CN116243194B 一种混合工况条件下的电池健康状态在线预测方法 （重庆大学）_第1页
CN116243194B 一种混合工况条件下的电池健康状态在线预测方法 （重庆大学）_第2页
CN116243194B 一种混合工况条件下的电池健康状态在线预测方法 （重庆大学）_第3页
CN116243194B 一种混合工况条件下的电池健康状态在线预测方法 （重庆大学）_第4页
CN116243194B 一种混合工况条件下的电池健康状态在线预测方法 （重庆大学）_第5页
已阅读5页，还剩24页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

predictionandclassificationpMingyuanZhao.Batterydegradatwithoutaccessinghistoricaloper文.一种混合工况条件下的电池健康状态在线本发明涉及一种机理和数据融合驱动的多工况在线预测电池健康状态和寿命的机器学习获得电池在不同工况下以一定电流倍率充电到个参数作为模型输入得到电池在线的健康状态2S4：电池在容量衰退到80％初始容量前全生命周期S5：基于电池循环处不同的健康状态设置分类动S6：对不同工况下的待测电池同样提取出静置段的电压数据进行机理模型的参数辨2.根据权利要求1所述的一种混合工况条件下的电池健康状态在线预测方法，其特征3.根据权利要求2所述的一种混合工况条件下的电池健康状态在线预测方法，其特征4.根据权利要求3所述的一种混合工况条件下的电池健康状态在线预测方法，其特征5.根据权利要求4所述的一种混合工况条件下的电池健康状态在线预测方法，其特征36.根据权利要求5所述的一种混合工况条件下的电池健康状态在线预测方法，其特征)为高斯过程回式中I为n阶单位矩阵，x*和y*分别为预测集的输入和在高斯过程分类中，所有样本的输出都被假设服从伯努利发布，输4)T)Ti和yi分别为σ2＝K(x*,x*)_K(x*,X)K(X,X)p(y*|X,Y,x*)=∫p(y*|f(x*))p(f(x*)|X,Y,x*)df(x*)求解时用到拉普拉斯数值近似5据驱动方法由于其强大的数据处理和非线性拟合能力在电池领域研究中备受关注。例如，6和U27)为高斯过8)T)Ti和yi分别[0074]2、提出了一种基于机理信息的物理模型和数据驱动方法相结合进行电池性能预9[0091]S4：电池在容量衰退到80％初始容量前全生命周期内的健康状态/寿命作为输出。为了保持预测模型的高度可解释性，我们使用轻型机器学习方和U2)为高斯过)T)Ti和yi分别CY25_0.5/10.750.69CY25_0.5/20.930.84CY25_0.5/40.790.72[0168]如CY25_0.5/1代表该组电池是在25℃下以0.5倍标称容量的电流大小进行恒流充CY25_0.5/129.725.88CY25_0.5/228.14CY25_0.5/42.19[0182]式中nright为该工况下所有电池中分类正确的循环数，nal

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论