公开(公告)号：CN111707956A

公开(公告)日：2020-09-25

申请号：CN202010800353.5

申请日：2020-08-11

Applicant: 中北大学

Inventor： 贾建芳 ,  温杰 ,  王科科 ,  史元浩 ,  庞晓琼 ,  梁建宇 ,  曾建潮

IPC: G01R31/392 ,  G01R31/367 ,  G01R31/396

Abstract: 本发明多类型锂离子电池组管理系统的健康状态和剩余寿命预测方法。解决在多类型锂离子电池混合使用情况下，传统电池管理系统无法有效管理，并且传统预测模型预测起始点靠后的问题。对于同种锂离子电池采用小波分解，将容量退化历史数据分为高频波动部分和低频趋势两部分，分别将两部分数据作为输入数据训练其对应的带残差层的小波神经网络。将实时低频趋势数据带入残差小波网络和无迹粒子滤波结合的模型，得到长期剩余寿命预测结果。该结果将为系统后期更换电池次序提供依据。剩余寿命预测结果与实时高频波动部分使用带残差层的小波神经网络模型得到的短期预测值，通过同循环次数叠加得到其实时健康状态预测值，用于锂离子电池健康状态均衡管理。

公开(公告)号：CN111707956B

公开(公告)日：2022-08-30

申请号：CN202010800353.5

申请日：2020-08-11

Applicant: 中北大学

Inventor： 贾建芳 ,  温杰 ,  王科科 ,  史元浩 ,  庞晓琼 ,  梁建宇 ,  曾建潮

IPC: G01R31/392 ,  G01R31/367 ,  G01R31/396

Abstract: 本发明多类型锂离子电池组管理系统的健康状态和剩余寿命预测方法。解决在多类型锂离子电池混合使用情况下，传统电池管理系统无法有效管理，并且传统预测模型预测起始点靠后的问题。对于同种锂离子电池采用小波分解，将容量退化历史数据分为高频波动部分和低频趋势两部分，分别将两部分数据作为输入数据训练其对应的带残差层的小波神经网络。将实时低频趋势数据带入残差小波网络和无迹粒子滤波结合的模型，得到长期剩余寿命预测结果。该结果将为系统后期更换电池次序提供依据。剩余寿命预测结果与实时高频波动部分使用带残差层的小波神经网络模型得到的短期预测值，通过同循环次数叠加得到其实时健康状态预测值，用于锂离子电池健康状态均衡管理。