[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN111832221B - 基于特征筛选的锂电池寿命预测方法 - Google Patents

基于特征筛选的锂电池寿命预测方法 Download PDF

Info

Publication number
CN111832221B
CN111832221B CN202010579479.4A CN202010579479A CN111832221B CN 111832221 B CN111832221 B CN 111832221B CN 202010579479 A CN202010579479 A CN 202010579479A CN 111832221 B CN111832221 B CN 111832221B
Authority
CN
China
Prior art keywords
training
lithium battery
samples
feature
life
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.)
Active
Application number
CN202010579479.4A
Other languages
English (en)
Other versions
CN111832221A (zh
Inventor
袁烨
马贵君
华丰
丁汉
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.)
HUST Wuxi Research Institute
Original Assignee
HUST Wuxi Research Institute
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 HUST Wuxi Research Institute filed Critical HUST Wuxi Research Institute
Priority to CN202010579479.4A priority Critical patent/CN111832221B/zh
Publication of CN111832221A publication Critical patent/CN111832221A/zh
Application granted granted Critical
Publication of CN111832221B publication Critical patent/CN111832221B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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]
    • G01R31/3644—Constructional arrangements
    • G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
    • 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
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Analysis (AREA)
  • Geometry (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Algebra (AREA)
  • Computer Hardware Design (AREA)
  • Databases & Information Systems (AREA)
  • Secondary Cells (AREA)

Abstract

本发明提供一种基于特征筛选的锂电池寿命预测方法，包括以下步骤：步骤S1，将采集的锂电池数据划分为训练集和测试集；训练集和测试集中均包括多个样本；步骤S2，对训练集和测试集中的锂电池样本的前m个充放电循环中放电SOC进行两两不重复相减；m>20；步骤S3，将每个锂电池的SOC相减结果求得方差，得到每个锂电池的特征；步骤S4，将训练集中训练样本的特征和寿命输入到带有ARD的高斯过程回归模型进行模型训练；步骤S5，将所述训练的模型的稀疏特征权重进行可视化；步骤S6，将测试集中的样本的特征输入到训练模型中进行寿命预测。本发明能够自动提取高相关性特征，使得锂电池寿命预测更准确。

Description

基于特征筛选的锂电池寿命预测方法
技术领域
本发明属于锂电池退化状态监测技术领域，尤其是一种基于特征筛选的锂电池寿命预测方法。
背景技术
锂离子电池因其高能量和高功率密度的优势成为生活中不可或缺的能源。锂电池寿命的准确预测能够辅助用户合理的使用电池能源，在实际应用中具有重要意义。
数据驱动的锂电池寿命预测方法是目前常用的方法，从数据角度可以划分为小样本单电池预测方法和大样本特征-寿命预测方法。受限于样本量，小样本单电池预测方法通过预测锂电池的容量退化曲线，通过阈值计算电池的寿命。然而，这种预测方式需要很多充放电循环的退化数据才能建立精确地模型；大样本特征-寿命预测方法通过对电池退化早期的数据提取相关特征，再通过算法建立特征-寿命之间的映射关系，最终预测新样本的寿命。不同放电循环荷电状态(SOC)之差的方差特征是公认的有效特征。然而，如何在多个SOC之差的方差特征中选取最为有效的特征是当前没有解决的问题。
对于大样本锂电池数据，数据驱动的锂电池寿命预测算法主要是弹性网络，其对线性数据的预测结果较好。然而，弹性网络对超参数的选取十分敏感，且非线性特征会导致预测结果偏差较大。
发明内容
本发明的目的在于克服现有技术中存在的不足，提供一种基于特征筛选的锂电池寿命预测方法，能够自动提取高相关性特征，使得锂电池寿命预测更准确。本发明采用的技术方案是：
一种基于特征筛选的锂电池寿命预测方法，包括以下步骤：
步骤S1，将采集的锂电池数据划分为训练集和测试集；训练集和测试集中均包括多个样本；
步骤S2，对训练集和测试集中的锂电池样本的前m个充放电循环中放电SOC进行两两不重复相减；m>20；
步骤S3，将每个锂电池的SOC相减结果求得方差，得到每个锂电池的特征；
步骤S4，将训练集中训练样本的特征和寿命输入到带有ARD(自动相关决策)的高斯过程回归模型进行模型训练；
步骤S5，将所述训练的模型的稀疏特征权重进行可视化；
步骤S6，将测试集中的样本的特征输入到训练模型中进行寿命预测。
进一步地，步骤S2中，SOC的维度为500～1000。
进一步地，步骤S3中，特征维度为训练集中k个训练样本的方差特征和寿命分别表示为Xtrain＝[x1,x2,…,xk]，Ytrain＝[y1,y2,…,yk]，其中第i个训练样本的特征xi表示为：
xi＝[xi1,xi2,…,xiM]T。
进一步地，步骤S4包括：
步骤S4.1，高斯过程回归指有限个随机变量服从联合高斯分布f(x)，其中第i个样本的寿命分布表示为：
其中xi和xj是任意两个锂电池样本，m(xi)是均值函数，k(xi,xj)是协方差函数，具体表示为：
m(xi)＝E(f(xi))
k(xi,xj)＝E[(m(xi)-f(xi))(m(xj)-f(xj))]
步骤S4.2，设置m(xi)为0，k(xi,xj)选用Matérn(v＝5/2)核函数，带有ARD功能的Matérn核函数具体表示为：
其中lp为第p个特征的长度表示，σc是一个超参数；
步骤S4.3，对于真实的应用场景，真实的寿命yi是预测寿命与高斯噪声εi的和：
即所有样本服从：
其中K(Xtrain,Xtrain)＝k(xi,xj)k×k，IN为单位矩阵，经过训练与极大似然估计，得到参数[σc,lp,σn]值。
进一步地，步骤S5包括：
步骤S5.1，特征权重计算公式如下：
步骤5.2,将所有特征权重进行最大最小归一化。
进一步地，步骤S6包括：
步骤S6.1，得到训练样本和测试样本的联合分布：
其中Y*为测试集中测试样本的寿命，X*为测试样本的特征；
步骤S6.2，测试样本的寿命Y*的后验分布：
其中是预测的测试样本的寿命的均值；
是预测的协方差：
本发明的优点在于：
1)本发明提出的方法简化了特征提取的步骤，只需将前m个充放电循环的放电SOC两两不重复相减求得方差后直接输入到带有ARD功能的高斯过程回归模型中，该模型能够对特征进行权重稀疏，和寿命相关性小的特征权重几乎为零，而和寿命高度相关的特征的权重很大。该方法简化了大样本锂电池数据集的特征提取流程，为特征提取提供依据。
2)本发明提出的方法使用的高斯过程回归模型的训练过程能够避免手动超参数调节，提高了计算效率。同时高斯过程回归相对于弹性网络等线性模型具有高维学习能力。
附图说明
图1为本发明实施例中的锂电池寿命预测方法的流程图。
图2为本发明实施例中124块锂电池的放电容量退化曲线示意图。
图3为本发明实施例中测试电池的寿命预测结果示意图。
图4为本发明实施例中4950个特征重要性的可视化示意图。
具体实施方式
下面结合具体附图和实施例对本发明作进一步说明。
在本发明提出的实施例中，一种基于特征筛选的锂电池寿命预测方法，包括以下步骤：
步骤S1，将124块公开的锂电池数据划分为训练集和测试集；训练集和测试集中均包括多个样本；
在一个实际例子中，训练集中包括41个锂电池数据样本，测试集1中包括43个锂电池数据样本，测试集2中包括40个锂电池数据样本；
步骤S2，对训练集和测试集中的锂电池样本的前100个充放电循环中放电SOC进行两两不重复相减；
此步骤中SOC的维度为1000；即每个放电循环中取1000个SOC数据点；
步骤S3，将每个锂电池的SOC相减结果求得方差，得到每个锂电池的特征；
此步骤中，特征维度为具体定义为：训练集中k个训练样本的方差特征和寿命分别表示为Xtrain＝[x1,x2,…xk]，Ytrain＝[y1,y2,…,yk]，其中第i个训练样本的特征xi表示为：
xi＝[xi1,xi2,…,xi4950]T；
步骤S4，将训练集中训练样本的特征和寿命输入到带有ARD(自动相关决策)的高斯过程回归模型进行模型训练；
步骤S4.1，高斯过程回归指有限个随机变量服从联合高斯分布f(x)，其中第i个样本的寿命分布表示为：
其中xi和xj是任意两个锂电池样本，m(xi)是均值函数，k(xi,xj)是协方差函数，具体表示为：
m(xi)＝E(f(xi))
k(xi,xj)＝E[(m(xi)-f(xi))(m(xj)-f(xj))]
步骤S4.2，设置m(xi)为0，k(xi,xj)选用Matérn(v＝5/2)核函数，其可以兼具多项式核和径向基核的优势，带有ARD功能的Matérn核函数具体表示为：
其中lp为第p个特征的长度表示，σc是一个超参数；
步骤S4.3，对于真实的应用场景，真实的寿命yi是预测寿命与高斯噪声εi的和：
即所有样本服从：
其中K(Xtrain,Xtrain)＝k(xi,xj)k×k，IN为单位矩阵，经过训练与极大似然估计，可以得到参数[σc,lp,σn]值。
步骤S5，将所述训练的模型的稀疏特征权重进行可视化；包括：
步骤S5.1，特征权重计算公式如下：
步骤5.2,将所有特征权重进行最大最小归一化。
步骤S6，将测试集中的样本的特征输入到训练模型中进行寿命预测；包括：
步骤S6.1，得到训练样本和测试样本的联合分布：
其中Y*为测试集中测试样本的寿命，X*为测试样本的特征；
步骤S6.2，测试样本的寿命Y*的后验分布：
其中是预测的测试样本的寿命的均值；
是预测的协方差：
可写成/>测试集预测的寿命/>和真实寿命yi通过两个度量指标计算差异，两种度量指标分别为平均百分误差MPE和均方根误差RMSE；
平均百分误差MPE和均方根误差RMSE越小，预测效果越好；
本实施例选用的数据集为2019年斯坦福大学发表在《nature energy》上的124块锂电池数据。图2所示为124锂电池的放电容量退化曲线，电池寿命为容量值从初始循环到达80％额定容量的充放电循环数；
锂电池寿命最终的预测结果如表1所示：
表1
如图3所示为预测寿命与真实寿命的散点图，与接近y＝x曲线表示预测精度越高。
图4为4950个特征的重要性可视化，其中第94个放电SOC与第43个放电SOC差的方差特征具有很高的权重，而其余特征的权重几乎为零。
本实施例提供的锂电池寿命预测方法，简化了特征提取的步骤，带有ARD方法的高斯过程回归能够对高维特征进行权重稀疏，和寿命相关性小的特征权重几乎为零，而和寿命高度相关的特征的权重很大。该方法简化了大样本锂电池数据集的特征提取流程，为特征提取提供依据。
最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (1)

1.一种基于特征筛选的锂电池寿命预测方法，其特征在于，包括以下步骤：
步骤S1，将采集的锂电池数据划分为训练集和测试集；训练集和测试集中均包括多个样本；
步骤S2，对训练集和测试集中的锂电池样本的前m个充放电循环中放电SOC进行两两不重复相减；m＞20；
步骤S3，将每个锂电池的SOC相减结果求得方差，得到每个锂电池的特征；
步骤S4，将训练集中训练样本的特征和寿命输入到带有ARD的高斯过程回归模型进行模型训练；
步骤S5，将所述训练的模型的稀疏特征权重进行可视化；
步骤S6，将测试集中的样本的特征输入到训练模型中进行寿命预测；
步骤S2中，SOC的维度为500～1000；
步骤S3中，特征维度为训练集中k个训练样本的方差特征和寿命分别表示为Xtrain＝[x1，x2，...，xk]，Ytrain＝[y1，y2，...，yk]，其中第i个训练样本的特征xi表示为：
xi＝[xi1，xi2，...，xiM]T；
步骤S4包括：
步骤S4.1，高斯过程回归指有限个随机变量服从联合高斯分布f(x)，其中第i个样本的寿命分布表示为：
其中xi和xj是任意两个锂电池样本，m(xi)是均值函数，k(xi，xj)是协方差函数，具体表示为：
m(xi)＝E(f(xi))
k(xi，xj)＝E[(m(xi)-f(xi))(m(xj)-f(xj))]
步骤SS4.2，设置m(xi)为0，k(xi，xj)选用Matérn(v＝5/2)核函数，带有ARD功能的Matérn核函数具体表示为：
其中lp为第p个特征的长度表示，σc是一个超参数；
步骤S4.3，对于真实的应用场景，真实的寿命yi是预测寿命与高斯噪声εi的和：
即所有样本服从：
其中K(Xtrain，Xtrain)＝k(xi，xj)k×k，IN为单位矩阵，经过训练与极大似然估计，得到参数[σc，lp，σn]值；
步骤S5包括：
步骤S5.1，特征权重计算公式如下：
步骤5.2，将所有特征权重进行最大最小归一化；
步骤S6包括：
步骤S6.1，得到训练样本和测试样本的联合分布：
其中Y*为测试集中测试样本的寿命，X*为测试样本的特征；
步骤S6.2，测试样本的寿命Y*的后验分布：
其中是预测的测试样本的寿命的均值；
是预测的协方差：
CN202010579479.4A 2020-06-23 2020-06-23 基于特征筛选的锂电池寿命预测方法 Active CN111832221B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010579479.4A CN111832221B (zh) 2020-06-23 2020-06-23 基于特征筛选的锂电池寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010579479.4A CN111832221B (zh) 2020-06-23 2020-06-23 基于特征筛选的锂电池寿命预测方法

Publications (2)

Publication Number Publication Date
CN111832221A CN111832221A (zh) 2020-10-27
CN111832221B true CN111832221B (zh) 2023-09-26

Family

ID=72898019

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010579479.4A Active CN111832221B (zh) 2020-06-23 2020-06-23 基于特征筛选的锂电池寿命预测方法

Country Status (1)

Country Link
CN (1) CN111832221B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112731159B (zh) * 2020-12-23 2023-09-22 江苏省电力试验研究院有限公司 一种储能电站电池舱电池故障预判及定位的方法
CN113447817B (zh) * 2021-05-13 2022-04-08 浙江大学 一种基于两点寿命特征的锂电池在线寿命预测方法
CN113657030A (zh) * 2021-08-12 2021-11-16 浙江工业大学 一种基于高斯过程回归的锂电池剩余使用寿命预测方法
CN113740752B (zh) * 2021-08-27 2023-07-21 济南大学 一种基于电池模型参数的锂电池寿命预测方法
CN113900033B (zh) * 2021-09-23 2022-07-08 浙江大学 基于充电数据空间分布特征的锂电池在线寿命预测方法
CN114047452B (zh) * 2022-01-13 2022-05-13 浙江玥视科技有限公司 一种确定电池循环寿命的方法及装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102968573A (zh) * 2012-12-14 2013-03-13 哈尔滨工业大学 基于相关向量回归的在线预测锂离子电池剩余寿命的方法
CN103389471A (zh) * 2013-07-25 2013-11-13 哈尔滨工业大学 一种基于gpr带有不确定区间的锂离子电池循环寿命间接预测方法
CN104505894A (zh) * 2014-12-30 2015-04-08 中国矿业大学 一种基于矿用锂离子电池的电源管理系统及状态估计方法
CN108717165A (zh) * 2018-05-28 2018-10-30 桂林电子科技大学 基于数据驱动法的锂离子电池soc在线预测方法
CN109031153A (zh) * 2018-10-16 2018-12-18 北京交通大学 一种锂离子电池的健康状态在线估计方法
CN110007240A (zh) * 2019-04-26 2019-07-12 贵州大学 一种锂离子电池剩余寿命预测方法
CN110188920A (zh) * 2019-04-26 2019-08-30 华中科技大学 一种锂电池剩余寿命预测方法
CN110501646A (zh) * 2019-08-29 2019-11-26 中国人民解放军国防科技大学 一种离线锂电池剩余电量估计方法
CN110568374A (zh) * 2019-09-02 2019-12-13 东北电力大学 基于考虑内外特性的锂离子电池剩余使用寿命预测方法
CN111007399A (zh) * 2019-11-15 2020-04-14 浙江大学 基于改进生成对抗网络的锂电池荷电状态预测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102968573A (zh) * 2012-12-14 2013-03-13 哈尔滨工业大学 基于相关向量回归的在线预测锂离子电池剩余寿命的方法
CN103389471A (zh) * 2013-07-25 2013-11-13 哈尔滨工业大学 一种基于gpr带有不确定区间的锂离子电池循环寿命间接预测方法
CN104505894A (zh) * 2014-12-30 2015-04-08 中国矿业大学 一种基于矿用锂离子电池的电源管理系统及状态估计方法
CN108717165A (zh) * 2018-05-28 2018-10-30 桂林电子科技大学 基于数据驱动法的锂离子电池soc在线预测方法
CN109031153A (zh) * 2018-10-16 2018-12-18 北京交通大学 一种锂离子电池的健康状态在线估计方法
CN110007240A (zh) * 2019-04-26 2019-07-12 贵州大学 一种锂离子电池剩余寿命预测方法
CN110188920A (zh) * 2019-04-26 2019-08-30 华中科技大学 一种锂电池剩余寿命预测方法
CN110501646A (zh) * 2019-08-29 2019-11-26 中国人民解放军国防科技大学 一种离线锂电池剩余电量估计方法
CN110568374A (zh) * 2019-09-02 2019-12-13 东北电力大学 基于考虑内外特性的锂离子电池剩余使用寿命预测方法
CN111007399A (zh) * 2019-11-15 2020-04-14 浙江大学 基于改进生成对抗网络的锂电池荷电状态预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于模型驱动的锂离子电池剩余寿命预测方法研究;曹洋;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》(第2期);C042-1528 *
柴电混合动力系统容量配置与能量管理策略研究;袁烨;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》(第6期);C033-116 *

Also Published As

Publication number Publication date
CN111832221A (zh) 2020-10-27

Similar Documents

Publication Publication Date Title
CN111832221B (zh) 基于特征筛选的锂电池寿命预测方法
CN108896914B (zh) 一种锂电池健康状况的梯度提升树建模与预测方法
CN106446940B (zh) 一种基于支持向量机的超级电容器电容值退化趋势的预测方法
CN113447828B (zh) 一种基于贝叶斯神经网络的锂电池温度估计方法及系统
CN114280479B (zh) 一种基于电化学阻抗谱的退役电池快速分选方法
CN107741568B (zh) 一种基于状态转移优化rbf神经网络的锂电池soc估算方法
CN113917334B (zh) 基于进化lstm自编码器的电池健康状态估计方法
Lin et al. Lithium-ion batteries SOH estimation with multimodal multilinear feature fusion
CN113821976A (zh) 一种基于集成算法的锂电池故障诊断建模方法
CN105911476A (zh) 一种基于数据挖掘的电池储能系统soc预测方法
CN114280490B (zh) 一种锂离子电池荷电状态估计方法及系统
CN111983474A (zh) 一种基于容量衰退模型的锂离子电池寿命预测方法和系统
CN113721149A (zh) 一种基于半监督迁移学习的锂电池容量预测方法
Wang et al. An efficient state-of-health estimation method for lithium-ion batteries based on feature-importance ranking strategy and PSO-GRNN algorithm
CN116990689A (zh) 多特征关联分析的智能锂电充电宝内短路状态评估方法
Sun et al. Internal short circuit fault diagnosis for the lithium-ion batteries with unknown parameters based on transfer learning optimized residual network by multi-label data processing
CN116029183A (zh) 一种基于iPSO-LSTM模型的动力电池温度预测方法
CN117330987B (zh) 基于时间的电池健康状态评估的方法、系统、介质和设备
Dong et al. State of health estimation and remaining useful life estimation for Li-ion batteries based on a hybrid kernel function relevance vector machine
Aliberti et al. Comparative Analysis of Neural Networks Techniques for Lithium-ion Battery SOH Estimation
CN116893349A (zh) 一种基于高斯过程回归的电池健康状态预测方法和系统
Saleem et al. Investigation of Deep Learning Based Techniques for Prognostic and Health Management of Lithium-Ion Battery
CN116679208A (zh) 一种锂电池剩余寿命估算方法
Sun et al. SOH estimation of lithium-ion batteries based on multi-feature deep fusion and XGBoost
CN116298916A (zh) 一种新能源飞机锂电池健康状况的深度学习跨域预测方法

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
GR01 Patent grant
GR01 Patent grant