【技术实现步骤摘要】
一种电池健康状态预测方法、装置以及电子设备
[0001]本专利技术涉及电池管理
，尤其涉及一种电池健康状态预测方法、装置以及电子设备。
技术介绍
[0002]现有技术对锂电池的健康状态进行预测时，主要采用经验模型法、滤波预算法以及数据驱动法。经验模型法由于输入变量单一，而且未能利用其他有效的放电参数预测精度有限；滤波预测法却严重依靠及经验模型以及复杂的状态空间方程和观测方程，模型建立难度较大，并且模型泛化性较差。这两种SOH预测方法难以对锂电池全生命周期下的退化过程进行精确的建模。数据驱动法基于机器学习不能从锂电池参数中充分提取到有效的特征，这样导致计算资源的浪费和预测精度的不足，并且仅考虑特征与SOH之间非线性关系忽略SOH序列存在自相关性。
技术实现思路
[0003]本专利技术实施例提供一种电池健康状态预测方法、装置以及电子设备，能够充分利用电池充放电过程中的参数特征，对电池健康状态预测过程进行修正，改善电池健康状态预测过程中存在的精度较低的问题。
[0004]第一方面，本专利技术实施例提供...
【技术保护点】
【技术特征摘要】
1.一种电池健康状态预测方法，其特征在于，包括：根据电池已完成的最近预定数值次充放电过程中的第一特征数据值，利用第一预测模型预测得到所述电池的未来一次充放电过程中的待修正第一特征数据预测值；根据所述电池已完成的最近预定数值次充放电过程中的第二特征数据值，利用第二预测模型预测得到所述未来一次充放电过程中的待修正第一特征数据预测值的修正值；以及，利用所述未来一次充放电过程中的待修正第一特征数据预测值以及相应修正值，计算得到所述电池的所述未来一次充放电过程中的第一特征数据预测值，并根据所述未来一次充放电过程中的第一特征数据预测值对所述电池在相应未来时刻的健康状态进行预测。2.根据权利要求1所述的电池健康状态预测方法，其特征在于，所述第一特征数据值包括所述已完成的最近预定数值次充放电过程中的健康状态序列值，所述电池健康状态预测方法还包括：获取所述电池的相同规格电池的生命周期中的健康状态序列值并进行异常处理得到第一训练数据集；利用所述第一训练数据集对自回归移动平均模型进行训练，得到预训练自回归移动平均模型；根据所述第一训练数据集中每次充放电过程中的健康状态序列值，利用所述预训练自回归移动平均模型预测得到与所述第一训练数据集中所述每次充放电过程的下一次充放电过程中的健康状态序列值对应的下一健康状态序列值预测值，并计算所述下一健康状态序列值预测值的绝对误差；根据所述绝对误差对所述预训练自回归移动平均模型进行参数调整得到所述第一预测模型；以及根据所述绝对误差对循环神经网络模型进行训练得到所述第二预测模型。3.根据权利要求2所述的电池健康状态预测方法，其特征在于，所述第二特征数据值包括与所述绝对误差的变化相关的所述电池的生命周期中的数据；所述根据所述绝对误差对所述预训练自回归移动平均模型进行参数调整得到所述第一预测模型的过程包括：利用自适应过滤法对所述预训练自回归移动平均模型的参数进行最优化迭代调整，使得每个所述绝对误差为最小值，得到所述预训练自回归移动平均模型的最优参数；以及，将参数为所述最优参数的所述预训练自回归移动平均模型确定为所述第一预测模型；所述根据所述绝对误差对循环神经网络模型进行训练得到所述第二预测模型的过程包括：获取与所述第一训练数据集中所述每次充放电过程中的健康状态序列值对应的所述第二特征数据值并进行异常处理得到第二训练数据集；根据所述第二训练数据集中每次充放电过程中的所述第二特征数据值得到所述循环神经网络模型的模型输入，并对所述循环神经网络模型的参数进行调整，使得调整参数后的所述循环神经网络模型根据所述模型输入得到的模型输出，逼近所述每次充放电过程的相应所述下一健康状态序列值预测值的绝对误差；以及，将所述调整参数后的所述循环神经网络模型确定为所述第二预测模型。4.根据权利要求2所述的电池健康状态预测方法，其特征在于，所述利用所述第一训练
数据集对自回归移动平均模型进行训练，得到预训练自回归移动平均模型的过程包括：对包括所述第一训练数据集中的每个所述健康状态序列值的健康状态序列进行平稳性检验，对非平稳的所述...
【专利技术属性】
技术研发人员：请求不公布姓名，王媛，高攀龙，张建彪，
申请(专利权)人：章鱼博士智能技术上海有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。