一种电池剩余使用寿命预测方法、设备及介质技术

本申请公开了一种电池剩余使用寿命的预测方法、设备及介质，方法包括：获取目标电池的历史电池数据，历史电池数据至少包括目标电池的基础信息、历史工作数据；基础信息至少包括目标电池的电池型号、使用时间；通过t分布

【技术实现步骤摘要】
一种电池剩余使用寿命预测方法、设备及介质


[0001]本申请涉及数据预测领域，具体涉及一种电池剩余使用寿命预测方法、设备及介质。

技术介绍

[0002]随着新能源技术的发展，电池在日常生活以及科研领域中都得到了广泛的应用，但现有技术仍然无法解决电池的性能退化现象，。性能退化涉及的因素较多，例如阳极、电解液、阴极的许多化学副反应在受到影响时，均会导致电池的性能退化，而电池的容量局部再生、自充电现象、用户使用习惯、环境温度、道路振动等因素下，都可能使得电池容量衰减，从而对电池的寿命产生影响。
[0003]综上，影响电池寿命的原因多种多样，这些影响电池寿命的自变量和电池寿命很可能存在复杂的非线性关系，然而现有的电池寿命预测方法，仅能捕捉各个变量之间的非线性关系，因此预测精度较低。
[0004]因此，亟需一种预测精度较高的电池剩余使用寿命预测方法。

技术实现思路

[0005]为了解决上述问题，本申请提出了一种电池剩余使用寿命预测方法，包括：
[0006]获取目标电池的历史电池数据，所述历史电池数据至少包括所述目标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电池剩余使用寿命预测方法，其特征在于，包括：获取目标电池的历史电池数据，所述历史电池数据至少包括所述目标电池的基础信息、历史工作数据；所述基础信息至少包括所述目标电池的电池型号、使用时间；通过t分布
‑
随机邻近嵌入算法对所述历史工作数据进行降维，得到第一数据；确定预设的初始长短期记忆模型，并通过所述第一数据训练所述初始长短期记忆模型，以得到所述目标电池的电池容量预测模型；获取所述目标电池的当前工作数据，并通过所述t分布
‑
随机邻近嵌入算法对所述历史工作数据进行降维，以得到第二数据；将所述第二数据输入至所述电池容量预测模型，得到所述目标电池的预测电池容量；根据所述预测电池容量以及所述基础信息，确定所述目标电池的剩余使用寿命。2.根据权利要求1所述的方法，其特征在于，所述通过t分布
‑
随机邻近嵌入算法对所述历史工作数据进行降维，得到第一数据，具体包括：确认所述历史工作数据中的多种工作特征以及与所述多种工作特征对应的特征值；所述多种工作特征的至少包括电池容量、电压状态、电流状态；在所述历史工作数据中剔除所述电池容量以及所述电池容量对应的特征值，以得到初始训练数据；通过所述t分布
‑
随机邻近嵌入算法，对所述初始训练数据进行降维，以得到所述第一数据。3.根据权利要求2所述的方法，其特征在于，所述通过所述t分布
‑
随机邻近嵌入算法，对所述初始训练数据进行降维，以得到所述第一数据，具体包括：确定所述初始训练数据的原始空间以及嵌入空间；以条件概率描述所述初始训练数据中的各个数据点之间的相似度；确定所述原始空间以及所述嵌入空间的联合概率分布的损失函数，并通过梯度下降算法降低所述损失函数，以使所述损失函数取到所述损失函数的最低值，以得到所述第一数据。4.根据权利要求3所述的方法，其特征在于，所述原始空间中所述各个数据点之间的所述条件概率通过高斯联合分布进行表示；所述嵌入空间中所述各个数据点之间的所述条件概率通过t分布进行表示；所述损失函数为所述高斯联合分布与所述t分布之间的相对熵。5.根据权利要求4所述的方法，其特征在于，所述通过所述t分布
‑
随机邻近嵌入算法，对所述初始训练数据进行降维之后，所述方法还包括：确定所述工作特征对应多个数据点；在所述多个数据点之间选择任一数据点，计算所述任一数据点与其他数据点之间的距离之和，并将所述距离之和作为所述任一数据点的路径权值；将所述路径权值大于第一预设阈值的所述数据点剔除，以得到所述第一数据。6.根据权利要求1所述的方法，其特征在于，所述训练所述初始长短期记忆模型，具体包括：通过使用反向传播算法对所述初始长短期记忆模型训练，所述训练过程具体包...

【专利技术属性】
技术研发人员：李锐，蒋梦梦，姜凯，张晖，
申请(专利权)人：山东浪潮科学研究院有限公司，
类型：发明
国别省市：