的所述机器学习算法具体选用高斯过程回归、支持向量机、随机森林等传统机器学习算法，循环神经网络、卷积神经网络等深度学习算法。
进一步地，步骤五中用于预测电池RUL的所述深度学习算法具体选用长短期记忆循环神经网络(Long Short-Term Memory Recurrent Neural Network，LSTM RNN)、序列到序列(Sequence to Sequence)学习、编码-解码器等深度神经网络算法、卷积神经网络等。
相应地，本发明还提供了一种钠离子电池云端SOH估计和剩余寿命预测装置，包括：
云端运行数据获取及处理模块，用于获取钠离子电池的运行数据并执行预处理，包括：数据清洗、数据集成、数据规约和数据变换；基于预处理后的数据划分出充电、放电运行片段；
健康因子库提取模块，用于从各充电、放电片段中提取与电池健康状态相关的健康因子并建立健康因子库；其中，所述健康因子具体包括用于表征电池健康状态的热力学、动力学和统计学三类参数；
健康因子库筛选及评价模块，用于对健康因子执行筛选并得到与SOH强相关的特征参数子集；
SOH估计模块，用于建立特征参数子集与电池SOH之间的映射关系，并基于输入的电池特征参数估计电池当前的SOH；
RUL预测模块，用于建立特征参数集和电池SOH轨迹与RUL之间的映射关系，并基于输入的电池特征参数估计电池当前的RUL。
相应地，本发明还提供了一种计算机程序，其具体执行上述钠离子电池云端SOH估计和剩余寿命预测方法，
相应地，本发明还提供了一种计算机可读存储介质，其上存储有上述计算机程序。
相应地，本发明还提供了一种电子设备，包括处理器、存储器以及存储于所述存储器并可在所述处理器上运行的所述计算机程序。
上述本发明所提供的钠离子电池云端SOH估计和剩余寿命预测方法，其基于数据驱动的估计和预测方法，在描述电池老化原理与演变过程时不依赖于精确的物理模型，充分利用老化数据并通过适合的学习算法来建立数据与电池SOH和RUL之间的联系，相比现有技术在解决非线性问题方面具有优势，且有利于在实车中应用。
附图说明
图1为本发明所提供方法的流程示意图；
图2为本发明的一实例中以全部健康因子为输入的钠离子电池SOH估计结果；
图3为本发明的一实例中以筛选特征参数子集为输入的钠离子电池SOH估计结果；
图4为本发明的实例中的钠离子电池RUL预测结果。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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，都属于本发明保护的范围。
本发明所提供的钠离子电池云端SOH估计和剩余寿命预测方法，如图1所示，具体包括以下步骤：
步骤一、在云端收集钠离子电池使用中的运行数据，针对所述运行数据处理得到不同的电池运行片段；
步骤二、针对各电池运行片段所对应的满充满放、非满充满放等不同电压区间，从运行数据中提取出与电池健康状态相关的健康因子并建立健康因子库；其中，所述健康因子具体包括用于表征电池健康状态的热力学、动力学和统计学三类参数；
步骤三、对所述健康因子库中的健康因子利用至少一种筛选与评价体系进行筛选，得到与SOH强相关的特征参数子集；
步骤四、以所述特征参数子集作为输入，电池SOH作为估计目标输出，利用已使用一定时间并处于稳定衰退状态的电池运行数据对机器学习算法进行训练，通过训练好的算法反映特征参数与电池SOH之间的映射关系；
步骤五、以所述特征参数子集及对应的电池SOH轨迹作为输入，电池RUL作为预测目标输出，对深度学习算法进行训练，通过训练好的算法反映特征参数、电池SOH与剩余寿命之间的映射关系；
步骤六、利用训练好的所述机器学习算法和深度学习算法，输入实时采集的特征参数得到SOH估计值与RUL预测值。
在基于本发明的一实例中，对电池正极材料为镍铁锰酸钠层状氧化物、负极材料为硬碳、标称容量为2.5Ah、工作电压范围为1.5～3.95V、内阻约为55mΩ的钠离子电池执行上述方法，所使用的钠离子电池均已使用过一段时间并处于稳定衰退的状态。
首先，在将钠离子电池的运行数据上传至云端并完成相应的预处理和充放电片段划分后，构建待测电池的完整健康因子库，在本实例中应用四只电芯的充电数据中提取健康因子，其中包括电流及电压的最大值、最小值、均值、标准差和积分，IC曲线和DV曲线的峰值和峰位，IC和DV的最大值、最小值、均值、标准差、峰度及偏度，内阻。DV曲线可通过数值求导和曲线平滑的方式获得，IC曲线可通过对充电曲线进行数值微分并进行曲线的平滑和滤波去除噪声获得，具体的计算式如下：
式中，n为相应的电压区间内统计得到的采样点点数，I为充电电流，f为采样频率，单位为Hz，ΔQ为电量区间宽度，ΔV为电压区间宽度。
针对构建的健康因子库，在本实例中选用的是相关系数、LASSO回归、NCA算法执行筛选与评价，相关系数法计算每个特征参数与SOH之间的相关系数，需要设定阈值以进一步得到筛选后的特征值，本实例设置相关系数阈值为0.8，得到特征参数子集1；LASSO回归及NCA算法可以直接得到与SOH强相关的特征参数子集，分别记为子集2和子集3，最后的特征筛选结果即为子集1、2、3的并集。
以筛选出的特征参数子集作为输入来训练支持向量机机器学习算法，建立SOH与筛选特征参数子集之间的映射关系，具体应用3只电芯的老化数据训练，1只电芯的老化数据测试，得到的以全部健康因子输入及筛选后特征参数输入的钠离子电池SOH估计结果分别如图2和图3所示，测试集的预测均方根误差分别为1.77％和1.47％，结果较好的反映了所建立的健康因子筛选及评价体系的有效性。
利用所得到的SOH衰退轨迹对LSTM算法进行训练，输入为测试电芯前70％的SOH轨迹，输出为后30％的SOH轨迹。图4为测试电芯的RUL预测结果，预测误差为1个循环。
本领域技术人员应当知晓，在本发明的具体实施中还可将该方法以装置、计算机程序、计算机可读存储介质、电子设备等多种形式实现。
应理解，本发明实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.钠离子电池云端SOH估计和剩余寿命预测方法，其特征在于：具体包括以下步骤：
步骤一、在云端收集钠离子电池使用中的运行数据，针对所述运行数据处理得到不同的电池运行片段；
步骤二、针对各电池运行片段所对应的包括满充满放、非满充满放的不同电压区间，从运行数据中提取出与电池健康状态相关的健康因子并建立健康因子库；其中，所述健康因子具体包括用于表征电池健康状态的热力学、动力学和统计学三类参数；
步骤三、对所述健康因子库中的健康因子利用至少一种筛选与评价体系进行筛选，得到与SOH强相关的特征参数子集；
步骤四、以所述特征参数子集作为输入，电池SOH作为估计目标输出，利用已使用一定时间并处于稳定衰退状态的电池运行数据对机器学习算法进行训练，通过训练好的算法反映特征参数与电池SOH之间的映射关系；
步骤五、以所述特征参数子集及对应的电池SOH轨迹作为输入，电池RUL作为预测目标输出，对深度学习算法进行训练，通过训练好的算法反映特征参数、电池SOH与剩余寿命之间的映射关系；
步骤六、利用训练好的所述机器学习算法和深度学习算法，输入实时采集的特征参数得到SOH估计值与RUL预测值。
2.如权利要求1所述的方法，其特征在于：步骤二中所提取的健康因子具体选用表征电池容量衰退或增加的参数，包括覆盖满充满放全电压区间和非满充满放部分电压区间中的电流、电压、温度、区间容量、区间能量、内阻及其最大值、最小值、平均值、标准差等，容量增容曲线、差分电压曲线、电压响应轨迹、恒压阶段充电时间参数。
3.如权利要求1所述的方法，其特征在于：步骤三中对健康因子筛选使用过滤式、包裹式及嵌入式筛选与评价体系中的一种或包含两种或三种的组合；其中，过滤式筛选与评价体系具体选用方差分析、相关系数、ReliefF算法、互信息法、多重共线性，包裹式筛选与评价体系具体选用递归消除法、完全搜索、向前/后搜索、随机特征子集、近邻成分分析算法，嵌入式筛选与评价体系具体选用LASSO回归、岭回归、支持向量机、线性回归。
4.如权利要求1所述的方法，其特征在于：步骤四中用于估计电池SOH的所述机器学习算法具体选用高斯过程回归、支持向量机、随机森林等传统机器学习算法，循环神经网络、卷积神经网络算法。
5.如权利要求1所述的方法，其特征在于：步骤五中用于预测电池RUL的所述深度学习算法具体选用包括长短期记忆循环神经网络、序列到序列学习、编码-解码器的深度神经网络算法、卷积神经网络算法。
6.钠离子电池云端SOH估计和剩余寿命预测装置，用于执行如权利要求1-5任一项所述的方法，其特征在于，该装置包括：
云端运行数据获取及处理模块，用于获取钠离子电池的运行数据并执行预处理，包括：数据清洗、数据集成、数据规约和数据变换；基于预处理后的数据划分出充电、放电运行片段；
健康因子库提取模块，用于从各充电、放电片段中提取与电池健康状态相关的健康因子并建立健康因子库；其中，所述健康因子具体包括用于表征电池健康状态的热力学、动力学和统计学三类参数；
健康因子库筛选及评价模块，用于对健康因子执行筛选并得到与SOH强相关的特征参数子集；
SOH估计模块，用于建立特征参数子集与电池SOH之间的映射关系，并基于输入的电池特征参数估计电池当前的SOH；
RUL预测模块，用于建立特征参数集和电池SOH轨迹与RUL之间的映射关系，并基于输入的电池特征参数估计电池当前的RUL。
7.一种计算机程序，其特征在于：具体执行如权利要求1-5任一项所述的钠离子电池云端SOH估计和剩余寿命预测方法。
8.一种计算机可读存储介质，其上存储有如权利要求7所述的计算机程序。
9.一种电子设备，包括处理器、存储器以及存储于所述存储器并可在所述处理器上运行如权利要求7所述的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310749410.5A CN116754960A (zh) | 2023-06-25 | 2023-06-25 | 钠离子电池云端soh估计和剩余寿命预测方法、装置及程序 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310749410.5A CN116754960A (zh) | 2023-06-25 | 2023-06-25 | 钠离子电池云端soh估计和剩余寿命预测方法、装置及程序 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116754960A true CN116754960A (zh) | 2023-09-15 |
Family
ID=87960570
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310749410.5A Pending CN116754960A (zh) | 2023-06-25 | 2023-06-25 | 钠离子电池云端soh估计和剩余寿命预测方法、装置及程序 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116754960A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116960487A (zh) * | 2023-09-20 | 2023-10-27 | 南方电网调峰调频发电有限公司储能科研院 | 考虑单体不一致性的钠离子电池***容量估计方法及装置 |
-
2023
- 2023-06-25 CN CN202310749410.5A patent/CN116754960A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116960487A (zh) * | 2023-09-20 | 2023-10-27 | 南方电网调峰调频发电有限公司储能科研院 | 考虑单体不一致性的钠离子电池***容量估计方法及装置 |
| CN116960487B (zh) * | 2023-09-20 | 2024-01-09 | 南方电网调峰调频发电有限公司储能科研院 | 考虑单体不一致性的钠离子电池***容量估计方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111398833B (zh) | 一种电池健康状态评估方法 | |
| CN108896914B (zh) | 一种锂电池健康状况的梯度提升树建模与预测方法 | |
| Wang et al. | A data-driven method with mode decomposition mechanism for remaining useful life prediction of lithium-ion batteries | |
| CN113740736B (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 | |
| CN112904219B (zh) | 一种基于大数据的动力电池健康状态的预测方法 | |
| CN110941929A (zh) | 一种基于ARMA和Elman神经网络联合建模的电池健康状态评估方法 | |
| CN110988695A (zh) | 动力电池健康状态评估方法、装置、存储介质及电子设备 | |
| CN112611976A (zh) | 一种基于双差分曲线的动力电池健康状态估计方法 | |
| Shen et al. | A hybrid machine learning model for battery cycle life prediction with early cycle data | |
| CN116540108B (zh) | 一种电芯容量衰减预警方法、装置、存储介质及设备 | |
| CN116754960A (zh) | 钠离子电池云端soh估计和剩余寿命预测方法、装置及程序 | |
| CN113866659A (zh) | 一种基于机器学习和安时积分法的锂电池soh预测方法 | |
| CN115409263A (zh) | 一种基于门控和注意力机制的锂电池剩余寿命预测方法 | |
| CN115015789A (zh) | 基于增量电容曲线的锂离子电池健康状态估计方法及装置 | |
| CN117825998A (zh) | 一种锂离子电池剩余寿命预测方法、***、设备及介质 | |
| Li et al. | Data-driven state of charge estimation of Li-ion batteries using supervised machine learning methods | |
| Eleftheriadis et al. | Hyperband optimization of stacked bidirectional long short-term memory neural network for the state of charge estimation | |
| CN112287597B (zh) | 基于vpga-gpr算法的铅酸蓄电池soh估计方法 | |
| CN113657030A (zh) | 一种基于高斯过程回归的锂电池剩余使用寿命预测方法 | |
| Eleftheriadis et al. | Comparative study of machine learning techniques for the state of health estimation of li-ion batteries | |
| CN116609686B (zh) | 一种基于云平台大数据的电芯一致性评估方法 | |
| 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*** | |
| CN117471320A (zh) | 基于充电片段的电池健康状态估计方法及*** | |
| CN116224085A (zh) | 一种基于数据驱动的锂电池健康状态评估方法 | |
| Han et al. | A new SOH prediction model for lithium-ion battery for electric vehicles |
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 |