一种退役电池荷电状态预测方法、装置及电子设备制造方法及图纸

本发明专利技术涉及一种退役电池荷电状态预测方法、装置及电子设备，所述方法包括：获取若干退役电池在不同荷电状态下的数据，利用所述数据进行曲线拟合，根据曲线拟合结果得到特征参数；构建神经网络模型，根据所述特征参数对所述神经网络模型进行训练，得到训练完备的神经网络模型；获取待预测退役电池的实时特征参数，根据所述实时特征参数和所述训练完备的神经网路模型得到所述待预测退役电池的荷电状态。本发明专利技术公开的退役电池荷电状态预测方法，提高了退役电池荷电状态预测的准确性。提高了退役电池荷电状态预测的准确性。提高了退役电池荷电状态预测的准确性。

【技术实现步骤摘要】
一种退役电池荷电状态预测方法、装置及电子设备


[0001]本专利技术涉及退役电池
，尤其涉及一种退役电池荷电状态预测方法、装置、电子设备及计算机可读存储介质。

技术介绍

[0002]电池作为储能电源已在通讯、电力系统、交通运输等领域得到了广泛的应用，而各领域对于电池的要求不同因此会产生大量退役电池，如果不能对退役电池进行二次甚至多次循环利用会造成能源的大量浪费，退役电池荷电状态就是循环利用的基础，用于判断是否合适进行循环利用。
[0003]针对退役电池荷电状态进行单个个体检测是不现实的，工作量过于巨大，因此现有常用的对退役电池荷电状态进行预测的方法有安时积分法等，但安时积分法容易受到电流测量精度的影响，精度不高。

技术实现思路

[0004]有鉴于此，有必要提供一种退役电池荷电状态预测方法、装置、电子设备及计算机可读存储介质，用以解决现有技术中退役电池荷电状态预测不准确的问题。
[0005]为了解决上述问题，本专利技术提供一种退役电池荷电状态预测方法，包括：
[0006]获取若干退役电池在不同荷电状态本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种退役电池荷电状态预测方法，其特征在于，包括：获取若干退役电池在不同荷电状态下的数据，利用所述数据进行曲线拟合，根据曲线拟合结果得到特征参数；构建神经网络模型，根据所述特征参数对所述神经网络模型进行训练，得到训练完备的神经网络模型；获取待预测退役电池的实时特征参数，根据所述实时特征参数和所述训练完备的神经网路模型得到所述待预测退役电池的荷电状态。2.根据权利要求1所述的退役电池荷电状态预测方法，其特征在于，利用所述数据进行曲线拟合，包括：利用所述数据进行Nyquist曲线拟合。3.根据权利要求1所述的退役电池荷电状态预测方法，其特征在于，根据曲线拟合结果得到特征参数，包括：获取曲线拟合结果的初始特征参数，对所述初始特征参数进行筛选，得到筛选后的特征参数。4.根据权利要求3所述的退役电池荷电状态预测方法，其特征在于，对所述初始特征参数进行筛选，包括：获取对应的退役电池荷电状态值，利用Pearson相关系数计算所述初始特征参数和所述对应的退役电池荷电状态值的相关度；当所述相关度的绝对值小于设定阈值时，剔除所述初始特征参数。5.根据权利要求1所述的退役电池荷电状态预测方法，其特征在于，构建神经网络模型，包括：构建DBN
‑
DNN神经网络模型。6.根据权利要求5所述的退役电池荷电状态预测方法，其特征在于，所述DBN
‑
DNN神经网络模型包括1层输入层、3层隐藏层及1层输出层，所述DBN
‑

【专利技术属性】
技术研发人员：许开华，张宇平，刘虹灵，别传玉，张阳琳，阳婕，肖磊，宋华伟，
申请(专利权)人：武汉动力电池再生技术有限公司，
类型：发明
国别省市：