基于深度学习的电池SOH预测模型构建方法技术

本发明专利技术实施例公开了一种基于深度学习的电池SOH预测模型构建方法，包括：获取电池在多次充电过程中的特征数据以及充电后的SOH；利用网格搜索法，选取每次充电过程中一连续时间片段的特征数据；以每个连续时间片段的特征数据为样本，对深度学习网络进行训练，使所述深度学习网络的输出逼近每次充电后的SOH；训练好的深度学习网络构成电池SOH预测模型；其中，所述深度学习网络包括：受限玻尔兹曼机模型和全连接层；所述受限玻尔兹曼机模型用于对每个连续时间片段的特征数据进行降维，所述全连接层用于对降维后的特征数据进行全连接计算，得到所述深度学习网络的输出。本实施例使模型的预测结果更符合电池的真实使用状态。预测结果更符合电池的真实使用状态。预测结果更符合电池的真实使用状态。

【技术实现步骤摘要】
基于深度学习的电池SOH预测模型构建方法


[0001]本专利技术实施例涉及人工智能领域，尤其涉及一种基于深度学习的电池SOH预测模型构建方法。

技术介绍

[0002]随着动力电池在新能源汽车中的应用，电池的能量密度、输出效率不断升高，合理评测电池的SOH（State Of Healthy，健康状态）有利于动力电池的梯次利用以及报废材料的循环生产。
[0003]目前的电池SOH评测技术多基于实验室数据，得到的SOH与真实使用中的电池状态存在较大差异。

技术实现思路

[0004]本专利技术实施例提供一种基于深度学习的电池SOH预测模型构建方法，使模型的预测结果更符合电池的真实使用状态。
[0005]第一方面，本专利技术实施例提供了一种基于深度学习的电池SOH预测模型构建方法，包括：获取电池在多次充电过程中的特征数据以及充电后的SOH；利用网格搜索法，选取每次充电过程中一连续时间片段的特征数据；以每个连续时间片段的特征数据为样本，对深度学习网络进行训练，使所述深度学习网络的输出逼近每次充电后的SOH；训练好的深度学习网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的电池SOH预测模型构建方法，其特征在于，包括：获取电池在多次充电过程中的特征数据以及充电后的健康状态SOH；利用网格搜索法，选取每次充电过程中一连续时间片段的特征数据；以每个连续时间片段的特征数据为样本，对深度学习网络进行训练，使所述深度学习网络的输出逼近每次充电后的SOH；训练好的深度学习网络构成电池SOH预测模型；其中，所述深度学习网络包括：受限玻尔兹曼机模型和全连接层；所述受限玻尔兹曼机模型用于对每个连续时间片段的特征数据进行降维，所述全连接层用于对降维后的特征数据进行全连接计算，得到所述深度学习网络的输出。2.根据权利要求1所述的电池SOH预测模型构建方法，其特征在于，所述利用网格搜索法，选取每次充电过程中一连续时间片段的特征数据，包括：利用网格搜索法，选取每次充电过程中一连续时间片段的特征数据，使得所述多次充电过程对应的第一标准差矩阵和第二标准差矩阵的距离小于设定阈值；其中，所述第一标准差矩阵由每次充电过程的特征数据的标准差组成，所述第二标准差矩阵由每个连续时间片段的特征数据的标准差组成。3.根据权利要求1所述的电池SOH预测模型构建方法，所述深度学习网络还包括归一化层，所述归一化层采用如下归一化函数对全连接计算的结果进行归一化，得到所述深度学习网络的输出：其中，x表示全连接计算的结果，y表示所述深度学习网络的输出。4.根据权利要求1所述的电池SOH预测模型构建方法，所述以每个连续时间片段的特征数据为样本，对深度学习网络进行训练，使所述深度学习网络的输出逼近每次充电后的SOH，包括：在训练过程中，通过以下损失函数来更新网络参数：其中，y表示所述深度学习网络的输出，a表示每次充电后的SOH。5.根据权利要求1所述的电池SOH预测模型构建方法，其特征在于，所述特征数据包括：电流、电压、温度、瞬时电压积分、瞬时电流积分和瞬时电功率。6.根据权...

【专利技术属性】
技术研发人员：杨亮，张衡，王文斌，王铁，王军雷，王华珺，
申请(专利权)人：中汽信息科技天津有限公司，
类型：发明
国别省市：