2024年5月22日 · 为了提升锂离子电池RUL预测精确度,国内外学者提出了各种模型和方法来估算锂电池健康状态,主要可以分为基于物理模型的方法和基于数据驱动的方法。
2022年4月20日 · 精确估计锂离子电池荷电状态(state of charge, SOC)、电池健康度(state of health,SOH)以及预测电池剩余寿命(remaining useful life,RUL)是电池管理的重要内容,对延长电池寿命和确保电池系统可信赖性具有重要意义。
2021年11月13日 · 针对目前锂电池循环寿命模型中物理参数难以获取,参数识别过程需要大量测试,以及锂离子电池循环效应的模拟难以实现且成本昂贵等问题,探究锂离子电池老化(由于循环)的电气模拟及其对电池容量和内阻的影响,提出1种锂离子电池的新型循环寿命模型。基于疲劳理论和等效循环计数建立简单的物理
2024年5月6日 · 研究结果表明,该方法使用有限数量的充电过程递归图作为输入,能实现模型快速收敛和精确预测。 此外,在跨倍率预测场景中,相较于浅层指标,可实现在2C倍率下将绝对误差和均方根误差的指标性能提升约7倍和5.7倍。
2024年7月22日 · 本文提出了一种基于人工蜂群算法(Artificial Bee Colony, ABC)和结合dropout技术的长短期记忆网络(Long Short-Term Memory, LSTM)相结合的综合预测模型,可有效提高锂离子电池RUL预测的精确性。
2023年10月7日 · 本发明属于电池寿命预测,尤其是涉及一种锂电池循环寿命预测方法。 背景技术： 1、锂离子电池广泛应用于电动汽车、储能等领域,电池研发人员在设计产品时考虑因素很多,其中使用寿命是衡量电池性能的重要指标项。
2024年10月25日 · 锂离子电池是目前最高广泛使用的储能设备,对其RUL的精确预测对于确保其可信赖运行和预防事故至关重要。本文综述了ML算法在RUL预测中的发展趋势,并探讨了未来的改进方向。此外,探讨了利用RUL预测结果延长锂离子电池寿命的可能性。
2024年11月26日 · 目前锂离子电池RUL预测方法主要可分为基于仿真模型和基于数据驱动方式两类。前者基于仿真模型的方法主要基于锂离子电池材料特性和失效机制的大量先验知识来构建仿真模型,实现对剩余循环周期次数的预测。
本发明涉及电力技术领域,且公开了一种基于Xgboost模型预测储能系统中锂电池剩余循环寿命的方法,包括以下步骤:S1:数据采集,采集储能电站运行过程中锂电池的实际运行数据;S2:数据清洗,对采集的数据进行整理;S3:特征选择,通过计算原始数据构造特征数据,并
2021年6月22日 · 目前,电池剩余寿命预测的方法主要分为：1、经验预测法 (包括单指数模型,双指数模型,线性模型,多项式模型,verhulst模型等)；2、滤波预测法 (包括：卡尔曼滤波,扩展卡尔曼滤波,无迹卡尔曼滤波,粒子滤波,无迹例子滤波等)。 其中经验预测法,虽然具有良好的在线运算能力,但是预测性太差,难以满足电池的实际使用需求；而滤波预测法,虽然可以改善