Nothing Special   »   [go: up one dir, main page]

CN113671381B - 一种基于时间卷积网络的锂离子动力电池估算方法 - Google Patents

一种基于时间卷积网络的锂离子动力电池估算方法 Download PDF

Info

Publication number
CN113671381B
CN113671381B CN202111007681.0A CN202111007681A CN113671381B CN 113671381 B CN113671381 B CN 113671381B CN 202111007681 A CN202111007681 A CN 202111007681A CN 113671381 B CN113671381 B CN 113671381B
Authority
CN
China
Prior art keywords
battery
time
convolution network
network model
real
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
CN202111007681.0A
Other languages
English (en)
Other versions
CN113671381A (zh
Inventor
魏翼鹰
张勇
文宝毅
邹琳
张晖
李志成
杨杰
袁鹏举
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202111007681.0A priority Critical patent/CN113671381B/zh
Publication of CN113671381A publication Critical patent/CN113671381A/zh
Application granted granted Critical
Publication of CN113671381B publication Critical patent/CN113671381B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01R31/005—Testing of electric installations on transport means
    • G01R31/006—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks
    • G01R31/007—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks using microprocessors or computers
    • 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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • 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
    • G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Secondary Cells (AREA)

Abstract

本发明涉及一种基于时间卷积网络的锂离子动力电池估算方法，包括：建立初始时间卷积网络模型；获取电池的实时状态数据集；根据电池的实时状态数据集对初始时间卷积网络模型进行训练、验证和测试，得到目标时间卷积网络模型；将待估算的电池数据输入至目标时间卷积网络模型，得到电池剩余电量量测值；根据待估算的电池数据，通过预设方法计算出电池剩余电量观测值；根据电池剩余电量量测值和电池剩余电量观测值，通过卡尔曼滤波计算电池剩余电量估算值；通过卡尔曼滤波算法优化电池剩余电量估算值。本发明结合卡尔曼滤波和时间卷积网络对电池SOC进行估算，克服了卡尔曼滤波算法需要精确的等效电池组电路模型的缺点，减小了神经网络估算方法的误差。

Description

一种基于时间卷积网络的锂离子动力电池估算方法
技术领域
本发明涉及电池监测技术领域，尤其涉及一种基于时间卷积网络的 锂离子动力电池估算方法。
背景技术
新能源汽车将逐步替代燃油车，电池作为新能源汽车的动力源也发 展起来。电池性能的提升成为电动汽车续航里程、安全性能、使用寿命 和功率特性实现突破的关键。为了电池安全高效的工作，最关键的环节 是电池管理系统技术。它可以实现电池参数的准确估测、动态监测以及 电池单体间的均衡。但是由于电动汽车具有多工况、变负载、宽调速范围等特点，电动汽车动力电池在使用的过程中表现出高度的非线性，变 流工作特性，使准确的估算SOC具有很大的难度。
现有的电池SOC估算技术大体可以分为三类：1、基于电池特征参 数的方法；2、基于电池模型的方法；3、基于数据驱动的方法。
现有的电池SOC估算技术在实际应用时效果并不显著，具体原因可 归结为以下几点：一、基于电池特征参数的方法是一个开环算法，由于 不确定的干扰和变量例如：温度，电流等，会导致SOC的不确定性，并 且计算的SOC值具有初始的SOC误差和累计的电流测量误差，并且该 方法需要电池完全充放电和定期的容量校准，这样缩短了电池的使用寿 命。二、基于模型的方法试图将各种因素整合到复杂的数学方程中以估 计电池的SOC，基于电池模型的方法存在一些问题：1、无论是等效电路 模型，电化学模型还是电化学阻抗模型都无法完全表征电池的特性；2、 对于建立的状态空间方程，状态变量的初始值不明确；3、很难用某一特 定的模型涵盖所有的电池的使用状态。三、基于数据驱动的方法建立的 神经的网络不具有记忆功能，并且在训练的网络的时候需要大量的人工 调参。
发明内容
有鉴于此，有必要提供一种基于时间卷积网络的锂离子动力电池估 算方法，用以解决现有技术中变量难以确定，建模困难，需要大量人工 调参的问题。
为达到上述技术目的，本发明采取了以下技术方案：
第一方面，本发明提供了一种基于时间卷积网络的锂离子动力电池 估算方法，包括：
建立初始时间卷积网络模型；
获取电池的实时状态数据集；
根据电池的实时状态数据集对初始时间卷积网络模型进行训练、验 证和测试，得到目标时间卷积网络模型；
将待估算的电池数据输入至目标时间卷积网络模型，得到电池剩余 电量量测值；
根据待估算的电池数据，通过预设方法计算出电池剩余电量观测值； 根据电池剩余电量量测值和电池剩余电量观测值，通过卡尔曼滤波算法 计算电池剩余电量估算值；
通过卡尔曼滤波算法优化电池剩余电量估算值。
优选的，通过预设方法计算出电池剩余电量观测值，具体为：
将电池剩余电量观测值离散化：
Figure BDA0003237597720000031
其中，Ik表示k时刻电流值，Δt表示采样时间，Cn表示电池的额定 容量，服从N(0,Q)高斯分布，X(k)是k时刻的电池剩余电量观测值。
优选的，根据电池剩余电量量测值和电池剩余电量观测值，通过卡 尔曼滤波算法优化得到最优电池剩余电量估算值之后，包括：更新最优 电池剩余电量估算值的卡尔曼增益矩阵：
Figure BDA0003237597720000032
其中，K(k+1)为k+1时刻卡尔曼增益矩阵，P为协方差矩阵，P-1为 P的逆矩阵，Xk为k时刻的电池剩余电量观测值，Zk为k时刻时间卷积网 络模型的电池剩余电量量测值。
优选的，根据电池剩余电量量测值和电池剩余电量观测值，通过卡 尔曼滤波算法优化得到最优电池剩余电量估算值之后，还包括：进行状 态更新和协方差更新，具体为：
Figure BDA0003237597720000033
Figure BDA0003237597720000034
其中，K(k+1)为k+1时刻卡尔曼增益矩阵，P为协方差矩阵，P-1为 P的逆矩阵，KT为K的转置矩阵，
Figure BDA0003237597720000035
为k时刻估计k+1时刻的最 优电池剩余电量估算值，
Figure BDA0003237597720000036
为k时刻估计k+1时刻根据sigma点 计算的电池剩余电量量测值。
优选的，电池的实时状态，包括电池实时电压、电池实时电流、电 池实时表面温度及电池实时SOC，电池的实时状态数据集包括数据训练 集、数据验证集以及数据测试集，且数据训练集、数据验证集以及数据 测试集均包括电池实时电压数据集、电池实时电流数据集、电池实时表 面温度数据集。
优选的，根据电池的状态数据集对初始时间卷积网络模型进行训练、 验证和测试，得到目标时间卷积网络模型，包括：
将数据训练集中的实时电池电压数据集，实时电池电流数据集以及 实时电池表面温度数据集作为当前时间步的输入信息xt输入至初始时间 卷积网络模型中进行训练，得到过渡时间卷积网络模型；
对过渡时间卷积网络模型进行验证并判断验证后的模型是否达到预 测精度或者迭代次数，若未达到，则再次对过渡时间卷积网络模型进行 验证；若达到，则过渡时间卷积网络模型为目标时间卷积网络模型；
利用数据测试集对目标时间卷积网络模型的预测性能进行测试，获 得训练完备的目标时间卷积网络模型。
优选的，将待估算的电池数据输入至目标时间卷积网络模型，得到 电池剩余电量量测值，包括：
设置三维预设输入数据，包括样本数、时间步长和电池的状态数据；
将三维预设输入数据输入到训练完备的目标时间卷积网络模型，得 到电池剩余电量量测值；
其中，样本数为采集的样本总数；时间步长为预设时间范围；电池 的状态数据包括电池的实时电池电压，实时电池电流以及实时电池表面 温度。
第二方面，本发明还提供了一种电池SOC估算装置，包括：
初始模型构建模块，用于建立初始时间卷积网络模型；
获取模块，用于获取电池的实时状态数据集；
训练模块，用于根据电池的实时状态数据集对初始时间卷积网络模 型进行训练、验证和测试，得到目标时间卷积网络模型；
量测模块，用于将待估算的电池数据输入至目标时间卷积网络模型， 得到电池剩余电量量测值；
观测模块，用于根据待估算的电池数据，通过预设方法计算出电池 剩余电量观测值；
计算模块，用于根据电池剩余电量量测值和电池剩余电量观测值， 通过卡尔曼滤波算法计算电池剩余电量估算值；
优化模块，通过卡尔曼滤波算法优化电池剩余电量估算值。
第三方面，本发明还提供了一种电子设备，包括存储器和处理器， 其中，
存储器，用于存储程序；
处理器，与存储器耦合，用于执行存储器中存储的程序，以实现上 述任一种实现方式中基于时间卷积网络的锂离子动力电池估算方法中的 步骤。
第四方面，本发明还提供了一种计算机可读存储介质，用于存储计 算机可读取的程序或指令，程序或指令被处理器执行时，能够实现上述 任一种实现方式中基于时间卷积网络的锂离子动力电池估算方法中的步 骤。
采用上述实施例的有益效果是：本发明结合卡尔曼滤波算法和时间 卷积网络模型对电池SOC进行估算，卡尔曼滤波减小了神经网络预测 SOC的噪声，减小了神经网络估算方法的误差，提高了预测的精度，而 时间卷积网络函数克服了卡尔曼滤波器需要等效电池组电路模型的缺点， 且具有记性功能，不需要大量人工调参。
附图说明
图1为本发明提供的电池SOC估算装置的一实施例场景示意图；
图2为本发明提供的基于时间卷积网络的锂离子动力电池估算方法 的一实施例流程示意图；
图3为本发明提供的图2中步骤S203的一实施例的流程示意图；
图4为本发明提供的时间卷积网络模型的一实施例结构示意图；
图5为本发明提供的电池SOC估算装置的一实施例的结构示意图；
图6为本发明实施例提供的电子设备的结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本 申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用 于限定本发明的范围。
在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明 确具体的限定。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结 构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位 置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥 的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是， 本文所描述的实施例可以与其它实施例相结合。
电池SOC即荷电状态，用来反映电池的剩余容量，其数值上定义为 剩余容量占电池容量的比值，常用百分数表示。
本发明提供了一种基于时间卷积网络的锂离子动力电池估算方法， 以下分别进行说明。
图1为本申请实施例所提供的电池SOC估算装置的场景示意图， 该系统可以包括服务器100，服务器100中集成有电池SOC估算装置， 如图1中的服务器。
本申请实施例中服务器100主要用于：
建立初始时间卷积网络模型；获取电池的实时状态数据集；根据电 池的实时状态数据集对初始时间卷积网络模型进行训练、验证和测试， 得到目标时间卷积网络模型；将待估算的电池数据输入至目标时间卷积 网络模型，得到电池剩余电量量测值；根据待估算的电池数据，通过预 设方法计算出电池剩余电量观测值；根据电池剩余电量量测值和电池剩 余电量观测值，通过卡尔曼滤波计算电池剩余电量估算值；通过卡尔曼 滤波算法优化电池剩余电量估算值。
本申请实施例中，该服务器100可以是独立的服务器，也可以是服 务器组成的服务器网络或服务器集群，例如，本申请实施例中所描述的 服务器100，其包括但不限于计算机、网络主机、单个网络服务器、多个 网络服务器集或多个服务器构成的云服务器。其中，云服务器由基于云 计算(Cloud Computing)的大量计算机或网络服务器构成。
可以理解的是，本申请实施例中所使用的终端200可以是既包括接 收和发射硬件的设备，即具有能够在双向通信链路上，执行双向通信的 接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其 具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通 信设备。具体的终端200可以是台式机、便携式电脑、网络服务器、掌上电脑(Personal Digital Assistant，PDA)、移动手机、平板电脑、无线终 端设备、通信设备、嵌入式设备等，本实施例不限定终端200的类型。
本领域技术人员可以理解，图1中示出的应用环境，仅仅是与本申 请方案一种应用场景，并不构成对本申请方案应用场景的限定，其他的 应用环境还可以包括比图1中所示更多或更少的终端，例如图1中仅示 出2个终端，可以理解的，该电池SOC估算装置还可以包括一个或多个 其他终端，具体此处不作限定。
另外，参照图1所示，该电池SOC估算装置还可以包括存储器300， 用于存储数据，如电池实时电压数据集、电池实时电流数据集、电池实 时表面温度数据集。
需要说明的是，图1所示的电池SOC估算装置的场景示意图仅仅是 一个示例，本申请实施例描述的电池SOC估算装置以及场景是为了更加 清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供 的技术方案的限定，本领域普通技术人员可知，随着电池SOC估算装置 的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的 技术问题，同样适用。
请参阅图2，图2为本发明提供的基于时间卷积网络的锂离子动力电 池估算方法的一个实施例流程示意图，该方法包括：
S201、建立初始时间卷积网络模型；
S202、获取电池的实时状态数据集；
S203、根据电池的实时状态数据集对初始时间卷积网络模型进行训 练、验证和测试，得到目标时间卷积网络模型；
S204、将待估算的电池数据输入至目标时间卷积网络模型，得到电 池剩余电量量测值；
S205、根据待估算的电池数据，通过预设方法计算出电池剩余电量 观测值；
S206、根据第一电池剩余电量估算值和第二电池剩余电量估算值， 通过卡尔曼滤波算法计算电池剩余电量估算值；
S207、通过卡尔曼滤波算法优化电池剩余电量估算值。
在步骤S201中，建立的初始时间卷积网络模型包括因果卷积层，扩 张卷积层和残差模块，其建立过程属于现有技术，在此不做赘述。
在步骤S202中，本发明提供一具体的实施例，通过传感器实时监控 电池充放电过程中的各个参数变化，并从中提取出可以用于估算电池SOC状态的数据集，并在这些数据集中选择部分作为电池SOC状态估算 数据集。可以理解的是，传感器可以选择电压传感器、电流传感器、温 度传感器等，电池充放电过程中的各个参数可以包括电压、电流、温度 等参数。采集完数据集后需要进一步分为数据训练集、数据验证集以及 数据测试集。
在步骤S203中，需要对初始时间卷积网络模型进行一系列的训练、 验证和测试，得到目标时间卷积网络模型，以使模型能够满足对电池SOC 估算的要求。训练集在建立初始模型后，训练模型中的一些参数；验证 集用来比较各个模型的性能，不同模型主要是指对应不同超参数的神经 网络,也可以指完全不同结构的神经网络；测试集是用来评价训练完成的 神经网络的性能。
在步骤S204中，将待估算电池的状态数据输入至目标时间卷积网络 模型，得到模型的输出结果，该输出结果为电池剩余电量量测值，为时 间卷积网络模型单独估算下的结果，其具有一定的误差，在本方案中后 续还需要对该量测值进一步计算得到最终的输出结果。
在步骤S205中，将待估算电池的状态数据通过安时积分法计算得到 电池剩余电量观测值，为安时积分法单独计算下的结果，其具有一定的 误差，在本方案中后续还需要对该估算结果进一步计算得到最终的输出 结果。
在步骤S206中，本发明结合时间卷积网络模型的第一电池剩余电量 估算值和卡尔曼滤波算法的第二电池剩余电量估算值，对电池的SOC进 一步估算，得到最终的估算值，该估算值更准确地反映了电池的SOC估 算结果。
在步骤S207中，卡尔曼滤波算法会不停的优化状态方程和协方差， 从而持续缩小估算值与真实值之间的误差，通过卡尔曼滤波算法不断迭 代计算，使得该值不断接近真实的电池剩余电量，达到优化电池剩余电 量估算值的效果。
在上述实施例中，本方案采用无迹卡尔曼滤波，无迹卡尔曼滤波的 核心思想是通过无迹变换来逼近真实系统，无迹变换是一种数值采样技 术，它在非线性变换下确定性地找到一组最小的σ点来估计状态变量的 均值和方差。对于一个非线性系统：
y＝f(x)，
其中x为n维状态向量，其均值和方差为
Figure BDA0003237597720000101
和P，经过UT变换构造 2n+1个Sigma(σ)点，相应的权值Wi(本系统是一维，所以经过UT 变换构造3个Sigma点，这里n＝1)
Figure BDA0003237597720000102
计算采样点的相应权值
Figure BDA0003237597720000103
式中下标m表示均值，c表示协方差，上标表示第几个采样点。参 数λ＝a2(n+κ)-n是缩放比例参数，用来降低总的预测误差，a的选取 控制了采样点的分布状态，κ为待选参数，其具体取值虽然没有界限，但 是应确保(n+λ)P为半正定矩阵。待选参数β≥0是一个非负的权系数。
具体为：
(1)利用公式(1)-(2)获得一组采样点(Sigma点集)及其对应的 权值
Figure BDA0003237597720000111
(2)利用状态方程计算2n+1个Sigma点集的一步预测
Xi(k+1|k)＝f([k，Xi(k|k)])i＝1，...2n+1
(3)计算系统状态量的预测及协方差矩阵，由Sigma点集的预测值加 权得到，其中权值ωi由公式2得到，
Figure BDA0003237597720000112
Figure BDA0003237597720000113
(4)根据一步预测值，再次使用UT变换，产生新的Sigma点集
Figure BDA0003237597720000114
(5)将第四步预测的Sigma点集带入观测方程得到预测的观测量
Zi(k+1|k)＝h(Xi(k+1|k))
(6)将步骤(5)得到的Sigma点集的观测预测值，通过加权求和得 到系统的预测值的均值及协方差
Figure BDA0003237597720000115
Figure BDA0003237597720000116
Figure BDA0003237597720000121
之后还需要更新卡尔曼滤波增益矩阵以及状态更新和协方差更新， 从而实现对估算结果的不断优化。
与现有技术相比，本发明结合卡尔曼滤波算法和时间卷积网络模型 对电池SOC进行估算，卡尔曼滤波减小了神经网络预测SOC的噪声， 减小了神经网络估算方法的误差，提高了预测的精度，而时间卷积网络 函数克服了卡尔曼滤波器需要等效电池组电路模型的缺点，且具有记性 功能，不需要大量人工调参。
在本发明的一些实施例中，通过预设方法计算出电池剩余电量观测 值，具体为：
将电池剩余电量观测值离散化：
Figure BDA0003237597720000122
其中，Ik表示k时刻电流值，Δt表示采样时间，Cn表示电池的额定 容量，服从N(0,Q)高斯分布，X(k)是k时刻的电池剩余电量观测值。
在上述实施例中，需要先采用安时积分法计算出的SOC作为状态方 程，状态变量是电池的SOC，其公式如下：
Figure BDA0003237597720000123
为了在后续公式中描述方便简洁，实用X来表示SOC，之后将其离 散化，得到估算公式，对待预测的电池SOC进行估算。
在本发明的一些实施例中，根据电池剩余电量量测值和电池剩余电 量观测值，通过卡尔曼滤波算法优化得到最优电池剩余电量估算值之后， 包括：更新最优电池剩余电量估算值的卡尔曼增益矩阵：
Figure BDA0003237597720000131
其中，K(k+1)为k+1时刻卡尔曼增益矩阵，P为协方差矩阵，P-1为 P的逆矩阵，Xk为k时刻的电池剩余电量观测值，Zk为k时刻时间卷积网 络模型的电池剩余电量量测值。
在上述实施例中，卡尔曼增益的作用，就是分配模型预测的状态和 传感器测量的状态之间的权重，本方案的估算值会不断的优化，所以需 要计算卡尔曼增益才能实现迭代计算。
在本发明的一些实施例中，根据电池剩余电量量测值和电池剩余电 量观测值，通过卡尔曼滤波算法优化得到最优电池剩余电量估算值之后， 还包括：进行状态更新和协方差更新，具体为：
Figure BDA0003237597720000132
Figure BDA0003237597720000133
其中，K(k+1)为k+1时刻卡尔曼增益矩阵，P为协方差矩阵，P-1为 P的逆矩阵，KT为K的转置矩阵，
Figure BDA0003237597720000134
为k时刻估计k+1时刻的最 优电池剩余电量估算值，
Figure BDA0003237597720000135
为k时刻估计k+1时刻根据sigma点 计算的电池剩余电量量测值。
在上述实施例中，状态方程和协方差是卡尔曼滤波算法的重要参数， 通过对它们的持续更新，可以实现对估算结果的不断优化，减小估算误 差。
在本发明的一些实施例中，电池的实时状态，包括电池实时电压、 电池实时电流、电池实时表面温度及电池实时SOC，电池的实时状态数 据集包括数据训练集、数据验证集以及数据测试集，且数据训练集、数 据验证集以及数据测试集均包括电池实时电压数据集、电池实时电流数 据集、电池实时表面温度数据集。
在上述实施例中，电池的SOC与电池的电压、电流及表面温度有关， 所以数据训练集、数据验证集以及数据测试集都需要包含这三个参数， 电池的实时电压是电池在充放电的任一时刻测得的电压值，电池的实时 电流是电池在充放电的任一时刻测得的电流值，电池的实时表面温度是 电池在充放电的任一时刻测得的表面温度值，通过传感器采集电池的实 时状态，实现实时的估算电池的SOC，且通过单一指标的预测具有较大 误差，所以数据训练集、数据验证集以及数据测试集必须都包括三个参 数。
请参阅图3，图3为本发明提供的图2中步骤S203的一实施例的流 程示意图，在本发明的一些实施例中，根据电池的状态数据集对初始时 间卷积网络模型进行训练、验证和测试，得到目标时间卷积网络模型， 包括：
S301、将数据训练集中的实时电池电压数据集，实时电池电流数据 集以及实时电池表面温度数据集作为当前时间步的输入信息xt输入至初 始时间卷积网络模型中进行训练，得到过渡时间卷积网络模型；
S302、对过渡时间卷积网络模型进行验证并判断验证后的模型是否 达到预测精度或者迭代次数，若未达到，则再次对过渡时间卷积网络模 型进行验证；若达到，则过渡时间卷积网络模型为目标时间卷积网络模 型；
S303、利用数据测试集对目标时间卷积网络模型的预测性能进行测 试，获得训练完备的目标时间卷积网络模型。
在步骤S301中，初始的时间卷积网络模型不能够对电池的SOC进 行估算，需要通过大量的电池实际数据对初始模型进行训练，得到过渡 时间卷积网络模型，此时的过渡时间卷积网络模型只能对电池的SOC进 行初步的估算，后续还需要对该模型进行验证以及优化，判断是否能满 足预测需要。
在步骤S302中，根据数据验证集对过渡时间卷积网络模型进行验证， 直至找到满足预设精度或达到迭代次数的过渡时间卷积网络模型，该过 渡时间卷积网络模型为目标时间卷积网络模型，能够满足对电池SOC估 算的要求。
在步骤S303中，得到目标时间卷积网络模型后，通过数据测试集对 模型进行测试，根据模型的测试结果和实际情况对比，测试目标时间卷 积网络模型的预测性能，通过
Figure BDA0003237597720000151
评估预 测性能，其中，
Figure BDA0003237597720000152
为时间卷积网络模型的第一电池剩余电量估算值，
Figure BDA0003237597720000153
为实际电池的SOC，满足要求则为训练完备的目标时间卷积网络 模型。
请参阅图4，图4为本发明提供的时间卷积网络模型的一实施例结构 示意图，在本发明的一些实施例中，将待估算的电池数据输入至目标时 间卷积网络模型，得到第一电池剩余电量估算值，包括：
设置三维预设输入数据，包括样本数、时间步长和电池的状态数据；
将三维预设输入数据输入到训练完备的目标时间卷积网络模型，得 到第一电池剩余电量估算值
Figure BDA0003237597720000154
其中，样本数为采集的样本总数；时间步长为预设时间范围；电池 的状态数据包括电池的实时电池电压，实时电池电流以及实时电池表面 温度。
在上述实施例中，预设输入数据是一个三维的数据，包括样本数、 时间步长和电池的状态数据三个维度，样本数为实验采集到的样本总数， 时间步长为预设的一段时间范围，电池的状态数据则是在该时间步长内 的实时电池电压，实时电池电流以及实时电池表面温度，将该三维数据 输入至训练完备的目标时间卷积网络模型，得到的第一电池剩余电量估 算值也是在该时间步长下的估算值。
为了更好实施本发明实施例中的基于时间卷积网络的锂离子动力电 池估算方法，在基于时间卷积网络的锂离子动力电池估算方法基础之上， 对应的，请参阅图5，图5为本发明提供的电池SOC估算装置的一实施 例的结构示意图，本发明实施例提供了一种电池SOC估算装置500，包 括：
初始模型构建模块510，用于建立初始时间卷积网络模型；
获取模块520，用于获取电池的实时状态数据集；
训练模块530，用于根据电池的实时状态数据集对初始时间卷积网络 模型进行训练、验证和测试，得到目标时间卷积网络模型；
量测模块540，用于将待估算的电池数据输入至目标时间卷积网络模 型，得到电池剩余电量量测值；
观测模块550，用于根据待估算的电池数据，通过预设方法计算出电 池剩余电量观测值；
计算模块560，用于根据电池剩余电量量测值和电池剩余电量观测值， 通过卡尔曼滤波算法计算电池剩余电量估算值；
优化模块570，通过卡尔曼滤波算法优化电池剩余电量估算值。
这里需要说明的是：上述实施例提供的装置500可实现上述各方法实 施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述 方法实施例中的相应内容，此处不再赘述。
请参阅图6，图6为本发明实施例提供的电子设备的结构示意图。基 于上述基于时间卷积网络的锂离子动力电池估算方法，本发明还相应提 供了一种电池SOC估算设备，电池SOC估算设备可以是移动终端、桌 上型计算机、笔记本、掌上电脑及服务器等计算设备。该电池SOC估算 设备包括处理器610、存储器620及显示器630。图6仅示出了电子设备 的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替 代的实施更多或者更少的组件。
存储器620在一些实施例中可以是电池SOC估算设备的内部存储单 元，例如电池SOC估算设备的硬盘或内存。存储器620在另一些实施例 中也可以是电池SOC估算设备的外部存储设备，例如电池SOC估算设 备上配备的插接式硬盘，智能存储卡(Smart MediaCard,SMC)，安全数 字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器620还可以既包括电池SOC估算设备的内部存储单元也包括外部存储 设备。存储器620用于存储安装于电池SOC估算设备的应用软件及各类 数据，例如安装电池SOC估算设备的程序代码等。存储器620还可以用 于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器620 上存储有电池SOC估算程序640，该电池SOC估算程序640可被处理器 66所执行，从而实现本申请各实施例的基于时间卷积网络的锂离子动力 电池估算方法。
处理器610在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行存储器620中存储 的程序代码或处理数据，例如执行基于时间卷积网络的锂离子动力电池 估算方法等。
显示器630在一些实施例中可以是LED显示器、液晶显示器、触控 式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极 管)触摸器等。显示器630用于显示在电池SOC估算设备的信息以及用 于显示可视化的用户界面。电池SOC估算设备的部件610-630通过系统 总线相互通信。
在一实施例中，当处理器610执行存储器620中电池SOC估算程序640时实现如上的基于时间卷积网络的锂离子动力电池估算方法中的步 骤。
以上，仅为本发明较佳的具体实施方式，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揭露的技术范围内， 可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (4)

1.一种基于时间卷积网络的锂离子动力电池估算方法，其特征在于，包括：
建立初始时间卷积网络模型；
获取电池的实时状态数据集；
根据所述电池的实时状态数据集对所述初始时间卷积网络模型进行训练、验证和测试，得到目标时间卷积网络模型；
将待估算的电池数据输入至所述目标时间卷积网络模型，得到电池剩余电量量测值；
根据待估算的电池数据，通过预设方法计算出电池剩余电量观测值；
根据所述电池剩余电量量测值和所述电池剩余电量观测值，通过卡尔曼滤波算法计算电池剩余电量估算值；
通过卡尔曼滤波算法优化所述电池剩余电量估算值；
其中，所述通过预设方法计算出电池剩余电量观测值，具体为：
将电池剩余电量观测值离散化：
Figure 98042DEST_PATH_IMAGE001
，
其中，
Figure 257628DEST_PATH_IMAGE002
表示k时刻电流值，
Figure 28138DEST_PATH_IMAGE003
表示采样时间，
Figure 247767DEST_PATH_IMAGE004
表示电池的额定容量，
Figure 369306DEST_PATH_IMAGE005
服从N(0,Q)高斯分布，X(k)是k时刻的电池剩余电量观测值；
其中，所述根据所述电池剩余电量量测值和所述电池剩余电量观测值，通过卡尔曼滤波算法优化得到最优电池剩余电量估算值之后，包括：更新所述最优电池剩余电量估算值的卡尔曼增益矩阵：
Figure 207949DEST_PATH_IMAGE006
，
其中，
Figure 694950DEST_PATH_IMAGE007
为k+1时刻卡尔曼增益矩阵，P为协方差矩阵，
Figure 226426DEST_PATH_IMAGE008
为
Figure 428737DEST_PATH_IMAGE009
的逆矩阵，
Figure 336650DEST_PATH_IMAGE010
为k时刻的电池剩余电量观测值，
Figure 816173DEST_PATH_IMAGE011
为k时刻时间卷积网络模型的电池剩余电量量测值；
其中，所述根据所述电池剩余电量量测值和所述电池剩余电量观测值，通过卡尔曼滤波算法优化得到最优电池剩余电量估算值之后，还包括：进行状态更新和协方差更新，具体为：
Figure 643183DEST_PATH_IMAGE012
，
Figure 208157DEST_PATH_IMAGE013
，
其中，
Figure 654182DEST_PATH_IMAGE007
为k+1时刻卡尔曼增益矩阵，P为协方差矩阵，
Figure 112845DEST_PATH_IMAGE008
为
Figure 986123DEST_PATH_IMAGE009
的逆矩阵，
Figure 163026DEST_PATH_IMAGE014
为K的转置矩阵，
Figure 147163DEST_PATH_IMAGE015
为k时刻估计k+1时刻的最优电池剩余电量估算值，
Figure 601278DEST_PATH_IMAGE016
为k时刻估计k+1时刻根据sigma点计算的电池剩余电量量测值;
其中，所述电池的实时状态，包括电池实时电压、电池实时电流、电池实时表面温度及电池实时SOC，所述电池的实时状态数据集包括数据训练集、数据验证集以及数据测试集，且所述数据训练集、数据验证集以及数据测试集均包括电池实时电压数据集、电池实时电流数据集、电池实时表面温度数据集;
其中，所述根据所述电池的状态数据集对所述初始时间卷积网络模型进行训练、验证和测试，得到目标时间卷积网络模型，包括：
将所述电池实时电压数据集、所述电池实时电流数据集以及所述电池实时表面温度数据集作为当前时间步的输入信息x_t输入至所述初始时间卷积网络模型中进行训练，得到过渡时间卷积网络模型；
对所述过渡时间卷积网络模型进行验证并判断验证后的模型是否达到预测精度或者迭代次数，若未达到，则再次对所述过渡时间卷积网络模型进行验证；若达到，则所述过渡时间卷积网络模型为所述目标时间卷积网络模型；
利用所述数据测试集对所述目标时间卷积网络模型的预测性能进行测试，获得训练完备的目标时间卷积网络模型;
其中，所述将待估算的电池数据输入至所述目标时间卷积网络模型，得到电池剩余电量量测值，包括：
设置三维预设输入数据，包括样本数、时间步长和电池的状态数据；
将所述三维预设输入数据输入到所述训练完备的目标时间卷积网络模型，得到电池剩余电量量测值；
其中，所述样本数为采集的样本总数；所述时间步长为预设时间范围；所述电池的状态数据包括电池的实时电池电压，实时电池电流以及实时电池表面温度。
2.一种电池SOC估算装置，其特征在于，包括：
初始模型构建模块，用于建立初始时间卷积网络模型；
获取模块，用于获取电池的实时状态数据集；
训练模块，用于根据所述电池的实时状态数据集对所述初始时间卷积网络模型进行训练、验证和测试，得到目标时间卷积网络模型；
量测模块，用于将待估算的电池数据输入至所述目标时间卷积网络模型，得到电池剩余电量量测值；
观测模块，用于根据待估算的电池数据，通过预设方法计算出电池剩余电量观测值；
计算模块，用于根据所述电池剩余电量量测值和所述电池剩余电量观测值，通过卡尔曼滤波算法计算电池剩余电量估算值；
优化模块，通过卡尔曼滤波算法优化所述电池剩余电量估算值；
其中，所述通过预设方法计算出电池剩余电量观测值，具体为：
将电池剩余电量观测值离散化：
Figure 770091DEST_PATH_IMAGE001
，
其中，
Figure 309657DEST_PATH_IMAGE002
表示k时刻电流值，
Figure 97484DEST_PATH_IMAGE003
表示采样时间，
Figure 530740DEST_PATH_IMAGE004
表示电池的额定容量，
Figure 745820DEST_PATH_IMAGE005
服从N(0,Q)高斯分布，X(k)是k时刻的电池剩余电量观测值；
其中，所述根据所述电池剩余电量量测值和所述电池剩余电量观测值，通过卡尔曼滤波算法优化得到最优电池剩余电量估算值之后，包括：更新所述最优电池剩余电量估算值的卡尔曼增益矩阵：
Figure 631737DEST_PATH_IMAGE006
，
其中，
Figure 223255DEST_PATH_IMAGE007
为k+1时刻卡尔曼增益矩阵，P为协方差矩阵，
Figure 386383DEST_PATH_IMAGE008
为
Figure 899929DEST_PATH_IMAGE009
的逆矩阵，
Figure 414087DEST_PATH_IMAGE010
为k时刻的电池剩余电量观测值，
Figure 543717DEST_PATH_IMAGE011
为k时刻时间卷积网络模型的电池剩余电量量测值；
其中，所述根据所述电池剩余电量量测值和所述电池剩余电量观测值，通过卡尔曼滤波算法优化得到最优电池剩余电量估算值之后，还包括：进行状态更新和协方差更新，具体为：
Figure 685985DEST_PATH_IMAGE012
，
Figure 508448DEST_PATH_IMAGE013
，
其中，
Figure 509902DEST_PATH_IMAGE007
为k+1时刻卡尔曼增益矩阵，P为协方差矩阵，
Figure 302277DEST_PATH_IMAGE008
为
Figure 174418DEST_PATH_IMAGE009
的逆矩阵，
Figure 292416DEST_PATH_IMAGE014
为K的转置矩阵，
Figure 515587DEST_PATH_IMAGE015
为k时刻估计k+1时刻的最优电池剩余电量估算值，
Figure 987019DEST_PATH_IMAGE016
为k时刻估计k+1时刻根据sigma点计算的电池剩余电量量测值;
其中，所述电池的实时状态，包括电池实时电压、电池实时电流、电池实时表面温度及电池实时SOC，所述电池的实时状态数据集包括数据训练集、数据验证集以及数据测试集，且所述数据训练集、数据验证集以及数据测试集均包括电池实时电压数据集、电池实时电流数据集、电池实时表面温度数据集;
其中，所述根据所述电池的状态数据集对所述初始时间卷积网络模型进行训练、验证和测试，得到目标时间卷积网络模型，包括：
将所述电池实时电压数据集、所述电池实时电流数据集以及所述电池实时表面温度数据集作为当前时间步的输入信息x_t输入至所述初始时间卷积网络模型中进行训练，得到过渡时间卷积网络模型；
对所述过渡时间卷积网络模型进行验证并判断验证后的模型是否达到预测精度或者迭代次数，若未达到，则再次对所述过渡时间卷积网络模型进行验证；若达到，则所述过渡时间卷积网络模型为所述目标时间卷积网络模型；
利用所述数据测试集对所述目标时间卷积网络模型的预测性能进行测试，获得训练完备的目标时间卷积网络模型;
其中，所述将待估算的电池数据输入至所述目标时间卷积网络模型，得到电池剩余电量量测值，包括：
设置三维预设输入数据，包括样本数、时间步长和电池的状态数据；
将所述三维预设输入数据输入到所述训练完备的目标时间卷积网络模型，得到电池剩余电量量测值；
其中，所述样本数为采集的样本总数；所述时间步长为预设时间范围；所述电池的状态数据包括电池的实时电池电压，实时电池电流以及实时电池表面温度。
3.一种电子设备，其特征在于，包括存储器和处理器，其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现上述权利要求1中所述基于时间卷积网络的锂离子动力电池估算方法中的步骤。
4.一种计算机可读存储介质，其特征在于，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时，能够实现上述权利要求1中所述基于时间卷积网络的锂离子动力电池估算方法中的步骤。
CN202111007681.0A 2021-08-30 2021-08-30 一种基于时间卷积网络的锂离子动力电池估算方法 Active CN113671381B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111007681.0A CN113671381B (zh) 2021-08-30 2021-08-30 一种基于时间卷积网络的锂离子动力电池估算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111007681.0A CN113671381B (zh) 2021-08-30 2021-08-30 一种基于时间卷积网络的锂离子动力电池估算方法

Publications (2)

Publication Number Publication Date
CN113671381A CN113671381A (zh) 2021-11-19
CN113671381B true CN113671381B (zh) 2022-09-06

Family

ID=78547465

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111007681.0A Active CN113671381B (zh) 2021-08-30 2021-08-30 一种基于时间卷积网络的锂离子动力电池估算方法

Country Status (1)

Country Link
CN (1) CN113671381B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114398826A (zh) * 2021-12-31 2022-04-26 国网陕西省电力公司信息通信公司 一种电池剩余容量实时预测方法、终端设备及存储介质
CN114274840B (zh) * 2022-01-07 2022-11-18 江苏大学 基于s-crann的智能网联电动汽车电量消耗预测方法及系统
CN114062948B (zh) * 2022-01-11 2022-05-20 南通大学 一种基于3dcnn的锂离子电池soc估计方法
CN114487850A (zh) * 2022-01-25 2022-05-13 重庆标能瑞源储能技术研究院有限公司 一种基于实车数据的动力电池容量预测方法
CN114850080B (zh) * 2022-04-29 2024-07-23 上海艾为电子技术股份有限公司 一种量产测试方法、系统和存储介质
CN115276762B (zh) * 2022-06-24 2023-05-05 广州爱浦路网络技术有限公司 卫星网络的连接方法、系统、电子设备及存储介质
CN115407217B (zh) * 2022-11-01 2023-01-10 北京航空航天大学 一种电动汽车锂电池荷电状态在线估计方法及系统
CN115639482B (zh) * 2022-12-22 2023-03-10 江苏欧力特能源科技有限公司 电池剩余电量估计方法及装置
CN116359775A (zh) * 2023-03-03 2023-06-30 广州小鹏汽车科技有限公司 校正剩余电量的方法、车辆及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106981198A (zh) * 2017-05-24 2017-07-25 北京航空航天大学 用于旅行时间预测的深度学习网络模型及其建立方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2877095B1 (fr) * 2004-10-27 2006-12-29 Peugeot Citroen Automobiles Sa Systeme de determination de l'etat de charge de moyens de stockage d'energie electrique de vehicule
US9575128B2 (en) * 2013-03-12 2017-02-21 GM Global Technology Operations LLC Battery state-of-charge estimation for hybrid and electric vehicles using extended kalman filter techniques
CN111208438B (zh) * 2020-03-05 2022-03-08 东南大学 基于神经网络与无迹卡尔曼滤波器的锂电子电池剩余电量与传感器偏差协同估计的方法
CN111914516B (zh) * 2020-08-20 2024-03-22 杭州安恒信息技术股份有限公司 一种网络数据预测序列生成方法、装置、设备及存储介质
CN112949164A (zh) * 2021-01-27 2021-06-11 上海电机学院 一种锂电池健康状态预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106981198A (zh) * 2017-05-24 2017-07-25 北京航空航天大学 用于旅行时间预测的深度学习网络模型及其建立方法

Also Published As

Publication number Publication date
CN113671381A (zh) 2021-11-19

Similar Documents

Publication Publication Date Title
CN113671381B (zh) 一种基于时间卷积网络的锂离子动力电池估算方法
Wang et al. Improved anti-noise adaptive long short-term memory neural network modeling for the robust remaining useful life prediction of lithium-ion batteries
Xu et al. An improved CNN-LSTM model-based state-of-health estimation approach for lithium-ion batteries
CN108805217B (zh) 一种基于支持向量机的锂离子电池健康状态估计方法及系统
Ma et al. State of health estimation and remaining useful life prediction for lithium-ion batteries by improved particle swarm optimization-back propagation neural network
Lin et al. State of health estimation of lithium-ion battery based on an adaptive tunable hybrid radial basis function network
CN115859584A (zh) 一种电池寿命预测方法、预测系统及计算机设备
CN113671401A (zh) 一种基于优化算法与数据驱动的锂电池健康状态评估方法
Liu et al. An improved method of state of health prediction for lithium batteries considering different temperature
Chang et al. A probabilistic approach for prognosis of battery pack aging
Duan et al. Online parameter identification and state of charge estimation of battery based on multitimescale adaptive double Kalman filter algorithm
Li et al. A hybrid framework for predicting the remaining useful life of battery using Gaussian process regression
CN116609686B (zh) 一种基于云平台大数据的电芯一致性评估方法
JP2023139227A (ja) 電池健康状態予測方法、装置、電子機器及び可読記憶媒体
CN114545270A (zh) 一种考虑健康因子延迟的锂电池健康状态估计方法
Gu et al. A Fletcher‐Reeves conjugate gradient optimized multi‐reservoir echo state network for state of charge estimation in vehicle battery
CN116125279A (zh) 一种电池健康状态的确定方法、装置、设备及存储介质
CN113295399B (zh) 换流阀元件状态评估方法、装置、电子设备和存储介质
Qiang et al. A Data-Fusion-Model Method for State of Health Estimation of Li-Ion Battery Packs Based on Partial Charging Curve
CN117825970A (zh) 电池退化分析方法、装置、设备及存储介质
CN113933718B (zh) 一种退役电池容量分选方法、装置、设备及存储介质
Zhang et al. A model-data-fusion method for real-time continuous remaining useful life prediction of lithium batteries
CN117592510A (zh) 一种基于安全约束的负荷预测方法与系统
Ma et al. State of Health Estimation for Lithium-ion batteries Based on Extreme Learning Machine with Improved Blinex Loss
Fang et al. Lumped model of Li-ion battery considering hysteresis effect

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