CN116796631A - 一种计及约束条件的锂电池寿命预测方法 - Google Patents
一种计及约束条件的锂电池寿命预测方法 Download PDFInfo
- Publication number
- CN116796631A CN116796631A CN202310550577.9A CN202310550577A CN116796631A CN 116796631 A CN116796631 A CN 116796631A CN 202310550577 A CN202310550577 A CN 202310550577A CN 116796631 A CN116796631 A CN 116796631A
- Authority
- CN
- China
- Prior art keywords
- discharge
- battery
- data
- model
- current
- 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 34
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 24
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000014509 gene expression Effects 0.000 claims description 9
- 230000010355 oscillation Effects 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 230000002238 attenuated effect Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 2
- 238000007599 discharging Methods 0.000 claims 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 abstract description 2
- 238000012937 correction Methods 0.000 abstract description 2
- 229910001416 lithium ion Inorganic materials 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000001453 impedance spectrum Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Classifications
-
- 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
-
- 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
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Medical Informatics (AREA)
- Pure & Applied Mathematics (AREA)
- Geometry (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Secondary Cells (AREA)
- Algebra (AREA)
Abstract
本发明涉及一种计及约束条件的锂电池寿命预测方法，属于锂离子电池技术领域。首先对锂电池的历史数据进行关联性分析，提取历史数据中的放电电流倍率、放电温度及电池容量等数值作为特征因素，将预处理后的数据按照9：1的比例随机划分为训练集与测试集，通过训练样本得到LGBM模型。对实时读取的锂电池数据经过处理输入模型进行预测，并将预测结果经过约束条件进行数据修正，最终得到本次放电结束后的锂电池容量。本发明提供一种计及约束条件的锂电池寿命预测方法，其在无大量数据作支撑的前提下，对预测结果添加约束条件进行修正，使得最终的预测结果符合电池衰减规律，有效提高模型预测的准确率。
Description
技术领域
本发明涉及一种计及约束条件的锂电池寿命预测方法，属于锂离子电池技术领域。
背景技术
在基于模型驱动的RUL预测方面，现有技术分别利用电池全生命周期测试数据和电化学交流阻抗谱构建电池经验退化模型，完成RUL预测，这两种预测模型均能考虑电池性能衰减和老化的关键因素，达到有效预测的目的，但其模型驱动的预测方法受限于庞大的计算量和复杂的物理模型，且未考虑电池充放电时温度、充放电电流倍率等外部条件对电池寿命的影响。
基于数据驱动的RUL预测方面现有技术分别利用支持向量机(Support VectorMachine,SVM)和支持向量回归(Support Vector Regression,SVR)等相关向量机算法解决RUL预测过程中的非线性数据处理和时间序列预测问题。但其预测方法在预测时需遍历整个训练集，计算效率较低，内存消耗较大，难以满足复杂工况下RUL预测的需求。
发明内容
有鉴于此，本发明提供一种计及约束条件的锂电池寿命预测方法，其在无大量数据作支撑的前提下，对预测结果添加约束条件进行修正，使得最终的预测结果符合电池衰减规律，能快速、高效计算得到放电结束后的电池容量与剩余使用寿命，有效提高模型预测的准确率。
本发明提供一种计及约束条件的锂电池寿命预测方法，其包括：
数据预处理：使用CALCE数据集根据数据集得到该电池在对应充放电循环次数的放电电流大小及放电时长、放电电流大小；
计算电池容量：通过计算一段时间内电流和充放电时间的积分，计算变化电量的百分比，进而求出初始SOC0和变化后SOC之间的差，即为剩余容量SOC；
曲线拟合：基于最小二乘原理，实现高斯函数曲线快速、高效、准确的拟合；
建模模型：
通过boosting迭代构造出一组学习器，使得期望损失最小，在函数空间上固定x，使用梯度下降法求解F(x)的最优值；
构建决策树研究电池寿命的预测模型框架利用预处理后的数据作为输入矩阵X，根据Xgboost算法原理生成T课弱回归树，最终的预测结果是这T棵回归树的输出值之和；
训练模型：以CALCE数据集中Type1与Type2中的数据CS2_33、CS2_34、CS2_35、CS2_36、CS2_37、CS2_38六块电池作为研究数据，其中以前五块电池的数据按照9：1的比例划分为训练集与测试集，得到电池寿命的预测模型，将放电温度、放电电流倍率、充放电次数作为影响因素输入网络，得到本次放电结束后的电池容量作为输出；
预测电池容量：在模型结果收敛后得到的训练结束的模型，将本次放电温度与本次放电的循环次数输入模型，即可得到在本次放电结束后电池的容量变化，同时，将本次预测的结果输入网络作为新的输入，不断滚动预测得到电池容量衰减至原始值的80％时，剩余的充放电次数，即该锂电池的剩余使用寿命；
添加约束条件：计算得到电池容量的历史值中，前后一次充放电循环电池衰减的最小值，当预测值与前一次电池容量的差值约等于零，则将前一次电池容量与最小值的差值赋给当前预测值。
优选的，所述CALCE数据集包括充放电时间点、步骤序号、循环次数、充电电流、充电电压、放电电流、充电量、放电量。
优选的，所述剩余容量SOC，其数学表示式：
式中：CN为额定容量；I为电池电流；η为充放电效率；
计算之后得到一条关于充放电次数与电池容量之间的震荡的曲线。
优选的，所述曲线拟合通过实验或观测得到变量x与y的一组数据对(xi,yi)(其中i＝1，2，…，n)，xi彼此不同，用一类与数据规律相适应的解析表达式y＝f(x,c)来反映x与y之间的依赖关系，f(x,c)称作拟合的理论模型，其中c＝(c1,c2,……,cn)是待定参数，当y＝f(x,c)呈现线性关系时，称为线性模型，否则称为非线性模型，高斯函数曲线是一种典型的非线性曲线；
通过先验知识确定了(x1,y1)，(x2,y2)，…，(xn,yn)服从高斯分布。
取高斯模板函数为
y＝a1exp(-((x-b1)/c1)2) (2)
其中a1，b1，c1为待定参数；
对上式两边取自然对数变形整理得：
Y＝Ax2+Bx+C (3)
式中，
根据最小二乘原理，参数A，B，C由下式确定：
式中
综上所述可求得各参数如下：
在上一步骤种得到的震荡的曲线经过高斯拟合得到一条平稳的呈下降趋势的曲线。
优选的，所述在函数空间上固定x，使用梯度下降法求解F(x)的最优值。可用如下公式表示：
F*＝argminExy[L(y，F(x))] (8)
有益效果
本发明提供一种计及约束条件的锂电池寿命预测方法，其在无大量数据作支撑的前提下，对预测结果添加约束条件进行修正，使得最终的预测结果符合电池衰减规律，能快速、高效计算得到放电结束后的电池容量与剩余使用寿命。
本方法在由真实数据计算得到电池容量后，对数据进行预处理，将震荡的曲线经过拟合得到一条平滑的电池容量变化曲线，符合电池变化规律。
将温度与充放电倍率作为重要的影响因素加入模型的训练与预测过程，有效提高模型预测的准确率。
附图说明
图1为本发明一种计及约束条件的锂电池寿命预测方法的流程示意图。
图2为本发明一种计及约束条件的锂电池寿命预测方法的LGBM电池寿命预测模型框架示意图。
图3为本发明一种计及约束条件的锂电池寿命预测方法的基于LGBM的电池寿命预测曲线约束修正前示意图。
图4为本发明一种计及约束条件的锂电池寿命预测方法的基于LGBM的电池寿命预测曲线约束修正后示意图。
具体实施方式
下面将结合附图，对本发明的优选实施例进行详细的描述。
如图1至图4所示：本发明提供一种计及约束条件的锂电池寿命预测方法，
使用马里兰大学CALCE数据集对数据预处理得到该电池对应充放电循环次数的放电电流大小及放电时长、放电电流大小，为后续计算电池容量做准备；
通过计算一段时间内电流和充放电时间的积分，计算变化电量的百分比，进而求出初始SOC0和变化后SOC之间的差，即为剩余容量SOC，其数学表示如式：
式中：CN为额定容量；I为电池电流；η为充放电效率。
安时积分法的核心思想是把动力电池看作一个闭环***，不考虑电动汽车动力电池内部复杂的电化学反应过程，以及内部各个参数之间的联系，计算之后得到一条关于充放电次数与电池容量之间的震荡的曲线。
在测量电池数据过程中，由于仪器或人工测量失误等原因，不可避免会产生一定的误差，然而电池的衰减过程应是一个平滑、有规律的曲线，因此考虑将计算得到的电池容量曲线进行平滑处理。曲线拟合是用连续曲线近似地刻画或比拟平面上离散点组函数关系的一种数据处理方法。本申请是基于最小二乘原理，实现高斯函数曲线快速、高效、准确的拟合。
通过实验或观测得到变量x与y的一组数据对(xi,yi)(其中i＝1，2，…，n)，xi彼此不同。我们希望用一类与数据规律相适应的解析表达式y＝f(x,c)来反映x与y之间的依赖关系，f(x,c)称作拟合的理论模型，其中c＝(c1,c2,……,cn)是待定参数。当y＝f(x,c)呈现线性关系时，称为线性模型，否则称为非线性模型，高斯函数曲线是一种典型的非线性曲线。
通过先验知识确定了(x1,y1)，(x2,y2)，…，(xn,yn)服从高斯分布。
取高斯模板函数为
y＝a1exp(-((x-b1)/c1)2) (2)
其中a1，b1，c1为待定参数。
对上式两边取自然对数变形整理得：
Y＝Ax2+Bx+C (3)
式中，
根据最小二乘原理[7]，参数A，B，C由下式确定：
式中
综上所述可求得各参数如下：
在上一步骤种得到的震荡的曲线经过高斯拟合得到一条平稳的呈下降趋势的曲线。
建立模型在函数空间上固定x，使用梯度下降法求解F(x)的最优值。可用如下公式表示：
F*＝argminExy[L(y，F(x))] (8)
构建决策树研究电池寿命的预测模型框架，利用预处理后的数据作为输入矩阵X，根据Xgboost算法原理生成T课弱回归树，最终的预测结果是这T棵回归树的输出值之和。
训练模型以马里兰大学CALCE数据集中Type1与Type2中的数据CS2_33、CS2_34、CS2_35、CS2_36、CS2_37、CS2_38六块电池作为研究数据，其中以前五块电池的数据按照9：1的比例划分为训练集与测试集，得到电池寿命的预测模型。考虑到温度及放电电流倍率对电池容量变化的影响，将放电温度、放电电流倍率、充放电次数作为影响因素输入网络，得到本次放电结束后的电池容量作为输出。
预测电池容量在模型结果收敛后得到的训练结束的模型，将本次放电温度与本次放电的循环次数输入模型，即可得到在本次放电结束后电池的容量变化，同时，将本次预测的结果输入网络作为新的输入，不断滚动预测得到电池容量衰减至原始值的80％时，剩余的充放电次数，即该锂电池的剩余使用寿命。
添加约束条件：假设电池已充放电循环使用70次，且放电电流大小为0.55A，并将一直保持此条件充放电，预测结果如图3所示，由于原始电池寿命衰减曲线中，存在一段下降趋势较缓的曲线，使用训练后的模型预测时存在一段平台期，与实际情况(每次充放电后电池容量定会衰减)不符，因此考虑加入约束条件：计算得到电池容量的历史值中，前后一次充放电循环电池衰减的最小值，当预测值与前一次电池容量的差值约等于零，则将前一次电池容量与最小值的差值赋给当前预测值。
上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。
Claims (5)
1.一种计及约束条件的锂电池寿命预测方法，其特征在于包括：
数据预处理：使用CALCE数据集根据数据集得到该电池在对应充放电循环次数的放电电流大小及放电时长、放电电流大小；
计算电池容量：通过计算一段时间内电流和充放电时间的积分，计算变化电量的百分比，进而求出初始SOC0和变化后SOC之间的差，即为剩余容量SOC；
曲线拟合：基于最小二乘原理，实现高斯函数曲线快速、高效、准确的拟合；建模模型：
通过boosting迭代构造出一组学习器，使得期望损失最小，在函数空间上固定x，使用梯度下降法求解F(x)的最优值；
构建决策树研究电池寿命的预测模型框架利用预处理后的数据作为输入矩阵X，根据Xgboost算法原理生成T课弱回归树，最终的预测结果是这T棵回归树的输出值之和；
训练模型：以CALCE数据集中Type1与Type2中的数据CS2_33、CS2_34、CS2_35、CS2_36、CS2_37、CS2_38六块电池作为研究数据，其中以前五块电池的数据按照9：1的比例划分为训练集与测试集，得到电池寿命的预测模型，将放电温度、放电电流倍率、充放电次数作为影响因素输入网络，得到本次放电结束后的电池容量作为输出；
预测电池容量：在模型结果收敛后得到的训练结束的模型，将本次放电温度与本次放电的循环次数输入模型，即可得到在本次放电结束后电池的容量变化，同时，将本次预测的结果输入网络作为新的输入，不断滚动预测得到电池容量衰减至原始值的80％时，剩余的充放电次数，即该锂电池的剩余使用寿命；
添加约束条件：计算得到电池容量的历史值中，前后一次充放电循环电池衰减的最小值，当预测值与前一次电池容量的差值约等于零，则将前一次电池容量与最小值的差值赋给当前预测值。
2.根据权利要求1所述的一种计及约束条件的锂电池寿命预测方法，其特征在于：所述CALCE数据集包括充放电时间点、步骤序号、循环次数、充电电流、充电电压、放电电流、充电量、放电量。
3.根据权利要求1所述的一种计及约束条件的锂电池寿命预测方法，其特征在于：所述剩余容量SOC，其数学表示式：
式中：CN为额定容量；I为电池电流；η为充放电效率；
计算之后得到一条关于充放电次数与电池容量之间的震荡的曲线。
4.根据权利要求1所述的一种计及约束条件的锂电池寿命预测方法，其特征在于：所述曲线拟合通过实验或观测得到变量x与y的一组数据对(xi,yi)(其中i＝1，2，…，n)，xi彼此不同，用一类与数据规律相适应的解析表达式y＝f(x,c)来反映x与y之间的依赖关系，f(x,c)称作拟合的理论模型，其中c＝(c1,c2,……,cn)是待定参数，当y＝f(x,c)呈现线性关系时，称为线性模型，否则称为非线性模型，高斯函数曲线是一种典型的非线性曲线；
通过先验知识确定了(x1,y1)，(x2,y2)，…，(xn,yn)服从高斯分布。取高斯模板函数为
y＝a2exp(-((x-b1)/c2)2) (2)
其中a1，b1，c1为待定参数；
对上式两边取自然对数变形整理得：
Y＝Ax2+Bx+C (3)
式中，
根据最小二乘原理，参数A，B，C由下式确定：
式中
综上所述可求得各参数如下：
在上一步骤种得到的震荡的曲线经过高斯拟合得到一条平稳的呈下降趋势的曲线。
5.根据权利要求1所述的一种计及约束条件的锂电池寿命预测方法，其特征在于：所述在函数空间上固定x，使用梯度下降法求解F(x)的最优值。可用如下公式表示：
F*＝argminEx，y[L(y，F(x))] (8)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310550577.9A CN116796631A (zh) | 2023-05-16 | 2023-05-16 | 一种计及约束条件的锂电池寿命预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310550577.9A CN116796631A (zh) | 2023-05-16 | 2023-05-16 | 一种计及约束条件的锂电池寿命预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116796631A true CN116796631A (zh) | 2023-09-22 |
Family
ID=88039337
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310550577.9A Pending CN116796631A (zh) | 2023-05-16 | 2023-05-16 | 一种计及约束条件的锂电池寿命预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116796631A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117272844A (zh) * | 2023-11-22 | 2023-12-22 | 武汉宏联电线电缆有限公司 | 配电盘工作寿命的预测方法及*** |
| CN117368768A (zh) * | 2023-10-31 | 2024-01-09 | 国网四川省电力公司超高压分公司 | 直流***铅酸蓄电池剩余容量的预测方法、***及介质 |
| CN117872165A (zh) * | 2024-03-01 | 2024-04-12 | 天科新能源有限责任公司 | 一种基于数据分析的固态电池性能测试*** |
| CN117977769A (zh) * | 2024-03-27 | 2024-05-03 | 济南朗瑞电气有限公司 | 储能变流器的充放电控制***及方法 |
-
2023
- 2023-05-16 CN CN202310550577.9A patent/CN116796631A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117368768A (zh) * | 2023-10-31 | 2024-01-09 | 国网四川省电力公司超高压分公司 | 直流***铅酸蓄电池剩余容量的预测方法、***及介质 |
| CN117368768B (zh) * | 2023-10-31 | 2024-06-11 | 国网四川省电力公司超高压分公司 | 直流***铅酸蓄电池剩余容量的预测方法、***及介质 |
| CN117272844A (zh) * | 2023-11-22 | 2023-12-22 | 武汉宏联电线电缆有限公司 | 配电盘工作寿命的预测方法及*** |
| CN117272844B (zh) * | 2023-11-22 | 2024-04-09 | 武汉宏联电线电缆有限公司 | 配电盘工作寿命的预测方法及*** |
| CN117872165A (zh) * | 2024-03-01 | 2024-04-12 | 天科新能源有限责任公司 | 一种基于数据分析的固态电池性能测试*** |
| CN117872165B (zh) * | 2024-03-01 | 2024-05-10 | 天科新能源有限责任公司 | 一种基于数据分析的固态电池性能测试*** |
| CN117977769A (zh) * | 2024-03-27 | 2024-05-03 | 济南朗瑞电气有限公司 | 储能变流器的充放电控制***及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116796631A (zh) | 一种计及约束条件的锂电池寿命预测方法 | |
| CN106055775B (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 | |
| US20220283240A1 (en) | Method and system for estimating state of health of battery pack | |
| CN109001640B (zh) | 一种动力电池的数据处理方法和装置 | |
| CN111639783A (zh) | 一种基于lstm神经网络的线损预测方法及*** | |
| CN108537337A (zh) | 基于优化深度信念网络的锂离子电池soc预测方法 | |
| CN110082682A (zh) | 一种锂电池荷电状态估计方法 | |
| CN106570250A (zh) | 面向电力大数据的微电网短期负荷预测方法 | |
| CN111210049B (zh) | 基于lstm的变电站铅酸阀控蓄电池退化趋势预测方法 | |
| CN114943372A (zh) | 基于贝叶斯循环神经网络的质子交换膜寿命预测方法及装置 | |
| CN115980588A (zh) | 基于自编码器提取特征的锂离子电池健康状态估计方法 | |
| CN115586444A (zh) | 一种基于vmd与bp神经网络的锂电池剩余寿命预测方法 | |
| CN117422004B (zh) | 基于神经网络的碳势预测方法及*** | |
| CN114280490B (zh) | 一种锂离子电池荷电状态估计方法及*** | |
| CN114757340A (zh) | 基于神经网络集成的锂电池健康状态预测方法及*** | |
| CN113312807B (zh) | 一种基于锂电池性能模拟环境的电解液配方推荐方法 | |
| CN110826794A (zh) | 基于pso优化svm的电厂耗煤基准值滚动预测方法和装置 | |
| Tang et al. | Parameter identification for lithium batteries: Model variable-coupling analysis and a novel cooperatively coevolving identification algorithm | |
| CN116400246B (zh) | 基于aco-gmr的储能电站电池健康状态估计方法 | |
| CN116577686B (zh) | 一种基于局部阶段充电数据的多工况soh估计方法和*** | |
| CN117471320A (zh) | 基于充电片段的电池健康状态估计方法及*** | |
| CN116609686B (zh) | 一种基于云平台大数据的电芯一致性评估方法 | |
| CN108717165A (zh) | 基于数据驱动法的锂离子电池soc在线预测方法 | |
| CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及*** | |
| CN114492182A (zh) | 一种电池组任意拓扑结构循环寿命推衍预测方法 |
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 |